JURNAL PRAKTIKUM

PROYEK TEKNIK INDUSTRI

MODUL 1 FORECASTING

Disusun Oleh:
Kelompok 6
1. Nurin Salwa Nabila (21070118120034)
2. Bimantoro Suryo Wibowo (21070118130073)
3. Addana Zulfaan (21070118130109)
4. Azzahra Yolanzha Ayu D (21070118140189)
5. Aulia Parsada Harahap (21070118130155)

DEPARTEMEN TEKNIK INDUSTRI

FAKULTAS TEKNIK UNIVERSITAS DIPONEGORO
SEMARANG
2020

0
 DAFTAR ISI

DAFTAR ISI ..................................................................................................................... 1

BAB I METODE PRAKTIKUM ....................................................................................... 2

1.1 Metode Praktikum ........................................................................................... 2

1.2 Landasan Teori ................................................................................................ 3

1.2.1 Metode Peramalan Deret Waktu ( Time Series) ............................................... 3

1.2.2 Metode Perhitungan Error (Verifikasi) ............................................................ 9

1.2.3 Metode Validasi............................................................................................. 14

1.3 Analisis Pemilihan Metode ............................................................................ 15

BAB II PENGOLAHAN DAN ANALISIS DATA .......................................................... 17

2.1 Pengumpulan data.......................................................................................... 17

2.2 Pengolahan data ............................................................................................. 19

2.2.1 Plot Data........................................................................................................ 19

2.2.2 Peramalan ...................................................................................................... 19

2.2.2.1 Double Moving Average (DMA) ................................................................... 19

2.2.2.2 Double Exponential Smoothing (DES)........................................................... 29

2.2.2.3 ARIMA ......................................................................................................... 33

2.2.3 Hasil Rekap Perhitungan Error ...................................................................... 48

2.2.4 Validasi Hasil Peramalan Terpilih .................................................................. 49

2.3 Hasil Peramalan ............................................................................................. 51

BAB III KESIMPULAN .................................................................................................. 53

1
 BAB I
METODE PRAKTIKUM

1.1 Metode Praktikum

Berikut ini merupakan flowchart metode praktikum Proyek Teknik Industri (PTI)
modul 1 yang ditunjukkan pada gambar 1.1

Gambar 1.1 Metode Praktikum

2
Penjelasan :
Zybos Group merupakan sebuah perusahaan yang bergerak dibidang industri mobil
mainan yang telah memulai bisnis nya baru baru ini. Saat ini, Zybos Group akan
mengembangkan bisnis nya pada sektor produksi dan penjualan produk mobil mainan.
Adapun market demand yang digunakan berasal dari data estimasi permintaan (demand)
penjualan mobil mainan di Indonesia selama 4 tahun belakangan ini. Melalui pendekatan
pangsa pasar, Zybos Group mengambil sebanyak 20 % dari data estimasi tersebut sebgai
objek yang akan diramalkan untuk mengembangkan bisnisnya. Setelah itu pihak perusahaan
akan menentukan pola data dari data yang telah ditentukan. Kemudian perusahaan
menentukan beberapa metode peramalan yang akan dipakai berdasarkan pola data yang telah
diplot.
Setelah metode peramalan ditentukan, maka pihak perusahaan melakukan peramalan
terhadap data yang diperoleh dari data demand penjualan masa lalu yaitu dari bulan Mei 2016
hingga Agustus 2020. Perhitungan ini menggunakan metode peramalan DMA, DES, dan
ARIMA. Untuk metode verifikasi error Perusahaan ini menggunkana metode MAPE dan
untuk validasinya menggunakan metode Moving Range. Perhitungan ini juga dibantu dengan
beberapa software seperti Eviews,dan NCSS Setelah dilakukan perhitungan, perusahaan
menghitung kesalahan atau error masing-masing metode. Langkah selanjutnya yaitu
melakukan verifikasi untuk menentukan nilai error terkecil dari metode peramalan yang
sudah dilakukan. Metode yang terbaik ditentukan oleh nilai error yang berkecil. Setelah itu,
dilakukan validasi daei metode yang terbaik. Jika valid, maka hasil forcast dari metode
tersebut dapat menjadi acuan dalam pengambilan kebijakan dan kegiatan produksi
perusahaan Zybos Group. Jika tidak valid, maka perushaan akan mengulang kembali dengan
memilih metode lain dan mengikuti langkah langkah seterusnya.

1.2 Landasan Teori

1.2.1 Metode Peramalan Deret Waktu ( Time Series)
Berikut merupakan tabel 1.1 yang berisikan tentang metode peramalan Time Series:

3
 Tabel 1.1 Metode Peramalan Time Series
Metode Pola Plot
No Pengertian Manfaat Jenis Metode
Peramalan Data
1. Moving Suatu metode Dapat - Stasioner 1. Simple Average
Avegare peramalan yang menghaluskan (Simple (SA)
(MA) dilakukan dengan fluktuasi tiba-tiba Average, 2. Single Moving
mengambil untu menghasilkan Single Average (SMA)
sekelompok nilai pola data yang Moving 3. Double Moving
pengamatan, stabil. Serta sebagai Average) Average (DMA)
mencari nilai rata- pendeteksi tren,
rata tersebut sebagai penentu nilai tengah - Trend,
ramalan untuk harga, serta patokan musiman
periode yang akan untuk masuk ke (Double
datang pasar. Moving
Average)
Sumb https://ilmumanajemenindustri.com https://www.seputarforex.com/artik Modul Praktikum
er /pengertian-moving-average-rata- el/moving-average-indikator- PTI 2020
rata-bergerak-rumus-moving- sederhana-dengan-banyak-fungsi-
average/ 62961-31
2. Exponential Merupakan salah Digunakan untuk Trend 1. Single
Smoothing satu analisis deret menetukan Exponential
(ES) waktu, dan permintaan produk Smoothing (SES)
merupakan metode dan cocok 2. Double
peramalan dengan digunakan ketika Exponential
memberi nilai data menunjukkan Smoothing (DES)
pembobot pada adanya trend 3. Single
serangkaian Exponential
pengamatan Smoothing with
sebelumnya untuk Trend (SES)
memprediksi nilai 4. Double
masa depan. Exponential
Smoothing with
Trend (DES)

4
 Tabel 1.1 Metode Peramalan Time Series (lanjutan)
Metode Pola Plot
No Pengertian Manfaat Jenis Metode
Peramalan data
Sumb https://ilmumanajemenindustri.com http://repository.unmuhjember.ac.id Modul Praktikum
er /peramalan-dengan-exponential- /473/1/JURNAL.pdf PTI 2020
smoothing-penghalusan-
eksponensial/

3. Box Jenkins Merupakan metode Metode ini cocok Musiman 1. ARIMA

gabungan dari AR untuk digunakan 2. White Noise
(Autoregressive), I dalam peramalan
(Integrated) dan jangka pendek.
MA (Moving
Average) yang
secara penuh
mengabaikan
independen variabel
dalam membuat
peramalan.
Sumb https://daps.bps.go.id/file_artikel/77/arima.pdf
er
4. Proyeksi Metode ini Mengetahui Linear Regresi
Trend
melakukan korelasi antar
Regresion
peramalan data variabel
selanjutnya dengan
mengetahui ada
atau tidaknya
korelasi antar
variabel.
Sumb Zunaidhi,Rival Dkk. 2012. Aplikasi Peramalan Penjualan Menggunakan Metode Regresi Linier
er

5
Berikut ini merupakan penjelasan mengenai jenis-jenis metode peramalan:
1. Moving Average
 Simple Average merupakan metode perencanaan jangka pendek menggunakan data
actual untuk mencari data rata-rata dari data masa lalu
Persamaan:
𝑇
𝑋
𝐹𝑡+1 = ̅
𝑋 = ∑ 𝑖⁄𝑇
𝑖=1
Keterangan:
𝐹𝑡+1 = hasil ramalan
T = jumlah periode
Xi: Data aktual periode ke-i
𝑋̅: Rata-rata data aktual.

 Single Moving Average (SMA) merupakan metode peramalan yang dilakukan dengan
mengambil sekelompok nilai pengamatan, mencari nilai rata-rata tersebut sebagai
ramalan untuk periode yang akan datang.
Persamaan:
𝑌𝑡+𝑌(𝑡−1)+⋯+𝑌(𝑡−𝑛−1)
Ft =
𝑛
Keterangan:
Ft = peramalan periode t
Yt = data aktual pada periode t
n = jumlah periode moving average

 Double Moving Average (DMA) merupakan satu peramalan time series dengan
melihat data trend adalah peramalan dengan metode double moving average.
Persamaan:
𝑌𝑡+𝑌(𝑡−1)+⋯+𝑌(𝑡−𝑛−1)
Mt =
𝑛

6
 𝑀𝑡+𝑀(𝑡−1)+⋯+𝑀(𝑡−𝑛−1)
M’t =
𝑛

αt = 2Mt – M’t
2
bt = (Mt – M’t)
𝑛−1
Ŷ = at + btp
Keterangan:
Yt = nilai sebenarnya pada periode t
Mt = rata-rata bergerak pertama periode t
M’t = rata-rata bergerak kedua periode t
αt = konstanta
bt = estimasi kecenderungan dari periode ke periode lain
Ŷ = nilai peramalan
n = jumlah periode moving average
p = jumlah periode ke depan yang akan diramalkan

2. Exponential Smoothing
 Single Exponential Smoothing (SES) merupakan model mengasumsikan bahwa data
berfluktuasi di sekitar nilai mean yang tetap, tanpa trend atau pola pertumbuhan
konsisten.
Persamaan:
𝐹𝑡+1 = 𝛼𝑋𝑖 + (1 − 𝛼)𝐹𝑡−1
Keterangan:
𝐹𝑡+1 = peramalan periode t+1
α = konstanta smoothing (antara 0 sampai dengan 1)
 Double Exponential Smoothing (DES) merupakan metode perencanaan dimana
memberikan bobot secara eksponensial pada data terbarunya dengan menggunakan
dua kali pergerakan.
Persamaan:

7
 St = α * Yt + (1 – α) * (St - 1 + bt – 1)
bt = γ * (St – St - 1) + (1 – γ) * bt – 1
Ft + m = St + bt m
Keterangan:
St = peramalan untuk periode t.
Yt + (1-α) = Nilai aktual time series
bt = trend pada periodeke - t
α= parameter pertama perataan antara nol dan satu
1 = untuk pemulusan nilai observasi
γ= parameter kedua, untuk pemulusan trend
Ft+m = hasil peramalan ke - m
m = jumlah periode ke - m yang akan diramalkan
 Single Exponential Smoothing with Trend (SEST) merupakan metode single
exponential smoothing namun dengan menambahkan unsur trend pada periode t-1.
𝐹(𝑡) = 𝑎. 𝑥 (𝑡) + (1 − 𝑎)[𝐹(𝑡 − 1) + 𝑇(𝑡 − 1)]
𝑇(𝑡) = 𝑏[𝐹(𝑡) − 𝐹 (𝑡 − 1)] + (1 − 𝑏)𝑇(𝑡 − 1)
𝐹(𝑡 + ℎ) = 𝐹(𝑡) + ℎ𝑇(𝑡)
Nilai a merupakan konstanta smoothing yaitu 0 < a < 1 dan data ke nol atau F (0)
didapat dari nilai data pertama dan data masa lalu.
 Double Exponential Smoothing with Trend (DEST) merupakan metode perhitungan
double exponential smoothing dengan penambahan unsur trend didalammnya, guna
memuluskan peramalan.
(𝑡) = 𝑎𝑥(𝑡) + (1 − 𝑎)𝐹 (𝑡 − 1)
𝐹(𝑡) = 𝑎𝐹(𝑡) + (1 − 𝑎)𝐹"(𝑡 − 1)
𝐹(𝑡 − ℎ) = 2𝐹(𝑡) = 𝐹 ′ (𝑡) + ℎ[𝑎(1 − 𝑎)][𝐹(𝑡) − 𝐹 ′ (𝑡)]
Nilai a merupakan konstanta smoothing, 0 < a < 1 dan nilai F (0) merupakan x (1)
atau data awal.

8
1.2.2 Metode Perhitungan Error (Verifikasi)
Berikut merupakan tabel metode perhitungan error (Verifikasi) :
Tabel 1.2 Metode Verifikasi
Metode
Perhitungan Definisi
No Kelebihan Kekurangan Persamaan Ket
Error Operasional
(Verifikasi)
1. Mean Error Uji yang dihitung Sangat efektif Jika hasil ∑ 𝑒𝑖 e=
ME = 𝑛
(ME) dengan mengukur untuk ramalan tidak kesalahan
perbandingan mengetahui bias, maka error
jumlah error apakah suatu nilainya akan e = (Xi – Fi)
dibagi jumlah hasil mendekati nol. Xi = nilai
periode peramalan peramalan actual pada
data. selama periode i
periode Fi = nilai
tertentu terlalu forecasting
tinggi atau pada periode
rendah. i
n = periode
Sumber: Agil Saputro, Bambang Purwanggono. Peramalan Perencanaan Produksi Semen Dengan Metode
Exponential Smoothing Pada Pt. Semen Indonesia.
2. Mean Squared Rata-rata Perhitungan Akurasi hasil MSE = e=
1
Error (MSE) kesalahan yang yang peramalan ∑𝑛𝑖=1(𝑦𝑖 − kesalahan
𝑛
dihitung dengan sederhana. sangat kecil error
𝑦̃𝑖)2 =
menjumlahkan karena tidak ∑𝑛 2 yi = nilai
𝑖=1 𝑒𝑖
kuadrat semua memperhatikan 𝑛 aktual pada
kesalahan apakah hasil periode t
peramalan pada ramalan lebih 𝑦̃𝑖 = nilai
setiap periode dan besar atau lebih forecast
membaginya kecil pada periode
dengan jumlah dibandingkan t
periode peramalan. nilai aktualnya. n = periode

9
 Tabel 1.2 Metode Verifikasi (lanjutan)
Metode
Perhitungan Definisi
No Kelebihan Kekurangan Persamaan Ket
Error Operasional
(Verifikasi)
Sumber:
Hartini, Sri, 2011. Teknik Mencapai Produksi Optimal. Bandung: Penerbit Lubuk Agung.
3. Mean Absolute Rata-rata mutlak Sederhana Kurang ∑|𝑒𝑖| e=
MAE =
𝑛
Error (MAE) dari kesalahan sensitive kesalahan
peramalan, tanpa terhadap nilai error
menghiraukan mutlak |𝑒𝑖 | = nilai
tanda positif atau kesalahan yang mutlak
negative. besar. kesalahan
error
n = periode
Sumber: http://staff.unila.ac.id/ayu17010107/files/2011/11/bab-21.pdf
4. Mean Absolute Rata-rata Ukuran Akurasi hasil MAD = e=
1
Deviation kesalahan mutlak kesalahan peramalan ∑𝑛𝑖=1|𝑦𝑖 − kesalahan
𝑛
(MAD) selama periode peramalan sangat kecil error
𝑦̃𝑖| =
tertentu tanpa yang karena tidak ∑𝑛
|𝑒𝑖 | = nilai
𝑖=1|𝑒𝑖|
memperhatikan digunakan memperhatikan 𝑛 mutlak
apakah hasil lebih apakah hasil kesalahan
peramalan lebih sederhana, peramalan lebih error
besar atau lebih hanya besar atau lebih yi = nilai
kecil dibanding menggunakan kecil dibanding aktual pada
kenyataannya. rata-rata kenyataannya. periode t
kesalahan 𝑦̃𝑖 = nilai
mutlak selama forecast
periode pada periode
tertentu. t
n = periode
Sumber:
Hartini, Sri, 2011. Teknik Mencapai Produksi Optimal. Bandung: Penerbit Lubuk Agung.

10
 Tabel 1.2 Metode Verifikasi (lanjutan)
Metode
Perhitungan Definisi
No Kelebihan Kekurangan Persamaan Ket
Error Operasional
(Verifikasi)
5. Mean Rata-rata Jika Menunjukkan ∑ 𝑃𝐸 PE =
MPE = 𝑛
Percentage kesalahan yang peramalan pencocokan persentase
Error (MPE) dihitung dengan tidak bias, suatu model kesalahan
mencari kesalahan akan terhadap data error
pada tiap periode menghasilkan historical, n = periode
dibagi dengan nilai MPE nol dan model yang
nyata untuk mempertimba terlalu cocok
periode tersebut, ngkan nilai dengan data
dan kemudian positif dan akan
merata-rata negative memasukkan
kesalahan sehingga lebih unsur acak
persentasenya. akurat. kedalam proses,
metode yang
berbeda
menyebabkan
penggunaan
prosedur yang
berbeda dalam
pencocokan,
tidak
memudahkan
perbandingan
antara nilai
yang berbeda
dan selang
waktu yang
berlainan.
Sumber: https://docplayer.info/64479401-2-4-pemilihan-metode-peramalan.html

11
 Tabel 1.2 Metode Verifikasi (lanjutan)
Metode
Perhitungan Definisi
No Kelebihan Kekurangan Persamaan Ket
Error Operasional
(Verifikasi)
6. Mean Absolute Rata-rata Menyatakan Ukuran MAPE = PE =
Percentage kesalahan mutlak persentase kesalahan ∑|𝑃𝐸| persentase
𝑛
Error (MAPE) selama periode kesalahan relative. kesalahan
tertentu yang hasil error
kemudian peramalan n = periode
dikalikan 100% terhadap
agar mendapatkan permintaan
hasil persentase. actual selama
periode
tertentu,
sehingga lebih
akurat.
Sumber:Hartini, Sri, 2011. Teknik Mencapai Produksi Optimal. Bandung: Penerbit Lubuk Agung.
7. Sum of Square Untuk mengukur Meminimalka Perhitungannya SSE = ∑ 𝑒𝑖 2 e=
Error (SSE) selisih total dari n kesalahan. cukup rumit. kesalahan
nilai sebenernya Semakin kecil error
terhadap nilai yang kesalahan, e = (yi - 𝑦̃𝑖)
tercapai. semakin baik
kekuatan
estimasi
regresi.
sumb http://repo.unand.ac.id/867/1/jurnal.do https://365datascience.com/sum- http://repo.unand.ac.id/867/1
er cx squares/ /jurnal.docx
8. Sum of Menghitung Sederhana. Akurasi hasil SDE = e=
Deviation Error kesalahan error peramalan ∑𝑛 2
𝑖=1 𝑒𝑖
kesalahan
√
𝑛−1
(SDE) dengan standar sangat kecil error
deviasinya. karena hanya e = (yi - 𝑦̃𝑖)
menggunakan n = periode
standar deviasi.

12
 Tabel 1.2 Metode Verifikasi (lanjutan)
Metode
Perhitungan Definisi
No Kelebihan Kekurangan Persamaan Ket
Error Operasional
(Verifikasi)
Sumber: Hartini, Sri, 2011. Teknik Mencapai Produksi Optimal. Bandung: Penerbit Lubuk Agung.
9. U-Theil Memungkinkan Karakteristik Karena U-Theil Pembilang = Xi = nilai
perbandingan positif yang merupakan 𝐹𝑖+1 −𝑋𝑖+1 2 actual pada
[ ]
𝑋𝑖
relative antara ditimbulkan fungsi dari periode i
metode peramalan dalam predictor itu Fi = nilai
Penyebut =
formal dengan menggunakan sendiri yang forecasting
𝑋𝑖+1 −𝑋𝑖 2
pendekatan naïf U-Theil merupakan [ ] pada periode
𝑋𝑖

dan sebagai salah satu unsur i

mengkuadratkan ukuran penyebutnya, U-Theil =
kesalahan yang ketepatan sehingga tidak ∑𝑛 𝑃𝑒𝑚𝑏𝑖𝑙𝑎𝑛𝑔
√ ∑𝑖=1
𝑛
terjadi, sehingga adalah dapat 𝑖=1 𝑃𝑒𝑛𝑦𝑒𝑏𝑢𝑡

kesalahan yang mengenai digunakan

besar diberikan interpretasi sebagai kriteria
bobot yang lebih dan intuitif. untuk
banyak daripada membandingka
kesalahan yang n serta me-
kecil. ranking model
alternative.
Sumber: Hartini, Sri, 2011. Teknik Mencapai Produksi Optimal. Bandung: Penerbit Lubuk Agung.
10. Cumulative Kesalahan Ukuran Akurasi hasil CFE = e=
Forecast Error peramalan kesalahan peramalan ∑𝑛𝑖=1 𝑒𝑖 kesalahan
(CFE) dihitung dari peramalan sangat kecil error
permintaan yang karena hanya
dikurangi dengan digunakan menggunakan
nilai peramalan, dengan jumlah error
dihitung secara menjumlahka peramalan
kumulatif. n error sebagai ukuran
peramalan. kesalahan.
Sumber: Hartini, Sri, 2011. Teknik Mencapai Produksi Optimal. Bandung: Penerbit Lubuk Agung.

13
1.2.3 Metode Validasi
Berikut merupakan tabel 1.3 metode validasi :
Tabel 1.3 Metode Validasi
Metode Defenisi
No Kelebihan Kekurangan
Validasi Operasional
1 Peta Merupakan suatu Penggunaan peta Moving Tidak peka terhadap
Moving metode analisa Average mempunyai pergeseran rata-rata proses
Average yang merupakan keefektifan untuk mendeteksi
alat untuk melihat pergeseran rata – rata proses
kestabilan sebab
akibat yang
melatar belakangi
suatu sistem
Sumber Hartini, Sri, 2011. Teknik http://debrina.lecture.ub.ac.id/files/2014/11/B1- Peta-Kendali-
Mencapai Produksi Optimal. Moving-Average.pdf
Bandung: Penerbit Lubuk
Agung.
2 Uji F Uji statistik yang Pengujian yang dilakukan lebih Pengujiannya memerlukan
digunakan untuk akurat suatu data kelompok yang
melihat pengaruh berdistrbusi normal
variabel bebas
terhadap variabel
terikat

Sumber http://etheses.uin-malang.ac.id/6824/1/09610120.pdf

3 Uji Chi- Uji yang bertujuan Perhitungan yang dilakukan Sampel yang digunakan
Squre untuk melihat cukup sederhana untuk pengujiannya harus
ketergantungan berskala besar serta
antara variabel kesalahnnya yang relatif
bebas dan variabel
terikat, apakah itu
bernilai nominal
atau ordinal

Sumber https://www.statistikian.com/2012/11/rumus-chi-%20square.html

14
 Tabel 1.3 Metode Validasi (lanjutan)

Metode Defenisi
No Kelebihan Kekurangan
Validasi Operasional

Untuk melihat
pengaruh variabel
Hanya diujikan untuk
beban terhadap Hasil pengujiannya terbilang
4 Uji T emilhat perbedaan rata rata
variabel terikat akurat
hitung kelompok tertentu
secara sendiri-
sendiri

Sumber http://etheses.uin-malang.ac.id/6824/1/09610120.pdf

Merupakan suatu Dalam kehidupan nyata,

Paling kompleks dibanding
ukuran bagaimana tidak banyak masalah yang
algoritma lain yang juga
Tracking baiknya suatu menunjukkan hubungan
5 mencoba menemukan
Signal permalan yang jelas antara variable
hubungan variable independent
memperkirakan dependent dan
dan dependent
nilai nilai aktual indenpendent

Total Quality Control https://medium.com/@mi02041999/pengertian-regresi-linear-

Sumber
(Gaspersz, 2008) serta-keuntungan-dan-kerugian-3ff1379b403a

1.3 Analisis Pemilihan Metode

a. Metode Peramalan
1.) Metode : Double Moving Average (DMA)
Alasan : Metode Double Moving Average (DMA) dipilih karena data aktual
memiliki pola data linear. Metode ini dapat mengakumulasi dan mengkomodir
trend yang ada pada data. Dasar dari metode ini yaitu menggunakan perhitungan
rata rata bergerak yang kedua yang artinya bergerak dari rata rata bergerak.
Sumber : https://media.neliti.com/media/publications/76361-ID peramalan kurs-
idr-terhadap-usd-mengguna.pdf
2.) Metode : Double Exponential Smoothing (DES)
Alasan : Metode Double Exponential Smoothing (DES) dipilih karena data actual
memiliki pola data trend. Metode ini juga merupakan metode yan g tepat untuk
data yang berpola linear.

15
 Sumber : Paper yang berjudul “Peramalan Dengan Menggunakan Metode Double
Exponential Smoothing Dari Brown (Studi Kasus: Indeks Harga Konsumen (IHK)
Kota Samarinda)” Etri Pujiati, Desi Yuniarti, Rito Goejantoro
3.) Metode : ARIMA
Alasan : Metode ARIMA dipilih karena metode ini dapat memperkirakan data
histori dengan kondisi yang sulit dimengerti pengaruhnya dan ketepatannya sangat
baik untuk prakiraan jangka pendek. Metode ini juga merupakan gabungan dari 2
model yatu autoregressive (AR) yang diintegrasikan dengan model Moving
Average (MA). ARIMA juga cocok jika observasi time series berhubungan satu
sama lain
Sumber : https://lib.unnes.ac.id/20940/1/5301411059-S.pdf
b. Metode Perhitungan Error (Verifikasi)
Metode: MAPE
Alasan: Metode MAPE digunakan karena data yang digunakan memiliki pola data
linier. Selain itu, nilai MAPE dapat digunakan untuk mencari parameter α terbaik.
Metode MAPE juga dinyatakan dalam bentuk persentase sehingga lebih mudah
dimengerti dan dibaca.
Sumber: https://media.neliti.com/media/publications/76361-ID peramalan kurs-idr-
terhadap-usd-mengguna.pdf
c. Metode Validasi
Metode : Moving Range
Alasan : Karena peta Moving Range mudah dalam perhitungannya yang mana
menggunakan batas atas dan batas bawah sehingga akurat dalam membandingkan
data peramalan.
Sumber : Hartini, Sri. 2011. Teknik Mencapai Produksi Optimal. Bandung: Lubuk
Agung.

16
 BAB II
PENGOLAHAN DAN ANALISIS DATA

2.1 Pengumpulan data

Zybos Group merencanakan ekspansi sektor pasarnya ke pasar mobil mainan. Untuk
mendukung rencana produksi mobil mainan tersebut maka, Zybos Group menggunakan data
market demand tersebut bersal dari data permintaan (demand) penjualan mobil mainan di
inonesia selama 4 tahun belakangan ini yang didapatkan melalui pembelian oleh perusahaan
penyedia data. Berdasarkan perusahaan penyedia data, rata-rata didapatkan bahwa presentase
pembelian mobil mainan dari seluruh kategori mainan adalah 6,17% dengan total pembelian
mobil mainan sebanyak 115.000 unit. Melalui pendekatan pangsa pasar, Zybos Group
mengambil sebanyak 20% dari data estimasi tersebut sebagai objek yang akan diramalkan
untuk mengembangkan bisnisnya. pengambilan data sebanyak 20% dari data permintaan ini
dikarenakan perusahaan Zybos Group yang baru merintis usaha nya dan sudah terdapat
penguasa pasar dari produksi pasar mainan sehingga estimasi kemampuan perusahaan untuk
menyerap permintaan pasar sebesar 20%. Berikut merupakan tabel 20% data dari market
demand 4 tahun terakhir.
Tabel 2.1. data market demand mobil mainan dalam unit
Periode Market
Tahun Bulan demand
May 23040
June 25560
July 25800
August 26020
2016
September 26170
October 26790
November 26840
December 27360
January 27600
February 27980
2017 March 28080
April 28430
May 28670

17
Tabel 2.1. data market demand mobil mainan dalam unit (lanjutan)
Periode Market
Tahun Bulan demand
June 28760
July 28900
August 29200
2017 September 29630
October 29800
November 29900
December 30120
January 30290
February 30480
March 30540
April 30660
May 30780
June 31220
2018
July 31350
August 31600
September 31720
October 31990
November 32170
December 32570
January 32790
February 33140
March 33200
April 33280
May 33540
June 33750
2019
July 33830
August 34120
September 34210
October 34460
November 34760
December 34830
January 34920
February 35160
March 35290
April 35390
2020
May 35510
June 35690
July 36010
August 36550

18
2.2 Pengolahan data
2.2.1 Plot Data
Berikut merupakan plot data 20% dari market demand mobil mainan 4 tahun terakhir:

Data Pasar Mobil Mainan 4 tahun terakhir

40000

35000

30000

25000

20000

15000

10000

5000

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 2.1. Data market demand mobil mainan (dalam unit)

Melalui plot data di atas, dapat dilihat bahwa data demand historis mobil mainan
menunjukkan pola data linier, grafik cenderung terus naik tiap periodenya.

2.2.2 Peramalan
Perusahaan Zybos melakukan peramalan permintaan penjualan mobil mainan dengan
beberapa metode. Metode-metode tersebut dipilih berdasarkan data historis demand yang
memiliki pola data berbenuk linear. Metode permalannya yaitu DMA, DES, dan ARIMA.
Untuk membandingkan metode-metode yang telah digunakan, perusahaan Zybos
menghitung error yang terjadi pada tiap peramalan. Metode yang digunakan adalah MAPE
(Mean Absolute Percentage Error).
2.2.2.1 Double Moving Average (DMA)
a. 3DMA (T = 3)
Manual
a) Peramalan

19
 𝑋𝑡 +𝑋𝑡−1 +𝑋𝑡−2+⋯+𝑋𝑡−𝑛+1
 S’(t) = 𝑁
25800+26020+26170
S’(5) = = 25996,667
3
𝑆 ′ 𝑡 +𝑆 ′ 𝑡−1+𝑆 ′ 𝑡−2 +⋯+𝑆 ′ 𝑡−𝑛+1
 S’’(t) = 𝑁
24800+25793,333+25996,667
S”(5) = =25530
3

 𝑎𝑡 = 2𝑆 ′ 𝑡 − 𝑆 ′′ 𝑡
a5= 2(25996,667) − (25530) = 26463,333
2
 𝑏𝑡 = 𝑁−1 (𝑆 ′ 𝑡 − 𝑆 ′′ 𝑡 )
2
b5 = 3−1 ((25996,667) − (25530)) = 446,667

 F(t) = 𝑎𝑡−1 + (𝑏𝑡−1 × 𝑚)

F(6) = 26463,333 + (446,667 x 1) = 26930
 Error
et = X(t) – F(t)
e6 = 26790 – 26930 = – 140
 |Error|
|e| = | X(t) – F(t)|
|e6| = |26790 - 26930| = |– 14| = 14
 Error2
(et)2 = (X(t) – F(t))2
(e6)2 = (26790 – 26930)2 = (– 14)2 = 196
 Percentage Error
X(t) – F(t)
PE(t) = 𝑥 100%
X(t)
26790 – 26930
PE(6) = 𝑥 100% = −0,523%
26790

 Absolute Percentage Error

X(t) – F(t)
|PE(t)| = | 𝑥 100%|
X(t)
26790 – 26930
|PE(6)| = | 𝑥 100%| = |−0,523%| = 0,52
26790

20
 Tabel 2.2 menunjukkan hasil perhitungan peramalan secara manual pola data liner
dengan metode 3 DMA (Double Moving Average)
Tabel 2.2 Hasil Perhitungan Peramalan Secara Manual Pola Data Liner dengan Metode 3 DMA
t Xt s' s" a b Ft (dec) Ft error error^2 |error| PE |PE|
1 23040
2 25560
3 25800 24800,000
4 26020 25793,333
5 26170 25996,667 25530,000 26463,333 466,667
6 26790 26326,667 26038,889 26614,444 287,778 26930,000 26930 -140,000 19600,000 140,000 -0,523% 0,523%
7 26840 26600,000 26307,778 26892,222 292,222 26902,222 26902 -62,222 3871,605 62,222 -0,232% 0,232%
8 27360 26996,667 26641,111 27352,222 355,556 27184,444 27184 175,556 30819,753 175,556 0,642% 0,642%
9 27600 27266,667 26954,444 27578,889 312,222 27707,778 27708 -107,778 11616,049 107,778 -0,390% 0,390%
10 27980 27646,667 27303,333 27990,000 343,333 27891,111 27891 88,889 7901,235 88,889 0,318% 0,318%
11 28080 27886,667 27600,000 28173,333 286,667 28333,333 28333 -253,333 64177,778 253,333 -0,902% 0,902%
12 28430 28163,333 27898,889 28427,778 264,444 28460,000 28460 -30,000 900,000 30,000 -0,106% 0,106%
13 28670 28393,333 28147,778 28638,889 245,556 28692,222 28692 -22,222 493,827 22,222 -0,078% 0,078%
14 28760 28620,000 28392,222 28847,778 227,778 28884,444 28884 -124,444 15486,420 124,444 -0,433% 0,433%
15 28900 28776,667 28596,667 28956,667 180,000 29075,556 29076 -175,556 30819,753 175,556 -0,607% 0,607%
16 29200 28953,333 28783,333 29123,333 170,000 29136,667 29137 63,333 4011,111 63,333 0,217% 0,217%
17 29630 29243,333 28991,111 29495,556 252,222 29293,333 29293 336,667 113344,444 336,667 1,136% 1,136%
18 29800 29543,333 29246,667 29840,000 296,667 29747,778 29748 52,222 2727,160 52,222 0,175% 0,175%
19 29900 29776,667 29521,111 30032,222 255,556 30136,667 30137 -236,667 56011,111 236,667 -0,792% 0,792%
20 30120 29940,000 29753,333 30126,667 186,667 30287,778 30288 -167,778 28149,383 167,778 -0,557% 0,557%
21 30290 30103,333 29940,000 30266,667 163,333 30313,333 30313 -23,333 544,444 23,333 -0,077% 0,077%
22 30480 30296,667 30113,333 30480,000 183,333 30430,000 30430 50,000 2500,000 50,000 0,164% 0,164%
23 30540 30436,667 30278,889 30594,444 157,778 30663,333 30663 -123,333 15211,111 123,333 -0,404% 0,404%
24 30660 30560,000 30431,111 30688,889 128,889 30752,222 30752 -92,222 8504,938 92,222 -0,301% 0,301%
25 30780 30660,000 30552,222 30767,778 107,778 30817,778 30818 -37,778 1427,160 37,778 -0,123% 0,123%
26 31220 30886,667 30702,222 31071,111 184,444 30875,556 30876 344,444 118641,975 344,444 1,103% 1,103%
27 31350 31116,667 30887,778 31345,556 228,889 31255,556 31256 94,444 8919,753 94,444 0,301% 0,301%
28 31600 31390,000 31131,111 31648,889 258,889 31574,444 31574 25,556 653,086 25,556 0,081% 0,081%
29 31720 31556,667 31354,444 31758,889 202,222 31907,778 31908 -187,778 35260,494 187,778 -0,592% 0,592%

21
 Tabel 2.2 Hasil Perhitungan Peramalan Secara Manual Pola Data Liner dengan Metode 3 DMA
(lanjutan)
t Xt s' s" a b Ft (dec) Ft error error^2 |error| PE |PE|
30 31990 31770,000 31572,222 31967,778 197,778 31961,111 31961 28,889 834,568 28,889 0,090% 0,090%
31 32170 31960,000 31762,222 32157,778 197,778 32165,556 32166 4,444 19,753 4,444 0,014% 0,014%
32 32570 32243,333 31991,111 32495,556 252,222 32355,556 32356 214,444 45986,420 214,444 0,658% 0,658%
33 32790 32510,000 32237,778 32782,222 272,222 32747,778 32748 42,222 1782,716 42,222 0,129% 0,129%
34 33140 32833,333 32528,889 33137,778 304,444 33054,444 33054 85,556 7319,753 85,556 0,258% 0,258%
35 33200 33043,333 32795,556 33291,111 247,778 33442,222 33442 -242,222 58671,605 242,222 -0,730% 0,730%
36 33280 33206,667 33027,778 33385,556 178,889 33538,889 33539 -258,889 67023,457 258,889 -0,778% 0,778%
37 33540 33340,000 33196,667 33483,333 143,333 33564,444 33564 -24,444 597,531 24,444 -0,073% 0,073%
38 33750 33523,333 33356,667 33690,000 166,667 33626,667 33627 123,333 15211,111 123,333 0,365% 0,365%
39 33830 33706,667 33523,333 33890,000 183,333 33856,667 33857 -26,667 711,111 26,667 -0,079% 0,079%
40 34120 33900,000 33710,000 34090,000 190,000 34073,333 34073 46,667 2177,778 46,667 0,137% 0,137%
41 34210 34053,333 33886,667 34220,000 166,667 34280,000 34280 -70,000 4900,000 70,000 -0,205% 0,205%
42 34460 34263,333 34072,222 34454,444 191,111 34386,667 34387 73,333 5377,778 73,333 0,213% 0,213%
43 34760 34476,667 34264,444 34688,889 212,222 34645,556 34646 114,444 13097,531 114,444 0,329% 0,329%
44 34830 34683,333 34474,444 34892,222 208,889 34901,111 34901 -71,111 5056,790 71,111 -0,204% 0,204%
45 34920 34836,667 34665,556 35007,778 171,111 35101,111 35101 -181,111 32801,235 181,111 -0,519% 0,519%
46 35160 34970,000 34830,000 35110,000 140,000 35178,889 35179 -18,889 356,790 18,889 -0,054% 0,054%
47 35290 35123,333 34976,667 35270,000 146,667 35250,000 35250 40,000 1600,000 40,000 0,113% 0,113%
48 35390 35280,000 35124,444 35435,556 155,556 35416,667 35417 -26,667 711,111 26,667 -0,075% 0,075%
49 35510 35396,667 35266,667 35526,667 130,000 35591,111 35591 -81,111 6579,012 81,111 -0,228% 0,228%
50 35690 35530,000 35402,222 35657,778 127,778 35656,667 35657 33,333 1111,111 33,333 0,093% 0,093%
51 36010 35736,667 35554,444 35918,889 182,222 35785,556 35786 224,444 50375,309 224,444 0,623% 0,623%
52 36550 36083,333 35783,333 36383,333 300,000 36101,111 36101 448,889 201501,235 448,889 1,228% 1,228%
53 36683,333 36683
54 36984,000 36984
55 37284,000 37284
56 37584,000 37584
57 37884,000 37884
58 38184,000 38184
59 38484,000 38484

22
 Tabel 2.2 Hasil Perhitungan Peramalan Secara Manual Pola Data Liner dengan Metode 3 DMA
(lanjutan)
t Xt s' s" a b Ft (dec) Ft error error^2 |error| PE |PE|
60 38784,000 38784
61 39084,000 39084
62 39384,000 39384
63 39684,000 39684
64 39984,000 39984
Total -74,444 1105396,296 5496,667 -0,670% 17,488%

MAPE 0,3712%

b) Verifikasi
Berikut merupakan perhitungan error hasil peramalan secara manual
pola data liner metode 3 DMA dengan Mean Absolute Percentage Error
(MAPE)
∑𝑛
𝑖=1 |𝑃𝐸𝑖 | 17,448%
MAPE = × 100% = × 100% = 0,3712%
𝑛 52

c) Grafik Hasil Peramalan

Gambar 2.2 menunjukkan hasil peramalan metode 3 DMA

Plot Data 3DMA

45000
40000
35000
30000
25000
20000
15000
10000
5000
0
1 3 5 7 9 111315171921232527293133353739414345474951535557596163
Xt Ft

Gambar 2.2 Hasil peramalan metode 3 DMA

23
Analisis :
Pada metode DMA (Double Moving Average) ini, periode yang digunakan
dalam peramalan adalah t=3 . Dilakukan perhitungan rata-rata dari 3 periode
kemudian hasil peramalannya diletakkan pada periode ke-3 nya dan begitu
seterusnya. Berdasarkan hasil perhitungan, diperoleh nilai MAPE sebesar 0,3712%
dimana error relatif kecil. Plot grafik hasil peramalan dengan metode 3 DMA
menunjukkan linear yang terus meningkat. Tidak ada perbedaan yang signifikan
antara data historis dengan hasil forecast, hal dipengaruhi oleh error yang kecil.
Grafik hasil peramalan dengan metode 3 DMA menunjukkan bahwa hasil peramalan
sudah akurat karena mendekati data historisnya.

b. 5 DMA (T = 5)
 Manual
a) Peramalan
𝑋𝑡 +𝑋𝑡−1 +𝑋𝑡−2+⋯+𝑋𝑡−𝑛+1
 S’(t) = 𝑁

26170  26790  26840  27360  27600

S (' 9)   26952
5
𝑆 ′ 𝑡 +𝑆 ′ 𝑡−1+𝑆 ′ 𝑡−2 +⋯+𝑆 ′ 𝑡−𝑛+1
 S’’(t) = 𝑁

25318  26068  26324  26636  26952

S (''9)   26959,6
5
 𝑎𝑡 = 2𝑆 ′ 𝑡 − 𝑆 ′′ 𝑡
a9  2(26952)  26959,6  27644,4
2
 𝑏𝑡 = 𝑁−1 (𝑆 ′ 𝑡 − 𝑆 ′′ 𝑡 )

b9 
2
26952  26959,6  692,4
5 1
 F(t) = 𝑎𝑡 + (𝑏𝑡 × 𝑚)
F10  27644,4  692,4 x1  28337

24
  Error
et = X(t) – F(t)
e10 = (27980-28337)= -356,8
 Error2
(et)2 = (X(t) – F(t))2

e 
10
2
= (27980-28337)2 = (-356,8)2 = 127306,24

 |Error|
|e| = | X(t) – F(t)|
e10 = |27980-28337| = |-356,8| = 356,8

 Percentage Error
X(t) – F(t)
PE(t) = 𝑥 100%
X(t)

27980  28337
PE10  X 100%  1,275%
27980
X(t) – F(t)
 |PE(t)| = | 𝑥 100%|
X(t)

27890  28337
PE10  x100%   1,275%  1,275%
27890
Tabel 2.3 menunjukkan hasil perhitungan peramalan secara manual pola
data liner dengan metode 5 DMA (Double Moving Average)
Tabel 2.3 Hasil Perhitungan Peramalan Secara Manual Pola Data Liner dengan Metode 5
DMA
t Xt s' s" a b Ft(dec) Ft error error ^2 |error| PE |PE|
1 23040
2 25560
3 25800
4 26020
5 26170 25318,000
6 26790 26068,000

25
 Tabel 2.3 Hasil Perhitungan Peramalan Secara Manual Pola Data Liner dengan Metode 5
DMA (lanjutan)

t Xt s' s" a b Ft(dec) Ft error error ^2 |error| PE |PE|

7 26840 26324,000
8 27360 26636,000
9 27600 26952,000 26259,600 27644,400 346,200
10 27980 27314,000 26658,800 27969,200 327,600 27990,600 27991 -10,600 112,360 10,600 -0,038% 0,038%

11 28080 27572,000 26959,600 28184,400 306,200 28296,800 28297 -216,800 47002,240 216,800 -0,772% 0,772%

12 28430 27890,000 27272,800 28507,200 308,600 28490,600 28491 -60,600 3672,360 60,600 -0,213% 0,213%

13 28670 28152,000 27576,000 28728,000 288,000 28815,800 28816 -145,800 21257,640 145,800 -0,509% 0,509%

14 28760 28384,000 27862,400 28905,600 260,800 29016,000 29016 -256,000 65536,000 256,000 -0,890% 0,890%

15 28900 28568,000 28113,200 29022,800 227,400 29166,400 29166 -266,400 70968,960 266,400 -0,922% 0,922%

16 29200 28792,000 28357,200 29226,800 217,400 29250,200 29250 -50,200 2520,040 50,200 -0,172% 0,172%

17 29630 29032,000 28585,600 29478,400 223,200 29444,200 29444 185,800 34521,640 185,800 0,627% 0,627%

18 29800 29258,000 28806,800 29709,200 225,600 29701,600 29702 98,400 9682,560 98,400 0,330% 0,330%

19 29900 29486,000 29027,200 29944,800 229,400 29934,800 29935 -34,800 1211,040 34,800 -0,116% 0,116%

20 30120 29730,000 29259,600 30200,400 235,200 30174,200 30174 -54,200 2937,640 54,200 -0,180% 0,180%

21 30290 29948,000 29490,800 30405,200 228,600 30435,600 30436 -145,600 21199,360 145,600 -0,481% 0,481%

22 30480 30118,000 29708,000 30528,000 205,000 30633,800 30634 -153,800 23654,440 153,800 -0,505% 0,505%

23 30540 30266,000 29909,600 30622,400 178,200 30733,000 30733 -193,000 37249,000 193,000 -0,632% 0,632%

24 30660 30418,000 30096,000 30740,000 161,000 30800,600 30801 -140,600 19768,360 140,600 -0,459% 0,459%

25 30780 30550,000 30260,000 30840,000 145,000 30901,000 30901 -121,000 14641,000 121,000 -0,393% 0,393%

26 31220 30736,000 30417,600 31054,400 159,200 30985,000 30985 235,000 55225,000 235,000 0,753% 0,753%

27 31350 30910,000 30576,000 31244,000 167,000 31213,600 31214 136,400 18604,960 136,400 0,435% 0,435%

28 31600 31122,000 30747,200 31496,800 187,400 31411,000 31411 189,000 35721,000 189,000 0,598% 0,598%

29 31720 31334,000 30930,400 31737,600 201,800 31684,200 31684 35,800 1281,640 35,800 0,113% 0,113%

30 31990 31576,000 31135,600 32016,400 220,200 31939,400 31939 50,600 2560,360 50,600 0,158% 0,158%

31 32170 31766,000 31341,600 32190,400 212,200 32236,600 32237 -66,600 4435,560 66,600 -0,207% 0,207%

32 32570 32010,000 31561,600 32458,400 224,200 32402,600 32403 167,400 28022,760 167,400 0,514% 0,514%

33 32790 32248,000 31786,800 32709,200 230,600 32682,600 32683 107,400 11534,760 107,400 0,328% 0,328%

34 33140 32532,000 32026,400 33037,600 252,800 32939,800 32940 200,200 40080,040 200,200 0,604% 0,604%

35 33200 32774,000 32266,000 33282,000 254,000 33290,400 33290 -90,400 8172,160 90,400 -0,272% 0,272%

36 33280 32996,000 32512,000 33480,000 242,000 33536,000 33536 -256,000 65536,000 256,000 -0,769% 0,769%

26
 Tabel 2.3 Hasil Perhitungan Peramalan Secara Manual Pola Data Liner dengan Metode 5
DMA (lanjutan)

t Xt s' s" a b Ft(dec) Ft error error ^2 |error| PE |PE|

37 33540 33190,000 32748,000 33632,000 221,000 33722,000 33722 -182,000 33124,000 182,000 -0,543% 0,543%

38 %33750 33382,000 32974,800 33789,200 203,600 33853,000 33853 -103,000 10609,000 103,000 -0,305% 0,305%

39 33830 33520,000 33172,400 33867,600 173,800 33992,800 33993 -162,800 26503,840 162,800 -0,481% 0,481%

40 34120 33704,000 33358,400 34049,600 172,800 34041,400 34041 78,600 6177,960 78,600 0,230% 0,230%

41 34210 33890,000 33537,200 34242,800 176,400 34222,400 34222 -12,400 153,760 12,400 -0,036% 0,036%

42 34460 34074,000 33714,000 34434,000 180,000 34419,200 34419 40,800 1664,640 40,800 0,118% 0,118%

43 34760 34276,000 33892,800 34659,200 191,600 34614,000 34614 146,000 21316,000 146,000 0,420% 0,420%

44 34830 34476,000 34084,000 34868,000 196,000 34850,800 34851 -20,800 432,640 20,800 -0,060% 0,060%

45 34920 34636,000 34270,400 35001,600 182,800 35064,000 35064 -144,000 20736,000 144,000 -0,412% 0,412%

46 35160 34826,000 34457,600 35194,400 184,200 35184,400 35184 -24,400 595,360 24,400 -0,069% 0,069%

47 35290 34992,000 34641,200 35342,800 175,400 35378,600 35379 -88,600 7849,960 88,600 -0,251% 0,251%

48 35390 35118,000 34809,600 35426,400 154,200 35518,200 35518 -128,200 16435,240 128,200 -0,362% 0,362%

49 35510 35254,000 34965,200 35542,800 144,400 35580,600 35581 -70,600 4984,360 70,600 -0,199% 0,199%

50 35690 35408,000 35119,600 35696,400 144,200 35687,200 35687 2,800 7,840 2,800 0,008% 0,008%

51 36010 35578,000 35270,000 35886,000 154,000 35840,600 35841 169,400 28696,360 169,400 0,470% 0,470%

52 36550 35830,000 35437,600 36222,400 196,200 36040,000 36040 510,000 260100,000 510,000 1,395% 1,395%

53 36418,600 36419

54 36615,000 36615

55 36811,000 36811

56 37008,000 37008

57 37204,000 37204

58 37400,000 37400

59 37596,000 37596

60 37792,000 37792

61 37989,000 37989

62 38185,000 38185

63 38381,000 38381

64 38577,000 38577
Total -845,6 5552,8 -3,146% 17,35%
MAPE 0,403%

27
 b. Verifikasi
Berikut merupakan perhitungan error hasil peramalan secara manual pola
data liner metode 5 DMA dengan Mean Absolute Percentage Error (MAPE)
∑𝑛
𝑖=1 |𝑃𝐸𝑖 | 17,35%
MAPE = × 100% = x100%  0,403%
𝑛 43
c. Grafik Hasil Peramalan
Gambar 2.4 menunjukkan hasil peramalan metode 5 DMA

Plot Data 5DMA

45000
40000
35000
30000
25000
20000
15000
10000
5000
0
1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58 61 64

Xt Ft

Gambar 2.4 Hasil peramalan metode 5 DMA

Analisis :
Pada metode DMA (Double Moving Average) ini, periode yang digunakan
dalam peramalan adalah t=5 . Dilakukan perhitungan rata-rata dari 5 periode
kemudian hasil peramalannya diletakkan pada periode ke-5 nya dan begitu
seterusnya. Berdasarkan hasil perhitungan, diperoleh nilai MAPE sebesar 0,809%
dimana error relatif kecil. Plot grafik hasil peramalan dengan metode 5 DMA
menunjukkan linear yang terus meningkat. Tidak ada perbedaan yang signifikan

28
 antara data historis dengan hasil forecast, hal dipengaruhi oleh error yang kecil.
Grafik hasil peramalan dengan metode 5DMA menunjukkan bahwa hasil peramalan
sudah akurat karena mendekati data historisnya.

2.2.2.2 Double Exponential Smoothing (DES)

 Manual
a) Peramalan
Pada metode DES didapatkan nilai  sebesar 0,17 yang diperoleh
dari software E-views.
 p X t  (1   p )St'1
 S’(t) =
S 3'  0,17 x 25800  (1  0,17)25560  23864,772

 p xSt'  (1   p )St''1
 S’’(t) =
S 2''  0,17 x23468,4  (1  0,17)23040  23112,828
 𝑎𝑡 = 2𝑆 ′ 𝑡 − 𝑆 ′′ 𝑡
a3  2(23864,772)  23240,658  24488,886
p
bt 
1 p
St'  ST'' 


b3 
0,17
23864,772  2340,658  127,830
1  0,17

Ft  m  at  bt m

F3  24488,886  (1x127,83)  23897
 Error
et = X(t) – F(t)
e3 = 25800-23897=1903,200
 |Error|
|e| = | X(t) – F(t)|

29
 e3 = |25800-23897| = |1903,200| = 1903,200

 Percentage Error
X(t) – F(t)
PE(t) = 𝑥 100%
X(t)

25800  23897
PE3  X 100%  5,393%
25800
X(t) – F(t)
 |PE(t)| = | 𝑥 100%|
X(t)

25800  23897
PE3  x100%  5,393%  5,393%
25800
Tabel 2.4 menunjukkan hasil perhitungan peramalan secara manual
pola data liner dengan metode DES (Double Exponential Smoothing)
Tabel 2.4 Hasil Perhitungan Peramalan Secara Manual Pola Data Liner dengan Metode DES
T Xt S' S" a b Ft(dec) Ft error PE |error| |PE|
1 23040 23040,000 23040,000
2 25560 23468,400 23112,828 23823,972 72,828
3 25800 23864,772 23240,658 24488,886 127,830 23896,800 23897 1903,200 7,377% 1903,200 7,377%
4 26020 24231,161 23409,044 25053,278 168,385 24616,716 24617 1403,284 5,393% 1403,284 5,393%
5 26170 24560,763 23604,836 25516,691 195,792 25221,663 25222 948,337 3,624% 948,337 3,624%
6 26790 24939,734 23831,769 26047,699 226,933 25712,483 25712 1077,517 4,022% 1077,517 4,022%
7 26840 25262,779 24075,040 26450,517 243,272 26274,631 26275 565,369 2,106% 565,369 2,106%
8 27360 25619,307 24337,566 26901,047 262,525 26693,789 26694 666,211 2,435% 666,211 2,435%
9 27600 25956,024 24612,704 27299,345 275,138 27163,573 27164 436,427 1,581% 436,427 1,581%
10 27980 26300,100 24899,561 27700,639 286,857 27574,483 27574 405,517 1,449% 405,517 1,449%
11 28080 26602,683 25189,092 28016,275 289,531 27987,497 27987 92,503 0,329% 92,503 0,329%
12 28430 26913,327 25482,212 28344,442 293,120 28305,805 28306 124,195 0,437% 124,195 0,437%
13 28670 27211,961 25776,269 28647,654 294,057 28637,562 28638 32,438 0,113% 32,438 0,113%
14 28760 27475,128 26065,075 28885,181 288,806 28941,711 28942 -181,711 -0,632% 181,711 0,632%
15 28900 27717,356 26345,963 29088,749 280,888 29173,987 29174 -273,987 -0,948% 273,987 0,948%
16 29200 27969,406 26621,948 29316,863 275,985 29369,637 29370 -169,637 -0,581% 169,637 0,581%
17 29630 28251,707 26899,007 29604,406 277,059 29592,848 29593 37,152 0,125% 37,152 0,125%
18 29800 28514,917 27173,712 29856,121 274,705 29881,465 29881 -81,465 -0,273% 81,465 0,273%

30
 Tabel 2.4 Hasil Perhitungan Peramalan Secara Manual Pola Data Liner dengan Metode DES
(lanjutan)
T Xt S' S" a b Ft(dec) Ft error PE |error| |PE|
19 29900 28750,381 27441,746 30059,016 268,034 30130,826 30131 -230,826 -0,772% 230,826 0,772%
20 30120 28983,216 27703,796 30262,637 262,050 30327,050 30327 -207,050 -0,687% 207,050 0,687%
21 30290 29205,369 27959,063 30451,676 255,268 30524,687 30525 -234,687 -0,775% 234,687 0,775%
22 30480 29422,057 28207,772 30636,341 248,709 30706,943 30707 -226,943 -0,745% 226,943 0,745%
23 30540 29612,107 28446,509 30777,705 238,737 30885,050 30885 -345,050 -1,130% 345,050 1,130%
24 30660 29790,249 28674,945 30905,553 228,436 31016,442 31016 -356,442 -1,163% 356,442 1,163%
25 30780 29958,506 28893,150 31023,863 218,206 31133,989 31134 -353,989 -1,150% 353,989 1,150%
26 31220 30172,960 29110,718 31235,203 217,568 31242,068 31242 -22,068 -0,071% 22,068 0,071%
27 31350 30373,057 29325,316 31420,799 214,598 31452,771 31453 -102,771 -0,328% 102,771 0,328%
28 31600 30581,637 29538,890 31624,385 213,575 31635,396 31635 -35,396 -0,112% 35,396 0,112%
29 31720 30775,159 29749,056 31801,262 210,166 31837,959 31838 -117,959 -0,372% 117,959 0,372%
30 31990 30981,682 29958,602 32004,762 209,546 32011,428 32011 -21,428 -0,067% 21,428 0,067%
31 32170 31183,696 30166,868 32200,524 208,266 32214,308 32214 -44,308 -0,138% 44,308 0,138%
32 32570 31419,368 30379,793 32458,942 212,925 32408,790 32409 161,210 0,495% 161,210 0,495%
33 32790 31652,375 30596,132 32708,618 216,339 32671,867 32672 118,133 0,360% 118,133 0,360%
34 33140 31905,271 30818,686 32991,857 222,554 32924,957 32925 215,043 0,649% 215,043 0,649%
35 33200 32125,375 31040,823 33209,928 222,137 33214,411 33214 -14,411 -0,043% 14,411 0,043%
36 33280 32321,661 31258,566 33384,757 217,743 33432,065 33432 -152,065 -0,457% 152,065 0,457%
37 33540 32528,779 31474,502 33583,056 215,936 33602,500 33602 -62,500 -0,186% 62,500 0,186%
38 33750 32736,387 31689,022 33783,751 214,520 33798,992 33799 -48,992 -0,145% 48,992 0,145%
39 33830 32922,301 31898,680 33945,922 209,657 33998,271 33998 -168,271 -0,497% 168,271 0,497%
40 34120 33125,910 32107,309 34144,511 208,629 34155,579 34156 -35,579 -0,104% 35,579 0,104%
41 34210 33310,205 32311,801 34308,609 204,492 34353,140 34353 -143,140 -0,418% 143,140 0,418%
42 34460 33505,670 32514,759 34496,582 202,958 34513,101 34513 -53,101 -0,154% 53,101 0,154%
43 34760 33718,906 32719,464 34718,349 204,705 34699,539 34700 60,461 0,174% 60,461 0,174%
44 34830 33907,792 32921,480 34894,105 202,016 34923,054 34923 -93,054 -0,267% 93,054 0,267%
45 34920 34079,868 33118,406 35041,329 196,926 35096,120 35096 -176,120 -0,504% 176,120 0,504%
46 35160 34263,490 33313,070 35213,910 194,664 35238,255 35238 -78,255 -0,223% 78,255 0,223%
47 35290 34437,997 33504,308 35371,686 191,238 35408,574 35409 -118,574 -0,336% 118,574 0,336%
48 35390 34599,837 33690,548 35509,127 186,240 35562,923 35563 -172,923 -0,489% 172,923 0,489%

31
 Tabel 2.4 Hasil Perhitungan Peramalan Secara Manual Pola Data Liner dengan Metode DES
(lanjutan)
T Xt S' S" a b Ft(dec) Ft error PE |error| |PE|
49 35510 34754,565 33871,431 35637,699 180,883 35695,367 35695 -185,367 -0,522% 185,367 0,522%
50 35690 34913,589 34048,597 35778,580 177,167 35818,582 35819 -128,582 -0,360% 128,582 0,360%
51 36010 35099,979 34227,332 35972,625 178,735 35955,747 35956 54,253 0,151% 54,253 0,151%
52 36550 35346,482 34417,588 36275,377 190,256 36151,360 36151 398,640 1,091% 398,640 1,091%
53 36465,633 36466
54 36655,888 36656
55 36846,144 36846
56 37036,399 37036
57 37226,655 37227
58 37416,910 37417
59 37607,166 37607
60 37797,421 37797
61 37987,677 37988
62 38177,932 38178
63 38368,188 38368
64 38558,443 38558
Jumlah 4063,236 17,262% 1336,541 46,561%
MAPE 0,931%

b. Verifikasi
Berikut merupakan perhitungan error hasil peramalan secara manual
pola data liner metode DES dengan Mean Absolute Percentage Error
(MAPE)
∑𝑛
𝑖=1 |𝑃𝐸𝑖 | 46,561%
MAPE = × 100% = x100%  0,931%
𝑛 50
c. Grafik Hasil Peramalan
Gambar 2.5 menunjukkan hasil peramalan metode DES

32
 Perbandingan hasil forecasting vs market
demand
50000
40000
30000
20000
10000
0
1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58 61 64

Xt Ft

Gambar 2.5 Hasil peramalan metode DES

Analisis :
Pada metode DES (Double Exponential Smoothing), digunakan nilai alpha
(α). Nilai alpha digunakan untuk mengetahui apakah pola data yang ada bersifat
stasioner ataupun tidak. Nilai alpha yang digunakan adalah 0,17, didapatkan dari
software E-Views dengan penggunaan program Exponential Smoothing. Adapun
perhitungan nilai error secara manual dengan metode MAPE mendapatkan nilai
0,931%. Plot grafik hasil peramalan dari metode DES menunjukkan garis
menanjak yang linear serta tidak ada perbedaan yang signifikan dengan data
historis, menunjukkan hasil peramalan sudah cukup akurat.

2.2.2.3 ARIMA
1) Uji Autokorelasi
Uji Hipotesis
1. H0 : Data tidak autokorelasi
2. H1 : Data autokorelasi
3. α : 0,05
4. Daerah kritis : DW<DL dari table Durbin Watson (N=52, K=1) = 1,55135
5. Perhitungan

33
 Gambar 2.6 Uji Autokorelasi ARIMA level 0

6. Keputusan : Tolak H0 karena nilai DW < DL ( 1,208830 < 1,5135)

7. Kesimpulan : Data bersifat autokorelasi

2) Uji Stasioneritas
d = level 0
Uji Hipotesis pada level 0
Uji Hipotesis
1. H0 : Data memiliki deret waktu tidak stasioner
2. H1 : Data dengan deret waktu stasioner
3. α : 0,05
4. Daerah kritis : | t stat ADF| > |t-statistics McKinnon| dan P-value < α
5. Perhitungan

34
 Gambar 2.7 Uji Stasioneritas ARIMA level 0

6. Keputusan : Tolak H0 karena nilai |t-statistics ADF| > |t-statistics

McKinnon| pada setiap derajat keyakinan dan nilai p-value lebih kecil
dari nilai α (p-value < α)
7. Kesimpulan : Data memiliki deret waktu stasioner

3) Identifikasi ACF (Autocorrelation Function) dan PACF (Partial

Autocorrelation Function)
Berikut ini merupakan correlogram level = 0

35
 Gambar 2.8 Correlogram ACF dan PACF

Dari hasil identifikasi AC dan PAC dengan menggunakan software Eviews,

didapatkan hasil bahwa model demand teruji stasioner saat memilih level pada
Unit Root Test. Pada Correlogram di atas terlihat bahwa lag pada grafik
Autocorrelation menurun secara perlahan yang menunjukan kejadian damp out,
sedangkan pada Partial Correlation terlihat bahwa lag pertama dan kedua pada
grafik tersebut menunjukkan penurunan yang signifikan yang merupakan
kejadian cut off. Dengan menggunakan karakteristik ACF dan PACF teoritis,
maka pada output correlogram, grafik autocorrelation (ACF) menurun drastic
setelah lag ke – 1, sehingga dapat diperkirakan identifikasi model ARIMA yang
muncul adalah AR 1 (1,0,0), AR 2 (2,0,0) dan ARMA (1,0,1)

36
4) Estimasi Parameter
 AR 1 (1,0,0)
1. H01 : Ø tidak signifikan
H11 : Ø signifikan
2. H02 : c tidak signifikan
H12 : c signifikan
3. α : 0.05
4. Daerah Kritis : P-value < α
5. Perhitungan

Gambar 2.9 Estimasi Parameter Model AR1

6. Keputusan : Tolak H01, karena p-value Ø < α, yakni 0,0000 < 0,05
Tolak H02 karena p-value C < α, yakni 0,0002 < 0,05
7. Kesimpulan : parameter Ø dan c signifikan

37
 AR 2 (2,0,0)
1. H01 : Ø tidak signifikan
H11 : Ø2 signifikan
2. H02 : Ø tidak signifikan
H12 : Ø2 signifikan
3. H03 : c tidak signifikan
H13 : c signifikan
4. α : 0.05
5. Daerah Kritis : P-value < α
6. Perhitungan

Gambar 2.10 Estimasi Parameter Model AR2

7. Keputusan : Tolak H01 karena p-value Ø < α, yakni 0,0000 < 0,05
Tolak H02 karena p-value Ø2 < α, yakni 0,0000 < 0,05
Jangan tolak H03, karena p-value C > α, yakni 0,442 > 0,05

38
 8. Kesimpulan : parameter Ø, Ø 2, signifikan
parameter c tidak signifikan

 ARIMA (1,0,1)
1. H01 : Ø tidak signifikan
H11 : Ø signifikan
2. H02 : θ1 tidak signifikan
H12 : θ 1 signifikan
3. H03 : c tidak signifikan
H13 : c signifikan
4. α : 0.05
5. Daerah Kritis : P-value < α
6. Perhitungan

Gambar 2.12 Estimasi Parameter Model ARMA1

7. Keputusan : Tolak H01, H02, H03 karena p-value parameter c, ϕ1, dan θ1 lebih
kecil dari α

39
 8. Kesimpulan : parameter Ø, θ1, dan c signifikan

5) Pemilihan Model ARIMA

Berikut adalah tabel rekapitulasi nilai perhitungan parameter untuk model AR 1,
AR 2, MA 1 dan ARMA 1

Tabel 2.5 Rekapitulasi nilai AIC dan SIC model ARIMA

Model R2 AIC SC Kesimpulan
AR1 0,982 15,207 15,320 Signifikan
AR2 0,986 14,988 15,138 Signifikan
ARMA1 0,984 15,140 15,290 Signifikan

Dasar pada pemilihan Model ARIMA yang terbaik yaitu sebagai berikut:
 Memilih model ARIMA yang parameternya semua signifikan.
 Pada Akaike Info Criterion (AIC) pilih yang memiliki nilai paling kecil.
 Pada Schwarz Criterion (SC) pilih yang memiliki nilai paling kecil.
 Apabila nilai AIC dan SC sama, maka pilih yang nilai Adjusted R-Square
yang paling besar dan nilai Sum Squared Resid (SSR) yang paling kecil.
Dari rekap data diatas, maka model yang teruji signifikan dan dapat dipilih yaitu
model AR2

6) Uji Residual
 Uji Correlogram
Uji ini bertujuan untuk melihat apakah pada data residual terdapat lag yang
signifikan untuk ACF dan PACF dari berbagai lag.

40
 Gambar 2.13 Correlogram Residual AR2

Dari tampilan grafik diatas terdapat pelanggaran garis pada ACF dan PACF
sehingga model AR2 tidak dapat digunakan. Maka harus mencoba uji untuk
model yang lainnya yaitu pada model ARMA1 dan AR1

41
 Gambar 2.14 Correlogram Residual ARMA1

Dari tampilan grafik diatas terdapat pelanggaran garis pada ACF maupun
PACF sehingga model ARMA1 dapat tidak digunakan.

Gambar 2.15 Correlogram Residual AR1

42
 Dari tampilan grafik diatas terdapat pelanggaran garis pada ACF maupun
PACF sehingga model AR1 dapat digunakan.

 Uji Normalitas
1. H0 : Residual berdistribusi normal
2. H1 : Residual tidak berdistribusi normal
3. α : 0.05
4. Daerah Kritis : p < α
5. Perhitungan

Gambar 2.16 Histogram Residual AR1

6. Keputusan : Tolak H0 karena nilai probability lebih kecil dibandingkan

dengan α (0.0000 < 0.05)
7. Kesimpulan : Residual tidak berdistribusi normal

43
7) Hasil Peramalan
Berikut adalah hasil peramalan ARIMA model AR1MA1
Tabel 2.6 Hasil Peramalan ARIMA
T Xt Ft (dec) Ft
1 23040 #N/A #N/A
2 25560 23055,351 23055
3 25800 23070,668 23071
4 26020 23085,950 23086
5 26170 23101,198 23101
6 26790 23116,412 23116
7 26840 23131,591 23132
8 27360 23146,736 23147
9 27600 23161,848 23162
10 27980 23176,925 23177
11 28080 23191,968 23192
12 28430 23206,978 23207
13 28670 23221,954 23222
14 28760 23236,896 23237
15 28900 23251,805 23252
16 29200 23266,680 23267
17 29630 23281,522 23282
18 29800 23296,330 23296
19 29900 23311,105 23311
20 30120 23325,847 23326
21 30290 23340,556 23341
22 30480 23355,232 23355
23 30540 23369,874 23370
24 30660 23384,484 23384
25 30780 23399,061 23399
26 31220 23413,605 23414
27 31350 23428,117 23428
28 31600 23442,596 23443
29 31720 23457,042 23457
30 31990 23471,456 23471
31 32170 23485,838 23486
32 32570 23500,187 23500
33 32790 23514,504 23515

44
 Tabel 2.6 Hasil Peramalan ARIMA (lanjutan)
T Xt Ft (dec) Ft
34 33140 23528,789 23529
35 33200 23543,041 23543
36 33280 23557,262 23557
37 33540 23571,451 23571
38 33750 23585,607 23586
39 33830 23599,732 23600
40 34120 23613,826 23614
41 34210 23627,887 23628
42 34460 23641,917 23642
43 34760 23655,916 23656
44 34830 23669,882 23670
45 34920 23683,818 23684
46 35160 23697,722 23698
47 35290 23711,595 23712
48 35390 23725,437 23725
49 35510 23739,248 23739
50 35690 23753,028 23753
51 36010 23766,776 23767
52 36550 23780,494 23780
53 23794,181 23794
54 23807,837 23808
55 23821,463 23821
56 23835,058 23835
57 23848,622 23849
58 23862,156 23862
59 23875,659 23876
60 23889,133 23889
61 23902,575 23903
62 23915,988 23916
63 23929,371 23929
64 23942,723 23943

45
 8) Perhitungan Manual Error ARIMA
Berikut merupakah contoh perhitungan error dari peramalan metode ARIMA,
Tabel 2.7 Perhitungan error dari peramalan metode ARIMA
T Xt Ft (dec) Ft error |error| error^2 PE |PE|
1 23040 #N/A
2 25560 23055.35 23055 2504.65 2504.65 6273265.76 9.80% 9.80%
3 25800 23070.67 23071 2729.33 2729.33 7449254.03 10.58% 10.58%
4 26020 23085.95 23086 2934.05 2934.05 8608648.87 11.28% 11.28%
5 26170 23101.20 23101 3068.80 3068.80 9417545.76 11.73% 11.73%
6 26790 23116.41 23116 3673.59 3673.59 13495251.52 13.71% 13.71%
7 26840 23131.59 23132 3708.41 3708.41 13752296.77 13.82% 13.82%
8 27360 23146.74 23147 4213.26 4213.26 17751590.14 15.40% 15.40%
9 27600 23161.85 23162 4438.15 4438.15 19697195.89 16.08% 16.08%
10 27980 23176.93 23177 4803.07 4803.07 23069529.21 17.17% 17.17%
11 28080 23191.97 23192 4888.03 4888.03 23892852.21 17.41% 17.41%
12 28430 23206.98 23207 5223.02 5223.02 27279957.66 18.37% 18.37%
13 28670 23221.95 23222 5448.05 5448.05 29681205.04 19.00% 19.00%
14 28760 23236.90 23237 5523.10 5523.10 30504674.87 19.20% 19.20%
15 28900 23251.80 23252 5648.20 5648.20 31902107.52 19.54% 19.54%
16 29200 23266.68 23267 5933.32 5933.32 35204285.10 20.32% 20.32%
17 29630 23281.52 23282 6348.48 6348.48 40303175.12 21.43% 21.43%
18 29800 23296.33 23296 6503.67 6503.67 42297720.83 21.82% 21.82%
19 29900 23311.11 23311 6588.89 6588.89 43413533.38 22.04% 22.04%
20 30120 23325.85 23326 6794.15 6794.15 46160512.41 22.56% 22.56%
21 30290 23340.56 23341 6949.44 6949.44 48294772.61 22.94% 22.94%
22 30480 23355.23 23355 7124.77 7124.77 50762324.00 23.38% 23.38%
23 30540 23369.87 23370 7170.13 7170.13 51410701.49 23.48% 23.48%
24 30660 23384.48 23384 7275.52 7275.52 52933130.33 23.73% 23.73%
25 30780 23399.06 23399 7380.94 7380.94 54478258.05 23.98% 23.98%
26 31220 23413.61 23414 7806.39 7806.39 60939796.86 25.00% 25.00%
27 31350 23428.12 23428 7921.88 7921.88 62756231.54 25.27% 25.27%
28 31600 23442.60 23443 8157.40 8157.40 66543242.65 25.81% 25.81%
29 31720 23457.04 23457 8262.96 8262.96 68276471.29 26.05% 26.05%
30 31990 23471.46 23471 8518.54 8518.54 72565589.63 26.63% 26.63%
31 32170 23485.84 23486 8684.16 8684.16 75414675.70 26.99% 26.99%
32 32570 23500.19 23500 9069.81 9069.81 82261510.59 27.85% 27.85%
33 32790 23514.50 23515 9275.50 9275.50 86034829.76 28.29% 28.29%
34 33140 23528.79 23529 9611.21 9611.21 92375385.08 29.00% 29.00%

46
 Tabel 2.7 Perhitungan error dari peramalan metode ARIMA (lanjutan)
T Xt Ft (dec) Ft error |error| error^2 PE |PE|
35 33200 23543.04 23543 9656.96 9656.96 93256852.40 29.09% 29.09%
36 33280 23557.26 23557 9722.74 9722.74 94531636.47 29.21% 29.21%
37 33540 23571.45 23571 9968.55 9968.55 99371977.86 29.72% 29.72%
38 33750 23585.61 23586 10164.39 10164.39 103314877.81 30.12% 30.12%
39 33830 23599.73 23600 10230.27 10230.27 104658376.54 30.24% 30.24%
40 34120 23613.83 23614 10506.17 10506.17 110379701.26 30.79% 30.79%
41 34210 23627.89 23628 10582.11 10582.11 111981112.91 30.93% 30.93%
42 34460 23641.92 23642 10818.08 10818.08 117030918.03 31.39% 31.39%
43 34760 23655.92 23656 11104.08 11104.08 123300692.40 31.95% 31.95%
44 34830 23669.88 23670 11160.12 11160.12 124548223.18 32.04% 32.04%
45 34920 23683.82 23684 11236.18 11236.18 126251784.77 32.18% 32.18%
46 35160 23697.72 23698 11462.28 11462.28 131383809.84 32.60% 32.60%
47 35290 23711.60 23712 11578.40 11578.40 134059454.92 32.81% 32.81%
48 35390 23725.44 23725 11664.56 11664.56 136062026.42 32.96% 32.96%
49 35510 23739.25 23739 11770.75 11770.75 138550605.55 33.15% 33.15%
50 35690 23753.03 23753 11936.97 11936.97 142491310.98 33.45% 33.45%
51 36010 23766.78 23767 12243.22 12243.22 149896527.06 34.00% 34.00%
52 36550 23780.49 23780 12769.51 12769.51 163060280.97 34.94% 34.94%
53 23794.18 23794
54 23807.84 23808
55 23821.46 23821
56 23835.06 23835
57 23848.62 23849
58 23862.16 23862
59 23875.66 23876
60 23889.13 23889
61 23902.58 23903
62 23915.99 23916
63 23929.37 23929
64 23942.72 23943
Total 402756.25 402756.25 3599331691.06 1251.21 1251.21
MAPE 24.534

∑ |𝑃𝐸| 1251,214
𝑀𝐴𝑃𝐸 = = % = 24,534%
𝑛 51

47
 9). Garfik Peramalan
Berikut merupakan grafik hasil peramalan output software Eviews

Gambar 2.17 Grafik Output Eviews

Dari grafik hasil peramalan nilai bias proportion adalah 0.883675 Sedangkan nilai
covariance proportion adalah 0.116282

2.2.3 Hasil Rekap Perhitungan Error

Berikut ini merupakan rekap nilai error dari masing-masing metode:
Tabel 2.8 Rekap nilai error
Metode MAPE (%)
3 DMA 0,3712
5 DMA 0,809
DES 0,931
ARIMA 24,534

48
 Berdasarkan hasil rekap perhitungan error yang telah dicari menggunakan metode
MAPE, didapatkan metode yang terpilih yaitu 3 DMA sebesar 0,3712 karena memberikan
nilai error yang terkecil dibandingkan dengan nilai error yang dihasilkan oleh metode lain.

2.2.4 Validasi Hasil Peramalan Terpilih

Berikut ini merupakan perhitungan validasi metode Moving Range yang memiliki
error terkecil pertama yaitu metode 3 DMA:
Tabel 2.9 Validasi Moving Range 3 DMA
T Xt Ft Error MR |MR|
1 23040
2 25560
3 25800
4 26020
5 26170
6 26790 26930 -140,000
7 26840 26902 -62,222 -77,778 77,77778
8 27360 27184 175,556 -237,778 237,7778

9 27600 27708 -107,778 283,333 283,3333

10 27980 27891 88,889 -196,667 196,6667

11 28080 28333 -253,333 342,222 342,2222

12 28430 28460 -30,000 -223,333 223,3333

13 28670 28692 -22,222 -7,778 7,777778

14 28760 28884 -124,444 102,222 102,2222

15 28900 29076 -175,556 51,111 51,11111

16 29200 29137 63,333 -238,889 238,8889

17 29630 29293 336,667 -273,333 273,3333

18 29800 29748 52,222 284,444 284,4444

19 29900 30137 -236,667 288,889 288,8889

20 30120 30288 -167,778 -68,889 68,88889

21 30290 30313 -23,333 -144,444 144,4444

22 30480 30430 50,000 -73,333 73,33333

23 30540 30663 -123,333 173,333 173,3333

24 30660 30752 -92,222 -31,111 31,11111

49
 Tabel 2.9 Validasi Moving Range 3 DMA (Lanjutan)
T Xt Ft Error MR |MR|
25 30780 30818 -37,778 -54,444 54,44444
26 31220 30876 344,444 -382,222 382,2222
27 31350 31256 94,444 250,000 250
28 31600 31574 25,556 68,889 68,88889
29 31720 31908 -187,778 213,333 213,3333
30 31990 31961 28,889 -216,667 216,6667
31 32170 32166 4,444 24,444 24,44444
32 32570 32356 214,444 -210 210
33 32790 32748 42,222 172,222 172,2222
34 33140 33054 85,556 -43,333 43,33333
35 33200 33442 -242,222 327,778 327,7778
36 33280 33539 -258,889 16,667 16,66667
37 33540 33564 -24,444 -234,444 234,4444
38 33750 33627 123,333 -147,778 147,7778
39 33830 33857 -26,667 150 150
40 34120 34073 46,667 -73,333 73,33333
41 34210 34280 -70 116,667 116,6667
42 34460 34387 73,333 -143,333 143,3333
43 34760 34646 114,444 -41,111 41,11111
44 34830 34901 -71,111 185,556 185,5556
45 34920 35101 -181,111 110 110
46 35160 35179 -18,889 -162,222 162,2222
47 35290 35250 40 -58,889 58,88889
48 35390 35417 -26,667 66,667 66,66667
49 35510 35591 -81,111 54,444 54,44444
50 35690 35657 33,333 -114,444 114,4444
51 36010 35786 224,444 -191,111 191,1111
52 36550 36101 448,889 -224,444 224,4444
Total 7153,33
Rata-Rata 155,507
UCL 413,649
LCL -413,649

50
Berikut ini merupakan grafik validasi metode moving range.

Grafik Validasi dengan Moving Range

500
400
300
200
100
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
-100
-200
-300
-400
-500

ucl lcl MR

Gambar 2.17 Grafik Validasi 3 DMA

Dari hasil perhitungan dan pengolahan didapati bahwa metode terbaik adalah 3
DMA. Setelah menentukan metode terbaik maka dilakukan validasi data guna
mengetahui apakah terdapat perbedaan rataan dan variansi pada hasil pengolahan
data. Untuk melakukan validasi data digunakan menggunakan metode moving
range. Pada grafik ditunjukkan bahwa tidak terdapat data yang melewati batas ucl
atau lcl. Sehingga dapat dikatakan hasil forecast yang digunakan sudah valid.

2.3 Hasil Peramalan

Berikut adalah hasil peramalan 12 periode yang akan datang dengan menggunakan
metode 3 DMA. Karena metode ini memiliki nilai error MAPE yang terkecil pertama serta
lolos validasi dengan peta control moving range:

51
Tabel 2.13 Hasil Peramalan dengan Metode 3 DMA
t Ft
53 36683
54 36984
55 37284
56 37584
57 37884
58 38184
59 38484
60 38784
61 39084
62 39384
63 39684
64 39984

52
 BAB III
KESIMPULAN
Forecasting dilakukan guna mendukung proses pengambilan keputusan dalam
penentuan jumlah material yang akan dibeli dan menentukan jumlah barang yang akan
diproduksi di masa depan, data peramalan dapat digunakan untuk membantu meminimalisir
biaya produksi, penyimpanan, transportasi, dan lain-lain. Zyboz Group melakukan
peramalan menggunakan 20 % dari data estimasi penjualan mainan anak anak yang
dijadikan sebagai data market demand yang mana memiliki plot data linier, dengan jangka
waktu peramalan menengah. Peramalan dihitung dengan menggunakan metode 3DMA dan
5DMA (Double Moving Average), DES (Double Exponential Smoothing) dan ARIMA.
Masing-masing metode dihitung nilai error nya dengan metode MAPE (Mean Absolute
Percentage Error) karena MAPE dapat menunjukkan hasil perhitungan dalam bentuk
persentase. Dari ketiga metode peramalan tersebut, dipilih metode dengan nilai error terkecil
sebagai metode terbaik. Berdasarkan perhitungan metode peramalan yang sudah dilakukan,
metode 3DMA memiliki nilai error terkecil yaitu sebesar 0,3712%. Metode 3DMA ini
merupakan metode yang terpilih, selanjutnya di validasi dengan menggunakan metode
Moving Range yang memiliki batas atas dan bawah sehingga lebih akurat dalam
membandingkan data peramalan. Dari perhitungan MR, diperoleh rata-rata sebesar 155,507.
Nilai MR tersebut kemudian digunakan untuk menghitung nilai UCL dan LCL. Nilai UCL
dan LCL masing-masing sebesar 413,649 dan -413,649. Nilai UCL dan LCL digunakan
untuk mengontrol data apakah terdapat data yang outlier atau tidak. Dilihat dari grafik error
terhadap pembatas LCL dan UCL, tidak terdapat data yang outlier dari batas UCL. Hal ini
menunjukkan bahwa hasil forecasting dengan metode DMA valid . Setelah metode
peramalan sudah ditentukan, dilakukan perhitungan peramalan 12 periode yang akan datang
dengan menggunakan metode 3DMA. Hasil peramalan 12 periode ditampilkan pada Tabel
2.13 Hasil Peramalan dengan Metode 3DMA.

53
LAMPIRAN
 KEMENTERIAN PENDIDIKAN DAN KEBUDAYAAN
UNIVERSITAS DIPONEGORO FAKULTAS TEKNIK
DEPARTEMEN TEKNIK INDUSTRI
Jl. Prof. H. Soedarto, S.H. Tembalang – Semarang
Telp. (024) 7460052; Fax. (024) 7460052

LEMBAR ASISTENSI
PRAKTIKUM PROYEK TEKNIK INDUSTRI
LABORATORIUM OPTIMASI DAN PERENCANAAN SISTEM INDUSTRI

Modul :1
Kelompok : 06
Nama Asisten : Rama Zafran Hanif

Asistensi ke-
Nama NIM
1 2 3 4 5
Nurin Salwa Nabila 21070118120034
Bimantoro Suryo 21070118130073
Addana Zulfaan 21070118130109
Aulia Parsada Harahap 21070118130155
Azzahra Yolanzha Ayu D. 21070118140192

No Materi Asistensi Approval

Asisten,

Rama Zafran Hanif

21070117120037