Modul 1 Kelompok 23

Laporan Praktikum Proyek Teknik Industri
Modul 1 – Forecasting
Kelompok 23
BAB I
PENDAHULUAN
1.1. Latar Belakang

PT ACorp adalah perusahaan mobil mainan pickup. PT ACorp adalah perusahaan
baru sehingga PT ACorp harus memilih langkah-langkah bisnis yang tepat dan sesuai
dengan kondisi pasar. Salah satu hal penting yang harus dilakukan PT ACorp adalah
dengan melakukan perencanaan produksi. Perencanaan produksi yang pertama kali harus
dilakukan oleh PT ACorp adalah dengan melakukan forecasting atau peramalan.
Forecasting atau peramalan memiliki definisi sebagai aktivitas pertama dalam penentuan
jadwal produksi dimasa depan. Proses peramalan yang dilakukan didasarkan pada
penentuan (prediksi) jumlah permintaan (demand) konsumen dari sebuah produk yang
kemudian dijadikan sebagai target produksi. Penentuan target produksi sangatlah penting
bagi suatu perusahaan karena dapat menentukan langkah-langkah yang akan diambil
perusahaan dalam memenuhi target produksi yang ingin dicapai dengan tetap
memperhatikan kualitas produk dan kepuasan konsumen.
Proses peramalan memberikan pengaruh terhadap tingkat inventori yang akan
dimiliki oleh perusahaan. Peramalan akan memprediksi jumlah permintaan dimasa yang
akan datang atau jumlah produk yang harus diproduksi dimasa yang akan datang sehingga
dengan melakukan proses peramalan, perusahaan akan dapat memperkirakan inventori
yang harus dilakukan di masa depan. Peramalan akan meminimalisir terjadinya
kekurangan atau kelebihan inventori yang akan menyebabkan kerugian di perusahaan.
Peramalan juga berpengaruh terhadap service level dimana apabila perusahaan dapat
memprediksi demand dengan tepat maka perusahaan akan dapat memenuhi permintaan
konsumen dengan cepat dan tepat. Konsumen tidak perlu lagi menunggu barang
diproduksi namun sudah tersedia di inventori sehingga hal tersebut dapat meningkatkan
service level kepada konsumen dari perusahaan. Commented [MO1]: Kata asing dimiringin, halamannya
dibetulin
Peramalan juga berguna dalam menentuka penjadwalan produksi. Penjadwalan
ini penting untuk mengatur tingkat produktivitas yang akan dilakukan dalam jangka
Departemen Teknik Industri

Universitas Diponegoro
2019 1
Kelompok 23
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
1.2. Perumusan Masalah

PT ACorp akan melakukan proses peramalan untuk meramalkan demand dimasa
yang akan datang. Terdapat beberapa metode yang akan digunakan untuk melakukan
proses peramalan tersebut. Metode yang memiliki error terkecil adalah metode terpilih
yang akan digunakan dalam meramalkan demand masa depan. Setelah dibuat peramalan
dengan begitu perusahaan dapat menentukan penjadwalan produksi dimasa depan.
Peramalan penting dilakukan mengingat PT ACorp merupakan perusahaan mobil mainan
yang masih baru di Indonesia. Selain itu, PT ACorp masih menggunakan supplier lokal
dalam memenuhi kebutuhan bahan bakunya.
1.3. Tujuan Penulisan

1. Mampu mengetahui manfaat dan posisi forecasting dalam sistem industri
2. Mampu memahami metode-metode dan teknik dalam forecasting. Commented [MO3]: 123
3. Mampu mengimplementasikan metode dan teknik forecasting dalam bidang

industri.
1.4. Batasan Penelitian

Pada jenis bisnis mobil mainan ini terdapat 4 segmentasi pasar yaitu lomba,
pendidikan, koleksi dan anak-anak. PT ACorp memilih untuk menganalisis segmentasi
pendidikan dan lomba. Metode yang akan digunakan dalam peramalan adalah satu Commented [MO4]: Dilakukan secara manual dan
software
metode yang merupakan metode terbaik dan terpilih untuk meramalkan demand masa
depan dapat dilakukan secara manual dan menggunakan software. Untuk peramalan ini

2019 2
Kelompok 23
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
dilakukan adalah dengan menggunakan moving range.
1.5. Sistematika Penulisan

BAB I PENDAHULUAN
Berisi mengenai latar belakang, perumusan masalah, tujuan penulisan, Commented [MO8]: Sejajar huruf p
pembatasan masalah serta sistematika penulisan yang digunakan

BAB II TINJAUAN PUSTAKA
Berisi mengenai teori-teori yang menjadi landasan dalam membuat laporan
yang berhubungan dengan kasus dan masalah yang terjadi yaitu dalam hal ini
adalah mengenai teori landasan mengenai peramalan.
BAB III METODOLOGI PENELITIAN
Berisi mengenai bagan metodologi penelitian yang dilakukan
BAB IV PENGUMPULAN DAN PENGOLAHAN DATA
Berisi mengenai data yang telah diberikan yaitu data demand historis dalam
melakukan peramalan. Kemudian menjadikan data tersebut sebagai input

2019 3
Kelompok 23
perusahaan dalam meramalkan demand masa depan dengan berbagai metode

statistika yang telah ditentukan.
BAB V ANALISIS
Berisi mengenai analisa-analisa data permintaan terhadap berbagai metode
yang digunakan dalam menghitung sehingga data peramalan yang dilakukan
dapat tepat dan tidak bias. Demand dimasa yang akan datang dihitung
berdasarkan kepada metode-metode peramalan yang digunakan.
BAB VI PENUTUP
Berisi mengenai kesimpulan dan saran untuk modul 1.

2019 4
Kelompok 23
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)

2019 5
Kelompok 23
2.1.2. Macam-macam Peramalan

Berdasarkan sifatnya, peramalan diklasifikasikan menjadi dua bagian yaitu :
a. Peramalan kualitatif
Adalah teknik peramalan yang digunakan apabila data masa lalu tidak tersedia
atau tersedia namun jumlahnya yang tidak banyak. Teknik ini mengkombinasikan
informasi dengan pengalamn, penilaian dan intuisi untuk menghasilkan pola-pola
dan hubungan yang mungkin dapat diterapkan dalam memprediksi masa yang
akan datang. Teknik-teknik kualitatif didasarkan atas pendekatan akal sehat dalam
menyaring informasi ke dalam bentuk yang bermanfaat. Beberapa metode yang
tercakup dalam teknik – teknik kualitatif antara lain visionary, panel consesus,
brainstorming, antypatory survey, role playing, dan lain sebagainya.
b. Peramalan Kuantitatif
Adalah teknik peramalan dimana pola historis data digunakan untuk meramalkan
keadaan di masa yang akan datang. Menurut makridakis, Wheelwright dan McGee
(1999,p20), tiga kondisi penerapan dari penerapan peramalan ini, yaitu :
tersedianya informasi tentang masa lalu, informasi tersebut dalpat dikuantitatifkan
dalam bentuk data numerik, dan dapat diasumsikan bahwa beberapa aspek pola
aspek masa lalu akan terus berlanjut ke masa mendatang. Terdapat dua teknik
kuantitatif yang utama, yakni analisis deret waktu (time series analysis) dan model
struktural (structural model) atau model kausal.
 Time series adalah analisis deret waktu yang didasarkan pada deret yang
menggambarkan pola-pola bervariasi sepanjang waktu, dan dapat
dimodelkan untuk menentukan pola yang akan terjadi di masa depan.
 Causal Model adalah model yang terdiri dari teknik-teknik peramalan yang
menggunakan informasi atas satu atau beberapa faktor (variable) untuk
memprediksi faktor lainnya dengan memanfaatkan pengetahuan atas
hubungan antara variabel-variabel tersebut.

2019 6
Kelompok 23
 Other Quantitative adalah metode peramalan jenis kuantitatif yang

menggunakan teknik peramalan market research, management science,
expert system, artifical dan lain-lain
Berikut ini merupakan tahapan dalam penyusunan peramalan dengan
menggunakan peramalan kuantitatif yaitu :
1. Tentukan tujuan peramalan
2. Pembuatan diagram pencar
3. Pilih minimal dua metode peramalan yang dianggap sesuai
4. Hitung parameter-parameter fungsi peramalan.
5. Hitung kesalahan setiap metode yang terbaik, yaitu yang memiliki kesalahan
terkecil
6. Pilih metode yang terbaik, yaitu yang memiliki kesalahan terkecil.
7. Lakukan verifikasi peramalan.
Berdasarkan sifat penyusunannya, maka peramalan dibedakan menjadi dua

macam yaitu :
 Peramalan yang subjektif, yaitu peramalan yang didasarkan atas perasaan atau
intuisi dari penyusunnya.
 Peramalan yang objektif , adalah peramalan yang didasarkan atas data yang
relevan pada masa lalu, denagn menggunakan teknik-teknik dan metode-metode
dalam penganalisisan data tersebut.
Sedangkan, berdasarkan jangka waktu ramalan yang disusun, maka peramalan
dibedakan atas:
 Peramalan jangka panjang, yaitu peramalan yang dilakukan untuk penyusunan
hasil ramalan yang jangka waktunya lebih dari satu setengah tahun.
 Peramalan jangka pendek adalah peramalan yang dilakukan untuk penyusunan
hasil ramalan dengan jangka waktu yang kurang dari satu setengah tahun.
Sehingga peramalan jangka pendek menggunakan teknik analisa hubungan
dimana satu-satunya variabel yang mempengaruhi adalah waktu (Assauri, 1984).

2019 7
Kelompok 23
2.1.3 Tahapan dalam Peramalan

Terdapat tahap-tahap yang harus dilakukan dalam suatu permalan yaitu (Sri
Hartini,2011) :
1) Plot data
Plot data dilakukan pertama kali sebelum melakukan metode peramalan untuk
menentukan pola data yang terjadi. Dengan data yang ada akan diperoleh bentuk
atau pola diagramnya. Macam – macam dari plot data adalah sebagai berikut :
 Konstan - apabila pola data berubah-ubah di sekitar nilai rata – rata yang
konstan (deret seperti ini stasioner terhadap nilai rata - ratanya).
Contohnya adalah penjualan. Jumlah penjualan selalu meningkat atau
menurun pada suatu nilai konstan secara konsisten dari waktu ke waktu.
Gambar 2. 1 Pola Data Konstan

Sumber : www.library.binus..ac.id
 Linier/Trend, terjadi saat terdapat kenaikan dan penurunan jangka
panjang dalam data. Contohnya yaitu perubahan harga kebutuhan pokok
yang semakin bertambah di tiap tahunnya.
Gambar 2. 2 Pola Data Linier

2019 8
Kelompok 23
 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..
Gambar 2. 3 Pola Data Kuadratis

 Cyclical (Siklis) adalah pola permintaan suatu produkyang mempunyai
siklus berulang secara periodik biasanya lebih dari satu tahun, sehingga
pola ini untuk peramalan jangka menengah dan panjang. Pola siklikal
biasanya ditandai dengan adanya fluktuasi bergelombang data yang
terjadi di sekitar garis trend.
Gambar 2. 4 Pola Data Siklis


2019 9
Kelompok 23
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.
2.1 Metode-Metode Deret Waktu (Time Series)

Analisis deret waktu didasarkan pada deret yang menggambarkan pola-pola
yangbervariasi sepanjang waktu, yang dapat dimodelkan untuk menentukan bagaimana
pola yang akan terjadi di masa yang akan datang. Model runtut waktu yang dipilih untuk
peramalan tergantung dari apakah data yang digunakan mengandung unsur trend atau
tidak (Ginting,2007):
 Apabila data tidak mengandung unsur trend, maka teknik peramalan yang dapat
digunakan adalah dengan penghalusan eksponensial (expionential smoothing),
dan rata-rata bergerak (moving average).
 Apabila data runtut waktu mengandung unsur trend, maka peramalan yang dapat
digunakan adalah teknik trend linear, trend kuadratik, trend eksponensial, atau
model autoregresif.
1) Exponential Smoothing (ES)
Exponential smoothing adalah suatu metode peramalan rata-rata bergerak yang
melakukan pembobotan menurun secara eksponensial terhadap nilai observasi
yang lebih tua. Bobot yang diberikan berciri menurun secara eksponensial dari
titik data terakhir sampai data yang terawal. Jika dalam perhitungan peramalan
diasumsikan nilai meannya konstan sepanjang waktu, maka akan diberikan bobot
yang sama terhadap setiap nilai observasi. Formula menghitung Exponential
smoothing adalah

2019 10
Kelompok 23
F1 = Ft-1 + α(At-1 –Ft-1)...............................................(2.1)

dimana :
F1 = peramalan baru;
Ft-1 =peramalan
sebelumnya;
Α = konstanta penghalusan (0<α<1);
At-1 = data asli pada periode sebelumnya.
Untuk nilai α, apabila pola historis dari data aktual permintaan sangat bergejolak
(tidak stabil) dari waktu ke waktu, maka kita memilih nilai α yang mendekati 1.
Sedangkan apabila pola datanya tidak berfluktuasi (relatif stabil), kita memilih
nilai α yang mendekati 0.
Beberapa metode Exponential smoothing yang lain :
a) Single Exponential Smoothing
(𝑡) = 𝑎𝑥(𝑡) + (1 − 𝑎)𝐹(𝑡 − 1) .............................................(2.2)
𝑓(𝑡 + ℎ) = 𝐹(𝑡) ....................................................... (2.3)
Nilai a adalah konstanta smoothing yang bernilai 0 < a < 1, dan data ke nol,
F(0) didapat dari nilai data pertama dan data masa lalu.
b) Single Exponential Smoothing with Linier Trend
(𝑡) = 𝑎𝑥(𝑡) + (1 − 𝑎)[𝐹(𝑡 − 1) + 𝑇(𝑡 − 1) ............................... (2.4)
(𝑡) = 𝑏[𝐹(𝑡) − 𝐹(𝑡 − 1) + (1 − 𝑏)𝑇(𝑡 − 1) ............................... (2.5)
𝑓(𝑡 + ℎ) = 𝐹(𝑡) + ℎ𝑇(𝑡) ......................................... (2.6)
Nilai a adalah konstanta smoothing yang bernilai 0 < a < 1 dan data ke nol,
F(0) didapat dari nilai data pertama dan data masa lalu.
c) Double Exponential Smoothing : Browns one parameter linier
Linier Exponential Smoothing dapat dilakukan jika tersedia 3 data dan satu
nilai α. Proses perhitungannya mirip dengan linier moving average dengan
persamaan sebagai berikut :
...........................................(2.7)
............................................(2.8)

2019 11
Kelompok 23
....................................(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)
𝐹𝑡+1 = 𝑎𝑡 + 𝑏𝑡(1) + 1⁄2 𝑐𝑡(1)..................................(2.21)

f) Double Exponential Smoothing with Linier Trend
F(t) = ax(t)+ (1- a)F(t - 1) ....................................... (2.22)
F(t) = aF(t)+(1- a)F'(t - 1) ....................................... (2.23)
f (t - h) = 2F(t) - F'(t) +h[a(1- a)][F(t) - F'(t)] ....................... (2.24)

2019 12
Kelompok 23
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

2019 13
Kelompok 23
𝑆′𝑡 +𝑆′𝑡−1 +𝑆′𝑡−2 +⋯+𝑆′𝑡−𝑁+1

𝑆 ′′ 𝑡 = 𝑁
.......................................(2.27)
𝑎𝑡 = 𝑆′𝑡 + (𝑆′𝑡 − 𝑆′′𝑡 ) = 2𝑆′𝑡 − 𝑆′′𝑡 ..................................(2.28)

2
𝑏𝑡 = 𝑁−1 (𝑆′𝑡 − 𝑆′′𝑡 ).............................................(2.29)
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).

2019 14
Kelompok 23
d. Center Moving average (CMA)

Perbedaan utama antara Simple Moving Average dan Centered Moving Average
terletak pada pemilihan observasi yang digunakan. Simple Moving Average
menggunakan data yang sedang diobservasi tambah data sebelum observasi.
Misalnya, menggunakan 5 periode moving average, maka untuk SMA
menggunakan data periode ke-5 dan 4 data periode sebelumnya. Sebaliknya
untuk CMA, “center” berarti rataan antara data sekarang dengan menggunakan
data sebelumnya dan data sesudahnya. Misalnya untuk 3 periode moving
average, maka SMA menggunakan data periode 3 ditambah data sebelumnya
dan data sesudahnya. Didefinisikan sebagai berikut:
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 :

2019 15
Kelompok 23
AR : p = orde dari proses autoregresif

I : d = tingkat pembedaan (degree of differencing)
MA: q = orde dari proses moving anerage
 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.

2019 16
Kelompok 23
2.2 Metode-Metode Kausal

Model causal adalah model peramalan yang mempertimbangkan variabel-
variabel atau faktor-faktor yang bisa mempengaruhi jumlah yang sedang diramalkan,
atau lebih mudahnya bahwa Metode ini menggunakan pendekatan sebab-akibat, dan
bertujuan untuk meramalkan keadaan di masa yang akan datang dengan menemukan dan
mengukur beberapa variabel bebas (independen) yang penting beserta pengaruhnya
terhadap variabel tidak bebas yang akan diramalkan. Pada metode kausal terdapat tiga
kelompok metode yang sering dipakai (e-journal.uajy.ac.id):
a. Metoda regresi dan korelasi memakai teknik kuadrat terkecil (least square). Metoda
ini sering digunakan untuk prediksi jangka pendek. Contohnya: meramalkan
hubungan jumlah kredit yang diberikan dengan giro, deposito dan tabungan
masyarakat.
b. Metoda ekonometri berdasarkan pada persamaan regresi yang didekati secara
simultan. Metoda ini sering digunakan untuk perencanaan ekonomi nasional dalam
jangka pendek maupun jangka panjang. Contohnya: meramalkan besarnya
indikator moneter buat beberapa tahun ke depan, hal ini sering dilakukan pihak BI
tiap tahunnya.
c. Metoda input output biasa digunakan untuk perencanaan ekonomi nasional jangka
panjang. Contohnya: meramalkan pertumbuhan ekonomi seperti pertumbuhan
domestik bruto (PDB) untuk beberapa periode tahun ke depan 5-10 tahun
mendatang.
2.3 Pemilihan Metode Peramalan
Dalam menentukan metode yang akan digunakan, kita harus mengidentifikasi dan
mengetahui pola data yang terbentuk. Beberapa teknik peramalan yang dapat digunakan
adalah sebagai berikut (Gaspersz,2004) :
1) Metode untuk data stasioner
Data stasioner merupakan suatu data yang memiliki nilai rata-ratanya tidak
berubah dari waktu ke waktu (stabil). Metode yang dapat digunakan antara lain

2019 17
Kelompok 23
Naïve, Simple average, Moving average, Autoregressive moving average

(ARMA).
2) Metode untuk data trend
Rangkaian Trend ditandai dengan kecenderungan arah data bergerak naik
(growth) atau turun (decline) pada jangka panjang, jika nilai rata-ratanya berubah
sewaktu-waktu sehingga diharapkan dapat menambah atau mengurangi selama
periode untuk ramalan yang diinginkan. Metode yang dapat digunakan antara lain
Moving average , Holt’ linear, exponential smoothing , Simple regression ,
Growth curve , Exponential , Autoregressive integrated moving average
(ARIMA).
3) Metode untuk data musiman
Metode ini merupakan peramalan dengan pola pergantian yang berulang dari
tahun ke tahun. Dalam mengembangkan peramalan musiman melibatkan
pemilihan metode dekomposisi perkalian atau pembagian yang selanjutnya
mengestimasi indeks musiman dari sejarah rangkaian. Indeks ini kemudian
berguna dalam memasukkan musiman pada ramalan atau penghilangan efek dari
nilai amatan. Proses terakhir diarahkan sebagai pengaturan data musiman. Metode
yang dapat digunakan antara lain Clasical decomposition , Census X-12 ,Winter’s
exponential smoothing , Multiple regression , Autoregressive integrated moving
average.
4) Metode untuk data siklis
Pola siklis susah dalam pemodelan sebab memiliki pola tidak stabil/ tetap.
Fluktuasi seperti gelombang yang naik–turun disekitar Trend jarang terulang di
interval waktu yang tetap dan memiliki fluktuasi yang bervariasi. Namun, karena
sifat yang tidak teratur dari siklus, penganalisaan komponen siklis dari rangkaian
memerlukan penemuan kejadian yang menjadi indikator ekonomi. Metode yang
dapat digunakan antara lain Clasical decompotition , Economic indicator ,
Econometrics model , Multiple regression , ARIMA

2019 18
Kelompok 23
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.
2.4 Metode Perhitungan Error

Melakukan uji verifikasi dengan menghitung error dari metode-metode yang
digunakan, kemudian pilih metode dengan nilai error terkecil (Hartini,2011).
1) Mean Squared Error (MSE)
MSE dihitung dengan menjumlahkan kuadrat semua error pada setiap periode dan
membaginya dengan jumlah periode peramalan. Error merupakan selisih antara
data aktual dengan hasil ramalan. Rumus :
∑𝑛
𝑖=1 𝑒𝑖
2
𝑀𝑆𝐸 = 𝑛
……………………………….…..(2.38)
Kelebihan : sederhana dalam perhitungan , kelemahan : akurasi hasil peramalan
sangat kecil karena tidak memperhatikan apakah hasil peramalan lebih besar atau
lebih kecil dibandingkan kenyataannya.
2) Standar Deviation Error (SDE)
SDE dihitung dengan menjumlahkan kuadrat semua error pada setiap periode dan
membaginya dengan jumlah periode peramalan dikurang 1 (n-1) kemudian hasil
yang didapat diakarkan. Rumus :
∑𝑛
𝑖=1 𝑒𝑖
2
𝑆𝐷𝐸 = √ …………………………………..(2.39)
(𝑛−1)
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

2019 19
Kelompok 23
memberikan informasi persentase kesalahan terlalu tinggi atau terlalu rendah.

Rumus :
(𝑋𝑖 −𝐹𝑖 )
𝑃𝐸𝑖 = 𝑋𝑖
× 100%…………………………….(2.40)
∑ 𝑃𝐸𝑖
𝑀𝐴𝑃𝐸 = 𝑛
……….…………………….,,,(2.41)
Kelebihan : memberikan informasi persentase kesalahan terlalu tinggi atau terlalu
rendah, sehingga lebih akurat. Kekurangan : merupakan ukuran kesalahan relatif.
4) Mean Forecast Error (MFE)

Merupakan teknik perhitungan error dengan mencari rata – rata dari error tersebut,
dengan menjumlah seluruh nilai error kemudian dibagi dengan jumlah periode
peramalan.Rumus:
(𝑋𝑖 −𝐹𝑖 ) ∑𝑛
𝑖=1 𝑒𝑖
𝑀𝐹𝐸 = ∑ 𝑛
= 𝑛
………………………………..(2.42)
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)
Kelebihan : ukuran kesalahan lebih sederhana. Kekurangan : akurasi hasil

peramalan sangat kecil.
6) Cumulative Forecast Error (CFE)
CFE dihitung dengan menjumlahkan semua error. Rumus :
𝑀𝑆𝐸 = ∑𝑛𝑖=1 𝑒𝑖 ………….……………………..(2.44)
Kelebihan : dapat digunakan untuk menghitung tracking signal. Kekurangan :
akurasi hasil peramalan sangat kecil.
7) Sum of Square Error (SSE)

2019 20
Kelompok 23
SSE dihitung dengan menjumlahkan seluruh error yang telah dikuadratkan. Rumus
:
𝑆𝑆𝐸 = ∑ 𝑒𝑖 2 ………….……………………….(2.45)
8) U-Theil dan Batting

Memungkinkan suatu perbandingan relatif antara metode peramalan formal dengan
pendekatan naif dan juga mengkuadratkan kesalahan yang terjadi sehingga
kesalahan yang besar diberikan lebih banyak bobot daripada kesalahan yang kecil.
Karakteristik yang ditimbulkan dalam menggunakan statistik-U dari Theil sebagai
ukuran ketepatan adalah mengenai interpretasi yang intuitif. Dalam matematis
dapat dituliskan sebagai berikut :
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

2019 21
Kelompok 23
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).

2019 22
Kelompok 23
Gambar 2. 5 Tampilan Software Eviews
Commented [MO9]: Tambahin 1 subbab buat NCSS

2019 23
Kelompok 23
BAB III
METODOLOGI PRAKTIKUM
Mulai
Data Market
Demand
Membuat Plot Data
Memilih Demand
Memilih metode peramalan
Melakukan peramalan
Menghitung Error tiap

metode peramalan
tidak
Memilih peramalan dengan

Error Terkecil
Melakukan Validasi hasil

peramalan
Commented [MO10]: Shapenya warna hitam ajaa sama
kalau bisa dibuat 1 halaman
Valid?
ya
Selesai
Gambar 3. 1 Flowchart Metodologi Praktikum

2019 24
Kelompok 23
Pada modul 1 praktikum Perancangan Teknik Industri mengenai forecasting, PT.

ACorp akan memproduksi Double Cabin. Mobil ini nantinya akan dijual dengan target
pasar yang di tentukan dengan market demand yang membutuhkan mobil minan sebagai
koleksi atau untuk perlombaan.
Setelah dilakukan plot data yang didasari market demand, dulanjutkan dengan
memilih metode peramalan yang sesuai untuk dilakukan forecasting. Setelah sudah
ditentukan metodenya, langkah berikut yang dilakukan adalah menghitung nilai error
yang terjadi pada tiap peramalan, lalu menentukan metode peramalan terbaik dengan
memilih nilai error yang paling kecil dengan menggunakan metode perhitungan error.
Dengan terpilihnya metode peramalan yang tepat dengan nilai error yang kecil,
lalu kembali dilakukan validasi terhadap nilai error dan metode yang dihunakan agar
peramalan atau forecasting untuk masa mendatang dapat dilakukan dengan tepat dan
memungkinkan terjadinya error yang kecil

2019 25
Kelompok 23
BAB IV
PENGUMPULAN DAN PENGOLAHAN DATA
4.1 Pengumpulan Data

Berikut merupakan data demand mobil mainan double cabin tps berdasarkan Commented [MO11]: Produk mainan double cabin tps
segmentasi untuk Juni 2017 hingga Juli 2019 :

Tabel 4. 1 Data Demand Mobil Mainan Double Cabin Tps
TAHUN BULAN MINGGU KOLEKSI LOMBA ANAK-ANAK PENDIDIKAN

1–2 1272 1032 1242 1123
Juni
3-4 1293 1263 1282 1219
1–2 1301 1279 1283 1275
Juli
3-4 1314 1288 1286 1278
1–2 1321 1296 1292 1286
Agustus
3-4 1359 1320 1303 1290
1–2 1359 1325 1327 1305
2017 September
3-4 1385 1351 1346 1313
1–2 1391 1369 1351 1334
Oktober
3-4 1391 1407 1363 1344
1–2 1398 1410 1368 1350
November
3-4 1402 1441 1375 1356
1–2 1417 1450 1385 1362
Desember
3-4 1424 1452 1393 1404
1–2 1433 1457 1409 1416
Januari
3-4 1435 1485 1411 1421
1–2 1455 1508 1413 1425
Februari
3-4 1468 1512 1413 1429
1–2 1476 1514 1426 1432
Maret
2018 3-4 1483 1529 1447 1438
1–2 1495 1534 1476 1451
April
3-4 1501 1547 1478 1463
1–2 1505 1549 1478 1489
Mei
3-4 1514 1552 1481 1497
Juni 1–2 1515 1563 1483 1500

2019 26
Kelompok 23
Tabel 4. 2 Data Demand Mobil Mainan Double Cabin Tps (Lanjutan)
TAHUN BULAN MINGGU KOLEKSI LOMBA ANAK-ANAK PENDIDIKAN

Juni 3-4 1552 1570 1516 1521
1–2 1564 1571 1534 1531
Juli
3-4 1580 1580 1547 1541
1–2 1589 1583 1550 1544
Agustus
3-4 1605 1594 1558 1564
1–2 1622 1595 1558 1570
September
2018 3-4 1647 1610 1577 1570
1–2 1649 1630 1604 1589
Oktober
3-4 1653 1661 1636 1597
1–2 1657 1663 1636 1613
November
3-4 1660 1668 1644 1615
1–2 1662 1692 1658 1616
Desember
3-4 1663 1712 1671 1621
1–2 1667 1716 1676 1623
Januari
3-4 1677 1735 1679 1623
1–2 1685 1736 1681 1640
Februari
3-4 1699 1747 1689 1643
1–2 1724 1752 1700 1644
Maret
3-4 1724 1759 1706 1677
1–2 1728 1764 1725 1697
2019 April
3-4 1731 1785 1743 1734
1–2 1733 1796 1756 1748
Mei
3-4 1740 1799 1763 1752
1–2 1748 1803 1795 1763
Juni
3-4 1757 1812 1797 1773
1–2 1776 1825 1806 1790
Juli
3-4 1815 1840 1832 1853

2019 27
Kelompok 23
4.2 Pengolahan Data

4.2.1 Plot Data
Data yang dipakai dalam peramalan ada 4 segmen pasar yang terdiri dari koleksi,
lomba, pendidikan, dan anak-anak. Berikut ini adalah hasil plotting data pada keempat
segmen pasar tersebut :
1) Segmen Koleksi
Berikut ini adalah plotting data untuk segmen Koleksi:
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
Gambar 4. 1 Plot Data Demand Segmentasi 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:

2019 28
Kelompok 23
LOMBA
2000
1500
1000
500
0
1 3 5 7 9 11131517192123252729313335373941434547495153
Gambar 4. 2 Plot Data Demand Segmentasi Lomba
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
Gambar 4. 3 Plot Data Demand Segmentasi Anak-anak
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.

2019 29
Kelompok 23
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
Gambar 4. 4 Plot Data Demand Segmentasi 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.
4.2.2 Pemilihan Demand

Berikut ini merupakan segmentasi pasar yang dipilih yaitu pendidikan dan
lomba untuk Juni 2017 hingga Juli 2019:
Tabel 4. 3 Data Demand Mobil Mainan Double Cabin Tps pada Segmentasi yang Terpilih
TAHUN BULAN MINGGU LOMBA PENDIDIKAN

1–2 1032 1123
Juni
3-4 1263 1219
1–2 1279 1275
Juli
2017 3-4 1288 1278
1–2 1296 1286
Agustus
3-4 1320 1290
September 1–2 1325 1305

2019 30
Kelompok 23
(Lanjutan)

September 3–4 1351 1313
1–2 1369 1334
Oktober
3–4 1407 1344
2017 1–2 1410 1350
November
3-4 1441 1356
1–2 1450 1362
Desember
3-4 1452 1404
1–2 1457 1416
Januari
3-4 1485 1421
1–2 1508 1425
Februari
3-4 1512 1429
1–2 1514 1432
Maret
3-4 1529 1438
1–2 1534 1451
April
3-4 1547 1463
1–2 1549 1489
Mei
3-4 1552 1497
1–2 1563 1500
Juni
3-4 1570 1521
2018
1–2 1571 1531
Juli
3-4 1580 1541
1–2 1583 1544
Agustus
3-4 1594 1564
1–2 1595 1570
September
3-4 1610 1570
1–2 1630 1589
Oktober
3-4 1661 1597
1–2 1663 1613
November
3-4 1668 1615
1–2 1692 1616
Desember
3-4 1712 1621
1–2 1716 1623
Januari
2019 3-4 1735 1623
Februari 1–2 1736 1640

2019 31
Kelompok 23
(Lanjutan)

Februari 3–4 1747 1643
Maret 1–2 1752 1644
3-4 1759 1677
April 1–2 1764 1697
3-4 1785 1734
2019 Mei 1–2 1796 1748
3-4 1799 1752
Juni 1–2 1803 1763
3-4 1812 1773
Juli 1–2 1825 1790
3-4 1840 1853
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.
4.2.3 Agregasi Data Segmen Terpilih

Berikut ini merupakan tabel agregasi 2 segmentasi pasar yang dipilih yaitu
pendidikan dan lomba untuk Juni 2017 hingga Juli 2019 :
Tabel 4. 3 Agregasi Data Segmen Pendidikan dan Lomba
TAHUN BULAN MINGGU LOMBA PENDIDIKAN JUMLAH

1–2 1032 1123 2155
Juni
3-4 1263 1219 2482
1–2 1279 1275 2554
Juli
3-4 1288 1278 2566
2017
1–2 1296 1286 2582
Agustus
3-4 1320 1290 2610
1–2 1325 1305 2630
September
3–4 1351 1313 2664

2019 32
Kelompok 23
Tabel 4. 3 Agregasi Data Segmen Pendidikan dan Lomba (Lanjutan)

1–2 1369 1334 2703
Oktober
3–4 1407 1344 2751
1–2 1410 1350 2760
2017 November
3-4 1441 1356 2797
1–2 1450 1362 2856
Desember
3-4 1452 1404 2812
1–2 1457 1416 2873
Januari
3-4 1485 1421 2906
1–2 1508 1425 2933
Februari
3-4 1512 1429 2941
1–2 1514 1432 2946
Maret
3-4 1529 1438 2967
1–2 1534 1451 2985
April
3-4 1547 1463 3010
1–2 1549 1489 3038
Mei
3-4 1552 1497 3049
1–2 1563 1500 3063
Juni
3-4 1570 1521 3091
2018
1–2 1571 1531 3102
Juli
3-4 1580 1541 3121
1–2 1583 1544 3127
Agustus
3-4 1594 1564 3158
1–2 1595 1570 3165
September
3-4 1610 1570 3180
1–2 1630 1589 3219
Oktober
3-4 1661 1597 3258
1–2 1663 1613 3276
November
3-4 1668 1615 3283
1–2 1692 1616 3308
Desember
3-4 1712 1621 3333
1–2 1716 1623 3339
Januari
3-4 1735 1623 3358
2019
1–2 1736 1640 3376
Februari
3–4 1747 1643 3390

2019 33
Kelompok 23
Tabel 4.3 Agregasi Data Segmen Pendidikan dan Lomba (Lanjutan)

1–2 1752 1644 3396
Maret
3-4 1759 1677 3436
1–2 1764 1697 3461
April
3-4 1785 1734 3519
1–2 1796 1748 3544
2019 Mei
3-4 1799 1752 3551
1–2 1803 1763 3566
Juni
3-4 1812 1773 3585
1–2 1825 1790 3615
Juli
3-4 1840 1853 3693
TOTAL 81431 78652 160083
 Presentase Segmen Lomba

𝑡𝑜𝑡𝑎𝑙 𝑑𝑒𝑚𝑎𝑛𝑑 𝑠𝑒𝑔𝑚𝑒𝑛 𝑙𝑜𝑚𝑏𝑎
𝑝𝑟𝑒𝑠𝑒𝑛𝑡𝑎𝑠𝑒 = 𝑥100%
𝑡𝑜𝑡𝑎𝑙 𝑘𝑒𝑠𝑒𝑙𝑢𝑟𝑢ℎ𝑎𝑛 𝑑𝑒𝑚𝑎𝑛𝑑
81431
= 𝑥100% = 50.87%
160083
 Presentase Segmen Pendidikan
𝑡𝑜𝑡𝑎𝑙 𝑑𝑒𝑚𝑎𝑛𝑑 𝑠𝑒𝑔𝑚𝑒𝑛 𝑝𝑒𝑛𝑑𝑖𝑑𝑖𝑘𝑎𝑛
𝑝𝑟𝑒𝑠𝑒𝑛𝑡𝑎𝑠𝑒 = 𝑥100%
𝑡𝑜𝑡𝑎𝑙 𝑘𝑒𝑠𝑒𝑙𝑢𝑟𝑢ℎ𝑎𝑛 𝑑𝑒𝑚𝑎𝑛𝑑
78652
= 𝑥100% = 49.13%
160083

2019 34
Kelompok 23
Berikut ini adalah plotting data untuk agregasi segmentasi Lomba dan Pendidikan
Agregasi Segmentasi Lomba Dan Pendidikan

4000
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

2019 35
Kelompok 23
digunakan karena memberikan petunjuk seberapa besar kesalahan peramalan

dibandingkan dengan nilai sebenarnya dari deret data tersebut.
4.2.4.2 Perhitungan Peramalan

 Metode Moving Average
a. 3 Double Moving Average (DMA)
 Manual
a) Peramalan
Berikut merupakan perhitungan manual dari data pola linier
dengan metode 3 DMA :
2155 + 2482 + 2554
𝑆′ = = 2397
3
2397 + 2534 + 2567.33
𝑆" = = 2499.44
3
𝑎 = 2𝑆 ′ − 𝑆" = (2 𝑥 2397) − 2499.44 = 2635.22
2 2
𝑏= 𝑥 (𝑆 ′ − 𝑆") = 𝑥(2397 − 2499.44) = 67.89
𝑁−1 3−1
𝐹𝑡 = 𝑎 + 𝑏𝑚 = 2635.22 + (67.89 𝑥 1) = 2703.111
𝐸𝑟𝑟𝑜𝑟 = 𝑋𝑡 − 𝐹𝑡 = 2610 − 2703.111 = −93.111
Tabel 4. 4 Perhitungan Manual Forecasting Data Linier Metode 3 DMA
Periode Xt s' s" a b F(t) Error PE |PE|

1 2155
2 2482
3 2554 2397
4 2566 2534
5 2582 2567.333 2499.444 2635.222 67.889
6 2610 2586 2562.444 2609.556 23.556 2703.1111 -93.111 -3.567 3.567
7 2630 2607.333 2586.889 2627.778 20.444 2633.1111 -3.1111 -0.118 0.118
8 2664 2634.667 2609.333 2660 25.333 2648.2222 15.7778 0.5923 0.592
9 2703 2665.667 2635.889 2695.444 29.778 2685.3333 17.6667 0.6536 0.654
10 2751 2706 2668.778 2743.222 37.222 2725.2222 25.7778 0.937 0.937

2019 36
Kelompok 23
Tabel 4. 4 Perhitungan Manual Forecasting Data Linier Metode 3 DMA (Lanjutan)

11 2760 2738 2703.222 2772.778 34.778 2780.4444 -20.444 -0.741 0.741
12 2797 2769.333 2737.778 2800.889 31.556 2807.5556 -10.556 -0.377 0.377
13 2812 2789.667 2765.667 2813.667 24 2832.4444 -20.444 -0.727 0.727
14 2856 2821.667 2793.556 2849.778 28.111 2837.6667 18.3333 0.6419 0.642
15 2873 2847 2819.444 2874.556 27.556 2877.8889 -4.8889 -0.17 0.17
16 2906 2878.333 2849 2907.667 29.333 2902.1111 3.88889 0.1338 0.134
17 2933 2904 2876.444 2931.556 27.556 2937 -4 -0.136 0.136
18 2941 2926.667 2903 2950.333 23.667 2959.1111 -18.111 -0.616 0.616
19 2946 2940 2923.556 2956.444 16.444 2974 -28 -0.95 0.95
20 2967 2951.333 2939.333 2963.333 12 2972.8889 -5.8889 -0.198 0.198
21 2985 2966 2952.444 2979.556 13.556 2975.3333 9.66667 0.3238 0.324
22 3010 2987.333 2968.222 3006.444 19.111 2993.1111 16.8889 0.5611 0.561
23 3038 3011 2988.111 3033.889 22.889 3025.5556 12.4444 0.4096 0.41
24 3049 3032.333 3010.222 3054.444 22.111 3056.7778 -7.7778 -0.255 0.255
25 3063 3050 3031.111 3068.889 18.889 3076.5556 -13.556 -0.443 0.443
26 3091 3067.667 3050 3085.333 17.667 3087.7778 3.22222 0.1042 0.104
27 3102 3085.333 3067.667 3103 17.667 3103 -1 -0.032 0.032
28 3121 3104.667 3085.889 3123.444 18.778 3120.6667 0.33333 0.0107 0.011
29 3127 3116.667 3102.222 3131.111 14.444 3142.2222 -15.222 -0.487 0.487
30 3158 3135.333 3118.889 3151.778 16.444 3145.5556 12.4444 0.3941 0.394
31 3165 3150 3134 3166 16 3168.2222 -3.2222 -0.102 0.102
32 3180 3167.667 3151 3184.333 16.667 3182 -2 -0.063 0.063
33 3219 3188 3168.556 3207.444 19.444 3201 18 0.5592 0.559
34 3258 3219 3191.556 3246.444 27.444 3226.8889 31.1111 0.9549 0.955
35 3276 3251 3219.333 3282.667 31.667 3273.8889 2.11111 0.0644 0.064
36 3283 3272.333 3247.444 3297.222 24.889 3314.3333 -31.333 -0.954 0.954
37 3308 3289 3270.778 3307.222 18.222 3322.1111 -14.111 -0.427 0.427
38 3333 3308 3289.778 3326.222 18.222 3325.4444 7.55556 0.2267 0.227
39 3339 3326.667 3307.889 3345.444 18.778 3344.4444 -5.4444 -0.163 0.163
40 3358 3343.333 3326 3360.667 17.333 3364.2222 -6.2222 -0.185 0.185
41 3376 3357.667 3342.556 3372.778 15.111 3378 -2 -0.059 0.059
42 3390 3374.667 3358.556 3390.778 16.111 3387.8889 2.11111 0.0623 0.062
43 3396 3387.333 3373.222 3401.444 14.111 3406.8889 -10.889 -0.321 0.321
44 3436 3407.333 3389.778 3424.889 17.556 3415.5556 20.4444 0.595 0.595
45 3461 3431 3408.556 3453.444 22.444 3442.4444 18.5556 0.5361 0.536

2019 37
Kelompok 23
Tabel 4. 4 Perhitungan Manual Forecasting Data Linier Metode 3 DMA (Lanjutan)

46 3519 3472 3436.778 3507.222 35.222 3475.8889 43.1111 1.2251 1.225
47 3544 3508 3470.333 3545.667 37.667 3542.4444 1.55556 0.0439 0.044
48 3551 3538 3506 3570 32 3583.3333 -32.333 -0.911 0.911
49 3566 3553.667 3533.222 3574.111 20.444 3602 -36 -1.01 1.01
50 3585 3567.333 3553 3581.667 14.333 3594.5556 -9.5556 -0.267 0.267
51 3615 3588.667 3569.889 3607.444 18.778 3596 19 0.5256 0.526
52 3693 3631 3595.667 3666.333 35.333 3626.2222 66.7778 1.8082 1.808
53 3701.6667
54 3737
55 3772.3333
56 3807.6667
57 3843
58 3878.3333
59 3913.6667
60 3949
61 3984.3333
62 4019.6667
63 4055
64 4090.3333
65 4125.6667
66 4161
67 4196.3333
68 4231.6667
69 4267
70 4302.3333
71 4337.6667
72 4373
73 4408.3333
74 4443.6667
75 4479
76 4514.3333
Total -32.444 -1.916 24.64
MAPE 0.52432

2019 38
Kelompok 23
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
c) Grafik Hasil Peramalan

Berikut adalah plot data peramalan metode 3 DMA
Grafik Metode Peramalan 3 DMA

4000
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
Xt F(t)
Gambar 4. 6 Plot Data Peramalan Metode 3 DMA
b. 5 Double Moving Average (DMA)

 Manual
a) Peramalan
Berikut ini merupakan perhitungan manual peramalan dengan
menggunakan metode 5 DMA.

2019 39
Kelompok 23
Tabel 4. 5 Perhitungan Manual 5 DMA

T Xt S' S" a b Ft Error |Error| |PE|
1 2155
2 2482
3 2554
4 2566
5 2582 2467,8
6 2610 2558,8
7 2630 2588,4
8 2664 2610,4
9 2703 2637,8 2572,64 2702,96 32,58
10 2751 2671,6 2613,4 2729,8 29,1 2735,54 15,46 15,46 0,562
11 2760 2701,6 2641,96 2761,24 29,82 2758,9 1,1 1,1 0,040
12 2797 2735 2671,28 2798,72 31,86 2791,06 5,94 5,94 0,212
13 2812 2764,6 2702,12 2827,08 31,24 2830,58 -18,58 18,58 0,661
14 2856 2795,2 2733,6 2856,8 30,8 2858,32 -2,32 2,32 0,081
15 2873 2819,6 2763,2 2876 28,2 2887,6 -14,6 14,6 0,508
16 2906 2848,8 2792,64 2904,96 28,08 2904,2 1,8 1,8 0,062
17 2933 2876 2820,84 2931,16 27,58 2933,04 -0,04 0,04 0,001
18 2941 2901,8 2848,28 2955,32 26,76 2958,74 -17,74 17,74 0,603
19 2946 2919,8 2873,2 2966,4 23,3 2982,08 -36,08 36,08 1,225
20 2967 2938,6 2897 2980,2 20,8 2989,7 -22,7 22,7 0,765
21 2985 2954,4 2918,12 2990,68 18,14 3001 -16 16 0,536
22 3010 2969,8 2936,88 3002,72 16,46 3008,82 1,18 1,18 0,039
23 3038 2989,2 2954,36 3024,04 17,42 3019,18 18,82 18,82 0,619
24 3049 3009,8 2972,36 3047,24 18,72 3041,46 7,54 7,54 0,247
25 3063 3029 2990,44 3067,56 19,28 3065,96 -2,96 2,96 0,097
26 3091 3050,2 3009,6 3090,8 20,3 3086,84 4,16 4,16 0,135

2019 40
Kelompok 23
27 3102 3068,6 3029,36 3107,84 19,62 3111,1 -9,1 9,1 0,293

28 3121 3085,2 3048,56 3121,84 18,32 3127,46 -6,46 6,46 0,207
29 3127 3100,8 3066,76 3134,84 17,02 3140,16 -13,16 13,16 0,421
30 3158 3119,8 3084,92 3154,68 17,44 3151,86 6,14 6,14 0,194
31 3165 3134,6 3101,8 3167,4 16,4 3172,12 -7,12 7,12 0,225
32 3180 3150,2 3118,12 3182,28 16,04 3183,8 -3,8 3,8 0,119
33 3219 3169,8 3135,04 3204,56 17,38 3198,32 20,68 20,68 0,642
34 3258 3196 3154,08 3237,92 20,96 3221,94 36,06 36,06 1,107
35 3276 3219,6 3174,04 3265,16 22,78 3258,88 17,12 17,12 0,523
36 3283 3243,2 3195,76 3290,64 23,72 3287,94 -4,94 4,94 0,150
37 3308 3268,8 3219,48 3318,12 24,66 3314,36 -6,36 6,36 0,192
38 3333 3291,6 3243,84 3339,36 23,88 3342,78 -9,78 9,78 0,293
39 3339 3307,8 3266,2 3349,4 20,8 3363,24 -24,24 24,24 0,726
40 3358 3324,2 3287,12 3361,28 18,54 3370,2 -12,2 12,2 0,363
41 3376 3342,8 3307,04 3378,56 17,88 3379,82 -3,82 3,82 0,113
42 3390 3359,2 3325,12 3393,28 17,04 3396,44 -6,44 6,44 0,190
43 3396 3371,8 3341,16 3402,44 15,32 3410,32 -14,32 14,32 0,422
44 3436 3391,2 3357,84 3424,56 16,68 3417,76 18,24 18,24 0,531
45 3461 3411,8 3375,36 3448,24 18,22 3441,24 19,76 19,76 0,571
46 3519 3440,4 3394,88 3485,92 22,76 3466,46 52,54 52,54 1,493
47 3544 3471,2 3417,28 3525,12 26,96 3508,68 35,32 35,32 0,997
48 3551 3502,2 3443,36 3561,04 29,42 3552,08 -1,08 1,08 0,030
49 3566 3528,2 3470,76 3585,64 28,72 3590,46 -24,46 24,46 0,686
50 3585 3553 3499 3607 27 3614,36 -29,36 29,36 0,819
51 3615 3572,2 3525,36 3619,04 23,42 3634 -19 19 0,526
52 3693 3602 3551,52 3652,48 25,24 3642,46 50,54 50,54 1,369
53 3677,72
54 3702,96

2019 41
Kelompok 23
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
Berikut merupakan contoh perhitungan dari Metode 5 DMA:

2582 + 2610 + 2630 + 2664 + 2703
𝑆′ = = 2637,8
5

2019 42
Kelompok 23
2467,8 + 2558,8 + 2558,4 + 2610,4 + 2637,8

𝑆" =
5
= 2572,64
𝑎 = 2𝑆′𝑡 − 𝑆"𝑡 = (2 × 2637,8) − 2572,64 = 2702,96
2 2
𝑏= (𝑆 ′ − 𝑆"𝑡 ) = (2637,8 − 2572,64) = 32,58
𝑁−1 𝑡 5−1
F53 = a52 + b52 . (1) = 3652,48 + 25,24 (1) = 3677,72
b) Verifikasi
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:
Plot Data Metode 5 DMA

4500
4000
3500
X(t) dan F(t)
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
Gambar 4.7 Plot Data Metode 5 DMA

2019 43
Kelompok 23
c. Double Exponential Smoothing (DES)

 Manual
a) Peramalan
Berikut adalah output software Eviews menggunakan metode
Double Exponential Smoothing (DES) dengan nilai alpha (α) =
0,16.
Gambar 4.8 Output Software Eviews DES
Berikut adalah tabel peramalan menggunakan metode Double

Exponential Smoothing (DES) dengan nilai alpha (α) = 0,16.
Tabel 4. 6 Perhitungan Manual DES
t X(t) S' S'' a B Ft Error |Error| PE
1 2155 2155 2155
2 2482 2207,32 2163,37 2251,27 8,371
3 2554 2262,79 2179,28 2346,3 15,907 2259,64 294,360 294,36 11,5254503
4 2566 2311,3 2200,4 2422,2 21,124 2362,21 203,794 203,794 7,94207327
5 2582 2354,61 2225,08 2484,15 24,674 2443,33 138,673 138,673 5,37075259
6 2610 2395,48 2252,34 2538,61 27,264 2508,83 101,174 101,174 3,8763829
7 2630 2433 2281,25 2584,75 28,906 2565,88 64,124 64,1241 2,43817821
8 2664 2469,96 2311,44 2628,48 30,194 2613,66 50,340 50,3404 1,88965385

2019 44
Kelompok 23
9 2703 2507,25 2342,77 2671,72 31,329 2658,67 44,326 44,3259 1,63987718

10 2751 2546,25 2375,33 2717,17 32,556 2703,05 47,947 47,9473 1,74290467
11 2760 2580,45 2408,14 2752,75 32,820 2749,72 10,275 10,2751 0,37228752
12 2797 2615,1 2441,26 2788,93 33,112 2785,57 11,431 11,4306 0,40867385
13 2812 2646,6 2474,11 2819,09 32,855 2822,05 -10,047 10,0467 0,35728004
14 2856 2680,1 2507,07 2853,14 32,959 2851,94 4,056 4,05608 0,14201969
15 2873 2710,97 2539,69 2882,24 32,624 2886,1 -13,097 13,0968 0,45585868
16 2906 2742,17 2572,09 2912,25 32,397 2914,86 -8,865 8,86463 0,30504573
17 2933 2772,71 2604,19 2941,22 32,098 2944,65 -11,651 11,6515 0,39725402
18 2941 2799,63 2635,46 2963,8 31,271 2973,32 -32,320 32,3196 1,09893136
19 2946 2823,05 2665,47 2980,63 30,015 2995,08 -49,076 49,0756 1,66583875
20 2967 2846,08 2694,37 2997,79 28,897 3010,64 -43,642 43,6423 1,47092465
21 2985 2868,31 2722,2 3014,42 27,830 3026,69 -41,691 41,6914 1,39669587
22 3010 2890,98 2749,21 3032,75 27,005 3042,25 -32,247 32,2475 1,07134463
23 3038 2914,5 2775,65 3053,35 26,447 3059,76 -21,758 21,7583 0,71620551
24 3049 2936,02 2801,31 3070,73 25,659 3079,8 -30,800 30,8002 1,01017271
25 3063 2956,34 2826,12 3086,56 24,804 3096,39 -33,392 33,3916 1,09016017
26 3091 2977,88 2850,4 3105,37 24,283 3111,37 -20,365 20,3653 0,658858
27 3102 2997,74 2873,97 3121,51 23,575 3129,65 -27,653 27,6526 0,89144385
28 3121 3017,46 2896,93 3138 22,958 3145,09 -24,087 24,0866 0,77175879
29 3127 3034,99 2919,02 3150,96 22,089 3160,95 -33,954 33,9538 1,08582694
30 3158 3054,67 2940,73 3168,62 21,704 3173,05 -15,047 15,0469 0,47646924
31 3165 3072,32 2961,78 3182,87 21,056 3190,32 -25,321 25,321 0,80003104
32 3180 3089,55 2982,23 3196,88 20,443 3203,92 -23,922 23,9222 0,75226915
33 3219 3110,26 3002,71 3217,82 20,486 3217,32 1,677 1,67726 0,05210494
34 3258 3133,9 3023,7 3244,1 20,990 3238,3 19,697 19,6973 0,60458162
35 3276 3156,64 3044,97 3268,3 21,270 3265,09 10,908 10,9079 0,33296516
36 3283 3176,86 3066,07 3287,64 21,101 3289,57 -6,573 6,57306 0,20021493
37 3308 3197,84 3087,16 3308,52 21,082 3308,74 -0,739 0,73938 0,02235114
38 3333 3219,46 3108,32 3330,6 21,169 3329,6 3,396 3,3958 0,1018841
39 3339 3238,59 3129,17 3348,01 20,842 3351,77 -12,773 12,7734 0,38255038
40 3358 3257,7 3149,73 3365,66 20,565 3368,86 -10,855 10,8553 0,32326726
41 3376 3276,62 3170,03 3383,21 20,303 3386,22 -10,224 10,224 0,30284502
42 3390 3294,76 3189,99 3399,54 19,957 3403,52 -13,517 13,5169 0,39872832

2019 45
Kelompok 23
43 3396 3310,96 3209,35 3412,58 19,355 3419,49 -23,494 23,4943 0,69182236

44 3436 3330,97 3228,81 3433,13 19,459 3431,93 4,067 4,06711 0,11836772
45 3461 3351,77 3248,48 3455,07 19,675 3452,59 8,410 8,41032 0,24300266
46 3519 3378,53 3269,29 3487,77 20,808 3474,74 44,260 44,2596 1,25773188
47 3544 3405 3291 3519,01 21,715 3508,58 35,422 35,4218 0,99948587
48 3551 3428,36 3312,98 3543,75 21,978 3540,72 10,279 10,279 0,2894685
49 3566 3450,39 3334,97 3565,81 21,985 3565,72 0,275 0,27516 0,00771611
50 3585 3471,92 3356,88 3586,97 21,913 3587,79 -2,791 2,79062 0,0778415
51 3615 3494,82 3378,95 3610,68 22,070 3608,88 6,118 6,11761 0,16922853
52 3693 3526,53 3402,56 3650,49 23,612 3632,75 60,247 60,2466 1,63137415
53 3674,1
54 3697,71
55 3721,33
56 3744,94
57 3768,55
58 3792,16
59 3815,78
60 3839,39
61 3863
62 3886,61
63 3910,22
64 3933,84
65 3957,45
66 3981,06
67 4004,67
68 4028,29
69 4051,9
70 4075,51
71 4099,12
72 4122,74
73 4146,35
74 4169,96
75 4193,57
76 4217,18

2019 46
Kelompok 23
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
∑|𝑃𝐸| 62,028155
𝑀𝐴𝑃𝐸 = = = 1,24%
𝑛 50
c) Grafik
Berikut adalah grafik pola data dari metode peramalan DES:

2019 47
Kelompok 23
Pola Data Peramalan DES

4500
4000
3500
3000
X(t) dan F(t)
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
Gambar 4.9 Pola Data Peramalan DES
d. Single Exponential Smoothing with Trend (SEST)

 Manual
a) Peramalan
Berikut merupakan hasil output software NCSS untuk peramalan
menggunakan metode Single Exponential Smoothing with Trend
(SEST).
Gambar 4.10 Hasil Output SEST NCSS
Berikut merupakan perhitungan manual untuk peramalan


2019 48
Kelompok 23
(SEST) dengan nilai alpha (α) = 0,112 dan beta (β) = 0,999.
Tabel 4. 7 Perhitungan Manual Metode SEST

t X(t) A B F(t) Error |Error| PE |PE|
1 2155 2155 0
2 2482 2191,624 36,587 2155,000 327 327 13,175 13,175
3 2554 2264,700 73,039 2228,211 325,789 325,789 12,756 12,756
4 2566 2363,304 98,579 2337,739 228,261 228,261 8,896 8,896
5 2582 2475,336 112,019 2461,883 120,117 120,117 4,652 4,652
6 2610 2589,891 114,552 2587,355 22,645 22,645 0,868 0,868
7 2630 2696,106 106,223 2704,443 -74,443 74,443 -2,831 2,831
8 2664 2786,836 90,746 2802,329 -138,329 138,329 -5,193 5,193
9 2703 2858,028 71,212 2877,581 -174,581 174,581 -6,459 6,459
10 2751 2909,277 51,269 2929,240 -178,240 178,240 -6,479 6,479
11 2760 2938,085 28,830 2960,547 -200,547 200,547 -7,266 7,266
12 2797 2947,885 9,819 2966,916 -169,916 169,916 -6,075 6,075
13 2812 2941,385 -6,484 2957,704 -145,704 145,704 -5,182 5,182
14 2856 2926,065 -15,312 2934,901 -78,901 78,901 -2,763 2,763
15 2873 2906,524 -19,536 2910,753 -37,753 37,753 -1,314 1,314
16 2906 2889,118 -17,409 2886,989 19,011 19,011 0,654 0,654
17 2933 2878,574 -10,551 2871,709 61,291 61,291 2,090 2,090
18 2941 2876,196 -2,386 2868,023 72,977 72,977 2,481 2,481
19 2946 2881,896 5,691 2873,810 72,190 72,190 2,450 2,450
20 2967 2896,481 14,577 2887,587 79,413 79,413 2,677 2,677
21 2985 2919,340 22,850 2911,058 73,942 73,942 2,477 2,477
22 3010 2949,784 30,437 2942,190 67,810 67,810 2,253 2,253
23 3038 2986,693 36,902 2980,222 57,778 57,778 1,902 1,902
24 3049 3026,440 39,744 3023,595 25,405 25,405 0,833 0,833
25 3063 3065,828 39,388 3066,184 -3,184 3,184 -0,104 0,104
26 3091 3103,624 37,798 3105,216 -14,216 14,216 -0,460 0,460
27 3102 3137,006 33,387 3141,421 -39,421 39,421 -1,271 1,271

2019 49
Kelompok 23
28 3121 3164,861 27,860 3170,393 -49,393 49,393 -1,583 1,583

29 3127 3185,360 20,507 3192,721 -65,721 65,721 -2,102 2,102
30 3158 3200,506 15,151 3205,867 -47,867 47,867 -1,516 1,516
31 3165 3209,984 9,483 3215,657 -50,657 50,657 -1,601 1,601
32 3180 3215,047 5,067 3219,467 -39,467 39,467 -1,241 1,241
33 3219 3219,989 4,943 3220,114 -1,114 1,114 -0,035 0,035
34 3258 3228,635 8,643 3224,932 33,068 33,068 1,015 1,015
35 3276 3241,615 12,975 3237,278 38,722 38,722 1,182 1,182
36 3283 3257,772 16,154 3254,590 28,410 28,410 0,865 0,865
37 3308 3277,742 19,966 3273,926 34,074 34,074 1,030 1,030
38 3333 3301,661 23,915 3297,708 35,292 35,292 1,059 1,059
39 3339 3327,080 25,417 3325,576 13,424 13,424 0,402 0,402
40 3358 3353,113 26,033 3352,497 5,503 5,503 0,164 0,164
41 3376 3378,793 25,681 3379,146 -3,146 3,146 -0,093 0,093
42 3390 3402,853 24,061 3404,474 -14,474 14,474 -0,427 0,427
43 3396 3423,452 20,602 3426,914 -30,914 30,914 -0,910 0,910
44 3436 3443,152 19,701 3444,054 -8,054 8,054 -0,234 0,234
45 3461 3462,646 19,494 3462,853 -1,853 1,853 -0,054 0,054
46 3519 3486,268 23,618 3482,140 36,860 36,860 1,047 1,047
47 3544 3513,707 27,435 3509,886 34,114 34,114 0,963 0,963
48 3551 3542,246 28,538 3541,142 9,858 9,858 0,278 0,278
49 3566 3570,248 28,003 3570,784 -4,784 4,784 -0,134 0,134
50 3585 3596,767 26,520 3598,251 -13,251 13,251 -0,370 0,370
51 3615 3622,359 25,593 3623,287 -8,287 8,287 -0,229 0,229
52 3693 3652,997 30,633 3647,952 45,048 45,048 1,220 1,220
53 3683,630
54 3714,264
55 3744,897
56 3775,530
57 3806,164
58 3836,797

2019 50
Kelompok 23
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
Berikut merupakan contoh perhitungan permalan permintaan

pada periode kedua dengan:
𝛼 = 0,112 dan 𝛽 = 0,999
𝑎2 = 0,112 × 2482 + (1 − 0,112) × (2155 + 0) = 2191,624
𝑏2 = 0,999 × (2191,624 − 2155) + (1 − 0,999)x 0
= 36,587
𝐹2 = 𝑎2−1 + 𝑏2−1
𝐹2 = 2155 + 0 = 2155
b) Verifikasi

2019 51
Kelompok 23
Berikut merupakan perhitungan error dari metode SEST:

∑𝑛
𝑖=1|𝑃𝐸|
𝑀𝐴𝑃𝐸 = 𝑛
123,31
𝑀𝐴𝑃𝐸 = = 2,418%
51
Berikut merupakan hasil output software NCSS untuk MAPE

(SEST).
Gambar 4.11 Hasil Output MAPE SEST NCSS
c) Grafik
Berikut merupakan grafik plot data dari peramalan dengan
metode SEST:

2019 52
Kelompok 23
Plot Data Peramalan SEST

5000
4500
4000
3500
X(t) dan F(t)
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)
Gambar 4.12 Plot Data SEST
 Software NCSS
Berikut merupakan output software NCSS untuk peramalan data
menggunakan metode Single Exponential Smoothing with Trend:
Gambar 4.13 Output NCSS metode SEST

2019 53
Kelompok 23
e. Double Exponential Smoothing with Trend (DEST)

 Manual
a) Peramalan
Berikut merupakan hasil output software NCSS untuk peramalan
menggunakan metode Double Exponential Smoothing with Trend
(DEST).
Gambar 4.14 Hasil Output DEST NCSS
Berikut merupakan perhitungan manual untuk peramalan

menggunakan metode Double Exponential Smoothing with Trend
(DEST) dengan nilai alpha (α) = 0,6996101
Tabel 4. 8 Perhitungan Manual Metode DEST
t Xt A b Ft |Error| |PE|
1 2155 2155 2155
2 2482 2383,773 2315,052 2155,000 327,000 13,175
3 2554 2502,865 2446,448 2612,545 58,545 2,292
4 2566 2547,035 2516,820 2690,679 124,679 4,859
5 2582 2571,497 2555,072 2647,622 65,622 2,542
6 2610 2598,434 2585,409 2626,174 16,174 0,620
7 2630 2620,518 2609,971 2641,796 11,796 0,449
8 2664 2650,938 2638,632 2655,627 8,373 0,314
9 2703 2687,361 2672,724 2691,905 11,095 0,410
10 2751 2731,884 2714,112 2736,090 14,910 0,542

2019 54
Kelompok 23
11 2760 2751,554 2740,307 2791,044 31,044 1,125

12 2797 2783,349 2770,419 2788,996 8,004 0,286
13 2812 2803,393 2793,488 2826,390 14,390 0,512
14 2856 2840,198 2826,167 2836,367 19,633 0,687
15 2873 2863,146 2852,038 2886,907 13,907 0,484
16 2906 2893,127 2880,784 2900,126 5,874 0,202
17 2933 2921,023 2908,935 2934,216 1,216 0,041
18 2941 2934,999 2927,170 2961,261 20,261 0,689
19 2946 2942,695 2938,032 2961,063 15,063 0,511
20 2967 2959,699 2953,190 2958,221 8,779 0,296
21 2985 2977,400 2970,128 2981,367 3,633 0,122
22 3010 3000,207 2991,172 3001,609 8,391 0,279
23 3038 3026,647 3015,991 3030,287 7,713 0,254
24 3049 3042,286 3034,387 3062,123 13,123 0,430
25 3063 3056,778 3050,052 3068,580 5,580 0,182
26 3091 3080,720 3071,507 3079,168 11,832 0,383
27 3102 3095,608 3088,368 3111,388 9,388 0,303
28 3121 3113,372 3105,861 3119,708 1,292 0,041
29 3127 3122,906 3117,786 3138,377 11,377 0,364
30 3158 3147,458 3138,545 3139,951 18,049 0,572
31 3165 3159,731 3153,367 3177,130 12,130 0,383
32 3180 3173,911 3167,740 3180,916 0,916 0,029
33 3219 3205,456 3194,126 3194,456 24,544 0,762
34 3258 3242,216 3227,771 3243,172 14,828 0,455
35 3276 3265,852 3254,413 3290,306 14,306 0,437
36 3283 3277,849 3270,809 3303,933 20,933 0,638
37 3308 3298,943 3290,492 3301,285 6,715 0,203
38 3333 3322,770 3313,074 3327,077 5,923 0,178

2019 55
Kelompok 23
39 3339 3334,125 3327,801 3355,047 16,047 0,481

40 3358 3350,828 3343,911 3355,175 2,825 0,084
41 3376 3368,439 3361,071 3373,855 2,145 0,064
42 3390 3383,523 3376,779 3392,966 2,966 0,087
43 3396 3392,252 3387,604 3405,976 9,976 0,294
44 3436 3422,859 3412,268 3407,725 28,275 0,823
45 3461 3449,543 3438,346 3458,113 2,887 0,083
46 3519 3498,136 3480,175 3486,817 32,183 0,915
47 3544 3530,223 3515,189 3557,926 13,926 0,393
48 3551 3544,759 3535,876 3580,270 29,270 0,824
49 3566 3559,619 3552,487 3574,328 8,328 0,234
50 3585 3577,376 3569,900 3583,362 1,638 0,046
51 3615 3603,698 3593,545 3602,265 12,735 0,352
52 3693 3666,175 3644,358 3637,497 55,503 1,503
53 3738,804
54 3789,616
55 3840,428
56 3891,240
57 3942,052
58 3992,865
59 4043,677
60 4094,489
61 4145,301
62 4196,113
63 4246,925
64 4297,738
65 4348,550
66 4399,362

2019 56
Kelompok 23
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
Berikut merupakan contoh perhitungan permalan permintaan

pada periode kedua dengan:
α = 0,6996101
𝑎𝑡 = 𝛼(𝑋𝑡) + (1 − 𝛼) × 𝑎(𝑡−1)
𝑎2 = 0,6996101(2482) + (1 − 0,6996101) × 2155 =
2382,773
𝑏𝑡 = 𝛼(𝑎𝑡 ) + (1 − 𝛼) × 𝑏(𝑡−1)
𝑏2 = 0,6996101(2382,773) + (1 − 0,6996101) × 2155
= 2315,052
𝛼
𝐹(𝑡+ℎ) = 2𝑎(𝑡) − 𝑏(𝑡) + ℎ [ ] [𝑎 − 𝑏𝑡−1 ]
1 − 𝛼 𝑡−1
𝐹(2+1) = 2(2382,773) − 2315,052
0,6996101
+ 1[ ] [2382,773 − 2315,052]
(1 − 0,6996101)
= 2612,545

2019 57
Kelompok 23
b) Verifikasi
Berikut merupakan perhitungan error dari metode DEST:
∑𝑛
𝑖=1|𝑃𝐸|
𝑀𝐴𝑃𝐸 =
𝑛
42,232
𝑀𝐴𝑃𝐸 = = 0,828
51
Gambar 4.15 Hasil Output MAPE DEST NCSS
c) Grafik
Berikut merupakan grafik plot data dari peramalan dengan
metode DEST:
Pola Data Peramalan DEST

6000
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
Gambar 4.16 Pola Data DEST

2019 58
Kelompok 23
 Software NCSS
Berikut merupakan output software NCSS untuk peramalan data
menggunakan metode Double Exponential Smoothing with Trend:
Gambar 4.17 Output Software NCSS metode DEST
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 :

2019 59
Kelompok 23
Gambar 4.18 Output Uji Autokorelasi Level 0

6. Keputusan :
Jangan tolak H0 karena nilai DW < dL (0,714440 < 1,5135)
7. Kesimpulan : Data bersifat autokorelasi.
2) Uji Stasioneritas (Uji Augmented Dickey – Fuller)

Level 0
1. H0 : Data bersifat stasioner
2. H1 : Data tidak bersifat stasioner
3. ∝ : 0,05
4. Daerah kritis : T – stat ADF| < | t-stat Mac Kinnon|, Prob. < 0,05
5. Perhitungan :

2019 60
Kelompok 23
Gambar 4.19 Output Uji Stasioneritas Level 0

6. Keputusan :
Terima H0 karena nilai |T – stat ADF| < | t-stat Mac Kinnon
pada semua value| dan p-value < ∝ , yakni Prob. 0,0000 < 0,05
7. Kesimpulan : Data stasioner
3) Identifikasi ACF (Autocorrelation Function) Dan PACF (Partial Auto

Correlation Function)
Untuk pemilihan level 0
Gambar 4.20 Output ACF dan PACF

2019 61
Kelompok 23
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 :

2019 62
Kelompok 23
Gambar 4.21 Output Estimasi Parameter ARIMA (1,0,0)

8. Keputusan :
o Parameter C: Terima H0 karena P-Value < ∝, yakni 0,0012
< 0,05
o Parameter AR(1): Terima H0 karena P-Value < ∝, yakni
0,0000 < 0,05
9. Kesimpulan :
o Parameter C signifikan
o Parameter AR(1) signifikan
Pada output terlihat bahwa semua variable signifikan,
sehingga model ARIMA (1,0,0) dapat digunakan
 ARIMA (2,0,0)

2019 63
Kelompok 23
6. H1 : (Ø2) Tidak Signifikan
7. ∝ : 0,05
9. Perhitungan :

10. Keputusan :
o Parameter C: Tolak H0 karena P-Value > ∝, yakni 0,5375 >
0,05
0,0000 < 0,05

2019 64
Kelompok 23

0,0000 < 0,05
11. Kesimpulan :
o Parameter C tidak signifikan
Pada output terlihat bahwa tidak semua variable signifikan,
sehingga model AR (2,0,0) tidak dapat digunakan
 ARIMA (0,0,1)
5. ∝ : 0,05
7. Perhitungan :

2019 65
Kelompok 23

8. Keputusan :
< 0,05
o Parameter MA(1): Terima P-Value < ∝, yakni 0,0000 < 0,05
9. Kesimpulan :
o Parameter C Signifikan
o Parameter MA(1) Signifikan
Pada output terlihat bahwa semua variable signifikan,
sehingga model ARIMA (0,0,1) dapat digunakan
 ARIMA (1,0,1)

2019 66
Kelompok 23

6. H1 : (Ø2) Tidak Signifikan
7. ∝ : 0,05
9. Perhitungan :

10. Keputusan :
< 0,05
o Parameter AR(1): Terima P-Value < ∝, yakni 0,0000 < 0,05
o Parameter MA(1): Terima P-Value < ∝ = 0,05, yakni 0,0015
< 0,05,
11. Kesimpulan :

2019 67
Kelompok 23
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
5) Penentuan Model ARIMA

Dasar pada pemilihan Model ARIMA ini yakni dengan memilih nilai
terkecil akan Akaike Info Criterion dan Schwarz Criterion dari model –
model ARIMA yang sebelumnya diuji dalam estimasi parameter, yakni
teruji signifikan atau tidak, lalu yang dipilih adalah model – model
ARIMA yang paramternya teruji signifikan, dan berikut rekap data dari
model – model ARIMA yang terpilih:
Tabel 4. 9 Perbandingan nilai AIC dan SIC
Model ARIMA R2 AIC SIC
(1,0,0) 0,973975 11,03277 11,14534
(0,0,1) 0,682673 13,51746 13,63003
(1,0,1) 0,980896 10,82011 10,97020
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.

2019 68
Kelompok 23
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)
Gambar 4.25 Output Kolerogram ARIMA (1,0,0)

Pada grafik di atas tidak terjadi pelanggaran garis (tidak terdapat
lag signifikan) baik grafik Autocorrelation maupun grafik Partial
Correlation. Oleh karena itu, model AR 1 (1,0,0) boleh
digunakan.
 ARIMA (0,0,1)

2019 69
Kelompok 23

Pada grafik di atas terdapat pelanggaran (terdapat lag yang keluar
dari garis) baik grafik Autocorrelation maupun grafik Partial
Correlation. Oleh karena itu, model ARMA1 (0,0,1) tidak dapat
digunakan
 ARIMA (1,0,1)

2019 70
Kelompok 23

Pada grafik di atas terdapat pelanggaran (terdapat lag yang keluar
dari garis) baik grafik Autocorrelation maupun grafik Partial
Correlation. Oleh karena itu, model ARMA1 (1,0,1) tidak dapat
digunakan. Maka dari itu, dipilihlah model ARIMA (1,0,0).
b. Uji Kenormalan
1. H0 : Residual berdistribusi normal
2. H1 : Residual tidak berdistribusi normal
3. ∝ : 0,05
5. Perhitungan :

2019 71
Kelompok 23
Gambar 4.28 Output Uji Normalitas dengan EViews

6. Keputusan :
Terima H0 karena P-Value < ∝ yaitu 0,000000 < 0,05.
7. Kesimpulan : Residual berdistribusi normal.
7. Perhitungan Manual Error ARIMA

Tabel 4.10 Perhitungan Manual Error ARIMA
Pembulatan
Periode Demand Forecast Error |Error| PE |PE|
Forecast
1 2155 NA
2 2482 2157,13 2158 324 324 13,05 13,05
3 2554 2159,255 2160 394 394 15,43 15,43
4 2566 2161,374 2162 404 404 15,74 15,74
5 2582 2163,487 2164 418 418 16,19 16,19
6 2610 2165,594 2166 444 444 17,01 17,01
7 2630 2167,695 2168 462 462 17,57 17,57
8 2664 2169,791 2170 494 494 18,54 18,54
9 2703 2171,881 2172 531 531 19,64 19,64
10 2751 2173,965 2174 577 577 20,97 20,97

2019 72
Kelompok 23
11 2760 2176,044 2177 583 583 21,12 21,12

12 2797 2178,117 2179 618 618 22,10 22,10
13 2856 2180,184 2181 675 675 23,63 23,63
14 2812 2182,245 2183 629 629 22,37 22,37
15 2873 2184,301 2185 688 688 23,95 23,95
16 2906 2186,352 2187 719 719 24,74 24,74
17 2933 2188,396 2189 744 744 25,37 25,37
18 2941 2190,435 2191 750 750 25,50 25,50
19 2946 2192,469 2193 753 753 25,56 25,56
20 2967 2194,497 2195 772 772 26,02 26,02
21 2985 2196,519 2197 788 788 26,40 26,40
22 3010 2198,536 2199 811 811 26,94 26,94
23 3038 2200,547 2201 837 837 27,55 27,55
24 3049 2202,553 2203 846 846 27,75 27,75
25 3063 2204,554 2205 858 858 28,01 28,01
26 3091 2206,549 2207 884 884 28,60 28,60
27 3102 2208,538 2209 893 893 28,79 28,79
28 3121 2210,522 2211 910 910 29,16 29,16
29 3127 2212,501 2213 914 914 29,23 29,23
30 3158 2214,474 2215 943 943 29,86 29,86
31 3165 2216,442 2217 948 948 29,95 29,95
32 3180 2218,404 2219 961 961 30,22 30,22
33 3219 2220,361 2221 998 998 31,00 31,00
34 3258 2222,313 2223 1035 1035 31,77 31,77
35 3276 2224,259 2225 1051 1051 32,08 32,08
36 3283 2226,2 2227 1056 1056 32,17 32,17
37 3308 2228,136 2229 1079 1079 32,62 32,62
38 3333 2230,067 2231 1102 1102 33,06 33,06

2019 73
Kelompok 23
39 3339 2231,992 2232 1107 1107 33,15 33,15

40 3358 2233,912 2234 1124 1124 33,47 33,47
41 3376 2235,826 2236 1140 1140 33,77 33,77
42 3390 2237,736 2238 1152 1152 33,98 33,98
43 3396 2239,64 2240 1156 1156 34,04 34,04
44 3436 2241,539 2242 1194 1194 34,75 34,75
45 3461 2243,433 2244 1217 1217 35,16 35,16
46 3519 2245,321 2246 1273 1273 36,18 36,18
47 3544 2247,205 2248 1296 1296 36,57 36,57
48 3551 2249,083 2250 1301 1301 36,64 36,64
49 3566 2250,956 2251 1315 1315 36,88 36,88
50 3585 2252,824 2253 1332 1332 37,15 37,15
51 3615 2254,687 2255 1360 1360 37,62 37,62
52 3693 2256,545 2257 1436 1436 38,88 38,88
53 2258,398 2259
54 2260,246 2261
55 2262,089 2263
56 2263,926 2264
57 2265,759 2266
58 2267,586 2268
59 2269,409 2270
60 2271,227 2272
61 2273,039 2274
62 2274,847 2275
63 2276,65 2277
64 2278,448 2279
65 2280,24 2281
66 2282,028 2283

2019 74
Kelompok 23
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.
Gambar 4.29 Output Grafik dengan EViews

Berdasarkan output grafik dari software ARIMA di atas ditemukan
bahwa error dengan metode MAPE sebesar 32,92328

2019 75
Kelompok 23
4.2.5 Hasil Rekap Perhitungan Error

Berikut merupakan tabel rekap error dari masing-masing metode peramalan
dengan menggunakan MAPE:
Tabel 4. 11 Rekapitulasi Nilai MAPE
MAPE
Merode
Manual Software
3 DMA 0.524%
5 DMA 0.456 %
DES 1.24 %
SEST 2.416 %
DEST 0.828 %
ARIMA 27,9984% 32,9233%
4.3 Validasi Hasil Peramalan Terpilih

Berikut ini merupakan perhitungan validasi pada metode dengan MAPE terkecil
yaitu 5 DMA menggunakan metode Moving Range.
Moving
T Xt Ft Error |MR| Commented [MO12]: Yang dimasukin ke table ft sama xt
Range yang ada
1 2155
2 2482
3 2554
4 2566
5 2582
6 2610
7 2630
8 2664
9 2703
10 2751 2735.54 15.46
11 2760 2758.9 1.1 -14.36 14.36
12 2797 2791.06 5.94 4.84 4.84
13 2812 2830.58 -18.6 -24.52 24.52

2019 76
Kelompok 23
14 2856 2858.32 -2.32 16.26 16.26

15 2873 2887.6 -14.6 -12.28 12.28
16 2906 2904.2 1.8 16.4 16.4
17 2933 2933.04 -0.04 -1.84 1.84
18 2941 2958.74 -17.7 -17.7 17.7
19 2946 2982.08 -36.1 -18.34 18.34
20 2967 2989.7 -22.7 13.38 13.38
21 2985 3001 -16 6.7 6.7
22 3010 3008.82 1.18 17.18 17.18
23 3038 3019.18 18.82 17.64 17.64
24 3049 3041.46 7.54 -11.28 11.28
25 3063 3065.96 -2.96 -10.5 10.5
26 3091 3086.84 4.16 7.12 7.12
27 3102 3111.1 -9.1 -13.26 13.26
28 3121 3127.46 -6.46 2.64 2.64
29 3127 3140.16 -13.2 -6.7 6.7
30 3158 3151.86 6.14 19.3 19.3
31 3165 3172.12 -7.12 -13.26 13.26
32 3180 3183.8 -3.8 3.32 3.32
33 3219 3198.32 20.68 24.48 24.48
34 3258 3221.94 36.06 15.38 15.38
35 3276 3258.88 17.12 -18.94 18.94
36 3283 3287.94 -4.94 -22.06 22.06
37 3308 3314.36 -6.36 -1.42 1.42
38 3333 3342.78 -9.78 -3.42 3.42
39 3339 3363.24 -24.2 -14.46 14.46
40 3358 3370.2 -12.2 12.04 12.04
41 3376 3379.82 -3.82 8.38 8.38
42 3390 3396.44 -6.44 -2.62 2.62
43 3396 3410.32 -14.3 -7.88 7.88
44 3436 3417.76 18.24 32.56 32.56
45 3461 3441.24 19.76 1.52 1.52
46 3519 3466.46 52.54 32.78 32.78
47 3544 3508.68 35.32 -17.22 17.22
48 3551 3552.08 -1.08 -36.4 36.4
49 3566 3590.46 -24.5 -23.38 23.38
50 3585 3614.36 -29.4 -4.9 4.9

2019 77
Kelompok 23
51 3615 3634 -19 10.36 10.36

52 3693 3642.46 50.54 69.54 69.54
Total 628.56
Rata-Rata 14.9657
UCL 39.81
LCL -39.81
Berikut ini merupakan plot data hasil validasi menggunakan metode moving
range.
GRAFIK VALIDASI MOVING RANGE

60
40
20
ERROR
0 UCL
LCL
-20
-40
-60
Gambar 4. 30 Grafik Validasi Moving Range
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

2019 78
Kelompok 23
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

2019 79
Kelompok 23
BAB V
ANALISIS
5.1 Analisis Pola Data Linear

5.1.1 Analisis Semua Metode Peramalan
a. Metode Double Moving Avarage
 3 DMA
Data yang digunakan adalah data agregat dari segmentasi pasar
pendidikan dan lomba. Metode ini dilakukan dengan menghitung S’ yang
didapat dari rata-rata tiap 3 periode, data peramalan dan diletakkan di
periode 3. Kemudian, menghitung rata-rata S” yang didapat dari rata-rata
3 periode S’ dan diletakkan di periode 3. Kemudian, menghitung nilai a
yang didapat dari 2S’ dikurangi dengan S”. Kemudian, menghitung nilai
b yang didapat dari perkalian antara 2 dibagi n-1 dengan hasil
pengurangan S’ dan S”. Terakhir, menghitung Ft yang didapat dari a
ditambah b. Hasil peramalan yang dihasilkan menggunakan metode 3
DMA adalah untuk 24 periode yang akan datang dan perhitungan error
dengan metode MAPE yaitu 0,524%.
 5 DMA
Data yang digunakan adalah data agregat dari segmentasi pasar
pendidikan dan lomba. Metode ini dilakukan dengan menghitung S’ yang
didapat dari rata-rata beberapa periode (setiap 5 periode) data peramalan
dan diletakkan di periode 5. Kemudian, menghitung rata-rata S” yang
didapat dari rata-rata 5 periode S’ dan diletakkan di periode 5. Kemudian,
menghitung nilai a yang didapat dari 2S’ dikurangi dengan S”.
Kemudian, menghitung nilai b yang didapat dari perkalian antara 2
dibagi n-1 dengan hasil pengurangan S’ dan S”. Terakhir, menghitung Ft
yang didapat dari a ditambah b. Hasil peramalan yang dihasilkan

2019 80
Kelompok 23
menggunakan 5 DMA adalah untuk 24 periode yang akan datang dan

perhitungan error dengan metodemetode MAPE yaitu 0,456%.
b. Metode DES (Double Exponential Smoothing)
Data yang digunakan adalah data agregat dari segmentasi pasar pendidikan
dan lomba. Cara perhitungan untuk metode double exponential smoothing ini
hampir sama dengan single exponential smoothing yaitu dengan
menggunakan alpha. Nilai alpha merupakan konstanta smoothing berada
pada kisaran 0 < α < 1. Nilai alpha yang diperoleh kelompok 23 adalah 0,16,
yang didapatkan dari software Eviews10. Nilai α yang mendekati angka 0
menunjukkan bahwa semakin besar pembobotan kepada permintaan masa
lalu dan semakin besar juga efek smoothing-nya pada trend data (stabilitas
maksimal dengan responsif minimal). Perhitungan dengan metode ini dimulai
dengan menghitung S’ yang didapat dari penjumlahan α dikalikan Xt dengan
hasil kali β (dimana β adalah konstanta smoothing yang mempengaruhi trend)
dan S’t-1, kemudian mencari S” yang didapat dari penjumlahan α dikalikan
S’t dengan hasil kali β dan S’’t-1, kemudian mencari nilai a yang didapat dari
2S’ dikurangi S”, kemudian mencari nilai b yang didapat dari hasil perkalian
antara α dibagi β dengan S’ dikurangi S”, langkah terakhir adalah mencari Ft
yaitu didapat dari a ditambah b. Hasil peramalan yang dihasilkan
menggunakan metode DES adalah untuk 24 periode yang akan datang dan
perhitungan error dengan metode MAPE yaitu 1,24%
c. Metode SEST (Single Exponential Smoothing with Trend)
dan lomba. Metode Single Eksponential Smoothing with Trend adalah sebuah
metode Single Eksponensial dengan mempertimbangkan faktor trend (linier).
Dalam metode ini, kelompok 23 mendapatkan α sebesar 0,112 dan β sebesar
0,999. Peramalan ini dimulai dengan mencari nilai Ft yang didapat dengan
dengan mengalikan nilai Xt dengan alfa, dan dijumlah dengan hasil kali
antara nilai 1-alpha dengan Ft-1 dengan Tt-1. Kemudian mencari Tt, caranya

2019 81
Kelompok 23
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)
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

2019 82
Kelompok 23
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.
5.1.2 Analisis Metode Terpilih

Nilai error terkecil dari beberapa metode yang digunakan untuk peramalan yaitu
DMA, DES, SEST, DEST, ARIMA, digunakan untuk menentukan metode terbaik. Nilai
error yang dijadikan acuan disini adalah MAPE, karena memiliki tingkat ketelitian yang
tinggi dibandingkan metode lain. Berdasarkan perhitungan dan pengujian yang telah
dilakukan diatas, diperoleh metode terbaik yaitu 5 DMA dengan nilai error sebesar
0,456%. Metode yang memiliki error terbesar adalah metode ARIMA dengan nilai error
sebesar 27,9984%. Pada pengujian validasi, dapat dilihat pada grafik bahwa data pada
metode 5 DMA tidak valid dikarenakan terdapat data yang berada di luar batas.

2019 83
Kelompok 23
Penyebabnya karena pada periode tersebut terdapat hari raya Idul Fitri yang
menyebabkan terdapat kenaikan demand yang signifikan pada mainan tersebut.

2019 84
Kelompok 23
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

2019 85
Kelompok 23
hasil error tidak begitu akurat karna perhitungan hanya memanfaatkan

perhitungan rata-rata. Standar Deviasi Error (SDE), metode yang mengitung
error
dengan menghitung standar deviasinya. Perhitungannya sederhana namun tingkat
akurasinya kecil. Mean Squared error (MSE) merupakan metode perhitungan
error yang cara perhitungannya adalah dengan mengkuadratkan error kemudian
di jumlakan dan di bagi dengan jumlah observasi. Mean Absolute Percentage
(MAPE), merupkan metode yang menghitung error berdasarkan periode lalu
membagi dengan nilai observasi per periode dan dirata-ratakan kedalam
persentase absolut. Kelebihan metode ini adalah tingkat kesalahan perhitungan
yang kecil. Nilai MAPE untuk metode 3 DMA, 5 DMA, DES, SEST, DEST, dan
ARIMA adalah sebesar 0,524%; 0,456%; 1,24%; 2,416%; 0,828%; dan
27,9984%.
4. Metode yang diimplimentasikan dalam peramalan di bidang industri ialah metode
yang terbaik yaitu metode yang dipilih yang memiliki nilai error MAPE terkecil
untuk data linier. Dalam praktikum ini yang digunakan sebagai metode peramalan
ialah metode 5 Double Moving Average karena metode memiliki nilai error
terkecil jika dibandingkan dengan metode lainnya. Akan tetapi ketika data
tersebut tidak valid dikarenakan pada periode sebelumnya terdapat hari raya Idul
Fitri yang menyebabkan terdapat kenaikan demand yang signifikan. Metode
terbaik digunakan sebagai metode peramalan yang digunakan untuk meramalkan
demand mendatang berdasar data demand historis. Data demand masa lalu
kemudian dijadikan bahan untuk melakukan peramalan data demand mendatang
dengan menggunakan metode terbaik yang telah dipilih. Implementasi dari
teknik-teknik peramalan dalam dunia industri adalah teknik peramalan ini
digunakan untuk menentukan jumlah kebutuhan material dalam suatu lantai
produksi di tiap periodenya dan waktu total dalam proses produksi ditiap
periodenya sehingga dapat ditentukan pula jumlah optimal stasiun kerjanya, dan
jumlah optimal kerja dengan tujuan memaksimalkan keuntungan.

2019 86
Kelompok 23
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.

2019 87

Modul 1 Kelompok 23

Diunggah oleh

Informasi Dokumen

Deskripsi Asli:

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Modul 1 Kelompok 23

Diunggah oleh

Hak Cipta:

Format Tersedia

Laporan Praktikum Proyek Teknik Industri

1.1. Latar Belakang

Departemen Teknik Industri

1.2. Perumusan Masalah

1.3. Tujuan Penulisan

3. Mampu mengimplementasikan metode dan teknik forecasting dalam bidang

1.4. Batasan Penelitian

Departemen Teknik Industri

dilakukan adalah dengan menggunakan moving range.

1.5. Sistematika Penulisan

pembatasan masalah serta sistematika penulisan yang digunakan

Departemen Teknik Industri

perusahaan dalam meramalkan demand masa depan dengan berbagai metode

Departemen Teknik Industri

Departemen Teknik Industri

2.1.2. Macam-macam Peramalan

Departemen Teknik Industri

 Other Quantitative adalah metode peramalan jenis kuantitatif yang

Berdasarkan sifat penyusunannya, maka peramalan dibedakan menjadi dua

Departemen Teknik Industri

2.1.3 Tahapan dalam Peramalan

Gambar 2. 1 Pola Data Konstan

Gambar 2. 2 Pola Data Linier

Departemen Teknik Industri

Gambar 2. 3 Pola Data Kuadratis

Gambar 2. 4 Pola Data Siklis

Departemen Teknik Industri

2.1 Metode-Metode Deret Waktu (Time Series)

Departemen Teknik Industri

F1 = Ft-1 + α(At-1 –Ft-1)...............................................(2.1)

Departemen Teknik Industri

𝐹𝑡+1 = 𝑎𝑡 + 𝑏𝑡(1) + 1⁄2 𝑐𝑡(1)..................................(2.21)

Departemen Teknik Industri

Departemen Teknik Industri

𝑆′𝑡 +𝑆′𝑡−1 +𝑆′𝑡−2 +⋯+𝑆′𝑡−𝑁+1

𝑎𝑡 = 𝑆′𝑡 + (𝑆′𝑡 − 𝑆′′𝑡 ) = 2𝑆′𝑡 − 𝑆′′𝑡 ..................................(2.28)

Departemen Teknik Industri

d. Center Moving average (CMA)

Departemen Teknik Industri

AR : p = orde dari proses autoregresif

Departemen Teknik Industri

2.2 Metode-Metode Kausal

Departemen Teknik Industri

Naïve, Simple average, Moving average, Autoregressive moving average

Departemen Teknik Industri

2.4 Metode Perhitungan Error

Departemen Teknik Industri

memberikan informasi persentase kesalahan terlalu tinggi atau terlalu rendah.

4) Mean Forecast Error (MFE)

Kelebihan : ukuran kesalahan lebih sederhana. Kekurangan : akurasi hasil

Departemen Teknik Industri

8) U-Theil dan Batting

Departemen Teknik Industri

Departemen Teknik Industri

Gambar 2. 5 Tampilan Software Eviews

Commented [MO9]: Tambahin 1 subbab buat NCSS

Departemen Teknik Industri

Membuat Plot Data

Memilih metode peramalan

Menghitung Error tiap

Memilih peramalan dengan

Melakukan Validasi hasil

Gambar 3. 1 Flowchart Metodologi Praktikum