TUGAS UJIAN TENGAH SEMESTER

TEKNIK OPTIMASI
“PERAMALAN/FORECASTING MENGGUNAKAN Win QSB2.0”
OLEH :
CEPI NURSANDI
B 1311129

JURUSAN TEKNOLOGI INDUSTRI PERTANIAN

FAKULTAS ILMU PANGAN HALAL
UNIVERSITAS DJUANDA BOGOR
BOGOR
2017

1
 BAB
PERAMALAN

1 Landasan Teori Peramalan

Menurut Gaspersz (2004), aktivitas peramalan merupakan
suatu fungsi bisnis yang berusaha memperkirakan permintaan
dan penggunaan produk sehingga produk-produk itu dapat dibuat
dalam kuantitas yang tepat. Dengan demikian peramalan
merupakan suatu dugaan terhadap permintaan yang akan datang
berdasarkan pada beberapa variabel peramal, sering berdasarkan
data deret waktu historis.
Menurut Supranto (1984), forecasting atau peramalan
adalah memperkirakan sesuatu pada waktu-waktu yang akan
datang berdasarkan data masa lampau yang dianalisis secara
ilmiah, khususnya menggunakan metode statistika. Menurut
Sofjan Assauri (1993), peramalan merupakan seni dan ilmu dalam
memprediksikan kejadian yang mungkin dihadapi pada masa yang
akan datang. Dengan digunakannya peralatan metode-metode
peramalan maka akan memberikan hasil peramalan yang lebih
dapat dipercaya ketetapannya. Oleh karena masing-masing metode
peramalan berbeda-beda, maka penggunaannya harus hati-hati
terutama dalam pemilihan metode untuk penggunaan dalam
kasus tertentu.
Peramalan dapat menggunakan teknik-teknik peramalan
yang bersifat formal maupun informal. Aktivitas peramalan ini
biasa dilakukan oleh departemen pemasaran dan hasil-hasil dari
peramalan ini sering disebut sebagai ramalan permintaan. Bagian
permintaan biasanya melakukan perencanaan berdasarkan hasil-
hasil ramalan permintaan, sehingga informasi yang dikirim dari

2
bagian permintaan ke bagian Production Planning and Inventory
Control (PPIC) semestinya memisahkan antara permintaan yang
dikembangkan berdasarkan rencana permintaan yang umumnya
masih bersifat tidak pasti dan pesanan-pesanan yang bersifat
pasti.
Sistem peramalan memiliki sembilan langkah yang harus
diperhatikan untuk menjamin efektifitas dan efisiensi. Langkah-
langkah tersebut termasuk dalam manajemen permintaan yang
disebut juga sebagai konsep dasar sistem peramalan, yaitu
(Gaspersz 2004):
a. Menentukan tujuan dari peramalan.
b. Memilih item independent demand yang akan diramalkan.
c. Menentukan horison waktu dari peramalan (jangka pendek,
menengah, dan panjang).
d. Memilih model-model peramalan.
e. Memperoleh data yang dibutuhkan untuk melakukan
peramalan.
f. Validasi model peramalan.
g. Membuat peramalan.
h. Implementasi hasil-hasil peramalan.
i. Memantau keandalan hasil peramalan.

2 Metode Peramalan Yang Digunakan

Penyelesaian peramalan memiliki beberapa metode yang
umum seperti metode weight moving average, exponential
smoothing, dan regresi linier. Berikut ini adalah penjelasan dari
metode tersebut (Gaspersz, 2004).
a. Metode Weight Moving Average (WMA)
Model rata-rata begerak terbobot lebih responsif terhadap
perubahan, karena data dari periode yang baru biasanya diberi

3
bobot lebih besar. Suatu model rata-rata bergerak n-periode
terbobot, weighted MA(n), dinyatakan sebagai berikut:

Selanjutnya untuk mengetahui sejauh mana keandalan dari

model peramalan weighted moving average (WMA), maka
diharuskan untuk membuat peta kontrol tracking signal. Cara
untuk bisa mendapatkan nilai tracking signal harus dicari terlebih
dahulu nilai MAD yang didapat dari rumus matematis adalah
sebagai berikut (Gaspersz, 2004).

MAD = absolut dari forecast errors

n

RSFE
Trac
king MAD
Sign
al =

b. Metode Exponential Smoothing (ES)

Metode peramalan dengan pemulusan
eksponensial
biasanya digunakan untuk pola data yang tidak
stabil atau perubahannya besar dan bergejolak.
Metode permalan ini bekerja hampir serupa
dengan alat thermostat. Apabila galat ramalan
(forecast error) adalah positif, yang berarti nilai
aktual permintaan lebih tinggi daripada nilai
ramalan (A–F>0), maka model pemulusan
eksponensial akan secara otomatis meningkatkan

4
nilai ramalannya. Sebaliknya, apabila galat
ramalan (forecast error) adalah negatif, yang
berarti nilai aktual permintaan lebih rendah
daripada nilai ramalan (A – F < 0), maka metode
pemulusan eksponensial akan secara otomatis
menurunkan nilai ramalan.

5
Proses penyesuaian ini berlangsung secara terus-menerus, kecuali galat ramalan telah mencapai
nol. Peramalan menggunakan metode pemulusan eksponensial dilakukan berdasarkan formula
seperti di bawah ini (Gaspersz, 2004).

F=F + (A -F )
t t-1 t-1 t-1

Keterangan
Ft : nilai ramalan untuk periode waktu ke-t
Ft-1 : nilai ramalan untu satu periode waktu yang lalu, t-1
At-1 : nilai aktual untuk satu periode waktu yang lalu, t-1
: konstanta pemulusan (smoothing constant)
Cara yang digunakan untuk mengetahui sejauh mana
keandalan dari model peramalan berdasarkan pemulusan
eksponensial harus menggunakan peta kontrol tracking signal dan
membandingkan apakah nilai-nilai ramalan itu telah
menggambarkan atau sesuai dengan pola historis dari data aktual
permintaan (Gaspersz, 2004).
c. Metode Regresi Linier
Metode regresi linier sering sekali dipakai untuk
memecahkan masalah-masalah dalam penaksiran tentunya hal ini
berlaku juga dalam peramalan sehingga metode regresi linier
menjadi suatu metode yang mempunyai taksiran terbaik diantara
metode-metode yang lain. Metode regresi linier dipergunakan
sebagai metode peramalan apabila pola historis dari data aktual
permintaan menunjukkan adanya suatu kecenderungan menaik
dari waktu ke waktu. Istilah regresi linier berarti, bahwa rataan ( y|

x) berkaitan linier dengan x dalam bentuk persamaan linier

populasi (Hasan, 1999).
 y|x = + x,

Koefisien regresi dan merupakan dua parameter yang akan

ditaksir dari data sampel. Bila taksiran untuk kedua parameter itu
masing-masing dinyatakan dengan a dan b maka y|x dapat ditaksir
dengan ŷ dari bentuk garis regresi berdasarkan sampel atau garis
kecocokan regresi (Hasan, 1999).

ŷ = a + bx

Keterangan
Ŷ : nilai ramalan permintaan pada peiode ke-t
a : intersept
b :slope dari garis kecenderungan,merupakan tingkat perubahan
dalam permintaan.
x : indeks waktu ( t = 1,2,3,...,n) ; n adalah banyaknya periode
waktu
Dengan taksiran a dan b masing-masing menyatakan
perpotongan dengan sumbu y dan kenaikannya. Lambang ŷ
digunakan di sini untuk membedakan antara taksiran atau nilai
prediksi yang diberikan oleh garis regresi sampel dan nilai y
amatan percobaan yang sesungguhnya untuk suatu nilai x. Slope
dan intersept dari persamaan regresi linier dihitung dengan
menggunakan formula berikut (Hasan, 1999):

b= n . xy - x . y x-b. x
n . x 2 -x 2 a= n

Keterangan
b : slope dari persamaan garis lurus
a : intersept dari persamaan garis lurus
x: index waktu
x-bar : nilai rata-rata dari x
y : variabel permintaan (data aktual permintaan)
y-bar : nilai rata-rata permintaan per periode waktu, rata-rata dari
y
Menurut Pangestu (1986), forecasting adalah peramalan
(perkiraan) mengenai sesuatu yang belum terjadi. Metode
peramalan terdiri atas metode peramalan kualitatif dan metode
peramalan kuantitatif. Peramalan kualitatif bersifat subjektif
dipengaruhi oleh intuisi, emosi, pendidikan, dan pengalaman
seseorang. Oleh karena itu hasil peramalan dari satu orang
dengan orang lain dapat berbeda. Meskipun demikian, peramalan
dengan metode kualitatif tidak berarti hanya menggunakan intuisi
melainkan mengikutsertakan model statistik sebagai bahan
masukan dalam melakukan judgment (pendapat, keputusan) dan
dapat dilakukan secara perseorangan ataupun kelompok.
Peramalan kualitatif menggunakan empat metode yang umum
dipakai, yaitu (Herjanto, 1999):
1. Juri Opini Eksekutif
Metode ini cukup banyak digunakan. Pendekatan ini
merupakan pendekatan peramalan yang paling sederhana dan
banyak digunakan dalam peramalan bisnis.
2. Metode Delphi
Metode ini, serangkaian kuesioner disebarkan kepada
responden. Langkah berikut jawabannya diringkas dan diberikan
ke panel ahli untuk dibuat perkiraan.
3. Gabungan Tenaga Penjualan
Metode ini cukup banyak digunakan, karena tenaga
penjualan (sales force) merupakan sumber informasi yang baik
mengenai permintaan konsumen. Setiap tenaga penjualan
meramalkan tingkat penjualan di daerahnya, kemudian
digabungkan pada tingkat provinsi dan seterunya sampai ke
tingkat nasional untuk mencapai peramalan yang menyeluruh.
4. Survei Pasar
Masukan diperoleh dari konsumen atau konsumen potensial
terhadap rencana pembelian di masa datang. Survei dapat
dilakukan dengan kuesioner, telepon, atau wawancara langsung.
Pendekatan ini membantu tidak hanya dalam menyiapkan
peramalan, tetapi juga dalam meningkatkan desain produk dan
perencanaan untuk suatu produk baru. Metode ini memiliki
kekurangan, yaitu memerlukan waktu yang cukup lama, metode
ini juga mahal dan sulit.
Metode kuantitatif yang digunakan dalam memperkirakan
atau meramalkan dapat dikelompokkan dalam dua jenis, yaitu
metode serial waktu dan kausal. Berikut ini akan diuraikan dari
jenis-jenis metode kuantitatif (Herjanto, 1999). a. Metode Serial
Waktu
Metode serial waktu (deret berkala, time series) adalah
metode yang digunakan untuk menganalisis serangkaian data
yang merupakan fungsi dari waktu. Analisis serial waktu dimulai
dengan memplotkan data pada suatu skala waktu, mempelajari
pola tersebut, dan akhirnya mencari suatu bentuk atau pola yang
konsisten atas data.
b. Metode Kausal
Metode Kausal atau disebut juga dengan metode
eksplanatori mengasumsikan adanya hubungan sebab akibat
antara variabel bebas dan variabel tidak bebas yang
dipengaruhinya, atau dalam bentuk lain antara input dan output
dari suatu sistem. Sistem itu dapat berbentuk makro (seperti
perekonomian nasional) atau mikro (seperti dalam perusahaan
atau rumah tangga).
3 Ukuran Akurasi Peramalan
Validasi metode peramalan terutama dengan menggunakan
metode-metode di atas tidak dapat lepas dari indikator-indikator
dalam pengukuran akurasi peramalan. Bagaimanapun juga
terdapat sejumlah indikator dalam pengukuran akurasi
peramalan, tetapi yang paling umum digunakan adalah mean
absolute deviation, mean absolute percentage error, dan mean
squared error.
a. Mean Absolute Deviation (MAD)
Akurasi peramalan akan tinggi apabila nilai-nilai MAD,
mean absolute percentage error, dan mean squared error semakin
kecil. MAD merupakan nilai total absolut dari forecast error dibagi
dengan data. Atau yang lebih mudah adalah nilai kumulatif
absolut error dibagi dengan periode. Jika diformulasikan maka
formula untuk menghitung MAD adalah sebagai berikut:

MAD = absolut dari forecast error

n

b. Mean Squared Error (MSE)

Menurut Gaspersz (2004), mean squared error biasa disebut
juga galat peramalan. Galat peramalan ini juga dapat berfungsi
untuk menghitung nilai MAD yang telah dibahas pada sub bab
sebelumnya.
Galat ramalan tidak dapat dihindari dalam sistem
peramalan, namun galat ramalan itu harus dikelola dengan benar.
Pengelolaan terhadap galat ramalan akan menjadi lebih efektif
apabila peramal mampu mengambil tindakan mengambil tindakan
yang tepat berkaitan dengan alasan-alasan terjadinya galat
ramalan itu. Dalam sistem peramalan, penggunaan berbagai
model peramalan akan memberikan nilai ramalan yang berbeda
dan derajat dari galat ramalan yang berbeda pula.
Rata-rata kesalahan kuadrat memperkuat pengaruh angka-
angka kesalahan besar, tetapi memperkecil angka kesalahan
prakiraan yang lebih kecil dari satu unit.

ei
MSE
n

c. Mean Absolute Percentage Error (MAPE)

Rata-rata persentase kesalahan kuadrat merupakan
pengukuran ketelitian dengan cara persentase kesalahan absolute.
MAPE menunjukkan rata-rata kesalahan absolut prakiraan dalam
bentuk persentasenya terhadap data aktualnya.
e
100
x
MAPE i

d. Tracking Signal
Menurut Gaspersz (2004), suatu ukuran bagaimana baiknya
suatu ramalan memperkirakan nilai-nilai aktual suatu ramalan
diperbaharui setiap minggu, bulan atau triwulan, sehingga data
permintaan yang baru dibandingkan terhadap nilai-nilai ramalan.
Tracking signal dihitung sebagai running sum of the forecast errors
dibagi dengan mean absolute deviation.

RSFE
Track
ing MAD
Signa
l=

Tracking signal yang positif menunjukkan

bahwa nilai aktual permintaan lebih besar
daripada ramalan, sedangkan apabila negatif
berarti nilai aktual permintaan lebih kecil
daripada ramalan. Pada setiap peramalan,
tracking signal terkadang
digunakan untuk melihat apakah nilai-nilai yang dihasilkan
berada di dalam atau di luar batas-batas pengendalian dimana
nilai-nilai tracking signal itu bergerak antara -4 sampai +4.
e. Moving Range (MR)
Moving range dibuat untuk membandingkan nilai-nilai
observasi atau data aktual dengan nilai peramalan dari kebutuhan
yang sama. Dapat dikatakan bahwa moving range adalah peta kontrol
statistik yang digunakan pada pengendalian kualitas. Peta moving
range memiliki batasan-batasan yang terdiri dari batas kontrol atas
dan batas kontrol bawah. Jika ada sebuah titik atau data yang
berada di luar batas tersebut maka ada beberapa data yang harus
dihilangkan atau mencari metode peramalan yang lain.
Moving Range digunakan untuk mengetahui sejauh mana
arah pergerakan (misal: permintaan) bergerak. Perhitungan Moving
Range menggunakan rumus:
MR = Ft 1 At 1 Ft At

4. Pembahasan Peramalan
Pembahasan pada modul peramalan ini dimana akan
melakukan perhitungan atas ketiga metode, yaitu metode
Weighted Moving Average (WMA), Single Exponential Smoothing
(SES), dan metode regresi linier. Masing-masing dari metode-
metode tersebut dapat meramalkan penjualan lemari tas untuk
periode yang telah ditentukan peramalan. Data penjualan aktual
ini merupakan syarat digunakan sebagai peramalan, karena
untuk ketiga metode tersebut merupakan metode yang bersifat
kuantitatif sehingga data yang akan digunakan untuk
meramalkan penjualan di periode selanjutnya ialah data historis.
Data penjualan aktual lemari tas dapat dilihat pada tabel 3.1.
 Tabel 3.1 Data Penjualan Aktual Lemari Tas

Bulan Indeks Waktu (t) Penjualan Aktual (A)

Januari 1 542
Februari 2 538
Maret 3 541
April 4 543
Mei 5 538
Juni 6 537
Juli 7 541
Agustus 8 540
September 9 542
Oktober 10 540
November 11 538
Desember 12 541

4.1 Perhitungan Metode Weighted Moving Averages (WMA)

Perhitungan pada metode Weighted Moving Averages (WMA)
dimana suatu nilai bobot tersebut telah ditentukan ialah 3. Nilai
tersebut dapat meramalkan berdasarkan indeks waktu yang
diramalkan dengan syarat minimal untuk nilai bobot tersebut
ialah 2. Hasil peramalan penjualan lemari tas dengan metode WMA
dapat dilihat pada tabel 3.2.
Tabel 3.2 Peramalan Penjualan Lemari Tas Metode Weight Moving Averages

Indeks Waktu Penjualan

Bulan Ramalan Berdasarkan MA = 3
(t) Aktual (A)
Januari 1 542 -
Februari 2 538 -
Maret 3 541 -
April 4 543 540,16 541
Mei 5 538 541,5 542
Juni 6 537 540,16 541
Juli 7 541 538,33 539
Agustus 8 540 539,16 540
September 9 542 539,83 540
Tabel 3.2 Peramalan Penjualan Lemari Tas Metode Weight Moving Averages
(lanjutan)

Indeks Waktu Penjualan

Bulan Ramalan Berdasarkan MA = 3
(t) Aktual (A)
Oktober 10 540 541,16 542
November 11 538 540,67 541
Desember 12 541 539,33 540
Januari 13 539,83 540

Contoh perhitungan untuk WMA:

Σ(Timbangan untuk periode-n)(Penjualan dalam periode-n) ΣTimbangan
[(3×541)+(2×538)+(1×542)]
F
t
=
= 6
= 540,16 = 541

4.2 Perhitungan metode Single Exponential

Smoothing (SES)
Berdasarkan hasil perhitungan software,
maka diketahui hasil MAD terkecil adalah sebesar
1,857 pada perhitungan metode SES dengan
konstanta pemulusan (α) 0,2. Rangkuman hasil
perhitungan dapat dilihat pada tabel 3.3.
Tabel 3.3 Hasil Peramalan dengan Software WinQSB
(Metode SES)

 MAD
0,1 1,862
0,2 1,857
0,3 1,939
0,4 2,082
0,5 2,206
0,6 2,309
0,7 2,388
0,8 2,488
0,9 2,571
 Perhitungan manual terhadap peramalan penjualan lemari
tas akan dilakukan pada nilai α sebesar 0,2. Data dapat dilihat
pada tabel 3.4 untuk perhitungan SES dengan α sebesar 0,2.
Tabel 3.4 Peramalan Lemari Tas (Metode SES = 0,2)
Indeks Waktu Penjualan Aktual
Bulan Ramalan
(t) (A)
Januari 1 542 540,08 541
Februari 2 538 540,46 541
Maret 3 541 539,97 540
April 4 543 540,18 541
Mei 5 538 540,74 541
Juni 6 537 540,19 541
Juli 7 541 539,55 540
Agustus 8 540 539,84 540
September 9 542 539,87 540
Oktober 10 540 540,30 541
November 11 538 540,24 541
Desember 12 541 539,79 540
Januari 13 540,03 541

∑ A
Ramalan indeks waktu ke-1 = n

6481
= 12 = 540,08 ≈ 541

Ramalan indeks waktu ke-2 = 540,08 + 0,2 (542-540,08)

= 540,08 + 0,2 (1,92) = 540,46 ≈ 541

4.3 Perhitungan Metode Regresi Linier

Pembahasan pada motode regresi linier dilakukan dua
perhitungan peramalan penjualan lemari tas, yaitu dengan metode
regresi linier dilakukan secara manual dan menggunakan
software WinQSB. Perhitungan regresi linier secara manual untuk
lemari tas ini dapat dilihat pada tabel 3.5.
 Tabel 3.5 Peramalan Metode Regresi Linier

Bulan Periode (X) PenjualanAktual (Y) X2 X.Y

Januari 1 542 1 542
Februari 2 538 4 1076
Maret 3 541 9 1623
April 4 543 16 2172
Mei 5 538 25 2690
Juni 6 537 36 3222
Juli 7 541 49 3787
Agustus 8 540 64 4320
September 9 542 81 4878
Oktober 10 540 100 5400
November 11 538 121 5918
Desember 12 541 144 6492
Jumlah(∑) 78 6481 650 42120

∑Y – b . ∑X
n . ∑XY - ∑X . ∑Y a=
b= 2 2 n
n . ∑X - (∑X) 6481 - (-0,045) . 78

12 . 42120 - 78 . 6481 =
= 12
2
12 . 650 - (78) = 540,37
-78
= 1716 = -0,045

Hasil yang didapat dari perhitungan yang telah dilakukan

tersebut dilakukan pembulatan ke atas. Pembulatan bilangan
tersebut dapat dimaksudkan dimana dalam sebuah permintaan
lemari tas tidak ada dalam bentuk koma. Perhitungan untuk
regresi linier secara keseluruhan dapat dilihat rangkumannya
pada tabel 3.6.
 Tabel 3.6 Hasil Peramalan dengan Metode Regresi Linier

Indeks
Bulan Ramalan
Waktu (t)
Januari 1 539,78 540
Februari 2 539,74 540
Maret 3 539,69 540
April 4 539,65 540
Mei 5 539,6 540
Juni 6 539,56 540
Juli 7 539,51 540
Agustus 8 539,47 540
September 9 539,42 540
Oktober 10 539,38 540
November 11 539,33 540
Desember 12 539,29 540
Januari 13 539,78 540
Februari 14 539,74 540
Maret 15 539,69 540
April 16 539,65 540
Mei 17 539,6 540
Juni 18 539,56 540
Juli 19 539,51 540
Agustus 20 539,47 540
September 21 539,42 540
Oktober 22 539,38 540
November 23 539,33 540
Desember 24 539,29 540

Berikut ini adalah contoh perhitungan nilai Y dengan metode

regresi linier.
Y = a + bX
= 540,37 + (-0,045) . 13 = 539,78 = 540
 4.4. Perhitungan Akurasi Hasil Peramalan
Hasil-hasil peramalan dapat dihitung dengan metode-
metode akurasi peramalan. Metode-metode tersebut terdiri dari
tracking signal dan moving range.

4.4.1 Perhitungan Tracking Signal

Hasil-hasil peramalan dengan metode WMA, SES, dan
regresi linier dapat diukur ketepatannya dengan menggunakan
Tracking signal (TS). Perhitungan tracking signal dapat dilihat pada
tabel 3.7 untuk metode WMA.
Tabel 3.7 Tracking Signal Metode WMA (Bobot = 3)

Periode Forecast Aktual Error RSFE Absolute Kumulatif MAD Tracking

(f) (A) (e=A-f) Kumulatif Error Absolute Signal
Error
1 541 543 2 2 2 2 2 1
2 542 538 -4 -2 4 6 3 -0,66
3 541 537 -4 -6 4 10 3,33 -1,80
4 539 541 2 -4 2 12 3 -1,33
5 540 540 0 -4 0 12 2,4 -1,66
6 540 542 2 -2 2 14 2,33 -0,85
7 542 540 -2 -4 2 16 2,28 -1,75
8 541 538 -3 -7 3 19 2,37 -2,95
9 540 541 1 -6 1 20 2,22 -2,70

Berdasarkan tabel di atas merupakan rangkuman untuk

menghitung tracking signal. Perhitungan itu termasuk secara
keseluruhan dari metode Weighted Moving Averages (WMA).
Berikut ini adalah contoh perhitungan MAD dan tracking signal
untuk periode pertama.
Contoh Perhitungan untuk Tracking Signal:
∑| |
Forecast Errors 2
MAD = n =1 = 2
RSFE 2

Tracking Signal = MAD = 2 = 2

 Perhitungan hasil tracking signal metode Weighted Moving
Averages (WMA) ditampilkan juga dalam bentuk grafik.
Perhitungan yang telah dilakukan tersebut, hasil dalam bentuk
grafik dimana grafik ini akan menunjukan keakuratan sebuah
peramalan permintaan pada lemari tas. Grafik tracking signal dari
metode WMA dengan bobot = 3 dapat dilihat pada gambar 3.1.

Peta Kontrol Tracking Signal Metode WMA

6
Tracking Signal
4
2
BKA
0
Tracking SIgnal
3 7
-2 1 2 4 5 6 8 9
-4 BKB
-6

Periode
Gambar 3.1 Grafik Tracking Signal dengan Metode WMA (Bobot = 3)

Hasil perhitungan peramalan metode SES dapat

diukur ketepatannya dengan menggunakan tracking signal.
Berikut ini adalah tabel yang dirangkum pada tabel 3.8
metode single exponential smoothing (SES).
Tabel 3.8 Tracking Signal Metode SES dengan α = 0,2
Periode Forecast Aktual Error RSFE Absolute Kumulatif MAD Tracking
(f) (A) (e=A-f) Kumulatif Error Absolute Signal
Error
1 541 542 1 1 1 1 1,00 1,00
2 541 538 -3 -2 3 4 2,00 -1,00
3 540 541 1 -1 1 5 1,67 -0,60
4 541 543 2 1 2 7 1,75 0,57
5 541 538 -3 -2 3 10 2,00 -1
6 541 537 -4 -6 4 14 2,33 -2,58
7 540 541 1 -5 1 15 2,14 -2,34
8 540 540 0 -5 0 15 1,88 -2,66
9 540 542 2 -3 2 17 1,89 -1,59
10 541 540 -1 -4 1 18 1,80 -2,22
11 541 538 -3 -7 3 21 1,91 -3,66
12 540 541 1 -6 1 22 1,83 -3,28
Perhitungan tersebut dapat dilihat pada contoh perhitungan
untuk tracking signal pertama.

Forecast Errors 1
∑| |
MAD = n =1 =1
RSFE 1
Tracking Signal = MAD = 1 =1

Perhitungan hasil tracking signal metode SES ditampilkan

juga dalam bentuk grafik. Berikut ini adalah grafik tracking signal
dari metode SES dengan konstanta pemulusan (α) 0,2.

Peta Kontrol Tracking Signal SES α = 0,2

6
Signal
4
2
BKA
Tracking 0
Tracking SIgnal
-2 1 2 3 4 5 6 7 8 9 10 11 12
-4 BKB
-6
Periode
Gambar 3.2 Grafik Tracking Signal dengan Metode SES (α = 0,2)

Hasil perhitungan peramalan dengan metode regresi

linier dapat diukur ketepatannya dengan menggunakan
tracking signal. Berikut ini adalah tabel yang merangkum
perhitungan tracking signal metode regresi linier.
Tabel 3.9 Tracking Signal dengan Metode Regresi Linier

Periode Forecast Aktual Error RSFE Absolute Kumulatif MAD Track

(f) (A) (e=A-f) Kumulatif Error Absolute Sign
Error
1 540 542 2 2 2 2 2 1
2 540 538 -2 0 2 4 2 0
3 540 541 1 1 1 5 1,67 0,
4 540 543 3 4 3 8 2 2
5 540 538 -2 2 2 10 2 1
 Tabel 3.9 Tracking Signal dengan Metode Regresi Linier (lanjutan)

Periode Forecast Aktual Error RSFE Absolute Kumulatif MAD Tracking

(f) (A) (e=A-f) Kumulatif Error Absolute Signal
Error
6 540 537 -3 -1 3 13 2,17 -0,46
7 540 541 1 0 1 14 2 0
8 540 540 0 0 0 14 1,75 0
9 540 542 2 2 2 16 1,78 1,12
10 540 540 0 2 0 16 1,6 1,25
11 540 538 -2 0 2 18 1,64 0
12 540 541 1 1 1 19 1,58 0,63

Gambar 3.3 Peta Kontrol Tracking Signal Metode Regresi Linier

4.4.2 Perhitungan peta Moving Range dan Grafik dari

metode dengan MAD terkecil.
Hasil perhitungan peramalan dari seluruh metode
selanjutnya dibandingkan keakuratannya. Metode yang
menghasilkan nilai Mean Absolute Deviation (MAD) terendah akan
diukur akurasinya dengan membuat peta kontrol moving range
(MR). Metode yang menghasilkan nilai MAD terendah adalah
metode regresi linier.
 Tabel 3.10 Tabulasi Perhitungan Moving Range dengan Metode
Regresi Linier

Bulan Peramalan Penjualan Aktual A-F MR Absolute

Januari 540 542 2 -
Februari 540 538 -2 4
Maret 540 541 1 3
April 540 543 3 2
Mei 540 538 -2 5
Juni 540 537 -3 1
Juli 540 541 1 4
Agustus 540 540 0 1
September 540 542 2 2
Oktober 540 540 0 2
November 540 538 -2 2
Desember 540 541 1 3
Total 29

Pembuatan peta kontrol moving range memerlukan nilai rata-

rata Moving Range (MR), Batas Kontrol Atas (BKA), dan Batas Kontrol
Bawah (BKB). Perhitungan MR, BKA, dan BKB serta gambar peta
kontrol moving range adalah sebagai berikut:

29
MR = 12-1
MR = 2,64

Perhitungan hasil dari keseluruhan tracking signal dapat

diketahui pula untuk metode moving range. Moving range ini juga
menampilkan juga dalam bentuk grafik. Grafik yang ditunjukkan
dalam moving range dimana ditunjukkan dengan besaran A-f. A-f
menunjukan selisih antara penjualan actual dengan peramalan
regresi linier. Berikut ini adalah grafik moving range.
 Gambar 3.4 Grafik Moving Range Berdasarkan Metode Regresi Linier

4.5 Perhitungan dengan metode Weight Moving Averages

dengan WinQSB.
Hasil dari pengolahan software WinQSB untuk metode
weighted moving average (WMA) pada forecasting method. Hasil
tersebut dapat dilihat pada gambar 3.5. Software ini juga dapat
menunjukkan grafik hasil peramalan yang dapat dilihat pada
Gambar 3.6.

Gambar 3.5 Output Software WinQSB Metode WMA

 Gambar 3.6 Output Grafik Weight Moving Average

4.6 Perhitungan dengan metode Single Exponential dengan

WinQSB.
Hasil dari pengolahan software WinQSB untuk metode
single exponential smoothing (SES) pada forecasting method. Hasil
tersebut dapat dilihat pada gambar 3.7. Software ini juga dapat
menunjukkan grafik hasil peramalan yang dapat dilihat pada
Gambar 3.8.

Gambar 3.7 Perhitungan Software WinQSB

Metode SES (α = 0,2)
 Gambar 3.8 Output Grafik Single Exponential Smoothing α = 0,2

4.7 Perhitungan dengan metode Regresi Linier dengan

WinQSB.
Hasil dari pengolahan software WinQSB untuk metode
regresi linier pada forecasting method. Hasil tersebut dapat dilihat
pada gambar 3.9. Software ini juga dapat menunjukkan grafik
hasil peramalan yang dapat dilihat pada Gambar 3.10.

Gambar 3.9 Perhitungan Software WinQSB Metode Regresi Linier

 Gambar 3.10 Output Grafik Regresi Linier

4.8 Analisis Peramalan

Peramalan suatu produk diharuskan menggunakan data
produksi terdahulu. Peramalan untuk produk lemari tas ini
dilakukan selama 12 periode atau satu tahun. Perhitungan
peramalan dilakukan dengan cara manual dan software. Metode
yang digunakan ada 3, yaitu metode weight moving average, single
exponential smoothing, dan regresi linier.
Metode Weight Moving Average (WMA) memakai rata-rata
bobot sebesar 3 untuk peramalan produk lemari tas. Nilai tersebut
dapat meramalkan berdasarkan indeks waktu yang diramalkan
dengan syarat minimal untuk nilai bobot tersebut ialah 2 dan
menunjukkan bahwa peramalan pada bulan 1 sampai dengan
bulan 3 telah dilakukan peramalan di tahun sebelumnya. Hasil
peramalan untuk periode ke 4 dilakukan pertama kali karena
memakai rata-rata bobot 3, yaitu sebesar 540,16 atau dibulatkan
menjadi 541 unit yang berarti produksi lemari tas pada periode 4
adalah sebesar 541 unit. Periode berikutnya sampai periode ke 12
dapat dilihat pada Tabel 3.2. Pada tracking signal metode WMA ada
9 periode yang digunakan perhitungannya karena WMA
memiliki bobot 3 bulan maka 3 bulan awal tidak ada peramalan.
Mean Absolute Deviation (MAD) atau rata-rata penyimpangan
absolut pada metode WMA yang dilakukan dengan pengolahan
data secara manual didapat hasil sebesar 2,22. Nilai MAD 2,22
diperoleh dari nilai absolut error dari nilai error. Nilai error sendiri
merupakan nilai aktual dikurangi nilai peramalan. Gambar 3.1
peta kontrol tracking signal metode WMA menunjukkan bahwa
data-data hasil peramalan tersebut dapat dikatakan baik karena
tidak ada yang melewati ketetapan nilai BKA dan BKB, yaitu 4 dan
-4. Berdasarkan perhitungan software nilai MAD dengan metode
WMA didapatkan hasil sebesar 2,14. Jika dibandingkan dengan
perhitungan manual terdapat selisih 0,08. Perbedaan 0,08 tidak
terlalu signifikan bagi peramalan. Perbedaan nilai tersebut
dikarenakan pembulatan angka dibelakang koma yang dilakukan
pada perhitungan manual dan perhitungan software berbeda.
Peramalan dengan menggunakan metode single exponential
smoothing atau lebih singkatnya SES menggunakan nilai = 0,2.
Nilai tersebut didapat dari perhitungan dengan menggunakan
software WinQSB yang mencari nilai MAD paling kecil diantara
nilai = 0,1 sampai = 0,9. Peramalan dengan menggunakan metode
SES ini dilakukan dengan menggunakan nilai aktual data
penjualan satu tahun sebelumnya. Hasil peramalan untuk periode
4 dengan menggunakan metode SES didapat hasil sebesar 540,18
atau dibulatkan menjadi 541 unit yang berarti produksi lemari tas
pada periode 4 adalah sebesar 541 unit. Selengkapnya untuk
peramalan dengan menggunakan metode SES dapat dilihat pada
tabel 3.4. Metode SES juga dibuat tracking signal untuk
mengetahui nilai MAD. Nilai MAD untuk = 0,2 adalah sebesar 1,83
merupakan MAD dengan nilai terkecil. Nilai MAD 1,83 diperoleh
dari nilai absolut error dari nilai error. Nilai error sendiri
merupakan nilai aktual dikurangi nilai peramalan. Gambar 3.2
peta kontrol tracking signal metode SES menunjukkan bahwa
data-data hasil peramalan tersebut dapat dikatakan baik karena
tidak ada yang melewati ketetapan nilai BKA dan BKB yaitu 4 dan
-4. Berdasarkan perhitungan software nilai MAD dengan metode
SES = 0,2 didapatkan hasil sebesar 1,85. Jika dibandingkan
dengan perhitungan manual terdapat selisih 0,02. Perbedaan 0,02
tidak terlalu signifikan bagi peramalan. Perbedaan nilai tersebut
dikarenakan pembulatan angka di belakang koma yang dilakukan
pada perhitungan manual dan perhitungan software berbeda.
Hasil perhitungan manual dengan menggunakan metode
regresi linier digunakan untuk mengetahui nilai peramalan untuk
24 periode secara langsung. Hasil peramalan untuk periode 16
adalah sebesar 539,65 unit yang dibulatkan menjadi 540 unit
yang berarti produksi lemari tas pada periode 16 adalah sebesar
540 unit. Selengkapnya untuk peramalan dengan menggunakan
metode regresi linier dapat dilihat pada tabel 3.5. Metode regresi
linier juga dibuat tracking signal untuk mengetahui nilai MAD.
Nilai MAD untuk metode regresi linier adalah sebesar 1,58. Nilai
MAD 1,58 diperoleh dari nilai absolut error dari nilai error. Nilai
error sendiri merupakan nilai aktual dikurangi nilai peramalan.
Gambar 3.3 peta kontrol tracking signal metode regresi linier
menunjukkan bahwa tidak ada data yang melewati batas kontrol
baik atas maupun bawah. Berdasarkan perhitungan software nilai
MAD dengan metode regresi linier didapatkan hasil sebesar 1,57.
Jika dibandingkan dengan perhitungan manual terdapat selisih
0,01. Perbedaan 0,01 tidak terlalu signifikan bagi peramalan.
Perbedaan nilai tersebut dikarenakan pembulatan angka di
belakang koma yang dilakukan pada perhitungan manual dan
perhitungan software berbeda.
 Moving range merupakan suatu ukuran akurasi peramalan.
Data-data yang digunakan untuk perhitungan moving range
berdasarkan data peramalan dengan nilai MAD terkecil. Hasil
peramalan berdasarkan tiga metode yang sebelumnya telah
dihitung dan didapatkan hasil MAD terkecil yang terdapat pada
metode regresi linier, yaitu sebesar 1,58.
Tabel 3.10 moving range menunjukkan nilai peramalan
berdasarkan metode regresi linier dengan data penjualan aktual.
Kolom A-F merupakan kolom pengurangan nilai aktual dengan
nilai peramalannya. Mencari nilai MR absolute setiap periodenya
dengan perhitungan selisih forecasting t-1 dengan aktual t-1
dikurangi selisih forecasting t dengan aktual t. Lalu MR absolute
dijumlahkan keseluruhnya didapat nilai sebesar 29, dari nilai
tersebut dicari nilai BKA dan BKB yang masing-masing bernilai
7,02 dan -7,02. Grafik moving range digunakan agar memperjelas
dan mempertegas hasil peramalan yang diplotkan pada grafik.
Berdasarkan grafik moving range dapat disimpulkan bahwa tidak
ada nilai yang keluar dari BKA dan BKB yang artinya data hasil
peramalan yang dibuat antara data aktual dan data peramalan
tidak ada perbedaan yang signifikan.
Perhitungan pun memiliki hasil yang berbeda dari hasil
grafik yang dibentuk berdasarkan hasil perhitungan dari masing-
masing metode, seperti metode weight moving average, single
exponential smoothing, dan regresi linier. Hasil yang ditunjukkan
dalam grafik untuk metode weight moving average, yaitu bersifat
fluktuatif dimana peramalan akan diprediksi atau diramalkan
untuk bulan ke 4 sampai ke bulan yang 13 karena memiliki bobot
3. Bobot 3 tersebut menunjukkan bahwa peramalan pada bulan 1
sampai dengan bulan 3 telah dilakukan peramalan di tahun
sebelumnya. Hal ini menunjukkan bahwa peramalan dalam
metode weight moving average di bulan-bulan tertentu pun
diramalkan atau diprediksi akan mengalami penurunan di bulan
ke 8 dan kenaikan di bulan ke 10. Penyebab terjadinya penurunan
pada bulan ke 8 disebabkan oleh faktor lain, seperti permintaan
pasar akan menurun sehingga dalam hal ini permintaan pasar
akan menurun 2 unit dari data aktual yang 8 bulan yang lalu
dimana berjumlah 540 unit, sedangkan kenaikan yang terjadi
pada bulan ke 10 dimana permintaan naik sebanyak 1 unit dari
data aktual yang berjumlah 541 unit.
Hasil yang ditunjukkan dalam grafik dengan metode single
exponential smoothing, yaitu bersifat fluktuatif dimana data
peramalan untuk bulan ke 2 sampai ke bulan yang 12 tidak selalu
sama dengan data peramalan sebelumnya (data aktual). Hal ini
menyatakan bahwa peramalan yang ditunjukkan di bulan 1 telah
dilakukan peramalan di tahun sebelumnya. Hal ini menunjukkan
bahwa peramalan dalam metode single exponential smoothing di
bulan-bulan tertentu pun diramalkan atau diprediksi akan
mengalami penurunan di bulan yang ditentukan grafik metode
single exponential smoothing. Penurunan permintaan yang akan
diramalkan tersebut sebanyak 2 unit sedangkan permintaan akan
menaikkan sampai 3 unit, sehingga peramalan yang dilakukan
dalam metode single exponential smoothing sangat bersifat
fluktuatif atau kejadian ini memiliki persentase yang cukup besar,
yaitu 0,3% maka dalam hal ini masih belum dapat ditentukan.
Hasil yang ditunjukkan dalam grafik dengan metode regresi
linier, yaitu bersifat linier dimana data peramalan untuk bulan ke
1 sampai ke bulan yang 12 merata atau linier dengan data
peramalan sebelumnya (data aktual). Hal ini menyatakan bahwa
peramalan dilakukan selama 12 bulan penuh. Grafik untuk
peramalan regresi linier di bulan tertentu bersifat merata sehingga
menunjukkan bahwa ramalan tidak jauh dari permintaan 12
bulan lalu (data aktual). Peramalan untuk metode regresi linier
dimana permintaan sebanyak 540 unit, dengan persentase
peramalan sebesar, yaitu 0,2%. Hal ini dalam suatu peramalan
dapat dikatakan metode yang terbaik, yaitu jika memiliki
persentase yang lebih kecil, maka metode yang terpilih adalah
metode regresi linier.
Peramalan untuk lemari tas ini dimana metode yang terpilih
adalah regresi linier, karena regresi linier merupakan peramalan
yang dilakukan selama 12 bulan penuh. Perbandingan dengan
metode lain pun dimana peramalan hanya dilakukan di bulan
tertentu atau bulan yang sudah ditentukan dalam peramalan
sehingga dalam keakuratannya untuk metode regresi linier cukup
baik, yaitu bernilai 0,2%.