NAMA : TIMOTHY LORENZO MANIK

NPM : 1910631140221
KELAS : G
KETERANGAN : TUGAS I PERTEMUAN 6

SOAL
1. Data pesanan produk dari rotan didasarkan hasil penjualan enam bulan sebelumnya pada PT.
ABC adalah sebagai berikut.

T 1 2 3 4 5 6
Xt 115 125 123 127 141 159
Keterangan:
T : Bulan,
Xt : Data penjualan.

Pertanyaan:
Assumsikan k = 0,8 dan k = 0,2. Maka tentukan
a. Buatkan masing-masing peramalan bulan ke 7-12 pada tahun tersebut dengan
menggunakan method exponential smoothing ganda satu parameter dari brown
b. Hitung tingkat penyimpangan (keandalan) dengan metode SSE
c. Buatkan grafik data sebelum peramalan dan setelah hasi peramalan (gabungan data
masa lalu dengan data hasil peramalan)
d. Formulasi model persamaan peramalan baru

2. Data hasil penjualan (Yt) dan biaya promosi (Xt) dengan data seperti dalam table dibawah
ini.
 Periode (t) Yt Xt
1 100 40
2 200 50
3 300 50
4 400 70
5 500 65
6 600 65
7 700 80
Maka Tentukanlah:
a. Persamaan Regresinya
b. Tingkat nilai penyimpangan (keandalan) dengan metode SSE
c. Buatkan grafik data masa lalu dengan hasil peramalan metode regresi.

PEMBAHASAN
1. Oleh karena yang dipakai adalah metode pemulusan eksponensial ganda linier satu parameter
dari brown, maka α = 0,8. Namun jika yang dipakai adalah metode pemulusan eksponensial
ganda linier dua parameter dari holt maka parameter dipakai adalah kedua-duanya α=0,8 dan
β=0,2. Sehingga, rumus yang akan dipakai pada kali ini adalah sebagai berikut;
Nilai single exponential smoothing

Nilai double exponential smoothing

Dengan rumus peramalan adalah sebagai berikut

Yang mana, mencari nilai konstanta dan trend pada periode ke-t adalah sebagai berikut

Keterangan: adalah Nilai konstanta pada periode ke-t

adalah Nilai trend pada periode ke-t
adalah Parameter exponential smoothing
 Gambar 1.1 Grafik Plot Data Permintaan
Grafik diatas merupakan penyebaran data permintaan yang tidak teratur dari bulan ke-1
sampai dengan bulan ke-6.
 Dapat dilihat bahwa pada t = 1 nilai-nilai dan dianggap sebesar 115.
Dengan ; ; dan F = 0
 Pada t = 2, akan diperlakukan perhitungan sebagai berikut

Maka
 Pada t = 3, akan berlaku perhitungan sebagai berikut

Maka

 Pada t = 4, akan berlaku perhitungan sebagai berikut

 Maka

 Pada Saat t = 5, akan berlaku perhitungan sebagai berikut

Maka

 Pada saat t = 6, akan berlaku perhitungan sebagai berikut

Maka

Sedari awal saya sudah curiga bahwa rumus yang seharusnya dipakai adalah
Dikarenakan data t = 6 dan seterusnya tidak ada, dan ini merupakan
materi peramalan. Saya memiliki beberapa alasan untuk pemikiran tersebut. Pertama,
data pada t = 1 seharusnya Forecast bernilai 0 oleh karena data pada t = 1 tidaklah
cukup. Seharusnya nilai Forecast t = 2 bernilai 122 (115+7 = 122), dan kemudian pada
saat t = 3 Forecast bernilai 131 (124,6+6,4), dan seterusnya. Berdasarkan argumen
tersebut, saya menyediakan tabel dibawah ini sebagai nilai peramalan dari bulan 6-12.
Namun, untuk mencari peramalan dari t = 6 sampai t = 12, hanya diperlukan nilai
dan . Dengan keterangan m merupakan periode ke-t dan adalah nilai a dari
periode terakhir yang diketahui.
Sehingga nilai perbaikan forecast pada masing-masing periode adalah
1)
2)
3)
4)
5)
6)
7)
8)
9)
10)
11)
12)
Tabel 1.1 Hasil pengolahan data (nilai α = 0,8)
PERIOD DEMAND Forecast Error SSE

1 115 115 115 115 7

2 125 123 121,4 124,6 6,4 122 3 9

3 123 123 122,68 123,32 1,28 131 -8 64

4 127 126,2 125,496 126,904 2,816 124,6 2,4 5,76

5 141 138,04 135,5312 140,5488 10,0352 129,72 11,28 127,2384

6 159 154,808 150,95264 158,66336 15,42144 150,584 8,416 70,829056

276,827456
7 174,0848

8 189,50624

9 204,92768

10 220,34912

11 235,77056

12 251,192

Saya juga sudah menyiapkan hasil pengolahan data dengan α = 0,2. Pada dibawah ini
PERIOD DEMAND Forecast Error SSE

1 115 115 115 115 7

2 125 117 115,4 118,6 0,4 122 3 9

3 123 118,2 115,96 120,44 0,56 119 4 16

4 127 119,96 116,76 123,16 0,8 121 6 36

5 141 124,168 118,2416 130,0944 1,4816 123,96 17,04 290,3616

6 159 131,1344 120,82016 141,44864 2,57856 131,576 27,424 752,075776

1103,43738
7 144,0272

8 146,60576

9 149,18432

10 151,76288

11 154,34144

12 156,92

Tampaknya, jika menggunakan α yang kecil akan berdampak pada nilai peramalan
(forecast). Namun, akan memberikan jumlah kuadrat error yang besar. Hal ini
tampaknya disebabkan oleh selisih nilai antara peramalan dengan data aktual tersebut.

b. Tingkat Penyimpangan metode SSE

Rumurs tingkat penyimpangan SSE adalah
 ∑ ∑

Atau

∑ ∑
c. Grafik Data

Gambar 1.2 Grafik Data Penjualan Rotan Bulan 1-6

Gambar 1.3 Grafik Peramalan Penjualan Bulan 7-12

α = 0,8
 Gambar 1.4 Grafik Peramalan Penjualan Bulan 7-12
α = 0,2

d. Persamaan Peramalan Baru

Y=158,6636+15,42144(m) (1)
Y=141,44864+2,57856(m) (2)
Keterangan:
Y : Ramalan m periode yang akan diramalkan
m : Jumlah periode ke muka yang akan diramalkan
(1) : α (0,8)
(2) : α (0,2)

2. Pembahasannya sebagai berikut:

a. Persamaan Regresi
Y=500+15,09X
Dengan memasukan nilai n(periode) ke dalam persamaan, maka akan didapatkan:
Y1 = 500+15,09(1) = 515,09 Y5 = 500+15,09(5) = 575,43
Y2 = 500+15,09(2) = 530,17 Y6 = 500+15,09(6) = 590,51
Y3 = 500+15,09(3) = 545,26 Y7 = 500+15,09(7) = 605,60
Y4 = 500+15,09(4) = 560,34
 Untuk mencari koefisien a dan koefisien b dipergunakan rumus:
∑
∑
∑ ̅ ̅
∑ ̅

Biaya Promosi Harga Jual

Periode n n.Y (X-Xbar) n(x-xbar) n(x-xbar)^2 n(x-xbar)ybar Yt
(X) (Y)

1 1 40 100 100 -20 -20 400 -8000 515,09

2 2 50 200 400 -10 -20 200 -8000 530,17

3 3 50 300 900 -10 -30 300 -12000 545,26

4 4 70 400 1600 10 40 400 16000 560,34

5 5 65 500 2500 5 25 125 10000 575,43

6 6 65 600 3600 5 30 150 12000 590,51

7 7 80 700 4900 20 140 2800 56000 605,60

SUM 28 420 2800 14000 0 165 4375 66000 3922,4

Rata-rata 4 60 400

a 500,00 b 15,09

b. Mencari tingkat penyimpangan dengan metode SSE

∑ ∑

SUM
Error -415,09 -330,17 -245,26 -160,34 -75,43 9,49 94,40
(SSE)

Error^2 172296,15 109013,17 60151,07 25709,83 5689,47 89,98 8911,36 381861,029

c. Grafik Data Penjualan dan Biaya Promosi

Gambar 2.1 Grafik penjualan masa lalu dengan penjualan hasil

Peramalan tahun mendatang.