Modul 1 – Forecasting
Kelompok 23
BAB I
PENDAHULUAN
waktu tertentu. Oleh karena itu PT ACorp membuat suatu peramalan produk agar dalam
jangka waktu tertentu perusahaan dapat memenuhi demand perusahaan sesuai kebutuhan
konsumen, tidak mengalami kerugian sebagai akibat adanya kelebihan atau kekurangan
produksi, serta membantu perusahaan dalam mengembangkan produk dengan lebih baik.
PT ACorp memiliki segmen pendidikan, lomba, koleksim dan w dengan produknya yaitu
mobil mainan Double Cabin. Commented [MO2]: Double cabin tps
periodenya sampai 2021 dan data yang digunakan Metode yang digunakan dalam
melakukan peramalan adalah Moving Average (MA) seperti Double Moving Average
(DMA), Exponential Smoothing seperti Double Exponential Smoothing (DES), Single
Exponential Smoothing with Trend (SEST), Double Exponential Smoothing with Trend
(DEST), ARIMA dan Linier Regresi.
Error yang digunakan dalam mengidentifikasi metode peramalan yang tepat yaitu
MAPE. Pengolahan data peramalan dapat dilakukan secara manual maupun dengan Commented [MO5]: Di Batasan penelitian dikasih
periodenya berapa sama
menggunakan software seperti Eviews dan NCSS. Setelah dilakukan pemilihan metode
Commented [MO6R5]: Data yang digunakan dari kapan
yang tepat dengan error terkecil yang dilanjutkan dengan menghitung validasi dari sampai kapan
metode yang terpilih yaitu dengan membuat grafik peta kontrol. Grafik peta kontrol
tersebut akan menggambarkan sebaran data demand sehingga apabila sebaran data berada
didalam batas kontrol maka metode yang dipilih sudah tepat namun jika masih berada
diluar batas kontrol maka perlu diadakan perbaikan secepatnya. Validasi lain yang dapat Commented [MO7]: Ini cara metode moving range
BAB II
TINJAUAN PUSTAKA
2.1. Peramalan
2.1.1. Definisi Peramalan
Forecasting atau peramalan merupakan aktivitas yang pertama kali dilakukan
dalam menentukan jadwal produksi di masa depan. Peramalan didasarkan pada penentuan
(prediksi) jumlah permintaan (demand) sebuah produk yang kemudian akan dijadikan
sebagai target produksi. Berikut ini merupakan definisi peramalan menurut beberapa ahli,
yaitu :
- Menurut John E.Biegel (1999): “Peramalan adalah kegiatan memperkirakan
tingkat permintaan produk yang diharapkan untuk suatu produk atau beberapa
produk dalam periiode waktu tertentu dimasa yang akan datang.
- Menurut Bufa S. Elwood (1996): “Peramalan atau forecasting diartikan sebagai
penggunaan teknik-teknik statistik dalam bentuk gambaran masa depan
berdasarkan pengolahan angka-angka historis.
- Menurut Makridakis (1988): “Peramalan merupakan bagian integral dari kegiatan
pengambilan keputusan manajemen.
- Menurut Manahan P. Tampubolon (2004:40) peramalan atau forecasting adalah
penggunaaan data untuk menguraikan kejadian yang akan datang di dalam
menentukan saran yang dikehendaki.
- Menurut Kostas (1981) Peramalan merupakan suatu dugaan terhadap permintaan
yang akan datang berdasarkan kuantitas, waktu, kualitas dan lokasi terhadap
produk atau layanan yang diinginkan.
Berdasarkan beberapa pengertian diatas, dapat disimpulkan bahwa forecasting
merupakan salah satu teknik dalam sistem perencanaan yang berfungsi untuk menentukan
aktivitas produksi yang akan terjadi di masa yang akan datang berdasarkan data historis
masa lalu guna memperoleh suatu sistem dan kebijakan yang lebih baik dan
menguntungkan bagi perusahaan atau organisasi yang terkait. (Yulisa Gardenia, 2012)
Sumber : www.library.binus..ac.id
Kuadratis atau musiman adalah Pola data musiman terjadi bilamana suatu
deret dipengaruhi oleh faktor musiman. Pola data musiman dapat
mempunyai pola musim yang berulang dari periode ke periode
berikutnya. Misalnya pola yang berulang setiap bulan tertentu, tahun
tertentu atau pada minggu tertentu. Contoh dari data musiman yaitu
suplai bahan makanan tiap bulan. Terlihat bahwa terjadi pola yang
berulang setiap periode dua belas bulan, sehingga bisa disimpulkan bahwa
data tersebut merupakan pola data musiman..
2) Memilih alternatif metode yang sesuai dengan pola data masa lalu. Dengan
asumsi, pola akan berulang pada periode yang akan datang.
3) Melakukan peramlaan dengan menguji verifikasi dan menghitung error dari tiap
metode – metode yang digunakan.
4) Memilih metode yang terbaik, yang dipilih adalah 2 metode yang memiliki error
terkecil.
5) Melakukan uji validasi metode terpilih dengan menggunakan peta Moving Range.
....................................(2.9)
................................................(2.10)
Ft+m = at + bt .m .....................................................(2.11)
d) Double Exponential Smoothing : Holt’s two parameter
Metode Holt’s mirip dengan metode Brown dengan perbedaan melakukan
smoothing trend secara terpisah. Pemisahan ini menciptakan fleksibilitas
dimana smoothing trend dapat dilakukan dengan parameter yang berbeda
dengan parameter yang dipakai series asli.
Perumusan Holt’s adalah sebagai berikut :
St = a Xt + (1-a )(St-1 + bt-1) ........................................ (2.12)
bt = g(St – St-1) + (1-g)bt-1 ......................................... (2.13)
Ft+m = St + bt m ................................................. (2.14)
Proses inisialisasi Holt’s membutuhkan dua nilai estimasi, pertama nilai
smoothing S1 dan berikutnya nilai trend b1.
e) Triple Exponential Smoothing : Browns one parameter quadratic
Persamaan smoothing kuadratis adalah sebagai berikut :
𝑆’𝑡 = 𝑎 𝑋𝑡 + (1 − 𝑎 )𝑆’𝑡 − 1 ................................... (2.15)
𝑆’’𝑡 = 𝑎 𝑆’𝑡 + (1 − 𝑎 )𝑆”𝑡 − 1 .................................. (2.16)
𝑆”’𝑡 = 𝑎 𝑆”𝑡 + (1 − 𝑎 )𝑆”’𝑡 − 1 ................................. (2.17)
𝑎𝑡 = 3 𝑆’𝑡 – 3 𝑆”𝑡 + 𝑆”’𝑡 .......................................... (2.18)
𝑏𝑡 = 𝛼⁄2 (1 − 𝛼)(6 − 5𝛼)𝐹 ′ 𝑡 − (10 − 8𝛼)𝐹 ′′ 𝑡 + (4 − 3𝛼)𝐹′′′𝑡......(2.19)
2
𝑐𝑡 = 𝛼 ⁄2 (1 − 𝛼)2 (𝐹 ′ 𝑡 − 2𝐹 ′′ 𝑡 + 𝐹′′′𝑡)...........................(2.20)
Dimana nilai a merupakan konstanta smoothimg, 0 < a < 1. Nilai F(0) = x(1),
data awal.
g) Triple Exponential Smoothing : Winter’s three parameter trend and
seasonality. Metode Winter’s dapat digunakan untuk data musiman. Metode
Winter’s didasarkan 3 persamaan smoothing; satu kestationeran, satu untuk
trend dan satu untuk musiman (Makridakis, 1999).
2) Moving Average (MA)
Moving Average tidak hanya berguna untuk melakukan penghalusan sebuah data
deret berkala, metode ini merupakan metode dasar yang digunakan dalam
mengukur fluktuasi musiman (Mason, 1999 : 328). Moving Average semata-mata
hanya memperhalus fluktuasi dalam data. Cara ini dilakukan dengan
menggerakkan nilai rata-rata aritmetik melalui data deret berkala. Data “historis
masa lalu” dapat diratakan dalam berbagai cara, antara lain rata-rata bergerak
tunggal (single moving average) dan rata-rata bergerak ganda (double moving
average). Beberapa jenis Moving Average :
a. Single Moving Average (Simple Average), Single Moving Average dapat
dirumuskan sebagai berikut :
𝑋𝑖⁄
𝐹𝑖+1 = 𝑋̅ = ∑𝑇𝑖=1 𝑇 ................................................(2.25)
Dimana :
xt = data pengamatan pada waktu ke-t
Ft+1 = nilai ramalan pada waktu ke-t+1
b. Double Moving Average
Pada double moving average terdapat tiga aspek yaitu :
1. Menggunakan single moving average pada waktu t
2. Terjadi penyesuaian antara single moving average - double moving average
(S’t – S”t) pada saat t.
3. Terjadi penyesuaian trend t – N + 1
Aspek-aspek ini dapat dilihat pada persamaan-persamaan peramalan berikut :
𝑋𝑡 +𝑋𝑡−1 +𝑋𝑡−2 +⋯+𝑋𝑡−𝑁+1
𝑆′𝑡 = .......................................(2.26)
𝑁
𝐹𝑡+𝑚 = 𝑎𝑡 + 𝑏𝑡 𝑚𝑡 ..............................................(2.30)
b. Weighted Moving Average
Pada meode ini, terdapat koefisien pemberat (weighted) yang berfungsi sebagai
faktor pengali. Rumusan metode ini sebagai berikut :
𝐹𝑡 = 𝑊1𝐴𝑡−1 + 𝑊2𝐴𝑡−2+. . . +𝑊𝑛𝐴𝑡−𝑛 ........................... (2.31)
f (t +h)= F(t) ............................................ (2.32)
Dengan nilai m adalah panjang (banyaknya) data moving average dan nilai
w(1), w(2),.........w(m) adalah faktor pengali. Masing-masing faktor pengali
dipakai untuk data ke-n sesuai dengan faktor pengalinya. Nilai faktor pengali
ditentukan oleh pemakai metode ini dan tidak ada rumusan untuk mendapatkan
faktor pengali terbaik, selain mencoba seluruh bilangan dan mencari nilai yang
paling menghasilkan error terkecil.
c. Moving Average with Linier Trend
Metode ini merupakan gabungan dari metode moving average yang
memperhatikan trend garis lurus data masa lalu. Oleh karena itu, rumusan
metode ini sama dengan rumusan metode linier regresi hanya saja nilai variabel
independent didapat dari rumusan moving average.
F(t)=S x(i) m…….. .......................................... (2.33)
i dari (t-m+1) sampai t
F'(t)=F'(t - 1) + a[(m- 1)x(t)+ (m+1)x(t - m) - 2mF(t - 1)] .......... (2.34)
f (t +h)=F(t)+ F'(t)[(m- 1) / 2 +h] ...................................... (2.35)
Nilai m adalah panjang data moving average dan nilai a didapat dari
a = 6/[m(m2-1)]. Sejalan dengan jumlah pengamatan yang digunakan, efek
smoothing akan meningkat tetapi respons terhadap perubahan akan semakin
melambat (Nasution.Arman H. Perencanaan dan Pengendalian Produksi. Hal
29-32).
𝑌 +𝑌 +...+𝑌 𝐿 1
Dimana Yt adalah nilai tengah dari interval L data observasi. (L-1)/2 observasi
merupakan data sebelum dan sesudahnya. Misalnya CMA 5 periode, maka
𝑌𝑡 = 𝑌5 maka intervalnya dimulai dari Y3 sampai Y7 (Sunarti,2011).
c. ARIMA Model
Model time series yang sangat terkenal adalah model ARIMA (Auto Regressive
Integrated Moving Average) yang di kembangkan oleh George E.P Box dan
Gwilym M Jenkis. Model time series ARIMA menggunakan teknik-teknik
kolerasi. Identifikasi model bisa dilihat dari ACF dan PACF suatu deret waktu.
Model umum ARIMA
Model Autoregressive Integrate moving Average dengan order (p, d, q)
dinotasikan sebagai berikut :
ARIMA (p, d, q) ................................................. (2.37)
Dimana :
Konsep Stasioneritas
Stasioneritas berarti tidak terdapat pertumbuhan atau penurunan pada
data.data secara kasarnya harus horisontal sepanjang sumbu
waktu.dengan kta lain, fluktuasi data berada di sekitar suatu nilai rata-
rata yang konstan, tidak tergantung pada waktu dan variasi dari fluktuasi
tersebut pada intinya tetap konstan pada setiap waktu. Untuk bisa
dilakuakn peramalan dengan menggunkan metode ARIMA, maka data
harus memenuhi kondisi stasioneritas yang di tunjukkan dengan
pembuatan ACF (autocorrelation function) dan PACF (partial
autocorrelation function). Aurokolerasi adalah kolerasi antar deret
pengamatan suatu deret waktu, sedangakan autokolerasi (ACF) adalah
plot autokolerasi – kolerasi. Seperti halnya fungsi autokolerasi, partial
autocorrelation adalah kolerasi antar deret pengamatan suatu deret
waktu. partial autocorrelation mengukur hubungan keeratan antar suatu
pengamatan suatu deret waktu.
Identifikasi model ARIMA
Suatu model time series dikatakan baik apabila telah sesuai dengan
kenyataan. Dengan kata lain, apabila kesalahan (error) model semakin
kecil maka model bisa dikatakan baik.oleh karena itu, kita perlu berhati-
hati dalam mengidentifikasi model suatu time series. Tahap tahap dalam
mengidentifikasi suatu model time series yaitu (Mulyana,2004):
- Membuat plot time series
- Membuat ACF dan PACF
- Membuat model autoregresive dan model moving average.
Ketepatan ramalan adalah salah satu hal yang mendasar dalam peramalan, yaitu
bagaimana mengukur kesesuaian suatu metode peramalan tertentu untuk suatu kumpulan
data yang diberikan. Ketepatan dipandang sebagai kriteria penolakan untuk memilih satu
metode peramalan terbaik.
Kelebihan yang dimiliki SDE adalah sederhana dan kekurangannya adalah akurasi
hasil peramalan sangat kecil karena hanya menggunakan standar deviasi
kesalahan peramalan.
3) Mean Absolute Percentage Error (MAPE)
MAPE merupakan ukuran kesalahan relatif, MAPE biasanya lebih berarti
dibandingkan MAD karena MAPE menyatakan persentase kesalahan hasil
peramalan terhadap permintaan aktual selama periode tertentu yang akan
Metode sangat efektif untuk mengetahui apakah hasil peramalan selama periode
tertentu terlalu tinggi atau terlalu rendah. Kekurangannya adalah bila hasil
peramalan tidak bias, maka nilainya akan mendekati nol.
5) Mean Absolute Deviation (MAD)
Merupakan teknik perhitungan error dengan menjumlah seluruh nilai error mutlak
kemudian dibagi dengan jumlah periode peramalan. Rumus :
|𝑋𝑖 −𝐹𝑖 | ∑𝑛
𝑖=1 |𝑒𝑖 |
𝑀𝐹𝐸 = ∑ 𝑛
= 𝑛
……………………………….(2.43)
SSE dihitung dengan menjumlahkan seluruh error yang telah dikuadratkan. Rumus
:
𝑆𝑆𝐸 = ∑ 𝑒𝑖 2 ………….……………………….(2.45)
𝐹𝑖+1 −𝑋𝑖+1 2
𝑃𝑒𝑚𝑏𝑖𝑙𝑎𝑛𝑔 = [ 𝑋𝑖
] ……………………….(2.46)
2
X Xi 𝑋𝑖+1 −𝑋𝑖 2
Penyebut i 1 𝑃𝑒𝑛𝑦𝑒𝑏𝑢𝑡 = [ ] ……………..…………….(2.47)
Xi 𝑋𝑖
U Theil
Pembilang ∑ 𝑃𝑒𝑚𝑏𝑖𝑙𝑎𝑛𝑔
Penyebut 𝑆𝐷𝐸 = √ ∑
𝑃𝑒𝑛𝑦𝑒𝑏𝑢𝑡
………………..,…………………(2.48)
2.5 EViews
EViews adalah program komputer yang digunakan untuk mengolah data statistik
dan data ekonometri. Program ini tersedia dalam versi MS Windows dan Macintosh.
EViews merupakan kelanjutan dari MicroTSP, yang dikeluarkan pada tahun 1981.
Aplikasi EViews dibuat pertama kali oleh Quantitative Micro Software (QMS) yang
berada di Irvine, California, Amerika Serikat.
Program olah data ini merupakan program olah data yang menyediakan atau
memberikan alat untuk melakukan regresi dan peramalan. Dengan program olah data E-
Views dapat dikembangkan suatu hubungan statistika dari suatu data yang dimiliki dan
menggunakan hubungan dari data yang sedang diamati tersebut untuk melakukan
peramalan terhadap nilai data yang dimaksudkan, terutama dalam konteks data runtun
waktu(time series). EViews dapat kita gunakan untuk menyelesaikan masalah yang
berbentuk time-series, cross section, maupun data panel. Kegunaan e-views adalah
sebagai berikut (Khrisna, 2016):
1) Untuk melakukan peramalan
2) Untuk melakukan analisis biaya dan selanjutnya melakukan permalan
3) Untuk melakukan analisis keuangan
4) Untuk melakukan peramalan dalam ekonomi makro
5) Untuk melakukan simulasi
6) Untuk melakukan analisis data ilmu pengetahuan dan melakukan evaluasi
Pada Eviews terdapat beberapa macam jendela (windows) yang fungsinya
berbeda satu sama lain. Secara ringkas, tampilan-tampilan jendela(windows) dalam
Eviews, antara lain (Faizin, 2012) :
Main Window (Jendela Utama) merupakan jendela program Eviews. Semua
Jendela yang lain dibuka melalui atau di dalam jendela.
Command Window (Jendela Program) berfungsi untuk mengetikkan perintah
macro Eviews, baik untuk menganalisa data maupun menyusun program.
Database Window (Jendela Basisdata) berfungsi melakukan manajemen terhadap
beberapa objek dengan range berbeda.
Workfile Window (Jendela Workfile) berfungsi melakukan manajemen terhadap
beberapa objek dengan range sama.
Object Window (Jendela Objek) berfungsi melakukan manajemen terhadap objek
(unit analisa terkecil dalam Eviews).
BAB III
METODOLOGI PRAKTIKUM
Mulai
Data Market
Demand
Memilih Demand
Melakukan peramalan
Valid?
ya
Selesai
BAB IV
PENGUMPULAN DAN PENGOLAHAN DATA
KOLEKSI
2000
1800
1600
1400
1200
1000
800
600
400
200
0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49 51
KOLEKSI
Dari grafik tersebut dapat diketahui bahwa pola data dari segmen Koleksi adalah
pola data Linier. Hal tersebut terlihat dari pergerakan grafik Linier yang cenderung naik
dari periode 1 samapai periode 52.
2) Segmen Lomba
Berikut ini adalah plotting data untuk segmen Lomba:
LOMBA
2000
1500
1000
500
0
1 3 5 7 9 11131517192123252729313335373941434547495153
Dari grafik tersebut dapat diketahui bahwa pola data dari segmen Lomba adalah
pola data Linier. Hal tersebut terlihat dari pergerakan grafik Linier yang cenderung naik
dari periode 1 samapai periode 52.
3) Segmen Anak-Anak
Berikut ini adalah plotting data untuk segmen Anak-anak:
ANAK-ANAK
2000
1500
1000
500
0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49 51
Dari grafik tersebut dapat diketahui bahwa pola data dari segmen anak-anak
adalah pola data Linier. Hal tersebut terlihat dari pergerakan grafik Linier yang
cenderung naik dari periode 1 samapai periode 52.
4) Segmen Pendidikan
Berikut ini adalah plotting data untuk segmen Pendidikan:
PENDIDIKAN
2000
1800
1600
1400
1200
1000
800
600
400
200
0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49 51
PENDIDIKAN
Dari grafik tersebut dapat diketahui bahwa pola data dari segmen Pendidikan
adalah pola data Linier. Hal tersebut terlihat dari pergerakan grafik Linier yang cenderung
naik dari periode 1 samapai periode 52.
Tabel 4. 4 Data Demand Mobil Mainan Double Cabin Tps pada Segmentasi yang Terpilih
(Lanjutan)
Tabel 4. 5 Data Demand Mobil Mainan Double Cabin Tps pada Segmentasi yang Terpilih
(Lanjutan)
Data yang dipakai untuk peramalan atau forecasting adalah data demand dari segmentasi
pendidikan dan lomba pada periode Juni 2017 hingga Juli 2019. Terdapat alasan mengapa
kami menggunakan data tersebut, yaitu karena data yang bersifat linier. Karena Acorp
harus melakukan peramalan untuk produk dari segmentasi pasar ini agar jumlah produk
yang diproduksi dapat mendekati dan sesuai dengan demand konsumen.
Berikut ini adalah plotting data untuk agregasi segmentasi Lomba dan Pendidikan
3500
3000
2500
2000
1500
1000
500
0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49 51
:
Gambar 4. 5 Plot Data Demand Agregasi Segmen yang Terpilih
4.2.4 Peramalan
4.2.4.1 Pemilihan Metode Peramalan dan Error
a. Data Pola Linier
Metode yang digunakan untuk meramalkan segmentasi pasar terpilih dengan
pola data linier yaitu ARIMA, DES, DEST, SEST, 3 DMA dan 5 DMA.
Metode DMA dan ARIMA digunakan karena metode ini merupakan metode
untuk data historis dengan trend. Sedangkan metode Exponential Smoothing
witht Trend digunakan karena data yang digunakan berupa data masa lalu dan
merupakan metode yang akurat untuk peramalan. Metode SEST merupakan
metode yang baik untuk plot data trend.
b. Error
Metode yang digunakan untuk mencari error pada peramalan yaitu MAPE.
Penggunaan metode MAPE sangat bagus apabila ukuran variabel permalan
merupakan faktor penting dalam mengevaluasi peramalan. Metode MAPE
b) Verifikasi
Berikut adalah perhitungan error dengan metode MAPE:
𝑒𝑡 −93.111
|𝑃𝐸| = 𝑥100 = 𝑥100 = 3.567
𝑋𝑡 2610
∑ 𝑃𝐸𝑖 24.64
𝑀𝐴𝑃𝐸 = 𝑥100 = 𝑥100 = 0.524%
𝑛 47
Xt F(t)
55 3728,2
56 3753,44
57 3778,68
58 3803,92
59 3829,16
60 3854,4
61 3879,64
62 3904,88
63 3930,12
64 3955,36
65 3980,6
66 4005,84
67 4031,08
68 4056,32
69 4081,56
70 4106,8
71 4132,04
72 4157,28
73 4182,52
74 4207,76
75 4233
76 4258,24
Total -14,26 639,06 19,597
b) Verifikasi
Berikut adalah perhitungan error dengan metode MAPE:
𝑒𝑟𝑟𝑜𝑟 15,46
PE = × 100% = × 100% = 0,562
𝑋𝑡 2751
|PE| = |0,562| = 0,562
∑ |𝑃𝐸| 19,597
𝑀𝐴𝑃𝐸 = = = 0,456%
𝑛 43
c) Grafik
Berikut adalah grafik plot data untuk metode peramalan dengan 5
DMA:
3000
2500
2000 Xt
1500
Ft
1000
500
0
1 5 9 13 17 21 25 29 33 37 41 45 49 53 57 61 65 69 73
Periode
Total 62,0281553
Contoh perhitungan:
α = 0,16
S ′ 3 = α. Xi + (1 − α). 𝑆 ′ t−1
S′3 = 0,16 × 2554 + (1 − 0,16) × 2207,32 = 2262,79
S"3 = α. S ′ i + (1 − α). 𝑆 " t−1
S"3 = 0,16 × 2262,79 + (1 − 0,16) × 2163,37 = 2179,28
𝑎𝑡 = 2. S′𝑡 − 𝑆 " t
𝑎3 = 2 × 2262,79 − 2179,28 = 2346,3
α
𝑏𝑡 = . (S′𝑡 − 𝑆 " t )
1−α
0,16
𝑏3 = . (2262,79 − 2179,28) = 15,907
1 − 0,16
F𝑡+𝑚 = 𝑎𝑡 + 𝑏𝑡 . 𝑚
F3 = 2346,3 + 15,907 × 1 = 2259,64
b) Verifikasi
Berikut adalah perhitungan error dengan metode MAPE:
∑|𝑃𝐸| 62,028155
𝑀𝐴𝑃𝐸 = = = 1,24%
𝑛 50
c) Grafik
Berikut adalah grafik pola data dari metode peramalan DES:
2500
2000
1500
1000
500
0
1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58 61 64 67 70 73 76 79
X(t) Ft
(SEST) dengan nilai alpha (α) = 0,112 dan beta (β) = 0,999.
59 3867,430
60 3898,063
61 3928,697
62 3959,330
63 3989,963
64 4020,597
65 4051,230
66 4081,863
67 4112,497
68 4143,130
69 4173,763
70 4204,396
71 4235,030
72 4265,663
73 4296,296
74 4326,930
75 4357,563
76 4388,196
Total 273,785 3462,224 11,4654 123,31
b) Verifikasi
123,31
𝑀𝐴𝑃𝐸 = = 2,418%
51
c) Grafik
Berikut merupakan grafik plot data dari peramalan dengan
metode SEST:
3000
2500
2000
1500
1000
500
0
1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58 61 64 67 70 73 76
X(t) F(t)
Software NCSS
Berikut merupakan output software NCSS untuk peramalan data
menggunakan metode Single Exponential Smoothing with Trend:
67 4450,174
68 4500,986
69 4551,798
70 4602,610
71 4653,423
72 4704,235
73 4755,047
74 4805,859
75 4856,671
76 4907,483
Total 42,232
b) Verifikasi
Berikut merupakan perhitungan error dari metode DEST:
∑𝑛
𝑖=1|𝑃𝐸|
𝑀𝐴𝑃𝐸 =
𝑛
42,232
𝑀𝐴𝑃𝐸 = = 0,828
51
c) Grafik
Berikut merupakan grafik plot data dari peramalan dengan
metode DEST:
5000
4000
X(t) dan F(t)
3000
2000
1000
0
1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58 61 64 67 70 73 76
Xt Ft
Software NCSS
Berikut merupakan output software NCSS untuk peramalan data
menggunakan metode Double Exponential Smoothing with Trend:
f. ARIMA
1) Uji Autokorelasi
Level 0
1. H0 : Data bersifat Autokorelasi
2. H1 : Data tidak bersifat Autokorelasi
3. ∝ : 0,05
4. Daerah kritis : DW < DL, DW < 1,5135
5. Perhitungan :
Dari hasil identifikasi AC dan PAC didapatkan bahwa dengan memilih 1st
Dari output correlogram, grafik autocorrelation (ACF) menurun secara
perlahan dan grafik partial autocorrelation (PACF) menurun dratis pada
lag ke-2, sehingga dapat diperkirakan identifikasi model ARIMA yang
muncul adalah AR (1,0,0) dengan ordo p = 1, d = 0 dan q = 0 atau AR
(2,0,0) dengan ordo p = 2, d = 0 dan q = 0.
4) Estimasi Parameter
ARIMA (1,0,0)
1. H0 : C Signifikan
2. H1 : C Tidak signifikan
3. H0 : (Ø1) Signifikan
4. H1 : (Ø1) Tidak signifikan
5. ∝ : 0,05
6. Daerah Kritis : P-Value > ∝
7. Perhitungan :
ARIMA (2,0,0)
1. H0 : C Signifikan
2. H1 : C Tidak signifikan
3. H0 : (Ø1) Signifikan
4. H1 : (Ø1) Tidak signifikan
5. H0 : (Ø2) Signifikan
6. H1 : (Ø2) Tidak Signifikan
7. ∝ : 0,05
8. Daerah Kritis : P-Value > ∝
9. Perhitungan :
ARIMA (0,0,1)
1. H0 : C Signifikan
2. H1 : C Tidak signifikan
3. H0 : (Ø1) Signifikan
4. H1 : (Ø1) Tidak signifikan
5. ∝ : 0,05
6. Daerah Kritis : P-Value > ∝
7. Perhitungan :
ARIMA (1,0,1)
1. H0 : C Signifikan
2. H1 : C Tidak signifikan
3. H0 : (Ø1) Signifikan
o Parameter C: Signifikan
o Parameter AR(1): Signifikan
o Parameter MA(1): Signifikan
Pada output terlihat bahwa semua variable
signifikan, sehingga model ARIMA (1,0,1) dapat
digunakan
Dari perbandingan nilai Akaike Info Criterion dan Schwarz Info Criterion
diatas, maka model yang dipilih adalah ARIMA (1,0,1) dengan nilai AIC
sebesar 10,82011 dan SIC sebesar 10,97020.
6) Uji Residual
a. Uji Kolerogram
Uji ini adalah uji untuk penampilan gambaran correlogram dari data
historis. Koefisien pada uji ini menunjukkan kedekatan hubungan
antar nilai variabel yang sama teteapi pada waktu yang berbeda.
Correlogram juga merupakan grafik dari nilai ACF dan PACF dari
berbagai lag. Lalu output dari uji correlogram ini dapat dilihat dari
gambar 4.25 Dibawah ini:
ARIMA (1,0,0)
ARIMA (0,0,1)
ARIMA (1,0,1)
b. Uji Kenormalan
1. H0 : Residual berdistribusi normal
2. H1 : Residual tidak berdistribusi normal
3. ∝ : 0,05
4. Daerah Kritis : P-Value > ∝
5. Perhitungan :
67 2283,812 2284
68 2285,59 2286
69 2287,363 2288
70 2289,132 2290
71 2290,895 2291
72 2292,654 2293
73 2294,408 2295
74 2296,158 2297
75 2297,902 2298
76 2299,642 2300
Total 45.296,00 45.296,00 1.427,92 1.427,92
MAPE 27,99839659
8. Grafik Peramalan
Berikut merupakan grafik perbandingan demand dan forecast dari
software ARIMA.
40
20
ERROR
0 UCL
LCL
-20
-40
-60
4.4 Hasil Peramalan Metode Terpilih Commented [MO13]: Karena ga valid, coba metode
terbaik kedua
Didapatkan MAPE terkecil yaitu dengan metode 5 DMA, berikut merupakan
tabel hasil peramalan dengan metode 5 DMA selama 24 periode :
Tabel 4. 12 Dua Belas Periode Peramalan Metode 5 DMA
Periode Peramalan
52 3643
53 3678
54 3703
55 3728
56 3753
57 3779
58 3804
59 3829
60 3854
61 3880
62 3905
63 3930
64 3955
65 3981
66 4006
67 4031
68 4056
69 4082
70 4107
71 4132
72 4157
73 4183
74 4208
75 4233
76 4258
BAB V
ANALISIS
adalah beta dikali dengan selisih Ft periode itu dengan sebelumnya ditambah
(1-beta) dikalikan dengan nilai Tt-1. Lalu mencari St dengan melakukan
penjumlahan Ft dan Tt-1. Hasil peramalan yang dihasilkan menggunakan
SEST adalah untuk 24 periode yang akan datang baik menggunakan
perhitungan manual maupun software NCSS dan perhitungan error dengan
metode MAPE yaitu 2,418%.
d. Metode DEST (Double Exponential Smoothing with Trend)
Data yang digunakan adalah data agregat dari segmentasi pasar pendidikan
dan lomba. Metode DEST merupakan metode peramalan yang digunakan
dengan data yang memiliki pola trend seperti halnya SEST. Dalam metode
ini, kelompok 23 mendapatkan α sebesar 0,6996101. Perhitungan dalam
metode Double Exponential Smoothing with Trend dimulai dengan mencari
nilai S’ didapatkan dari data permintaan yang dikalikan dengan nilai α yang
kemudian dijumlahkan dengan nilai S’ periode sebelumnya yang telah
dikalikan dengan nilai β. Perhitungan S” hampir sama dengan perhitungan S’,
hanya perbedaannya pada data permintaan yang digantikan dengan data S’
dan S’ periode sebelumnya digantikan oleh S” periode sebelumya. Langkah
terakhir adalah dengan cara mengurangi 2S’ dengan S’’ dan ditambahkan
dengan hasil bagi dari α dengan β yang dikalikan dengan S’ dikurangi S’’.
Hasil peramalan manual maupun software NCSS memiliki hasil yang sama
untuk 24 periode yang akan datang dan perhitungan error dengan metode
MAPE yaitu 0,828%.
e. Metode ARIMA
Tujuan dilakukan metode peramalan ARIMA untuk menentukan hubungan
statistik yang baik antar variabel yang diramal dengan nilai variabel
sebelumnya dengan memperhatikan AR, I dan MA. Peramalan metode
ARIMA dilakukan dengan menggunakan software Eviews. Langkah awal
yang harus dilakukan adalah dengan melakukan uji autokorelasi dan
diketahui bahwa data tersebut bersifat autokorelasi. Selanjutnya dilakukan uji
stasioneritas. Dari uji tersebut diketahui bahwa data telah teruji stasioner pada
deret waktu untuk unit root dalam 1st difference. Setelah itu, hal yang harus
dilakukan adalah mengidentifikasi Autocorrelation function (ACF) dan
Partial Autocorrelation Function (PACF) dan mengestimasi parameter
dengan melihat seluruh nilai probabilitas yang nilainya membentuk ordo
(p,d,q). Ordo p menunjukkan autoregressive (AR), ordo q menunjukkan
Moving Average (MA), dan ordo d menunjukkan tingkat unit test for unit
root. Setelah dilakukan kombinasi pengujian, ARIMA (1,0,0) adalah model
kombinasi AR(1) yang dilakukan pada tingkat level 0. Setelah model ARIMA
ditentukan, maka langkah yang harus dilakukan adalah melakukan uji
residual, yaitu uji Correlogram untuk mengetahui ada tidaknya pelanggaran
garis batas pada setiap autokorelasi dan parsial korelasi. Setelah diuji, model
ARIMA (1,0,0) diterima dan lolos uji sehingga model ARIMA (1,0,0) dapat
dipakai. Dari hasil perhitungan manual didapatkan nilai MAPE sebesar
27,9984%. Plot grafik data dari metode ARIMA menunjukkan garis linear
yang menanjak pada data demand dan grafik data linear mendatar pada data
forecast, sehingga secara visual, plot data memiliki perbedaan yang
signifikan. Grafik ini juga dipengaruhi oleh nilai MAPE atau nilai error yang
besar.
Penyebabnya karena pada periode tersebut terdapat hari raya Idul Fitri yang
menyebabkan terdapat kenaikan demand yang signifikan pada mainan tersebut.
BAB VI
PENUTUP
6.1 Kesimpulan
Berdasarkan pembahasan yang telah dilakukan, dapat di tarik kesimpulan sebagai
berikut:
1. Forecasting merupakan suatu metode yang digunakan untuk mendukung proses
pengambilan keputusan dalam penentuan jumlah material yang akan dibeli,
menentukan jumlah barang yang akan diproduksi di masa depan sehingga dapat
meminimalisis biaya produksi, penyimpanan, transportasi dan lain-lain.
Peramalan berguna dalam memprediksi permintaan para konsumen terhadap
produk dari suatu perusahaan dengan berbagai alternatif atau metode untuk
memudahkan dalam penentuan jumlah produk yang akan diproduksi. Dalam
melakukan peramalan ini, kelompok 23 menggunakan data pendidikan dan lomba
sebagai acuannya.
2. Banyak metode yang dapat digunakan untuk melakukan sebuah proses
forecasting. Metode untuk data linier dapat digunkan metode SEST, DEST,
DMA, DES dan ARIMA. Untuk menghitung error terdapat berbagai macam
metode antara lain; MAD, MSE, MAPE, CFE, dan SDE. Perhitungan Error yang
paling baik adalah perhitungan MAPE karena memiliki pembanding yang rinci
sehingga menghasilkan nilai Error kecil yang akurat yaitu demand terhadap
peramalan dimasa depan.
3. Setiap metode perhitungan error memiliki kelebihan dan kekurangan antara lain:
Cumulative Forecast Error, merupakan error yang didapat dengan menghitung
data demand dikurangi dengan ramalan. Kelebihan perhitungan nya sederhana
sedangkan kekurangan nya adalah hasil error tidak akurat. Mean Absolute
Deviation (MAD) merupakan error yang didapatkan dari kesalahan rata-rata yang
dimanfaatkan untuk mengetahui dan menghitung kesalahan peramalan dalam unit
yang sama.kelebihan nya adalah perhitngan nya sederhana tetapi kekuranganya
6.2 Saran
Berikut merupakan saran untuk praktikum Perancangan Teknik Industri Modul 1
forecasting:
1. Praktikan harus memahami terlebih dahulu tahap-tahap dalam melakukan
peramalan, seperti memasukkan data, membaca dan memplot grafik data, serta
teliti dalam menghitung data.
2. Praktikan diharapkan lebih memahami metode-metode peramalan dan metode-
metode perhitungan error.
3. Praktikan harus teliti dalam melakukan perhitungan dengan metode manual
maupun software.
4. Praktikan harus memahami konsep dan proses perhitungan metode-metode
peramalan dan perhitungan error baik yang dilakukan secara manual maupun
menggunakan software seperti WinQsb, Minitab, Excel dan Eviews.