Forecasting

Praktikum Perancangan Terintegrasi Industri II
Modul 5 : Peramalan
Kelompok 1
Program Studi Teknik Industri

Universitas Tanjungpura
Modul 5 : Peramalan
Kelompok 1
BAB I
PENDAHULUAN
1.1 Latar Belakang
PT. Tam Toys merupakan perusahaan yang bergerak dalam produksi
mainan mobil Tamiya. PT. Tam Toys berdiri sejak tahun 2015 yang dikepalai
seorang direktur bernama Kiki Widya. Perusahaan ini akan bersaing dengan
perusahaan-perusahaan yang memproduksi mobil mainan lainnya, sehingga
PT. Tam Toys harus memiliki strategi yang efektif agar perusahaan dapat
memenangkan persaingan antara perusahaan yang memproduksi mobil
mainan lainnya. Perusahaan PT. Tam Toys harus mampu menanggulangi
persaingan di pasar. Salah satu cara yang harus dilakukan PT. Tam Toys
adalah melakukan perencanaan produksi. Apabila perencanaan produksi tidak
sesuai dengan permintaan pasar maka perusahaan tidak akan mampu
memenuhi permintaan pasar dengan cepat dan tepat.
Menanggapi masalah yang dihadapi oleh PT. Tam Toys saat ini, metode
yang paling tepat adalah peramalan (forecasting). Peramalan adalah proses
untuk memperkirakan beberapa kebutuhan di masa datang yang meliputi
kebutuhan dalam ukuran kuantitas, kualitas, waktu dan lokasi yang
dibutuhkan dalam rangka memenuhi permintaan barang dan jasa. Dengan
adanya peramalan (forecasting) dapat ditentukan dan dilakukan penjadwalan
produksi untuk waktu yang akan datang. Proses forecesting yang dilakukan,
yaitu berdasarkan pada prediksi terhadap jumlah permintaan konsumen dari
sebuah produk yang akan di produksi, hal tersebut dilakukan agar dapat
memenuhi target produksi. Penentuan terhadap target produksi sangat penting
bagi suatu perusahaan agar dapat memperkirakan kebutuhan pasar dimasa
yang akan mendatang yang ingin dicapai dengan tetap memperhatikan
kualitas produk agar memenuhi kepuasan konsumen.
Peramalan berguna untuk penjadwalan produksi. Penjadwalan penting
untuk mengatur tingkat produktivitas yang akan dilakukan untuk jangka
waktu tertentu. Maka dari itu PT. Tam Toys membuat peramalan permintaan
produk agar di waktu yang akan datang perusahaan dapat memenuhi demand
Jurusan Teknik Industri

Universitas Tanjungpura 1
Modul 5 : Peramalan
Kelompok 1
perusahaan sesuai kebutuhan konsumen. Proses peramalan akan

meminimalisir terjadinya kekurangan atau kelebihan penyimpanan yang akan
mengakibatkan kerugian bagi perusahaan. PT. Tam Toys melakukan
peramalan akan permintaan pasar 12 periode mendatang dengan
menggunakan data penjualan Tamiya Putih dan Tamiya Hitam 24 periode
sebelumnya. Metode peramalan yang digunakan PT. Tam Toys adalah time
series dimana terdapat 7 metode peramalan untuk memperkirakan permintaan
pasar. Metode yang digunakan adalah Simple Average, Single Moving
Average, Weighted Moving Average, Centered Moving Average, Single
Exponential Smoothing, Double Exponential Smoothing dan yang terakhir
adalah metode Linier Regresi.
Output yang dihasilkan oleh perusahaan PT. Tam Toys dengan
melakukan peramalan menggunakan metode terpilih Double Exponential
Smoothing dan dilakukan validasi data sehingga diperoleh data permintaan
untuk 12 periode kedepan. Peramalan penjualan produk yang tepat akan
terwujud jika dibuat suatu perencanaan dan analisis untuk menentukan
seberapa besar volume penjualan yang harus dicapai.
1.2 Tujuan Praktikum
Adapun tujuan dalam melaksanakan praktikum peramalan ini yaitu
sebagai berikut.
1. Mampu menerapkan metode-metode dan teknik dalam forecasting.
2. Mampu memilih peramalan terbaik untuk P.T Tam Toys.
3. Memperoleh hasil dan keputusan produksi penjualan Tamiya pada P.T
Tam Toys.

Modul 5 : Peramalan
Kelompok 1
1.3 Perumusan dan Pembatasan Masalah

Dalam praktikum peramalan ini terdapat perumusan masalah dan
pembatasan masalah yang telah dirangkum, diantaranya sebagai berikut ini.
1.3.1 Perumusan Masalah
Rumusan masalah yang akan dibahas dalam praktikum peramalan ini
antara lain:
1. Bagaimana penerapan metode-metode dan teknik dalam forecasting?
2. Bagaimana pemilihan peramalan terbaik pada PT. Tam Toys?
3. Bagaimana hasil dan keputusan produksi penjualan Tamiya pada P.T
Tam Toys?
1.3.2 Pembatasan Masalah
Adapun batasan yang diterapkan dalam melakukan praktikum peramalan
ini diantarannya sebagai berikut.
1. Data yang diambil adalah data historis 24 periode penjualan tamiya putih
dan hitam yang sudah disediakan.
2. Faktor konversi untuk tamiya putih adalah 1 dan tamiya hitam sebesar
1.25
3. Metode peramalan yang digunakan adalah metode Simple Average,
Single Moving Average, Weighted Moving Average, Centered Moving
Average, Single Exponential Smoothing, Double Exponential Smoothing,
dan Linear Regresi.
1.4 Metodologi Praktikum
Dalam praktikum peramalan kali ini terdapat prosedur praktikum yang
digambarkan melalui flowchart dan penjelasannya.
1.4.1 Flowchart Praktikum
Adapun tahapan dari pelaksanaan praktikum ini dapat dilihat pada
gambar 3.1 flowchart praktikum sebagai berikut.

Modul 5 : Peramalan
Kelompok 1
Mulai
Studi Literatur
1. Definisi Peramalan
2. Tahapan Peramalan
3. Fungsi Peramalan
4. Macam Peramalan
5. Pola Data untuk Time Series
6. Metode Deret Waktu (Time Series)
7. Model-Model Kausal
8. Pemilihan dan Evaluasi Metode Peramalan
9. Uji Kesalahan Peramalan (Uji Verifikasi)
10. Uji Validasi
Pengumpulan Data Historis

1. Data Penjualan Tamiya Hitam dan
Putih 24 Periode
2. Faktor Konversi 1 dan 1.25
Pengolahan Data
1. Plotting data
2. Peramalan dengan beberapa metode
3. Rekapitulasi nilai error dan verifikasi data
4. Validasi Metode
5. Hasil Peramalan yang Terpilih
Analisis
1. Analisis semua metode ramalan
2. Analisis verifikasi
3. Analisis metode terpilih
4. Analisis validasi
Kesimpulan dan Saran
Selesai
Gambar 1.1 Flowchart Praktikum

1.4.2 Penjelasan Flowchart
Adapun penjelasan flowchart praktikum tersebut dapat dijelaskan
sebagai berikut:
1. Mulai
2. Studi Literatur

Modul 5 : Peramalan
Kelompok 1
Studi literatur berguna untuk mempelajari teori dasar dari praktikum yang
akan dilakukan agar mengurangi kesalahan yang terjadi selama
praktikum. Studi literatur yang digunakan meliputi definisi peramalan
(forecasting), tahapan peramalan, fungsi peramalan, macam peramalan,
pola data untuk Time Series, metode deret waktu (Time Series), model-
model kausal, pemilihan dan evaluasi metode-metode peramalan, uji
kesalahan peramalan (uji verifikasi), dan uji validasi.
3. Pengumpulan Data Historis
Pengumpulan data historis dalam praktikum ini yaitu pengumpulan data
historis produksi penjualan tamiya putih dan tamiya hitam yang telah
disediakan selama 24 periode. Serta faktor konversi sebesar 1 dan 1.25.
4. Pengolahan Data
Pengolahan data dalam praktikum ini ialah membuat plotting data,
peramalan dengan beberapa metode, rekapitulasi nilai error dan verifikasi
data, validasi metode dan menentukan hasil peramalan yang digunakan
12 periode ke depan dengan menggunakan metode terpilih.
5. Analisis Data
Analisis data merupakan kegiatan yang dilakukan untuk mengubah data
hasil dari praktikum menjadi informasi yang nantinya bisa dipergunakan
dalam mengambil kesimpulan. Analisis data dalam praktikum ini meliputi
analisa semua metode peramalan, analisa verifikasi, analisa metode
terpilih dan analisa validasi.
6. Kesimpulan dan Saran
Kesimpulan yang dibuat merupakan pernyataan singkat tentang hasil
analisis deskripsi dan pembahasan tentang hasil praktikum yang telah
dilakukan. Sedangkan saran yang dibuat merupakan suatu tulisan yang
diberikan kepada pembaca yang didasarkan atas hasil temuan dalam studi
yang telah dilakukan dan berupa pendapat atau tinjauan idealis dari
praktikan.
7. Selesai

Modul 5 : Peramalan
Kelompok 1
1.5 Sistematika Penulisan

Adapun sistematika penulisan pada praktikum peramalan ini seperti
berikut.
BAB I PENDAHULUAN
Bab ini berisi latar belakang permasalahan PT. Tam Toys yang akan
melakukan peramalan produksi penjualan tamiya putih dan tamiya hitam.
Pada bab ini juga membahas tujuan praktikum, perumusan dan pembatasan
masalah, metodologi yang berisi flowchart dan penjelasannya serta
sistematika penulisan praktikum.
BAB II LANDASAN TEORI
Bab ini menjelaskan tentang definisi peramalan (forecasting), tahapan
peramalan, fungsi peramalan, macam peramalan, pola data untuk time series,
metode deret waktu (time series), model-model kausal, pemilihan dan
evaluasi metode-metode peramalan, uji kesalahan peramalan (uji verifikasi),
dan uji validasi.
BAB III PENGUMPULAN DAN PENGOLAHAN DATA
Bab ini berisi hasil pengumpulan data historis sebelum konversi dan
sesudah konversi. Kemudian melakukan pengolahan data dengan membuat
plotting data, peramalan dengan beberapa metode, rekapitulasi nilai error dan
verifikasi data, validasi metode dan menentukan hasil peramalan yang
digunakan dua belas periode ke depan dengan menggunakan metode terpilih.
BAB IV ANALISIS
Bab ini berisi analisa dari hasil pengolahan yang telah dilakukan, berupa
analisa semua metode peramalan, analisa verifikasi, analisa metode terpilih
dan analisa validasi.
BAB V KESIMPULAN DAN SARAN
Bab ini berisi kesimpulan yang berkaitan dengan hasil praktikum dan
saran mengenai praktikum agar pelaksanaannya dapat lebih baik lagi, saran
disini ditujukan kepada mahasiswa dan perusahaan.

Modul 5 : Peramalan
Kelompok 1
BAB II
TINJAUAN PUSTAKA
2.1 Definisi Peramalan (Forecasting)
Definisi dari peramalan (forecasting) adalah seni dan ilmu untuk memperkirakan
kejadian di masa depan. Hal tersebut dapat dilakukan dengan menggunakan data
historis dan proses kalkulasi untuk memprediksikan sebuah proyeksi atas kejadian di
masa datang. Cara lain yang dapat ditempuh adalah dengan intuisi subjektif atau
dengan model matematis yang disusun oleh pihak manajemen. (Heizer & Render,
2011).
Pendapat lain dari buku Operation Management (Stevenson, 2011:72)
peramalaan adalah masukan/input dasar dalam proses pengambilan keputusan dari
manajemen operasi karena permalaan memberikan informasi dalam perimintaan
dimasa yang akan datang. Salah satu tujuan utama dari manajemen operasi adalah
untung menyeimbangkan antara pasokan/supply dan permintaan dan memiliki
perkiraan permintaan dimasa yang akan dating sangat penting untuk menentukan
berapa kapasitas atau pasokan/supply yang dibutuhkan untuk menyeimbangi
permintaan. Adapun pengertian peramalan (forecasting) menurut pendapat para ahli:
1. Lerbin R. Aritonang R. (2002:12)
Peramalan adalah kegiatan penerapan model yang telah dikembangkan pada
waktu yang akan datang.
2. Lalu Sumayang, (2003:24)
Peramalan adalah perhitungan yang objektif dan dengan menggunakan data-data
masa lalu, untuk menentukan sesuatu dimasa yang akan datang.
3. Nasution dan Prasetyawan (2008:29)
Menurut Nasution dan Prasetyawan, Peramalan adalah proses untuk
memperkirakan beberapa kebutuhan di masa datang yang meliputi kebutuhan
dalam ukuran kuantitas, kualitas, waktu dan lokasi yang dibutuhkan dalam
rangka memenuhi permintaan barang ataupun jasa.
4. Sudjana (1989:254)
Menurut Sudjana, Peramalan adalah proses perkiraan (pengukuran) besarnya atau
jumlah sesuatu pada waktu ayang akan datang berdasarkan data pada masa
lampau yang dianalisis secara ilmiah khususnya menggunakan metode statistika.

Modul 5 : Peramalan
Kelompok 1
5. Sumayang (2003:24)
Menurut Sumayang, Peramalan adalah perhitungan yang objektif dan dengan
menggunakan data-data masa lalu, untuk menentukan sesuatu di masa yang akan
datang.
6. William J. Stevenson (2009:72)
Menurut William J. Stevenson, Peramalan adalah input dasar dalam proses
pengambilan keputusan manajemen operasi dalam memberikan informasi tentang
permintaan di masa mendatang dengan tujuan untuk menentukan berapa
kapasitas atau persediaan yang diperlukan untuk membuat keputusan staffing,
budget yang harus disiapkan, pemesanan barang dari supplier dan partner dari
rantai pasok yang dibutuhkan dalam membuat suatu perencanaan.
7. Wignjosoebroto (2003:337)
Menurut Wignjosoebroto, Metode Peramalan adalah suatu upaya untuk
memperoleh gambaran mengenai apa yang akan terjadi di masa
mendatang. Dari pengertian diatas peramalan itu adalah suatu seni atau
ilmu memprediksi masa depan dengan menggunakan data-data masa lalu
untuk menentukan sesuatu dimasa yang akan datang.
2.2 Tahapan Peramalan
Adapun tahapan-tahapan dalam suatu peramalan diantaranya yaitu:
a. Pengumpulan data
Pengumpulan data dan menyarankan pentingnya perolehan data yang
sesuai dengan meyakinkan kebenarannya.
b. Pemadatan atau pengurangan data
Pemadatan atau pengurangan data, seringkali diperlukan karena mungkin
saja terjadi kelebihan data dalam proses peramalan, atau sebaliknya terlalu
sedikit. beberapa data mungkin tidak relevan dengan masalah dan hal ini
dapat mengurangi keakuratan peramalan.
c. Penyusunan dan evaluasi Modal
Penyusunan dan pengevalusaian modal meliputi pencocokan data
terkumpul kedalam modal yang sesuai dalam hal meminimasi.

Modul 5 : Peramalan
Kelompok 1
d. Ekstrapolasi Model (peramalan aktual)

Terdiri dari model peramalan aktual yang dihasilkan serta begitu data yang
sesuai telah terkumpul dan kemungkinan dikurangi akan menghasilkan
model peramalan yang sesuai model peramalan yang dipilih.
e. Evaluasi peramalan
Evalusai peramalan melibatkan dan membandingkan nilai peramalan
dengan nilai histories actual. Dalam proses ini beberapa nilai data terkini
kemudian diambilkan dari himpunan data yang sedang dianalisa.
Forecast (perkiraan atau peramalan) merupakan perkiraan penjualan pada
waktu yang akan datang dalam keadaan tertentu dan dibuat berdasarkan
data-data yang pernah terjadi atau mungkin akan terjadi.
2.3 Fungsi Peramalan
Fungsi peramalan atau forecasting terlihat pada saat pengambilan
keputusan. Keputusan yang baik adalah keputusan yang didasarkan atas
pertimbangan apa yang akan terjadi pada waktu keputusan itu dilaksanakan.
Apabila kurang tepat ramalan yang disusun, maka masalah peramalan juga
merupakan masalah yang selalu dihadapi (Ginting, 2007).
2.4 Macam Peramalan
Berdasarkan sifatnya, peramalan diklasifikasikan menjadi dua bagian
yaitu:
a. Peramalan Kualitatif
Peramalan kualitatif umumnya bersifat subjektif dan bergantung pada
pengalaman, keahlian, dan pendapat seseorang. Metode ini lebih
digunakan ketika terdapat faktor-faktor yang menyebabkan data menjadi
berubah seperti perkiraan penjualan ketika menggunakan teknologi baru
seperti internet, adanya promo penjualan bulan ke depan, atau bahkan
ketika produk baru diluncurkan.
Peramalan kualitatif digunakan apabila data masa lalu tidak tersedia
atau tersedia namun jumlahnya yang tidak banyak. Teknik ini
mengkombinasikan informasi dengan pengalaman, penilaian dan intuisi
untuk menghasilkan pola-pola dan hubungan yang mungkin dapat

Modul 5 : Peramalan
Kelompok 1
diterapkan dalam memprediksi masa yang akan datang. Teknik-teknik

kualitatif didasarkan atas pendekatan akal sehat dalam menyaring
informasi kedalam bentuk yang bermanfaat. Beberapa metode yang
tercakup dalam teknik-teknik kualitatif antara lain visionary, panel
consesus, brainstorming, antypatory survey, role playing, dan lain
sebagainya. Beberapa model peramalan yang termasuk dalam peramalan
kualitatif adalah sebagai berikut:
1) Metode delphi
Sekelompok pakar mengisi kuesioner, moderator menyimpulkan
hasilnya dan memformulasikan menjadi suatu kuesioner baru yang
diisi kembali oleh kelompok tersebut, demikian seterusnya. Hal ini
merupakan proses pembelajaran dari kelompok tanpa adanya tekanan
atau intimidasi individu.
2) Market research
Merupakan metode peramalan berdasarkan hasil-hasil dari survei pasar
yang dilakukan oleh tenaga-tenaga pemasar produk atau yang
mewakilinya. Metode ini akan menjaring informasi dari pelanggan
atau pelanggan potensial (konsumen) berkaitan dengan rencana
pembelian mereka di masa mendatang. Riset pasar tidak hanya akan
membantu peramalan, tetapi juga untuk meningkatkan desain produk
dan perencanaan untuk produk-produk baru.
3) Life cycle analogy
Secara umum, hampir semua produk akan mengikuti product life cycle
(PLC) yang meliputi introduction, growth, maturity, dan decline.
Berdasar pada pengalaman produk yang sama pada periode yang lalu,
seseorang dapat membuat model yang sama dengan produk tersebut.
4) Panel consensus
Peramalan semata-mata berdasarkan pertimbangan manajemen,
umumnya oleh manajemen senior. Metode ini akan cocok dalam
situasi yang sangat sensitif terhadap intuisi dari suatu atau sekelompok
kecil orang yang karena pengalamannya mampu memberikan opini

Modul 5 : Peramalan
Kelompok 1
yang kritis dan relevan. Teknik akan dipergunakan dalam situasi

dimana tidak ada situasi dimana tidak ada alternatif lain dari model
peramalan yang dapat diterapkan. Bagaimanapun metode ini
mempunyai banyak keterbatasan, sehingga perlu dikombinasikan
dengan metode peramalan yang lain.
b. Peramalan Kuantitatif
Peramalan kuantitatif adalah teknik peramalan dimana pola historis
data digunakan untuk meramalkan keadaan dimasa 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 dapat dikuantitatifkan dalam bentuk
data numerik, dan dapat diasumsikan bahwa beberapa aspek pola 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.
1) Time Series adalah analisis deret waktu yang didasarkan pada deret
yang menggambarkan pola-pola bervariasi sepanjang waktu, dan dapat
di modelkan untuk menentukan pola yang akan terjadi di masa depan.
2) 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.
3) 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

Modul 5 : Peramalan
Kelompok 1
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:
a. Peramalan yang subjektif, adalah peramalan yang didasarkan atas perasaan
atau intuisi dari penyusunannya.
b. Peramalan yang objektif, adalah peramalan yang didasarkan atas data yang
relevan pada masa lalu, dengan menggunakan teknik-teknik dan metode-
metode dalam penganalisaane data tersebut.
Sedangkan, berdasarkan jangka waktu ramalan yang disusun, maka
peramalan dibedakan atas:
a. Peramalan jangka panjang, adalah peramalan yang dilakukan untuk
penyusunan hasil ramalan yang jangka waktunya lebih dari satu setengah
tahun.
b. 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
adalaha waktu (Assauri, 1984).
2.5 Pola Data untuk Time Series
Time Series (Runtun waktu) data yakni jenis data yang dikumpulkan
menurut urutan waktu dalam suatu rentang waktu tertentu. Jika waktu
dipandang bersifat diskrit (waktu dapat dimodelkan bersifat kontinu),
frekuensi pengumpulan selalu sama (equidistant). Dalam kasus diskrit,
frekuensi dapat berupa misalnya detik, menit, jam, hari, minggu, bulan atau
tahun. Berikut adalah kriteria yang dapat digunakan sebagai patokan agar data
layak digunakan dalam peramalan.
1. Data harus dapat dipercaya dan akurat. Data yang diseleksi berasal dari
sumber yang dapat dipercaya dengan memperhatikan keakuratan.

Modul 5 : Peramalan
Kelompok 1
2. Data harus relevan. Data harus mewakili keadaan.

3. Data harus konsisten.
4. Data harus secara berkala.
Pada umumnya, ada dua tipe data yang penting untuk peramal. Pertama
adalah data yang dipilih pada titik tunggal suatu waktu, misal satu jam, satu
hari, satu minggu, satu bulan, dan sebaginya. Kedua adalah observasi data dari
waktu ke waktu.
Salah satu aspek yang paling penting dalam penyeleksian metode
peramalan yang sesuai untuk data runtun waktu adalah untuk
mempertimbangkan perbedaan tipe pola data. Menurut Hanke dan Wichern
(2005:58), ada empat macam tipe pola data yaitu:
1. Pola Data Trend
Pola data trend terjadi bila mana data pengamatan mengalami kenaikan
atau penurunan selama periode jangka panjang. Suatu data pengamatan
yang mempunyai trend disebut data nonstasioner. Plot data trend
dicontohkan pada gambar 2.2 yaitu berupa data harga suatu produk yang
meningkat dari tahun ke tahun.
Gambar 2.1 Contoh Pola Data Trend Naik

2. Pola Data Horizontal
Pola data horizontal terjadi saat data observasi berfluktuasi di sekitaran
suatu nilai konstan ataumean yang membentuk garis horizontal. Data ini
disebut juga dengan data stasioner. Contoh plot data horizontal adalah
pada gambar 2.1 yaitu berupa plot data penjualan. Jumlah penjualan selalu
meningkat atau menurun pada suatu nilai konstan secara konsisten dari
waktu ke waktu.

Modul 5 : Peramalan
Kelompok 1
Gambar 2.2 Contoh Pola Data Horizontal

3. Pola Data Musiman
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.
Gambar 2.3 Contoh Pola Data Musiman

4. Pola Data Siklis
Pola data siklis terjadi bilamana deret data dipengaruhi oleh fluktuasi
ekonomi jangka panjang seperti yang berhubungan dengan siklus bisnis.
Di bawah ini adalah contoh plot pola data siklis.
Gambar 2.4 Contoh Pola Data Siklis

Modul 5 : Peramalan
Kelompok 1
2.6 Metode Deret Waktu (Time Series)

Time series adalah suatu himpunan pengamatan yang dibangun secara
berurutan dalam waktu. Waktu atau periode yang dibutuhkan untuk
melakukan suatu peramalan itu biasanya disebut sebagai lead time yang
bervariasi pada tiap persoalan. Berdasarkan himpunan pengamatan yang
tersedia maka time series dikatakan kontinu jika himpunan pengamatan
tersebut adalah kontinu dan dikatakan diskrit bila himpunan pengamatan
tersebut juga diskrit.
1. Simple Average (SA)
Metode Simple Average (rata-rata sederhana) adalah metode peramalan
yang menghitung rata-rata seluruh data masa lalu untuk mendapatkan hasil
peramalan masa depan.
X t + X t−1 +. . ..+ X................................................................(2.1)
t −n+1
St=
n−1
Dimana:
St+1 = Forecast untuk period ke t+1.
Xt = Data pada periode t.
n = Jangka waktu Moving averages.
Tabel 2.1 Contoh Metode Simple Average
Tahun Order (At)
1 150
2 250
3 200
4 100
5 200
6 200
7 150
Jika akan meramal jumlah order garmen pabrik pada tahun ke- 8, maka
contoh perhitungan pada simple average:
X 1 + X 2 +…+ X 7
F 8=
8−1
F 8=178.57
2. Single Moving Average (SMA)

Modul 5 : Peramalan
Kelompok 1
Metode rata-rata bergerak tunggal menggunakan sejumlah data aktual

permintaan yang baru untuk membangkitkan nilai ramalan untuk
permintaan dimasa yang akan datang. Metode ini akan efektif diterapkan
apabila kita dapat mengasumsikan bahwa permintaan pasar terhadap
produk akan tetap stabil sepanjang waktu (Gaspersz, 2005:87). Metode ini
mempunyai dua sifat khusus yaitu untuk membuat forecast memerlukan
data historis dalam jangka waktu tertentu, semakin panjang moving
averages akan menghasilkan moving averages yang semakin halus, secara
sistematis moving averages adalah:
X t + X t−1 +. . ..+ X…………………...................................
t−n+1 (2.2)
St=
n
Dimana:
St+1 = Forecast untuk period ke t+1.
Xt = Data pada periode t.
n = Jangka waktu Moving averages.
Contoh perhitungan dengan t=4
X 10+ X 11 + X 12+ X 13
F 14=
4
9955+9323+10332+8981
F 16=
4
F 16=9647,75
3. Weighted Moving Average
Weight Moving Average (WMA) merupakan model rata-rata begerak
terbobot yang lebih responsif terhadap perubahan, karena data dari periode
yang baru biasanya diberi bobot lebih besar, aplikasi ini dapat membantu
pihak perusahaan dalam mengetahui peramalan penjualan yang akan
terjadi pada bulan berikutnya berdasarkan data penjualan aktual. Dengan
formulasi:
Σ(data x bobot)
WMA= ………………................................................
Σ bobot
(2.3)

Modul 5 : Peramalan
Kelompok 1
Contoh perhitungan dengan t=4 dan bobot yang sudah ditentukan

sebelumnya :
Tabel 2. 2 Contoh Metode Weight Moving Average
No Data Bobot F
1 2434 0,4
2 2533 0,2
3 2531 0,45
4 2671 0,25
5 2432
6 2613
7 2786
8 3412
9 3152 2846
( X 5 x b 1) + ( X 6 x b 2) + ( X 7 x b 3 )+( X 8 x b4 )
F 9=
1
( 2432 x 0,4 ) + ( 2613 x 0,2 ) + ( 2786 x 0,45 ) +(3412 x 0,25)
F 9=
1
F 9=3602
4. Centered Moving Average

Perhitungan yang digunakan pada metode ini sama dengan metode
moving average. Hanya saja hasil perhitungannya diletakkan pada
pertengahan periode yang digunakan untuk menghitung nilai rata-ratanya.
Berikut adalah formulasinya:
Y t +Y t−1 +Y t−2 +.. ..+Y t−n+1
MA = n ...............................................................
(2.4)
9955+9910+ 9757
MA = = 9874
3
5. Single Exponential Smoothing
Digunakan untuk data runtut waktu yang mengikuti pola stasioner.
Bentuk umum yang digunakan untuk menghitung ramalan adalah:
F t=( ∝ x X t ) +( ( 1−∝ ) x Ft −1)…....................................................... (2.5)
Contoh:

Modul 5 : Peramalan
Kelompok 1
∝ = 0,042
SES = (∝Xt + (1-∝) Ft-1)
SES = (0,043 x 9865 + (0,678) 9231) = 6.682,8
6. Double Exponential Smoothing (DES)
Metode double exponential smoothing biasanya lebih tepat digunakan
untuk maramalkan data yang mengalami kecenderungan trend naik.
(Pengestu Subagyo, 2004;8). Dalam metode ini dilakukan proses
smoothing dua kali, adapun prosedur untuk membuat forecast dengan
double exponential smoothing adalah sebagai berikut:
1) Menentukan smoothing pertama
S’t = αXt + (1 - α)S’t-1 ........................................................(2.6)
2) Menentukan smoothing kedua
S”t = αS’t + (1 - α)S”t-1 ………….....................................(2.7)
3) Menentukan konstanta
at = 2S’t – S”t ..................................................................(2.8)
4) Menentukan slope
α
bt = 1−α ¿) ..............................................(2.9)
5) Menentukan forecast
Ft+m = at + btm ....................................................................(2.10)
m : adalah jangka waktu forecast kedepan

Contoh Perhitungan manual :
S'4 =( ∝ x X 4 ) + ( 1−∝ ) x S '4 −1 ¿
S'4 =( 0,1 x 4024,12 ) + ( ( 0,9 ) x 2585,199 )=2729,091

S}4 = left (∝ x {S} rsub {4} rsup {'} right ) +( left (1 - ∝ right ) x {S} rsub {4-1} rsup { ¿
S}4 = left (0,1 x 2729,091 right ) + left (left (0,9 right ) x 2378,505 right ) =2413,56 ¿
a 4=( 2 x S '4 ) −S4¿

a 4=( 2 x 2729,091 )−2413,564=3044,619

Modul 5 : Peramalan
Kelompok 1
∝
( 1−∝
b 4= )x ¿
0,1
b =(
0,9 )
4 x ( 2729,091−2413,564 )=35,05861
F 5=a5 +b 5
F 5=3044,619+35,05861=3079,677
7. Linear Regresi
Linier regresi terdapat 2 pendekatan untuk melakukan peramalan
dengan menggunakan analisis deret waktu engan metode regresi
sederhana, yaitu :
1) Analisis deret waktu untuk regresi sederhana linier
2) Analisis deret waktu untuk regresi sederhana yang non linier
Dalam analisis deret waktu yang linier adalah analisis pola hubungan
yang dicari dengan satu variabel yang mempengaruhinya, waktu.
Sedangkan analisis deret waktu yang non linier, merupakan analisis
hubungan antara variabel yang dicari dengan hanya satu (1) yang
mempengaruhinya, yaitu variabel waktu.
Untuk menjelaskan hubungan kedua metode ini digunakan notasi
matematis seperti:
Y = F (x)
Dimana :
Y = Dependent variable (variabel yang dicari)
X = Independent variable (variabel yang mempengaruhinya)
Notasi regresi sederhana dengan menggunakan regresi linier (garis
lurus) dapat digunakan sebagai berikut :
F t=a+(b x t) ..................................................................................(2.11)
Dimana a dan b adalah merupakan parameter (koefisien regresi) yang
harus dicari. Untuk mencari nilai a dapat digunakan dengan menggunakan
rumus :
∑ Xt b x ∑ t ...
.......................................................................................................(2.12)
a= −
n n

Modul 5 : Peramalan
Kelompok 1
Kemudian nilai b dapat dicari dengan rumus :
b=
( n−( (∑ t x X )−(∑ t x ∑ X )) )
t t
2
.......................................................
(n x (∑ t −( ∑ t ) ))
2
(2.13)
Dimana:
N = banyaknya demand
t = periode
Xt = demand
Ft = peramalan pada periode ke-t
Berikut adalah contohnya:
5−( 6510−( 15 x 1302 ) )
b= =28,2
( 5 x (55−225 ) )
1302 28,2 x 15
a= − =1160,2
5 5
F 5=( 1160,2 ) + ( 28,2 x 4 )=1273
2.7 Model-model Kausal

Model casual model adalah model peramalan yang mempertimbangkan
variabel-variabel atau vaktor-vaktor yang bisa mempengaruhi jumlah yang
sedang diramalkan. 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 :
1. Metode regresi dan korelasi memakai teknik kuadrat terkecil (least square)
Metode ini sering digunakan untuk prediksi jangka pendek. Contohnya
meramalkan hubungan jumlah kredit yang diberikan dengan giro, deposito
dan tabungan masyarakat.
2. Metode ekonometri berdasarkan pada persamaan regresi yang didekati
secara simultan.

Modul 5 : Peramalan
Kelompok 1
Metode 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.
3. Metode 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. Terdapat tiga tahapan yang harus dilalui dalam perancangan
suatu metoda peramalan, yaitu :
a. Melakukan analisa pada data masa lampau. Langkah ini bertujuan
untuk mendapatkan gambaran pola dari data bersangkutan.
b. Memilih metode yang akan digunakan. Terdapat bermacam-macam
metode yang tersedia dengan keperluannya. Metode yang berlainan
akan menghasilkan sistem prediksi yang berbeda pula untuk data yang
sama. Dapat dikatakan bahwa metoda yang berhasil adalah metode
yang menghasilkan penyimpangan (error) sekecil-kecilnya antara hasil
prediksi dengan kenyataan yang terjadi.
c. Proses transformasi dari data masa lampau dengan menggunakan
metoda yang dipilih. Kalau diperlukan, diadakan perubahan sesuai
kebutuhannya.
2.8 Pemilihan dan Evaluasi Metode-metode Peramalan
Ketepatan ramalan adalah suatu 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 suatu metode peramalan. Dalam pemodelan deret
berkala (time series) dari data masa laludapat diramalkan situasi yang akan
terjadi pada masa yang akan datang, untuk menguji kebenaran ramalan ini
digunakan ketepatan ramalan.
Menurut Lerbin R. Aritonang R.(2002:32) ada beberapa teknik
peramalanuntuk menggunakannya didasarkan pada kondisi data tertentu,

Modul 5 : Peramalan
Kelompok 1
berukut 3 pendekatan yang dapat dijadikan dasar dalam memilih teknik

peramalan:
1. Pendekatan Otokorelasi
Peramalan yang digunakan diorientasikan pada waktu yang akan datang
didasarkan pengetahuan maupun peramalan pada waktu yang lalu.
2. Pendekatan Ukuran Simpangan Peramalan
Pemilihan teknik peramalan juga didasarkan pada error (e) yang merupakan
selisih nilai data yang ada dengan nilai proyeksinya pada setiap periode
peramalan. Error yang digunakan sebagai ukuran simpangan peramalan
berupa MSE (Mean Square Error). Secara sederhana dapat diketahui bahwa
besar MSE berarti semakin besar selisih antara data historis yang ada (yang
sesungguhnya) dengan nilai proyeksinya, sebaliknya semakin kecil MSE
berarti semakin akurat peramalannya.
3. Pendekatan Horison Waktu
Menurut Hanke dan Reitsch (1995:117) selain berdasarkan hasil analisis
otokorelasi dan ukuran simpangan peramalan, teknik peramalan juga dapat
dipilih berdasarkan horizon waktu peramalannya.
2.9 Uji Kesalahan Peramalan (Uji Verifikasi)
Langkah penting setelah peramalan dilakukan adalah verifikasi peramalan
sedemikian rupa sehingga mencerminkan data masa lalu dan sistem penyebab
yang mendasari permintaan tersebut. Sepanjang representasi peramalan
tersebut dapat dipercaya, hasil peramalan dapat terus digunakan. Jika selama
proses verifikasitersebut ditemukan keraguan validitas metode peramalan yang
digunakan, harus dicari metode lainnya yang lebih cocok. Validitas tersebut
harus ditentukan dengan uji statistis yang sesuai.
Setelah suatu peramalan dibuat, selalu timbul keraguan apakah perlu
dibuat suatu metode peramalan baru .Peramalan harus selalu dibandingkan
dengan permintaan aktual secara teratur.Pada suatu saat harus diambil
tindakan revisi peramalan apabila ditemukan bukti adanya perubahan pola
permintaan yang meyakinkan. Selain itu, penyebab perubahan pola
permintaan harus diketahui. Penyesuaian metode peramalan dilakukan segera

Modul 5 : Peramalan
Kelompok 1
setelah perubahan pola permintaan diketahui. Terdapat banyak perkakas yang

dapat digunakan untuk memverifikasi peramalan dan mendeteksi perubahan
sistem penyebab yang melatarbelakangi perubahan pola permintaan.Bentuk
yang paling sederhana adalah peta kendali peramalan, mirip dengan peta
kendali kualitas. Peta kendali ini dapat dibuat dengan ketersediaan data yang
minim.
Berikut merupakan beberapa contoh penggunaan metode untuk
memverifikasi atau menguji ketepatan ramalan (forecasting) antara lain :
1. Cumulative of Forecast Error (CFE)
Cumulative of Forecast Error adalah jumlah secara keseluruhan atau
komulatif kesalahan di dalam sebuah metode peramalan yang didapatkan
secara manual dengan mengetahui jumlah forecast errornya.
Berikut contoh perhitungan CFE :
Dik : error 2 : 678
error 3 : 453
error 4 : 671
4
CFE 4=∑ error t
t =2
CFE 4=error 2+ error 3+ error 4

CFE 4=¿
CFE 4=1802
2. Mean Absolute Deviation (MAD)
Akurasi peramalan akan tinggi apabila nilai-nilai MAD, mean absolute
percentage error, dan mean squared error semakin kecil. MAD
merupakan nilai total absolut dari forecast error dibagi dengan data
ataupun nilai kumulatif absolut dibagi dengan periode, sehingga MAD
dapat diformulasikan sebagai berikut :
∑(absolut dari forecast error)
MAD=
n
Berikut contoh perhitungan MAD :
Dik : error2 : 243

Modul 5 : Peramalan
Kelompok 1
error3 : 343
error4 : 314
4
∑ |error t|
MAD4 = t =2
3
|error 2|+|error 3|+|error 4|
MAD4 =
3
|( 243 )|+|(343)|+|(314 )|
MAD4 =
3
MAD4 =¿300
3. Mean Squared Error (MSE)
Mean Squared Error (MSE) adalah metode lain untuk mengevaluasi
metode peramalan. Masing-masing kesalahan atau sisa dikuadratkan.
Kemudian dijumlahkan dan ditambahkan dengan jumlah observasi.
Pendekatan ini mengatur kesalahan peramalan yang besar karena
kesalahan-kesalahan itu dikuadratkan. Metode itu menghasilkan
kesalahan-kesalahan sedang yang kemungkinan lebih baik untuk kesalahan
kecil, tetapi kadang menghasilkan perbedaa yang besar.
Berikut adalah contoh perhitungannya:
Dik : error2 = 14
error3 = 43
error4 = 23
4
∑ error 2t
MSE 4= t=2
3
error 22 +error 23 +error 24
MSE 4=
3
( 14 )2 + ( 43 )2+ ( 23 )2
MSE 4=
3

Modul 5 : Peramalan
Kelompok 1
MSE 4=858
4. Percentage Error (PE)
Percentage error merupakan kesalahan persentase dari suatu peramalan.
Berikut adalah contoh perhitungannya :
Dik : error4 = 213

X4 = 9026,1
|error 4|
PE 4 = x 100
X4
|213|
PE 4 = x 100
9026,1
PE 4 =2,35 %
5. Mean Absolute Percentage Error (MAPE)
Mean absolute percentage error (MAPE) dihitung dengan menggunakan
kesalahan absolut pada tiap periode dibagi dengan nilai observasi yang
nyata untuk periode itu. Kemudian, merata-rata kesalahan persentase
absolut tersebut. Pendekatan ini berguna ketika ukuran atau besar variabel
ramalan itu penting dalam mengevaluasi ketepatan ramalan. MAPE
mengindikasi seberapa besar kesalahan dalam meramal yang dibandingkan
dengan nilai nyata.
Berikut contoh perhitungan MAPE :
Dik : PE2 : 5,2%
PE3 : 4,8%
PE4 : 5,2%
4
∑ PE t
MAPE4 = t =2
3
PE 2 + PE 3 + PE 4
MAPE4 =
3
5,2+ 4,8+5,2
MAPE4 =
3
MAPE4 =5.67 %

Modul 5 : Peramalan
Kelompok 1
2.10 Uji Validasi

Sebuah tahapan untuk menguji apakah metode atau model peramalanyang digunakan
apakah sesuai dengan kondisi yang nyata atu tidak.dalam peramalan,dalam validasi dapt
dilakukan dengan di sesuaikan dengan metode peramalan yangdigunakan. Untuk
beberapa metode yang umum yang selama ini telah banyak digunakan, uji validasi
peramalan dapat dikerjakan dengan pembuatan peta movingrange .akan tetapi untuk
beberapa metode peramalan yang lain seperti ARIMA, uji validasi dilakukan dengan
melakuakan pengujian kelayakan model melalui pengujiannilai parameter yang
dihasilkan, nilai chi square, dan pengujian nilai p value.
n
∑ MR ......................................................................................(2.14)
MR= i=1
n−1
Validasi eror dilakukan untuk menjamin bahwa metode peramalan yang terpilih
memiliki eror yang terkontrol. Metode yang digunakan pada dasarnya dengan
menggunakan peta kendali individu MR.
Validasi hasil peramalan dilakukan untuk mengetahui apakah terdapat perbedaan
yang signifikan antara hasil yang digunakan berlandaskan pada statistika parametrik,
yakni uji t berpasangan, uji F dan uji chi-square.
Uji kondisi di luar kendaliUji kondisi di luar kendali adalah :
1. Dari tiga titik berturut-turut. ada dua atau lebih titik yang berada di region A.
2. Dari lima titik berturut-turut. ada empat atau lebih titik yang berada di region B.
3. Ada delapan titik berturut-turut titik yang berda di salah satu sisi (di atas atau dibawah
garis tengah).
4. Ada satu titik yang berada di luar UCL atau LCL.
Region A adalah daerah di atas + 1.77 MR dan di bawah - 1.77 MR
Region B adalah daerah di atas + 0.89 MR dan di bawah - 0.89 MR
UCL/ Batas Kontrol Atas = + 2.66 MR
LCL/ Batas Kontrol Bawah = - 2.66 MR
Akan tetapi, untuk beberapa metode peramalan yang lain seperti ARMA maupun
ARIMA, uji validasi dilakukan dengan melakukan pengujian kelayakan model melalui
pengujian parameter yang dihasilkan, nilai chi square, dan pengujian nilai p-value.

Modul 5 : Peramalan
Kelompok 1
Gambar 2.5 Plot Moving Range
BAB III
PENGOLAHAN DATA DAN PEMBAHASAN
3.1 Pengumpulan Data Historis
Terdapat pengumpulan data historis berupa penjualan Tamiya berwarna
hitam dan putih selama 24 periode.
3.1.1 Pengumpulan Data Historis Sebelum Konversi
Berikut ini merupakan pengumpulan data historis penjualan Tamiya
Hitam dan Putih sebelum di konversi.
Tabel 3.1 Data Historis Sebelum Konversi
Periode Tamiya Putih Tamiya Hitam
1 6696 5815
2 6763 5913
3 7131 6084
4 7471 5999
5 6907 5893
6 7038 5795
7 7437 6037
8 7337 5866
9 7072 5834
10 6543 6084
11 7266 5991
12 7003 5943
13 6709 5767

Modul 5 : Peramalan
Kelompok 1
14 7461 5778
15 7437 6048
16 7229 5934
17 7052 5862
18 7091 6001
19 6640 6049
20 7387 5889
21 6676 5972
22 7082 5926
23 6921 5985
24 7292 5954
Faktor Konversi 1 1.25
3.1.2 Pengumpulan Data Historis Sesudah Konversi
Berikut ini merupakan pengumpulan data historis penjualan Tamiya
Hitam dan Putih sesudah di konversi.
Tabel 3.2 Data Historis Sesudah Konversi
Tamiya
Hasil
Putih Hitam
6696 7269 13965
6763 7391 14154
7131 7605 14736
7471 7499 14970
6907 7366 14273
7038 7244 14282
7437 7546 14983
7337 7333 14670
7072 7293 14365
6543 7605 14148
7266 7489 14755
7003 7429 14432
6709 7209 13918
7461 7223 14684
7437 7560 14997
7229 7418 14647
7052 7328 14380
7091 7501 14592
6640 7561 14201
7387 7361 14748
6676 7465 14141
7082 7408 14490

Modul 5 : Peramalan
Kelompok 1
6921 7481 14402

7292 7443 14735
Jumlah 347665
3.2 Pengolahan Data

3.2.1 Plotting Data
Terdapat sebuah grafik yang merupakan plot data dari pengumpulan data
historis penjualan tamiya warna hitam dan putih setelah dikonversi, seperti
pada grafik 3.1 dibawah ini.
Data Hasil Konversi

15200
15000
14800
14600
14400
14200
14000
13800
13600
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Grafik 3.1 Hasil Plotting Data

Plot data grafik diatas menunjukkan penjualan tamiya dengan pola
siklis. Data yang siklis terjadi bilamana deret data dipengaruhi oleh fluktuasi
ekonomi jangka panjang seperti yang berhubungan dengan siklus bisnis,
membentuk pola gelombang, dapat dilihat dari plot data yang tidak
beraturan. Peramalan terbaik untuk data dengan pola siklis menggunakan
metode deret waktu yaitu single exponential smoothing.
3.2.2 Peramalan dengan Beberapa Metode
a. Metode Simple Average
Berikut ini merupakan contoh perhitungan peramalan dengan metode
Simple Average.

Modul 5 : Peramalan
Kelompok 1
∑ Xt
F n= t =1
n−1
X 1+ X 2 +…+ X 9
F 10=
10−1
F10 = 14489
Contoh perhitungan error, error mutlak, dan error kuadrat seperti
berikut ini.
error10 = Demand10 – Forcest10
error10 = 14148 – 14489
error10 = -341
│error10│ = error10
│error10│ = 341
error102 = -3412
error102 = 115978
Contoh perhitungan Percentage Error (PE) dan Percentage Error
Mutlak (|PE|) seperti berikut ini.
error 10
PE10= x 100
X 10
−341
PE10= x 100
14148
PE10 = -2.41 %
│PE10│ = PE10
│PE10│ = -2.41 %
│PE10│ = 2.41 %
Contoh perhitungan Mean Square Error (MSE) seperti berikut ini.
10
∑ error 2t
MSE 10= t =2
10−1
error 22+ error 23+ …+error 29 +error 210
MSE 10=
9

Modul 5 : Peramalan
Kelompok 1
( 190 )2 + ( 677 )2 + …+ (−140 )2 + (−341 )2

MSE 10=
9
MSE10 = 170027.39
Contoh perhitungan Mean Absolute Deviation (MAD) seperti berikut

ini.
10
∑|error t|
MAD10= t=2
10−1
|error 2 +error 3 +…+ error 9 +error 10|
MAD10=
9
|( 190 ) + ( 677 )+ …+ (−140 ) +(−341)|

MAD10=
9
MAD10 = 347.48355
Contoh perhitungan Mean Absolute Percentage Error (MAPE)
seperti berikut ini.
10
∑ ¿ PEt∨¿
MAPE10= t=2 ¿
10−1
MAPE10=¿ PE 2∨+¿ PE 3∨+ …+¿ PE 9∨+¿ PE 10∨ ¿ ¿
9
(1.34)+(4.59)+…+(0.97)+(2.41)
MAPE10=
9
MAPE10 = 2.3703882
Contoh perhitungan Cumulative Forecast Error (CFE) seperti
berikut ini.
10
CFE 10=∑ error t
t=2
CFE 10=error 2 +error 3 +…+ error 9+ error 10

CFE 10=( 190 ) + ( 677 ) +…+ (−140 ) +(−341)

Modul 5 : Peramalan
Kelompok 1
CFE10 = 1526
Adapun rekapitulasi data hasil perhitungan setiap periode dan
peramalan penjualan tamiya hingga 12 periode yang akan datang dengan
menggunakan metode simple average dapat dilihat pada tabel 3.3.

Modul 5 : Peramalan
Kelompok 1
Tabel 3.3 Data Perhitungan Simple Average

Periode Demand Peramalan e |e| e² PE (%) |PE| MSE MAD MAPE CFE
1 13965
2 14154 13965 190 190 35910 1.34 1.34 35910 190 1.34 190
3 14736 14060 677 677 457652 4.59 4.59 246781.25 433 2.9648093 866
4 14970 14285 685 685 468883 4.57 4.57 320815.02 516.91667 3.5012811 1551
5 14273 14456 -183 183 33466 -1.28 1.28 248977.8 433 2.946381 1368
6 14282 14420 -138 138 19003 -0.97 0.97 202982.76 374.3075 2.5501484 1230
7 14983 14397 587 587 344129 3.92 3.92 226507.12 409.69375 2.7776579 1817
8 14670 14480 189 189 35748 1.29 1.29 199255.82 378.17628 2.5649745 2006
9 14365 14504 -140 140 19478 -0.97 0.97 176783.55 348.34955 2.3658001 1866
10 14148 14489 -341 341 115978 -2.41 2.41 170027.39 347.48355 2.3703882 1526
11 14755 14455 300 300 90150 2.03 2.03 162039.65 342.7602 2.3368432 1826
12 14432 14482 -50 50 2505 -0.35 0.35 147536.46 316.14977 2.1559277 1776
13 13918 14478 -560 560 313460 -4.02 4.02 161363.43 336.4602 2.3114955 1216
14 14684 14435 249 249 61972 1.70 1.70 153717.95 329.72806 2.2641026 1465
15 14997 14452 545 545 296655 3.63 3.63 163927.76 345.08039 2.3617951 2009
16 14647 14489 158 158 24917 1.08 1.08 154660.35 332.59836 2.2761909 2167
17 14380 14499 -119 119 14165 -0.83 0.83 145879.38 319.24944 2.1856587 2048
18 14592 14492 101 101 10148 0.69 0.69 137895.15 306.39567 2.0976984 2149
19 14201 14497 -296 296 87534 -2.08 2.08 135097.3 305.81042 2.0969011 1853
Tabel 3.3 Data Perhitungan Simple Average (lanjutan)
20 14748 14482 267 267 71135 1.81 1.81 131730.84 303.75253 2.0817179 2120
21 14141 14495 -354 354 125228 -2.50 2.50 131405.67 306.25865 2.1027558 1766
22 14490 14478 11 11 132 0.08 0.08 125154.53 292.22139 2.0063962 1777
23 14402 14479 -76 76 5821 -0.53 0.53 119730.28 282.40658 1.9392757 1701
24 14735 14475 259 259 67222 1.76 1.76 117447.3 281.40071 1.9314648 1960

Modul 5 : Peramalan
Kelompok 1
25 14486
26 14486
27 14486
28 14486
29 14486
30 14486
31 14486
32 14486
33 14486
34 14486
35 14486
36 14486
TOTA
347665 505572 1960 6472 2701288 13 44 3815627 7831 54 38253
L

Modul 5 : Peramalan
Kelompok 1
Adapun rekapitulasi data hasil perhitungan setiap periode tersebut

dapat ditunjukkan melalui grafik 3.2 dibawah ini.
Simple Average
15200
15000
14800
14600
14400
14200
14000
13800
13600
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Demand Peramalan
Grafik 3.2 Simple Average

b. Metode Single Moving Average
Single Moving Average.
X t −2+ X t−1
F t=
2
X 8+ X 9
F 10=
2
14670+14365
F 10=
2
F10 = 14517
berikut ini.
error10 = 14148 – 14517
error10 = -369
│error10│ = 369

Modul 5 : Peramalan
Kelompok 1
error102 = -3692
error102 = 136161
error 10
PE 10= x 100
X 10
−369
PE10= x 100
14148
PE10 = -2.61 %
│PE10│ = PE10
│PE10│ = -2.61 %
│PE10│ = 2.61 %
10
∑ error 2t
MSE 10= t =3
10−2
error32+ error 24 +…+ error 29+ error 210
MSE 10=
8
( 677 ) + ( 525 ) + …+ (−462 )2 + (−369 )2
2 2
MSE 10=
8
MSE10 = 254152.55
ini.
10
∑|error t|
MAD10= t=3
10−2
|error 3 +error 4 +…+error 9+ error 10|
MAD10=
8
|( 677 ) + ( 525 )+ …+ (−462 ) +(−369)|

MAD10=
8
MAD10 = 461.77

Modul 5 : Peramalan
Kelompok 1

10
∑ ¿ PEt∨¿
MAPE10= t=3 ¿
10−2
MAPE10=¿ PE3∨+¿ PE 4 ∨+…+¿ PE 9 ∨+ ¿ PE 10∨ ¿ ¿
8
( 4.59)+(3.50)+ …+( 3.22)+( 2.61)
MAPE10=
8
MAPE10 = 3.17
berikut ini.
10
CFE 10=∑ error t
t=3
CFE 10=error 3 +error 4 + …+error 9 +error 10

CFE 10=( 677 ) + ( 525 ) +…+ (−462 ) +(−369)
CFE10 = 194
menggunakan metode single moving average dapat dilihat pada tabel 3.4.

Modul 5 : Peramalan
Kelompok 1
Tabel 3.4 Data Perhitungan Single Moving Average

1 13965
2 14154
3 14736 14060 677 677 457652 4.59 4.59 457652.25 676.50 4.59 676.50
4 14970 14445 525 525 275231 3.50 3.50 366441.82 600.56 4.05 1201
5 14273 14853 -580 580 335965 -4.06 4.06 356282.93 593.58 4.05 622
6 14282 14622 -340 340 115430 -2.38 2.38 296069.71 530.13 3.63 282
7 14983 14278 706 706 498083 4.71 4.71 336472.38 565.25 3.85 988
8 14670 14633 37 37 1369 0.25 0.25 280621.82 477.21 3.25 1025
9 14365 14826 -462 462 213329 -3.22 3.22 271008.49 475.02 3.24 563
10 14148 14517 -369 369 136161 -2.61 2.61 254152.55 461.77 3.17 194
11 14755 14256 499 499 248502 3.38 3.38 253524.74 465.85 3.19 692
12 14432 14451 -20 20 385 -0.14 0.14 228210.78 421.23 2.88 673
13 13918 14593 -676 676 456300 -4.85 4.85 248946.19 444.34 3.06 -3
14 14684 14175 509 509 258827 3.46 3.46 249769.55 449.71 3.10 506
15 14997 14301 696 696 484938 4.64 4.64 267859.44 468.68 3.22 1202
16 14647 14840 -194 194 37539 -1.32 1.32 251407.99 449.04 3.08 1008
17 14380 14822 -442 442 195585 -3.08 3.08 247686.46 448.59 3.08 566
18 14592 14513 79 79 6281 0.54 0.54 232598.59 425.51 2.92 645
19 14201 14486 -285 285 81011 -2.00 2.00 223681.7 417.22 2.87 361
Tabel 3.4 Data Perhitungan Single Moving Average (lanjutan)
20 14748 14397 352 352 123552 2.38 2.38 218118.95 413.57 2.84 712
21 14141 14475 -334 334 111389 -2.36 2.36 212501.59 409.37 2.82 379
22 14490 14445 45 45 2014 0.31 0.31 201977.20 391.14 2.69 423
23 14402 14315 87 87 7569 0.60 0.60 192719.66 376.66 2.59 510
24 14735 14446 289 289 83304 1.96 1.96 187746.24 372.66 2.56 799

Modul 5 : Peramalan
Kelompok 1
25 14568
26 14568
27 14568
28 14568
29 14568
30 14568
31 14568
32 14568
33 14568
34 14568
35 14568
36 14568
TOTAL 347665 493567 799 8199 4130417 4 56 5835451 10334 71 14023

Modul 5 : Peramalan
Kelompok 1

Simple Moving Average

15200
15000
14800
14600
14400
14200
14000
13800
13600
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Demand Peramalan
Grafik 3.3 Single Moving Average

c. Metode Weight Moving Average
Metode Weight Moving Average merupakan suatu peramalan dengan
memberikan bobot yang berbeda-beda pada beberapa data terakhir. Hal
ini bisa didasarkan jika pengaruh data yang lebih baru adalah lebih besar
dari data yang lebih lama terhadap keadaan di masa datang, dengan
jumlah seluruh bobot harus 1.
Weight Moving Average.
Ft = Xt-4 x b1 + Xt-3 x b2 + Xt-2 x b3 + Xt-1 x b4
F10 = X6 x b1 + X7 x b2 + X8 x b3 + X9 x b4
F10 = 14282 x 0.1 + 14983 x 0.2 + 14670 x 0.3 + 14365 x 0.4
F10 = 14571
berikut ini.
error10 = 14148 – 14571

Modul 5 : Peramalan
Kelompok 1
error10 = -423
│error10│ = 423
error102 = -4232
error102 = 179331
error 10
PE 10= x 100
X 10
−423
PE10= x 100
14148
PE10 = -2.99 %
│PE10│ = PE10
│PE10│ = -2.99 %
│PE10│ = 2.99 %
10
∑ error 2t
MSE 10= t =5
10−4
error52+ error 26+ …+error 29 +error 210
MSE 10=
6
(−363 ) + (−281 ) +…+ (−282 )2+ (−423 )2
2 2
MSE 10=
6
MSE10 = 123753.5
ini.
10
∑|error t|
MAD10= t=5
10−4
|error 5 +error 6 + …+error 9 +error 10|
MAD10=
6
|(−363 ) + (−281 ) + …+ (−282 )+(−423)|
MAD10=
6

Modul 5 : Peramalan
Kelompok 1
MAD10 = 318.40

10
∑ ¿ PEt∨¿
MAPE10= t=5 ¿
10−4
MAPE10=¿ PE 5∨+¿ PE 6 ∨+ …+¿ PE 9∨+¿ PE 10∨ ¿ ¿
6
(2.54)+(1.97)+…+(1.96)+(2.99)
MAPE10=
6
MAPE10 = 2.20
berikut ini.
10
CFE 10=∑ error t
t=5
CFE 10=error 5 +error 6 +…+ error 9 +error 10

CFE 10=(−363 ) + (−281 ) +…+ (−282 )+(−423)
CFE10 = -788
menggunakan metode weight moving average dapat dilihat pada tabel
3.5.

Modul 5 : Peramalan
Kelompok 1

Modul 5 : Peramalan
Kelompok 1
Tabel 3.5 Data Perhitungan Weight Moving Average

Periode Demand Bobot Peramalan e |e| e² PE (%) |PE| MSE MAD MAPE CFE
1 13965 0.1
2 14154 0.2
3 14736 0.3
4 14970 0.4
5 14273 14636 -363 363 131606 -2.54 2.54 131606 362.78 2.54 -363
6 14282 14563 -281 281 79017 -1.97 1.97 105311.5 321.94 2.25 -644
7 14983 14462 521 521 271467 3.48 3.48 160696.7 388.30 2.66 -123
8 14670 14629 40 40 1604 0.27 0.27 120923.5 301.24 2.07 -83
9 14365 14646 -282 282 79496 -1.96 1.96 112638 297.38 2.04 -365
10 14148 14571 -423 423 179331 -2.99 2.99 123753.5 318.40 2.20 -788
11 14755 14401 354 354 125298 2.40 2.40 123974.2 323.48 2.23 -434
12 14432 14486 -54 54 2959 -0.38 0.38 108847.3 289.84 2.00 -489
13 13918 14465 -547 547 299674 -3.93 3.93 130050.3 318.46 2.21 -1036
14 14684 14262 421 421 177346 2.87 2.87 134779.9 328.73 2.28 -615
15 14997 14411 586 586 343924 3.91 3.91 153793 352.16 2.43 -29
16 14647 14631 16 16 254 0.11 0.11 140998 324.14 2.23 -13
17 14380 14686 -307 307 94050 -2.13 2.13 137386.6 322.80 2.23 -319
18 14592 14614 -21 21 452 -0.15 0.15 127605.5 301.26 2.08 -341
19 14201 14580 -379 379 143262 -2.67 2.67 128649.3 306.41 2.12 -719
Tabel 3.5 Data Perhitungan Weight Moving Average (lanjutan)
Periode Demand Bobot Peramalan e |e| e² PE (%) |PE| MSE MAD MAPE CFE
20 14748 14399 350 350 122168 2.37 2.37 128244.2 309.10 2.13 -369

Modul 5 : Peramalan
Kelompok 1
21 14141 14516 -375 375 140681 -2.65 2.65 128975.8 312.98 2.16 -745
22 14490 14380 109 109 11914 0.75 0.75 122472.3 301.66 2.09 -635
23 14402 14408 -6 6 32 -0.04 0.04 116028.1 286.08 1.98 -641
24 14735 14411 324 324 104798 2.20 2.20 115466.6 287.96 1.99 -317
25 14526
26 14526
27 14526
28 14526
29 14526
30 14526
31 14526
32 14526
33 14526
34 14526
35 14526
36 14526
TOTAL 347665 1 464475 -317 5759 2309332 -3 40 2552200 6355 44 -9067

Modul 5 : Peramalan
Kelompok 1

Weighted Moving Average

15200
15000
14800
14600
14400
14200
14000
13800
13600
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Demand Peramalan
Grafik 3.4 Weight Moving Average

d. Metode Centered Moving Average
Perhitungan yang digunakan pada metode ini sama dengan
metode moving average. Hanya saja hasil perhitungannya diletakkan
pada pertengahan periode yang digunakan untuk menghitung nilai rata-
ratanya.
Centered Moving Average.
X 9 + X 10 + X 11
F 10=
3
14365+14148+14755
F 10=
3
F10 = 14422
berikut ini.
error10 = 14148 – 14422
error10 = -274

Modul 5 : Peramalan
Kelompok 1
│error10│ = 274
error102 = -2742
error102 = 75305
error 10
PE 10= x 100
X 10
−274
PE10= x 100
14148
PE10 = -1.94 %
│PE10│ = PE10
│PE10│ = -1.94 %
│PE10│ = 1.94 %
10
∑ error 2t
MSE 10= t =2
10−1
MSE 10=
9
(−131 ) + ( 116 ) + …+ (−30 )2 + (−274 )2
2 2
MSE 10=
9
MSE10 = 41197.149
ini.
10
∑|error t|
MAD10= t=2
10−1
MAD10=
9
|(−131 ) + ( 116 )+ …+ (−30 ) +(−274)|
MAD10=
9

Modul 5 : Peramalan
Kelompok 1
MAD10 = 185.34259

10
∑ ¿ PEt∨¿
MAPE10= t=2 ¿
10−1
MAPE10=¿ PE2∨+¿ PE 3∨+ …+¿ PE 9∨+¿ PE 10∨ ¿ ¿
9
(0.92)+( 0.79)+…+(0.21)+(1.94)
MAPE10=
9
MAPE10 = 1.2744135
berikut ini.
10
CFE 10=∑ error t
t=2

CFE 10=(−131 ) + ( 116 ) + …+ (−30 ) +(−274)
CFE10 = -139
menggunakan metode centered moving average dapat dilihat pada tabel
3.6.

Modul 5 : Peramalan
Kelompok 1

Modul 5 : Peramalan
Kelompok 1
Tabel 3.6 Data Perhitungan Centered Moving Average

1 13965
2 14154 14285 -131 131 17096 -0.92 0.92 17095.56 131 0.92 -131
3 14736 14620 116 116 13456 0.79 0.79 15275.781 123.375 0.8554693 -15
4 14970 14660 310 310 96152 2.07 2.07 42234.412 185.61111 1.2607794 295
5 14273 14508 -235 235 1 -1.6464 1.6464 31676.059 197.95833 1.3571937 60
6 14282 14513 -231 231 53361 -1.62 1.62 36013.047 204.56667 1.4092447 -171
7 14983 14645 338 338 114526 2.26 2.26 49098.513 226.875 1.5508095 168
8 14670 14672 -3 3 9 -0.02 0.02 42085.655 194.88095 1.3321056 165
9 14365 14394 -30 30 870 -0.21 0.21 36933.729 174.20833 1.1912633 135
10 14148 14422 -274 274 75305 -1.94 1.94 41197.149 185.34259 1.2744135 -139
11 14755 14445 310 310 96048 2.10 2.10 46682.268 184.725 1.3570175 171
12 14432 14368 64 64 4053 0.44 0.44 42806.92 185.60606 1.2737574 235
13 13918 14344 -427 427 181973 -3.07 3.07 54404.122 205.6875 1.4230302 -192
14 14684 14533 151 151 22726 1.03 1.03 51967.31 201.46154 1.3925404 -41
15 14997 14776 221 221 48988 1.48 1.48 51754.534 202.88095 1.3984911 180
16 14647 14674 -28 28 775 -0.19 0.19 48355.878 191.21111 1.3179273 152
17 14380 14539 -160 160 25573 -1.11 1.11 46931.969 189.25521 1.3050641 -8
18 14592 14391 201 201 40502 1.38 1.38 46553.71 189.96078 1.3094225 194
19 14201 14514 -313 313 97760 -2.20 2.20 49398.529 196.77778 1.3589926 -119
Tabel 3.6 Data Perhitungan Centered Moving Average (lanjutan)
Peramala
Periode Demand e |e| e² PE (%) |PE| MSE MAD MAPE CFE
n
20 14748 14364 385 385 148033 2.61 2.61 54589.793 206.67105 1.4247711 266
21 14141 14460 -319 319 101495 -2.25 2.25 56935.071 212.26667 1.4661778 -53
22 14489.5 14344 145 145 21098 1.00 1.00 55228.523 209.0754 1.4440955 92
23 14402 14542 -140 140 19553 -0.97 0.97 53606.925 205.92803 1.4225872 -48

Modul 5 : Peramalan
Kelompok 1
24 14735 14542 192 192 37024 1.31 1.31 52885.935 205.34058 1.4175135 145
25 14542
26 14542
27 14542
28 14542
29 14542
30 14542
31 14542
32 14542
33 14542
34 14542
35 14542
36 14542
TOTAL 347665 508060 145 4723 1216377 0.31 33 1023711 4410 30 1341

Modul 5 : Peramalan
Kelompok 1

Centered Moving Average

15200
15000
14800
14600
14400
14200
14000
13800
13600
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Demand Peramalan
Grafik 3.5 Centered Moving Average

e. Metode Single Exponential Smoothing
Berikut ini merupakan contoh perhitungan peramalan menggunakan
metode Single Exponential Smoothing dengan nilai konstanta yang
diberikan sebesar 0.4.
F 10=( ∝ x X 10 ) +( ( 1−∝ ) x F 10−1)
F 10=( ∝ x X 10 ) +( ( 1−∝ ) x F 9 )
F 10=( 0.4 x 14148 ) +( ( 0.6 ) x 14529)
F10 = 14377
berikut ini.
error10 = 14148 – 14377
error10 = -229
│error10│ = 229

Modul 5 : Peramalan
Kelompok 1
error102 = -2292
error102 = 52392
error 10
PE 10= x 100
X 10
−229
PE10= x 100
14148
PE10 = -1.62 %
│PE10│ = PE10
│PE10│ = -1.62 %
│PE10│ = 1.62 %
10
∑ error 2t
MSE 10= t =2
10−1
MSE 10=
9
( 190 ) + ( 463 ) + …+ (−165 )2 + (−229 )2
2 2
MSE 10=
9
MSE10 = 74949.436
ini.
10
∑|error t|
MAD10= t=2
10−1
MAD10=
9
|( 190 ) + ( 463 )+ …+ (−165 ) +(−229)|
MAD10=
9
MAD10 = 235.57658

Modul 5 : Peramalan
Kelompok 1

10
∑ ¿ PEt∨¿
MAPE10= t=2 ¿
10−1
MAPE10=¿ PE2∨+¿ PE 3∨+ …+¿ PE 9∨+¿ PE 10∨ ¿ ¿
9
(1.34)+(3.14)+…+(1.15)+(1.62)
MAPE10=
9
MAPE10 = 1.61
berikut ini.
10
CFE 10=∑ error t
t=2

CFE 10=( 190 ) + ( 463 )+ …+ (−165 ) +(−229)
CFE10 = 808
menggunakan metode single exponential smoothing dapat dilihat pada
tabel 3.7.

Modul 5 : Peramalan
Kelompok 1

Modul 5 : Peramalan
Kelompok 1
Tabel 3.7 Data Perhitungan Single Exponential Smoothing

1 13965
2 14154 13965 190 190 35910 1.34 1.34 35910 190 1.34 190
3 14736 14273 463 463 214138 3.14 3.14 125023.91 326.125 2.2395446 652
4 14970 14552 418 418 174640 2.79 2.79 141562.74 356.71667 2.423573 1070
5 14273 14440 -167 167 27942 -1.17 1.17 113157.67 309.3275 2.1104652 903
6 14282 14377 -95 95 9062 -0.67 0.67 92338.593 266.5012 1.8216836 808
7 14983 14619 364 364 132338 2.43 2.43 99005.1 282.71473 1.9227242 1172
8 14670 14639 30 30 901 0.20 0.20 84990.253 246.61541 1.6772834 1202
9 14365 14529 -165 165 27221 -1.15 1.15 77769.115 236.41202 1.6111959 1037
10 14148 14377 -229 229 52392 -1.62 1.62 74949.436 235.57658 1.61 808
11 14755 14528 227 227 51399 1.54 1.54 72594.425 234.69034 1.6043965 1034
12 14432 14490 -58 58 3338 -0.40 0.40 66298.345 218.60681 1.4949339 977
13 13918 14261 -343 343 117692 -2.46 2.46 70581 228.97815 1.575767 634
14 14684 14430 254 254 64319 1.73 1.73 70099.471 230.87308 1.5874151 887
15 14997 14657 340 340 115782 2.27 2.27 73362.5 238.68696 1.6360928 1227
16 14647 14653 -6 6 38 -0.04 0.04 68474.18 223.1838 1.5298145 1221
17 14380 14543 -164 164 26858 -1.14 1.14 65873.161 219.47754 1.5054326 1057
18 14592 14563 29 29 860 0.20 0.20 62048.837 208.29179 1.428697 1087
19 14201 14418 -217 217 47093 -1.53 1.53 61217.931 208.77603 1.4342189 870
Tabel 3.7 Data Perhitungan Single Exponential Smoothing (lanjutan)
20 14748 14550 198 198 39202 1.34 1.34 60059.201 208.20862 1.4293915 1068
21 14141 14387 -246 246 60296 -1.74 1.74 60071.054 210.07583 1.444745 822
22 14490 14428 62 62 3815 0.43 0.43 57392.209 203.01357 1.3962475 884
23 14402 14418 -15 15 234 -0.11 0.11 54794.097 194.48063 1.337607 869
24 14735 14544 190 190 36167 1.29 1.29 53984.229 194.2935 1.3355671 1059

Modul 5 : Peramalan
Kelompok 1
25 14544
26 14544
27 14544
28 14544
29 14544
30 14544
31 14544
32 14544
33 14544
34 14544
35 14544
36 14544
TOTAL 347665 507173 1059 4469 1241637 7 31 1741558 5471 37 21536

Modul 5 : Peramalan
Kelompok 1

Single Exponential Smoothing

15200
15000
14800
14600
14400
14200
14000
13800
13600
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Demand Peramalan a= 0,4
Grafik 3.6 Single Exponential Smoothing

f. Metode Double Exponential Smoothing
Metode double exponential smoothing sebenarnya hampir sama
dengan metode single exponential smoothing, perbedaannya hanya pada
penggunaan konstanta pemulusan () yang dilakukan dua kali serta
disesuaikan untuk data trend.
metode double exponential smoothing dengan nilai konstanta pemulusan
sebesar 0.4.
S't =( ∝ x X t ) +( ( 1−∝) x S't −1)
S'10=( 0.4 x X 10 ) +( ( 1−0.4 ) x S '9 )
S'10=( 0.4 x 14148 ) +( ( 0.6 ) x 14532)

S'10=¿ 14378
S}t = left (∝x {S} rsub {t} rsup {'} right ) +( left (1 - ∝ right ) x {S} rsub {t- 1} rsup {
¿
S}10= left (0.4 x {S} rsub {10} rsup {'} right ) +( left (1 - 0.4 right ) x {S} rsub {9} rsup {
¿
S}10= left (0.4 x 14378 right ) +( left (0.6 right ) x 14538 ¿
S}10¿ 14474

Modul 5 : Peramalan
Kelompok 1
a t=( 2 x S 't ) −S t¿
a 10=( 2 x 14378 )−14474
a 10=¿ 14282
∝
b t= ( 1−∝ )x ¿
0.4
=(
0.6 )
b 10 x ( 14378−14474 )
b 10=¿ -64
F t=at +b t
F 10=14282+(−64)
F 10=¿14218
berikut ini.
error10 = 14148 – 14218
error10 = -70.39
│error10│ = 70.39
error102 = -70.392
error102 = 4955
error 10
PE10= x 100
X 10
−70.39
PE10= x 100
14148
PE10 = -0.50 %

Modul 5 : Peramalan
Kelompok 1
│PE10│ = PE10
│PE10│ = -0.50 %
│PE10│ = 0.50 %
10
∑ error 2t
MSE 10= t =3
10−2
error32+ error 24 +…+ error 29+ error 210
MSE 10=
8
( 94 ) + (−64 ) + …+ (−157 )2 + (−70 )2
2 2
MSE 10=
8
MSE10 = 25132.97
ini.
10
∑|error t|
MAD10= t=3
10−2
|error 3 +error 4 +…+error 9+ error 10|
MAD10=
8
|( 94 ) + (−64 )+ …+ (−157 ) +(−70)|
MAD10=
8
MAD10 = 136.56
10
∑ ¿ PEt∨¿
MAPE10= t=3 ¿
10−2
MAPE10=¿ PE3∨+¿ PE 4 ∨+…+¿ PE 9 ∨+ ¿ PE 10∨ ¿ ¿
8
(0.64 )+(0.43)+…+(1.09)+(0.50)
MAPE10=
8
MAPE10 = 0.94

Modul 5 : Peramalan
Kelompok 1

berikut ini.
10
CFE 10=∑ error t
t=3
CFE 10=error 3 +error 4 + …+error 9 +error 10

CFE 10=( 94 )+ (−64 ) +…+ (−157 ) +(−70)
CFE10 = -691
menggunakan metode double exponential smoothing dapat dilihat pada
tabel 3.8.

Modul 5 : Peramalan
Kelompok 1

Modul 5 : Peramalan
Kelompok 1
Tabel 3.8 Data Perhitungan Double Exponential Smoothing

Periode Demand S' S'' a B Peramalan e |e| e² PE (%) |PE| MSE MAD MAPE CFE
1 13965 13965 13965
2 14154 14041 13995 14086 30.32
3 14736 14319 14125 14513 129 14642 94 93.61 8763 0.64 0.64 8762.83 93.61 0.64 94
4 14970 14579 14306 14852 182 15034 -64 63.99 4095 -0.43 0.43 6428.90 6428.90 0.53 30
5 14273 14457 14367 14547 60 14607 -334 333.94 111516 -2.34 2.34 -0.71 163.85 1.13 -304
6 14282 14387 14375 14399 8 14407 -125 125.25 15688 -0.88 0.88 35015.38 154.20 1.07 -304
7 14983 14625 14475 14776 100 14876 107 107.16 11483 0.72 0.72 30308.84 144.79 1.00 -430
8 14670 14643 14542 14744 67 14811 -142 141.61 20054 -0.97 0.97 28599.64 144.26 0.99 -322
9 14365 14532 14538 14525 -4 14521 -157 156.56 24511 -1.09 1.09 28015.54 146.02 1.01 -621
10 14148 14378 14474 14282 -64 14218 -70 70.39 4955 -0.50 0.50 25132.97 136.56 0.94 -691
11 14755 14529 14496 14562 22 14584 171 171.18 29303 1.16 1.16 25596.32 140.41 0.97 -520
12 14432 14490 14494 14486 -2 14484 -52 52.27 2732 -0.36 0.36 23309.91 131.60 0.91 -666
13 13918 14261 14401 14122 -93 14029 -111 110.87 12292 -0.80 0.80 22308.32 129.71 0.90 -683
14 14684 14430 14412 14448 12 14460 224 223.96 50159 1.53 1.53 24629.23 137.57 0.95 -459
15 14997 14657 14510 14804 98 14901 96 95.70 9158 0.64 0.64 23439.15 134.35 0.93 -363
16 14647 14653 14567 14738 57 14795 -149 148.75 22126 -1.02 1.02 23345.36 135.37 0.93 -512
17 14380 14543 14558 14529 -10 14520 -140 140.17 19647 -0.97 0.97 23098.83 135.69 0.93 -652
18 14592 14563 14560 14566 2 14568 24 24.02 577 0.16 0.16 21691.20 128.71 0.89 -628
19 14201 14418 14503 14333 -57 14277 -76 75.51 5702 -0.53 0.53 20750.64 125.58 0.87 -704
Tabel 3.8 Data Perhitungan Double Exponential Smoothing (lanjutan)
Periode Demand S' S'' a B Peramalan e |e| e² PE (%) |PE| MSE MAD MAPE CFE
20 14748 14550 14522 14579 19 14597 151 150.90 22772 1.02 1.02 20862.92 126.99 0.87 -553
21 14141 14387 14468 14305 -54 14251 -110 110.10 12123 -0.78 0.78 20402.91 126.10 0.87 -663
22 14490 14428 14452 14404 -16 14388 102 101.86 10376 0.70 0.70 19901.55 124.89 0.86 -561
23 14402 14418 14438 14397 -14 14383 19 18.96 359 0.13 0.13 18970.97 119.85 0.83 -542
24 14735 14544 14481 14608 42 14651 84 83.94 7046 0.57 0.57 18428.94 118.21 0.81 -458

Modul 5 : Peramalan
Kelompok 1
25 14544 14506 14583 25 14608

26 14544 14506 14583 25 14608
27 14544 14506 14583 25 14608
28 14544 14506 14583 25 14608
29 14544 14506 14583 25 14608
30 14544 14506 14583 25 14608
31 14544 14506 14583 25 14608
32 14544 14506 14583 25 14608
33 14544 14506 14583 25 14608
34 14544 14506 14583 25 14608
35 14544 14506 14583 25 14608
36 14544 14506 14583 25 14608
50859
TOTAL 347665 521327 520095 822 495301 -458 2601 405437 -3 18 469000 9227 20 -10513
5

Modul 5 : Peramalan
Kelompok 1

Double Exponential Smoothing

15200
15000
14800
14600
14400
14200
14000
13800
13600
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Demand Peramalan
Grafik 3.7 Double Exponential Smoothing

g. Metode Linear Regresi
Peramalan dengan metode linier regresi menggunakan persamaan
yang mana memiliki tiga konstanta, yaitu a, b dan X seperti berikut.
b=
( n−( (∑ t x X )−(∑ t x ∑ X )) )
t t
2
(n x (∑ t −( ∑ t ) ))
2
a=
∑ Xt − b x ∑ t
n n
F t=a+(b x t)
Dimana: N = banyaknya demand
t = periode
Xt = demand
Ft = peramalan pada periode ke-t
metode linear regresi.
( 24 x 4350209¿−( 300 x 347665 ) )
b=
( 24 x 4900 )−90000
b=¿ 3.83

Modul 5 : Peramalan
Kelompok 1
347665−( 3.83 x 300)

a=
24
a=¿ 14438.21
F t=a+(b x t)
F 10=14438.21+(3.83 x 9)
F 10=¿ 14473
berikut ini.
error10 = 14148 – 14473
error10 = -325
│error10│ = 325
error102 = -3252
error102 = 105392
error 10
PE 10= x 100
X 10
−325
PE10= x 100
14148
PE10 = -2.29 %
│PE10│ = PE10
│PE10│ = -2.29 %
│PE10│ = 2.29 %
10
∑ error 2t
MSE 10= t =2
10−1

Modul 5 : Peramalan
Kelompok 1

MSE 10=
9
(−288 ) + ( 290 ) + …+ (−104 )2 + (−325 )2
2 2
MSE 10=
9
MSE10 = 103495.8
ini.
10
∑|error t|
MAD10= t=2
10−1
MAD10=
9
|(−288 ) + ( 290 )+ …+ (−104 ) +(−325)|
MAD10=
9
MAD10 = 289.93
10
∑ ¿ PEt∨¿
MAPE10= t=2 ¿
10−1
MAPE10=¿ PE2∨+¿ PE 3∨+ …+¿ PE 9∨+¿ PE 10 ∨ ¿ ¿
1
(2.03)+(1.97)+ …+(0.73)+( 2.29)
MAPE10=
1
MAPE10 = 1.99
berikut ini.
10
CFE 10=∑ error t
t=2

CFE 10=(−288 ) + ( 290 ) +…+ (−104 ) +(−325)
CFE10 = 464

Modul 5 : Peramalan
Kelompok 1

menggunakan metode linear regresi dapat dilihat pada tabel 3.9.

Modul 5 : Peramalan
Kelompok 1
Tabel 3.9 Data Perhitungan Linear Regresi

MAP
Periode Demand t.Xt t^2 b a Peramalan e |e| e^2 PE (%) |PE| MSE MAD CFE
E
1 13965 13965 1 3.83 14438.21
2 14154 28309 4 3.83 14438.21 14442 -288 288 82822 -2.03 2.03 82821.65 287.79 2.03 -288
3 14736 44208 9 3.83 14438.21 14446 290 290 84179 1.97 1.97 83500.549 288.96 2.00 2
4 14970 59879 16 3.83 14438.21 14450 520 520 270464 3.47 3.47 145821.66 366.00 2.49 522
5 14273 71366 25 3.83 14438.21 14454 -180 180 32495 -1.26 1.26 117490.03 319.56 2.18 342
6 14282 85691 36 3.83 14438.21 14457 -176 176 30832 -1.23 1.23 100158.37 290.77 1.99 167
7 14983 104883 49 3.83 14438.21 14461 522 522 272573 3.48 3.48 128894.06 329.32 2.24 689
8 14670 117356 64 3.83 14438.21 14465 205 205 41824 1.39 1.39 116455.49 311.49 2.12 893
9 14365 129281 81 3.83 14438.21 14469 -104 104 10882 -0.73 0.73 103258.79 285.59 1.95 789
10 14148 141480 100 3.83 14438.21 14473 -325 325 105392 -2.29 2.29 103495.85 289.93 1.99 464
11 14755 162302 121 3.83 14438.21 14476 278 278 77441 1.89 1.89 100890.38 288.77 1.98 742
12 14432 173181 144 3.83 14438.21 14480 -49 49 2356 -0.34 0.34 91932.751 266.93 1.83 694
13 13918 180931 169 3.83 14438.21 14484 -566 566 320773 -4.07 4.07 111002.79 291.88 2.01 128
14 14684 205569 196 3.83 14438.21 14488 196 196 38242 1.33 1.33 105405.82 284.47 1.96 323
15 14997 224955 225 3.83 14438.21 14492 505 505 255258 3.37 3.37 116109.53 300.24 2.06 828
16 14647 234344 256 3.83 14438.21 14496 151 151 22772 1.03 1.03 109887.05 290.29 1.99 979
17 14380 244452 289 3.83 14438.21 14499 -120 120 14381 -0.83 0.83 103917.92 279.64 1.92 859
18 14592 262661 324 3.83 14438.21 14503 89 89 7922 0.61 0.61 98271.081 268.42 1.84 948
19 14201 269824 361 3.83 14438.21 14507 -306 306 93527 -2.15 2.15 98007.517 270.50 1.86 643
Tabel 3.9 Data Perhitungan Linear Regresi (lanjutan)
Periode Demand t.Xt t^2 b a Peramalan e |e| e^2 PE (%) |PE| MSE MAD MAP CFE

Modul 5 : Peramalan
Kelompok 1
E
20 14748 294965 400 3.83 14438.21 14511 237 237 56336 1.61 1.61 95814.296 268.76 1.85 880
21 14141 296961 441 3.83 14438.21 14515 -374 374 139669 -2.64 2.64 98007.019 274.00 1.89 506
22 14490 318769 484 3.83 14438.21 14519 -29 29 844 -0.20 0.20 93380.199 93380.20 1.81 477
23 14402 331252 529 3.83 14438.21 14522 -120 120 14430 -0.83 0.83 89791.542 89791.54 1.76 357
24 14735 353628 576 3.83 14438.21 14526 208 208 43389 1.41 1.41 87774.046 87774.05 1.75 565
25 3.83 14438.21 14530
26 14530
27 14530
28 14530
29 14530
30 14530
31 14530
32 14530
33 14530
34 14530
35 14530
36 14530
435020 201880
TOTAL 347665 4900 96 360955 507495 565 5838 3 40 2382088 276799 46 12511
9 3

Modul 5 : Peramalan
Kelompok 1

Linear Regresi
15200
15000
14800
14600
14400
14200
14000
13800
13600
1 3 5 7 9 11 13 15 17 19 21 23
Demand Peramalan
Grafik 3.8 Linear Regresi

3.2.3 Rekapitulasi Nilai Error dan Verifikasi Data
Adapun rekapitulasi nilai error dari masing-masing peramalan dan
verifikasi data dengan menggunakan 7 metode, dapat dilihat pada tabel 3.10.
Tabel 3.10 Rekapitulasi nilai error
Metode PE MSE MAD MAPE CFE
Simple Average 44 3815627 7831 54 38253
Single Moving Average 56 5835451 10334 71 14023
Weight Moving Average 40 2552200 6355 44 -9067
Centered Moving Average 33 1023711 4410 30 1341
Single Exponential Smoothing 31 1741558 5471 37 21536
Double Exponential Smoothing 18 469000 9227 20 -10513
Linear Regresi 40 2382088 276799 46 12511
Hasil error diperoleh dari perhitungan dengan menggunakan metode

Percentage Error (PE), Mean Square Error (MSE), Mean Absolute
Deviation (MAD), Mean Absolute Percentage (MAPE) dan Cumulative
Forecast Error (CFE). Hasil error setiap metode dibandingkan, semakin
kecil nilai error yang dimiliki suatu metode peramalan, maka semakin baik
prediksi yang diberikan metode tersebut. Berdasarkan rekapitulasi nilai
error dan verifikasi data diatas, letak error terkecil pada metode double
exponential smoothing yang memiliki 4 nilai verifikasi error terkecil.

Modul 5 : Peramalan
Kelompok 1
3.2.4 Validasi Metode

Berdasarkan metode yang dipilih yaitu metode double exponential
smoothing maka dapat dilakukan validasi dengan menggunakan peta moving
range. Peta moving range menunjukkan sebaran error tiap periode dalam
batas-batas di antaranya UCL, LCL, Region A, Region B, dan Region C.
Contoh perhitungan dari moving range, rata-rata MR, serta batas UCL,
LCL, Region A, Region B, dan Region C berdasarkan rumus dibawah ini.
MRt = |errort – error t−1|
MR10 = |(-157) – (-142)| = -15
∑ MR
´
MR=
n
3569
MR=
´ =170
21
´
UCL=2.66 MR
UCL=2.66 x 170=452
´
LCL=−2.66 MR
LCL=−2.66 x 170=−452
2 2
Region A ±=± UCL=± ( 452 ) =±301
3 3
1 1
Region B ±=± UCL=± ( 452 )=± 151
3 3
Region C=0
Adapun rekapitulasi validasi data hasil perhitungan dari moving range,
rata-rata MR, serta batas UCL, LCL, Region A, Region B, dan Region C
setiap periode dapat dilihat pada tabel 3.11.

Modul 5 : Peramalan
Kelompok 1
Tabel 3.11 Perhitungan Validasi Data
Periode Demand Peramalan error MR |MR| UCL LCL Region A+ Region B+ CL Region B- Region A-
1 13965 452 -452 301 151 0 -151 -301
2 14154 452 -452 301 151 0 -151 -301
3 14736 14642 94 452 -452 301 151 0 -151 -301
4 14970 15034 -64 -158 158 452 -452 301 151 0 -151 -301
5 14273 14607 -334 -270 270 452 -452 301 151 0 -151 -301
6 14282 14407 -125 209 209 452 -452 301 151 0 -151 -301
7 14983 14876 107 232 232 452 -452 301 151 0 -151 -301
8 14670 14811 -142 -249 249 452 -452 301 151 0 -151 -301
9 14365 14521 -157 -15 15 452 -452 301 151 0 -151 -301
10 14148 14218 -70 86 86 452 -452 301 151 0 -151 -301
11 14755 14584 171 242 242 452 -452 301 151 0 -151 -301
12 14432 14484 -52 -223 223 452 -452 301 151 0 -151 -301
13 13918 14029 -111 -59 59 452 -452 301 151 0 -151 -301
14 14684 14460 224 335 335 452 -452 301 151 0 -151 -301
15 14997 14901 96 -128 128 452 -452 301 151 0 -151 -301
16 14647 14795 -149 -244 244 452 -452 301 151 0 -151 -301
17 14380 14520 -140 9 9 452 -452 301 151 0 -151 -301
18 14592 14568 24 164 164 452 -452 301 151 0 -151 -301
19 14201 14277 -76 -100 100 452 -452 301 151 0 -151 -301
20 14748 14597 151 226 226 452 -452 301 151 0 -151 -301
21 14141 14251 -110 -261 261 452 -452 301 151 0 -151 -301
22 14490 14388 102 212 212 452 -452 301 151 0 -151 -301
Tabel 3.11 Perhitungan Validasi Data (lanjutan)

Modul 5 : Peramalan
Kelompok 1
Periode Demand Peramalan error MR |MR| UCL LCL Region A+ Region B+ CL Region B- Region A-
23 14402 14383 19 -83 83 452 -452 301 151 0 -151 -301
24 14735 14651 84 65 65 452 -452 301 151 0 -151 -301
25 14608
26 14608
27 14608
28 14608
29 14608
30 14608
31 14608
32 14608
33 14608
34 14608
35 14608
36 14608
Total MR 3569
Rata-rata MR 170
UCL 452
LCL -452
Region A 301
Region B 151
Region C 0

Modul 5 : Peramalan
Kelompok 1
Adapun rekapitulasi validasi data hasil perhitungan dari moving range,

rata-rata MR, serta batas UCL, LCL, Region A, Region B dan C setiap
periode tersebut dapat ditunjukkan melalui peta grafik 3.9 dibawah ini.
Validasi Data
500
400
error
300
UCL
200 LCL
100 Region A+
Region B+
0 CL
1 2 3 4 5 6 7 8 9 10111213141516171819202122
-100 Region B-
-200 Region A-
-300
-400
-500
Grafik 3.9 Validasi Data

3.2.5 Hasil Peramalan yang digunakan 12 Periode Kedepan dengan
Menggunakan Metode Terpilih
Setelah dilakukan verifikasi data maka diperoleh metode terbaik dalam
peramalan dengan pola data konstan yaitu pada metode double exponential
smoothing yang kemudian dilakukan validasi data, sehingga diperoleh data
permintaan untuk 12 periode kedepan yang terdapat pada tabel 3.12 berikut.
Tabel 3.12 Permintaan 12 Periode Kedepan
Periode Peramalan
25 14608
26 14608
27 14608
28 14608
29 14608
30 14608
31 14608
32 14608
33 14608
34 14608
35 14608
36 14608

Modul 5 : Peramalan
Kelompok 1
BAB IV
ANALISIS
4.1 Analisis Semua Metode Ramalan
Berikut merupakan analisis terhadap 7 metode peramalan yang telah
dilakukan.
a. Analisa Metode Simple Average
Metode Simple Average adalah metode peramalan yang menghitung
rata-rata seluruh data masa lalu untuk mendapatkan hasil peramalan di
masa yang akan datang. Nilai error yang di hitung dalam PE, MSE,
MAD, MAPE, CFE. Berturut-turut adalah sebesar 44, 3815627, 7831, 54,
38253. Dapat dilihat bahwa pada periode 1 adalah 13965 yang kemudian
diramalkan dengan periode 2 yang memiliki nilai peramalan 13965 atau
sama dengan nilai dari deman periode 1, karena ini adalah data pertama
yang belum di kalkulasikan dengan data sebelumnya yang sudah
dilakukan peramalan.
Sebagai contoh diambil data dari periode ke 3, dengan hasil peramalan
periode 3, dengan demand yang masih sama dengan hasil peramalan, yang
dikalkulasikan demand pada periode 1 jumlahkan dengan demand pada
periode 2 dan dibagi dengan 2, dua disini adalah angka dari periode pada
saat hasil peramalan terakhir, dan didapat nilai 14060. Kemudian di
dalam hasil perhitungan didapat nilai error yang diambil sebagai contoh
dari periode ke 3, yaitu dengan mengurangkan nilai demand dengan hasil
peramalan di dapat nilai 677. Pada grafik dapat dilihat bahwa demand
menjauhi dan tidak searah dengan forecast hal ini disebabkan oleh nilai
error yang tinggi dan hasil peramalan untuk 12 periode kedepan adalah
konstan.
b. Analisa Metode Single Moving Average
Metode Single Moving Average merupakan suatu metode peramalan
yang dilakukan dengan mengambil sekelompok nilai pengamatan, mencari
nilai rata-rata tersebut sebagai ramalan untuk periode yang akan datang.
Metode single moving average metode yang mengunakan nilai demand 2

Modul 5 : Peramalan
Kelompok 1
periode terakhir untuk meramalkan periode berikutnya. Dengan nilai 2

periode dari periode 1-2 di jumlahkan dan di bagi 2, 2 adalah nilai mutlak
dari rumus peramalan metode ini. Kemudian nilai error didapat dari hasil
pengurangan nilai demand dan nilai peramalan, yaitu nilai demand pada
periode ke 3 dan hasil peramalan periode 3, digunakan periode 3 karena
dari periode 1-2 belum memiliki nilai peramalan karena untuk
mendapatkan hasil peramalan harus menggunakan nilai dari demand 2
periode terakhir. Dengan nilai demand periode 3 yaitu 14736 di kurang
hasil peramalan 2 bulan terakhir yaitu 14060 lalu didapat nilai error 677.
Pada grafik dapat dilihat bahwa demand mendekati dan searah dengan
forecast dan hasil peramalan untuk 12 periode kedepan adalah konstan.
c. Analisa Metode Weighted Moving Average
Metode Weighted Moving Average merupakan salah satu metode
peramalan dengan mempertimbangkan bobot. Pada metode ini bobot
berfungsi sebagai faktor pengali untuk mendapatkan hasil peramalan pada
periode berikutnya. Demand dikalikan dengan bobot yang ditetapkan,
bobot yang ditetapkan tidak boleh lebih atau kurang dari 1. Adapun bobot
yang ditentukan sebesar 0.1 untuk 4 periode sebelumnya, 0.2 untuk 3
periode sebelumnya, 0.3 untuk 2 periode sebelumnya dan 0.1 untuk 1
periode sebelumnya. Hal ini dikarenakan semakin dekat dengan keadaan
sekarang maka semakin besar pula bobot yang diberikan, bobot juga
ditentukan berdasarkan pengalaman. Pada grafik dapat dilihat bahwa
demand menjauhi dan tidak searah dengan forecast hal ini di sebabkan
oleh nilai eror yang tinggi dan hasil peramalan untuk 12 periode kedepan
adalah konstan.
d. Analisa Metode Centered Moving Average
Metode Centered Moving Average perhitungannya diletakkan pada
pertengahan periode yang digunakan untuk menghitung nilai rata-ratanya
ataupun memprediksi jumlah demand pada periode tertentu dengan
menghitung jumlah dari demand pada periode tersebut dengan demand
pada periode sebelum dan sesudahnya. Dengan histori data yang telah

Modul 5 : Peramalan
Kelompok 1
diperoleh maka nilai rata-rata dari setiap permintaan dalam 24 periode

sebelumnya dapat diramalkan untuk 12 periode kedepannya dengan rata-
rata nilai adalah 14542. Dan nilai error yang di hitung dalam PE, MSE,
MAD, MAPE, CFE. Berturut-turut adalah sebesar 0,31, 1023711, 4410,
30, 1341. Kemudian di dalam hasil perhitungan didapat nilai error yang
diambil sebagai contoh dari periode ke 3, yaitu dengan mengurangkan
nilai demand dengan hasil peramalan di dapat nilai 116. Pada grafik dapat
dilihat bahwa demand mendekati forecast tetapi tidak searah dan hasil
peramalan untuk 12 periode kedepan adalah konstan.
e. Analisa Metode Single Exponential Smoothing
Metode exponential smoothing adalah mengambil rata-rata nilai pada
beberapa periode untuk menaksir nilai pada suatu periode. Pada contoh
metode SES, diambil contoh pada periode 10. Yang dimana nilai dari hasil
peramalannya adalah 14532. Di dapat dari = ( x demand) + (1-) x hasil
peramalan periode 9) atau = (0,4 x14365) + (0,6) x 14643). Konstanta
pemulusan yang digunakan pada metode ini sebesar 0.4, nilai ɑ 0,4 agar
demand mendekati dan searah dengan forecast. Pada grafik dapat dilihat
bahwa demand menjauhi tetapi searah dengan forecast. Pada peramalan
ke-25 sampai 12 periode kedepan pola datanya adalah konstan.
f. Analisa Metode Double Exponential Smoothing
Metode ini adalah metode yang digunakan untuk mengitung peramalan
dengan menggunakan nilai s’, dan nilai berdasarkan bentuk plot data
siklis, maka ditentukan nilai ɑ sebesar 0,4 yaitu agar demand lebih
mendekati forecast. Pada bagian peramalan dilakukan perhitungan dengan
memasukan angka dari s’ yang merupakan hasil pehitungan dari nilai ɑ x
demand periode saat itu ditambah ɑ dikali s’ pada periode sebelumnya.
Kemudian melakukan perhitungan peramalan dengan menggunakan
rumus. Plotting data demand dan ploting data peramalan terlihat berdektan
dan searah, hal ini terjadi karena pada metode ini terdapat jumlah eror
yang kecil. Dan hasil peramalan untuk 12 periode kedepan adalah konstan.

Modul 5 : Peramalan
Kelompok 1
g. Analisa Metode Linier Regresi

Metode Linier Regresi sebuah teknik statistika untuk memprediksi
hubungan antar variabel dan memprediksi masa depan dengan waktu yang
telah ditentukan. Menentukan nilai dari peramalan, sebelumnya harus
menentukan nilai alpha dan nilai beta. Berdasarkan pengolahan data yang
telah dilakukan menggunakan metode peramalan linier regresi dengan
menggunakan rumus yang ada pada bab 3, sehingga didapatkanlah hasil
perhitungan alpha sebesar 14438,21 dan beta sebesar 3,83. Setelah
diketahui nilai alpha dan nilai betanya, maka untuk perhitungan
menentukan nilai dari peramalan adalah dengan menjumlahkan nilai alpha
dan beta yang telah dikalikan dengan nilai dari periode yang akan
diramalkan. Sebagai contoh perhitungannya untuk mencari nilai ramalan
pada periode ke-10, yaitu 14473.
Setelah mendapatkan nilai dari peramalan, maka untuk mencari nilai
error adalah dengan cara mengurangkan demand pada periode ke-n
dikurang dengan nilai ramalan periode ke-n. Contoh untuk perhitungan
error yaitu pada periode ke-10, dimana nilai demand periode ke-10 adalah
14148 dan nilai ramalan pada periode ke-10 adalah 14473, sehingga
didapatkanlah error pada periode ke-10 sebesar -325.
Pada grafik dapat dilihat bahwa demand menjauhi dan tidak searah
dengan forcest hal ini disebabkan oleh nilai eror yang tinggi dan hasil
peramalan yang didapatkan untuk 12 bulan kedepan konstan.
4.2 Analisis Verifikasi
Verifikasi dilakukan dengan 5 metode, yaitu metode Cumulative Of
Forecast Error, Mean Absolute Deviation, Mean Squared Error, Percentage
Error, dan Mean Absolute Percentage Error. Verifikasi dilakukan dengan
melihat jumlah nilai error seluruh metode dan membandingkan nilai errornya
pada metode peramalan yang digunakan.
Berdasarkan pengolahan data yang telah dilakukan dengan menjumlahkan
semua error dan membandingkannya dengan beberapa metode peramalan,
setelah dibandingkan maka didapatkanlah nilai error terkecil, yaitu pada

Modul 5 : Peramalan
Kelompok 1
metode Double Exponential smoothing. Metode Double Exponential

smoothing ini memiliki 3 nilai error terkecil, yaitu didapatkan dari metode
verifikasi Percentage Error sebesar 18, Mean Squared Error sebesar 469000,
Mean Absolute Percentage Error sebesar 20.
4.3 Analisis Metode Terpilih
Berdasarkan perhitungan forecasting dengan menggunakan 7 metode,
penentuan metode peramalan yang akan digunakan dilihat dari perhitungan
Mean Square Error (MSE), Percentage Error (PE), Mean Absolute Deviation
(MAD), Mean Absolute Percentage (MAPE) dan Cumulative Forecast Error
(CFE). Pemilihan metode yang akan digunakan adalah dengan melihat error
yang paling kecil.
Metode yang memiliki nilai error terkecil akan menjadi metode yang
terpilih. Berdasarkan rekapitulasi data pada metode ini, Double Exponential
smoothing merupakan metode yang terpilih. Pada tabel 3.10 menunjukkan
bahwa hasil rekapitulasi nilai error dengan metode peramalan Double
Exponential smoothing diperoleh nilai error yang paling rendah dengan nilai
PE = 18, MSE = 469000, MAD = 9227, MAPE = 20, dimana metode
peramalan dengan nilai error terkecil dipilih sebagai metode peramalan
terbaik yang paling sesuai untuk meramalkan demand karena semakin kecil
kesalahan yang terjadi maka hasil peramalan semakin akurat. Semakin kecil
nilai error yang dimiliki suatu metode peramalan, maka akan semakin baik
prediksi yang diberikan metode tersebut.
4.4 Analisis Validasi
Sebelum melakukan validasi, yang dilakukan adalah melakukan verifikasi
data dengan menghitung MAD, MSE, PE, MAPE dan CFE dari 7 metode
yang diminta, kemudian setelah itu melakukan rekapitulasi nilai error. Dapat
dilihat dari perhitungan verifikasi dan direkapitulasikan, nilai error yang
terkecil terdapat pada metode Double Exponential smoothing .
Setelah diketahui metode yang terpilih dengan nilai error terkecil adalah
metode Double Exponential smoothing, maka selanjutnya dilakukan
perhitungan validasi dengan metode Double Exponential smoothing . Validasi

Modul 5 : Peramalan
Kelompok 1
dilakukan dengan menggunakan peta moving average yang menunjukkan

sebaran error tiap periode dalam batas-batas, yaitu menghitung nilai dari MR,
rata-rata MR, nilai UCL, LCL, region A, region B dan region C.
Berdasarkan grafik 3.9, dapat dilihat bahwa sebaran data eror tersebut
tidak ada yang melewati batas UCL dan LCL, sehingga dapat disimpulkan
data tersebut sudah valid.

Modul 5 : Peramalan
Kelompok 1
BAB V
KESIMPULAN DAN SARAN
5.1 Kesimpulan
Adapun kesimpulan yang dapat ditarik berdasarkan praktikum
Perancangan Terintegrasi Industri II modul peramalan yang telah dilakukan
diantaranya yaitu:
1. Metode-metode yang digunakan dalam proses forecasting atau peramalan
sangatlah banyak. Cara menerapkan metode serta teknik dalam peramalan
juga didasarkan pada plotting data yang dilakukan atau
mengidentifikasikan sifat dari data yang diplotkan. Metode yang
digunakan pada pengolahan data ini adalah metode SA (Simple Average),
SMA (Single Moving Average), CMA (Centered Moving Average), WMA
(Weight Moving Average), SES (Single Exponential Smoothing), DES
(Double Exponential Smooting) dan Linear Regresi.
2. Peramalan terbaik dapat dilihat dengan nilai uji verifikasi yang kecil. Nilai
verifikasi error terkecil diperoleh dengan melakukan peramalan
menggunakan metode Double Exponential Smoothing. Pada metode
Double Exponential Smoothing nilai PE sebesar 18, nilai MSE sebesar
469000, nilai MAD sebesar 4410, nilai MAPE sebesar 20, nilai CFE
sebesar -10513. Validasi dilakukan dengan membuat peta Moving Range.
Peta ini menunjukkan sebaran nilai error peramalan pada setiap periode
dalam batasan kontrolnya.
3. Hasil dan keputusan dari peramalan PT. Tam Toys terpilih metode terbaik
dalam peramalan dengan pola data siklis pada metode Double Exponential
Smoothing sehingga diperoleh data permintaan untuk 12 periode ke depan
sebanyak 14608 tamiya hitam dan putih.

Modul 5 : Peramalan
Kelompok 1
5.2 Saran
Adapun saran untuk praktikum Perancangan Terintegrasi Industri II modul
peramalan ini yaitu sebagai berikut:
1. Sebelum praktikum, sebaiknya praktikan membaca dan pahami terlebih
dahulu materi tentang metode-metode dalam peramalan (forecasting) agar
saat melakukan perhitungan dapat dilakukan dengan lancar.
2. Praktikan sebaiknya lebih teliti dalam melakukan perhitungan baik
perhitungan menggunakan software maupun perhitungan secara manual.


Forecasting

Diunggah oleh

Informasi Dokumen

Judul 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

Forecasting

Diunggah oleh

Hak Cipta:

Format Tersedia

Praktikum Perancangan Terintegrasi Industri II

Program Studi Teknik Industri

Jurusan Teknik Industri

perusahaan sesuai kebutuhan konsumen. Proses peramalan akan

Jurusan Teknik Industri

1.3 Perumusan dan Pembatasan Masalah

Jurusan Teknik Industri

Pengumpulan Data Historis

Kesimpulan dan Saran

Gambar 1.1 Flowchart Praktikum

Jurusan Teknik Industri

Jurusan Teknik Industri

1.5 Sistematika Penulisan

Jurusan Teknik Industri

Jurusan Teknik Industri

Jurusan Teknik Industri

d. Ekstrapolasi Model (peramalan aktual)

Jurusan Teknik Industri

diterapkan dalam memprediksi masa yang akan datang. Teknik-teknik

Jurusan Teknik Industri

yang kritis dan relevan. Teknik akan dipergunakan dalam situasi

Jurusan Teknik Industri

5. Hitung kesalahan setiap metode yang terbaik, yaitu yang memiliki

Jurusan Teknik Industri

2. Data harus relevan. Data harus mewakili keadaan.

Gambar 2.1 Contoh Pola Data Trend Naik

Jurusan Teknik Industri

Gambar 2.2 Contoh Pola Data Horizontal

Gambar 2.3 Contoh Pola Data Musiman

Gambar 2.4 Contoh Pola Data Siklis

Jurusan Teknik Industri

2.6 Metode Deret Waktu (Time Series)

2. Single Moving Average (SMA)

Jurusan Teknik Industri

Metode rata-rata bergerak tunggal menggunakan sejumlah data aktual

Jurusan Teknik Industri

Contoh perhitungan dengan t=4 dan bobot yang sudah ditentukan

4. Centered Moving Average

Jurusan Teknik Industri

m : adalah jangka waktu forecast kedepan

S'4 =( 0,1 x 4024,12 ) + ( ( 0,9 ) x 2585,199 )=2729,091

a 4=( 2 x S '4 ) −S4¿

Jurusan Teknik Industri

Jurusan Teknik Industri

Kemudian nilai b dapat dicari dengan rumus :

2.7 Model-model Kausal

Jurusan Teknik Industri

Metode ini sering digunakan untuk perencanaan ekonomi nasional dalam

Jurusan Teknik Industri

berukut 3 pendekatan yang dapat dijadikan dasar dalam memilih teknik

Jurusan Teknik Industri

setelah perubahan pola permintaan diketahui. Terdapat banyak perkakas yang

CFE 4=error 2+ error 3+ error 4

Jurusan Teknik Industri

Berikut adalah contoh perhitungannya:

Jurusan Teknik Industri

Berikut adalah contoh perhitungannya :

Dik : error4 = 213

Jurusan Teknik Industri

2.10 Uji Validasi

Jurusan Teknik Industri

Gambar 2.5 Plot Moving Range

Jurusan Teknik Industri