Modul 5 2

LAPORAN PRAKTIKUM
PERANCANGAN TERINTEGRASI INDUSTRI II

(TIN-3390)
Dosen Pengampu:
Ivan Sujana, S.T.,M.T
KELOMPOK 7
1. Veny Novita Sari D1061171001

2. Yulianti Wulandari D1061171005
3. Riki Saputra D1061171017
4. Syahri Fahmi Nur D1061171021
JURUSAN TEKNIK INDUSTRI

FAKULTAS TEKNIK
UNIVERSITAS TANJUNGPURA
2019
Praktikum Perancangan Terintegrasi Industri II
Modul 5 : Forecasting
Kelompok 7
DAFTAR ISI
DAFTAR ISI............................................................................................................i
DAFTAR GAMBAR............................................................................................iii
DAFTAR TABEL.................................................................................................iv
DAFTAR RUMUS.................................................................................................v
BAB I PENDAHULUAN.......................................................................................1
1.1 Latar Belakang.........................................................................................1
1.2 Tujuan......................................................................................................2
1.3 Perumusan dan Pembatasan Masalah......................................................2
1.3.1 Perumusan Masalah........................................................................2
1.3.2 Pembatasan Masalah......................................................................2
1.4 Metodologi Praktikum.............................................................................3
1.4.1 Flowchart Praktikum......................................................................3
1.4.2 Penjelasan Flowchart Praktikum....................................................4
1.5 Sistematika Penulisan..............................................................................5
BAB II TINJAUAN PUSTAKA............................................................................7
2.1 Definisi Peramalan (Forecasting)..........................................................7
2.2 Tahapan Peramalan.................................................................................9
2.3 Fungsi Peramalan..................................................................................10
2.4 Macam – macam Peramalan..................................................................11
2.5 Pola Data untuk Time Series..................................................................13
2.6 Metode Deret Waktu (Time Series).......................................................15
2.7 Model – model Kausal...........................................................................24
2.8 Pemilihan dan Evaluasi Metode-metode Peramalan.............................26
2.9 Uji Kesalahan Peramalan (Uji Verifikasi).............................................27
2.10 Uji Validasi...........................................................................................29
BAB III PENGOLAHAN DATA DAN PEMBAHASAN.................................31
3.1 Pengumpulan Data Historis Sebelum Konversi dan Sesudah Konversi31
3.1.1 Pengumpulan Data Historis Sebelum Konversi...........................31
3.1.2 Pengumpulan Data Sesudah Konversi..........................................32
3.2 Pengolahan Data....................................................................................33
3.2.1 Plotting Data.................................................................................33
Jurusan Teknik Industri

Universitas Tanjungpura i
Kelompok 7
3.2.2 Peramalan dengan Beberapa Metode...........................................33

3.2.3 Rekapitulasi Nilai Error dan Verifikasi Data...............................66
3.2.4 Validasi Metode............................................................................67
3.2.5 Hasil Peramalan yang Digunakan 12 Periode Kedepan dengan
Menggunakan Metode Terpilih......................................................70
BAB IV ANALISA...............................................................................................72
4.1 Analisa Semua Metode Peramalan........................................................72
4.2 Analisa Verifikasi..................................................................................74
4.3 Analisa Metode Terpilih........................................................................74
4.4 Analisa Validasi.....................................................................................75
BAB V KESIMPULAN DAN SARAN...............................................................76
5.1 Kesimpulan............................................................................................76
5.2 Saran......................................................................................................77
DAFTAR PUSTAKA
DAFTAR GAMBAR

Universitas Tanjungpura ii
Kelompok 7
Gambar 2.1 Pola Horizontal...................................................................................13

Gambar 2.2 Pola Musiman.....................................................................................14
Gambar 2.3 Pola Siklis...........................................................................................14
Gambar 2.4 Pola Trend..........................................................................................15
Gambar 2.5 Pola Acak...........................................................................................15
Gambar 2.6 Grafik Penjualan dan peramalan........................................................28
Gambar 2.7 Moving Rage......................................................................................30
DAFTAR TABE

Universitas Tanjungpura iii
Kelompok 7
Tabel 3.1 Pengumpulan Data Penjualan Tamiya Sebelum Konversi....................31

Tabel 3.2 Pengumpulan Data Penjualan Tamiya Sesudah Konversi.....................32
Tabel 3.3 Metode Simple Average.........................................................................36
Tabel 3.4 Metode Single Moving Average.............................................................40
Tabel 3.5 Metode Weighted Moving Average........................................................45
Tabel 3.6 Metode Single Exponential Smoothing..................................................50
Tabel 3.7 Metode Centered Moving Average........................................................54
Tabel 3.8 Metode Double Exponential Smoothing................................................59
Tabel 3.9 Metode Linear Regresi..........................................................................64
Tabel 3.10 Rekapitulasi Nilai Verifikasi Error.....................................................66
Tabel 3.11 Data Perhitungan Moving Range.........................................................68
Tabel 3.12 Forecast 12 Periode ke Depan.............................................................71

Universitas Tanjungpura iv
Kelompok 7
DAFTAR RUMUS
Rumus 17
Rumus 18
Rumus 20
Rumus 20
Rumus 21
Rumus 22
Rumus 22
Rumus 22
Rumus 22
Rumus 22
Rumus 22
Rumus 22
Rumus 23
Rumus 23
Rumus 27
Rumus 27
Rumus 28
Rumus 29
Rumus 29
Rumus 29
Rumus 29

Universitas Tanjungpura v
Kelompok 7
BAB I
PENDAHULUAN
1.1 Latar Belakang
PT. Homescapes merupakan perusahaan baru di Indonesia berdiri
pada tahun 2019. Perusahaan yang bergerak dalam bidang produk mobil
mainan Tamiya PT. Homescapes berkolasi di jalan Tanjung Pura Kota
Pontianak, Kalimantan Barat. Dalam memulai usahanya PT. Homescapes
mempunyai stategi awal yaitu dengan perancangan sistem kerja yang
diterapkan di perusahaan.
Untuk menghadapi permintaan akan tamiya kedepannya PT.
Homescapes memerlukan peramalan. Peramalan yang dilakukan umumnya
didasarkan pada data historis yang kemudian dianalisis dengan
menggunakan metode atau cara-cara tertentu. Data masa lalu dikumpulkan,
dipelajari, dianalisis, dan dikaitkan dengan apa yang konsumen paling
butuhkan dimasa sekarang ini, maka perusahaan akan mampu memprediksi
barang seperti apa yang konsumen butuhkan dimasa depan.
Forecasting mempunyai definisi sebagai kegiatan memprediksi
tingkat permintaan untuk suatu produk atau beberapa produk dalam kurung
waktu tertentu di masa yang akan datang (John E. Biegel, 1999).
Forecasting dapat membantu menentukan perencanaan lanjutan bagi
produk-produk yang ada untuk dikerjakan dengan fasilitas yang ada
berdasarkan prediksi jumlah permintaan. Peramalan mempunyai peran
penting dalam proses bisnis suatu perusahaan. Jika peramalan yang
dilakukan akurat maka keuntungan perusahaan akan meningkat dan
terhindar dari overstock maupun kekurangan stok produk dalam gudang.
Forecasting (peramalan) berguna dalam menentukan penjadwalan
produksi. Penjadwalan penting untuk mengatur tingkat produktivitas yang
akan filakukan dalam jangka waktu tertentu. Oleh karena itu, PT.
Homescapes membuat suatu peramalan produk agar dalam jangka waktu
tertentu dalam waktu tertentu perusahaan dapat memenuhi demand sesuai
kebutuhan konsumen, tidak mengalami kerugian sebagai adanya kelebihan

Universitas Tanjungpura 1
Kelompok 7
atau kekurangan produksi, serta membantu perusahaan dalam

mengembangkan produk dengan efektif.
1.2 Tujuan
Tujuan dari praktikum terintergrasi II mengenai peramalan
(forecasting) adalah sebagai berikut:
1. Dapat menggunakan metode dan teknik peramalan untuk menentukan
kebutuhan. pasar sebagai dasar penyusunan rencana produksi.
2. Dapat mengidentifikasi teknik peramalan yang tepat untuk PT.
Homescapes.
3. Dapat menentukan hasil peramalan produksi untuk 12 periode kedepan.
1.3 Perumusan dan Pembatasan Masalah
Adapun rumusan masalah adalah pertanyaan penelitian yang disusun
dalam bentuk kalimat tanya, yang menjadi arah kemana penelitian akan
dibawa dan apa saja sebenarnya yang ingin dikaji sedangkan pembatasan
masalah ialah ruang lingkup masalah atau membatasi ruang lingkup masalah
yang terlalu luas sehingga penelitian lebih bisa fokus untuk dilakukan.
Perumusan masalah dan pembatasan masalah ialah sebagai berikut:
1.3.1 Perumusan Masalah
Rumusan masalah dari praktikum perancangan terintegrasi II
adalah sebagai berikut:
1. Bagaimana metode dan teknik peramalan untuk menentukan
kebutuhan. pasar sebagai dasar penyusunan rencana produksi?
2. Bagaimana teknik peramalan yang tepat untuk PT. Homescapes?
3. Bagaimana hasil peramalan produksi untuk 12 periode kedepan?
1.3.2 Pembatasan Masalah
Pembatasan masalah bertujuan untuk membatasi masalah-
masalah agar laporan seusai dengan modul yang berkaitan. Masalah-
masalah yang dibatasi dalam laporan ini adalah:
1. Data berupa data historis banyaknya jumlah pembuatan mobil
mainan tamiya putih dan mobil tamiya hitam setiap 1 periode
dalam kurun waktu 24 periode.

Kelompok 7
2. Metode peramalan yang digunakan yaitu metode simple average,

single moving average, weighted moving average, centered moving
average, single exponential smoothing, double exponential
smoothing dan linier regresi.
3. Proyeksi 12 periode.
1.4 Metodologi Praktikum
Flowchart atau diagram alir adalah bagan-bagan yang mempunyai
arus yang menggambarkan langkah-langkah penyelesaian suatu masalah.
Berikut flowchart metodologi praktikumnya dan penjelasan praktikum
tentang peramalan (forecasting) berikut ini.
1.4.1 Flowchart Praktikum
Adapun flowchart praktikum guna lebih memahami tentang
praktikum modul 5 adalah sebagai berikut:
Mulai A
Studi Literatur Pengolahan Data

1. Definisi peramalan(forecasting) 1. Ploting data
2. Tahapan peramalan 2. Peramalan Dengan beberapa metode
3. Fungsi peramalan a. simple average
4. Macam-macam peramalan b. single moving average
5. Pola data untuk time series c. weighted moving average
6. Metode deret waktu (time series) d. centered moving average
7. Model-model kausal e. single exponential smoothing
8. Pemilihan dan evaluasi metode-metode f. double exponential smoothing
peramalan g. linier regresi
9. Uji kesalahan peramalan (uji verifikasi) 3. Rekapitulasi nilai error dan verifikasi data
10. Uji validasi 4. Validasi metode
5. Hasil Peramalan yang digunakan 12 periode
Persiapan Alat dan Bahan kedepan dengan menggunakan metode terpilih
1. lembar kerja
2. Microsoft word
3. Microsoft excel Analisis Data
4. Alat tulis 1. Analisa semua metode peramalan
5. Kalkulator 2. Analisa verifiasi
3. Analisa metode terpilih
4. Analisa validasi
Pengumpulan Data Historis
1. Data penjualan tamiya hitam dan tamiya
putih dengan 24 periode Kesimpulan dan Saran
2. Faktor konversi tamiya hitam dan tamiya
putih
Selesai
Gambar 1.1 Flowchart Praktikum

Kelompok 7
1.4.2 Penjelasan Flowchart Praktikum

Berdasarkan pada flowchart di atas, maka dapat dijelaskan
secara rinci tahapan pelaksanaan praktikum ini yaitu sebagai
berikut:
1. Mulai
2. Studi Literatur
Pada 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, tahapan peramalan, fungsi peramalan,
macam peramalan, pola data untuk time series, metode deret waktu,
model-model kasual, pemilihan dan evaluasi metode-metode
peramalan, uji kesalahan peramalan, uji validasi.
3. Persiapan Alat dan Bahan
Alat dan bahan yang meliputi lembar kerja, Microsoft word,
Microsoft excel, alat tulis, kalkulator.
4. Pengumpulan Data Historis.
Data historis yang digunakan meliputi data penjualan Tamiya
putih dan Tamiya hitam dengan 24 periode dan faktor konversi
Tamiya putih dan Tamiya hitam.
5. Pengolahan Data
Pengolahan data merupakan manipulasi data ke bentuk yang
lebih informatif atau berupa informasi. Pengolahan data dalam
praktikum ini terdiri dari perhitungan manual dan perhitungan
menggunakan software. Pada pengolahan data dengan perhitungan
menggunakan metode simple average, single moving average,
weighted moving average, centered moving average, single
exponential smoothing, double exponential smoothing dan linier
regresi kemudian dilakukannya rekapitulasi nilai error dan
verifikasi data, validasi metode dan hasil peramalan yang
digunakan 12 periode kedepan menggunakan metode terpilih.

Kelompok 7
6. Analisa Hasil Pengolahan Data

Analisa data merupakan kegiatan yang dilakukan untuk
mengubah data hasil dari praktikum menjadi informasi yang
nantinya bisa dipergunakan dalam mengambil kesimpulan. Analisa
data meliputi analisis semua metode ramalan, analisis verifikasi,
analisis metode terpilih, serta analisis validasi.
7. 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.
8. Selesai.
1.5 Sistematika Penulisan
Sistematika penulisan ini dibuat untuk mempermudah pembaca dalam
mempelajari dan mengetahui isi laporan, berikut merupakan uraian singkat
mengenai gambaran pada masing-masing bab melalui sistematika penulisan
yaitu:
BAB 1 PENDAHULUAN
Bab ini merupakan bab pertama berisi uraian tentang latar belakang
penulisan yang digunakan untuk untuk memberikan pemahaman serta
permasalahan yang dihadapi serta mengenai apa yang disampaikan.
Rumusan Masalah yang digunakan untuk menentukan apa yang akan di
bahas. Tujuan yang juga digunakan untuk menentukan dan merumuskan
apa yang dikerjakan kemudian metodologi praktikum merupakan ruang
lingkup yang menyajikan langkah-langkah dari praktikum yang disajikan
juga dalam bentuk flowchart, selain itu juga menguraikan mengenai
sistematika penulisan.

Kelompok 7
BAB II TINJAUAN PUSTAKA

Pada bab ini, berisi uraian tentang teori-teori yang berkaitan dengan
praktikum terintegrasi II tentang forecasting yang meliputi definisi
peramalan, tahapan peramalan, fungsi peramalan, macam peramalan, pola
data untuk time series, metode deret waktu, model-model kasual, pemilihan
dan evaluasi metode-metode peramalan, uji kesalahan peramalan, uji
validasi, serta pembahasan yang lebih lanjut dari praktikum yang dilakukan.
BAB III PENGUMPULAN DAN PENGOLAHAN DATA
Bab ini merupakan bab ketiga dari laporan yang berisi tentang data
sekunder yang meliputi pengolahan data manual dan software dengan
metode simple average, single moving average, weighted moving average,
centered moving average, single exponential smoothing, double exponential
smoothing dan linier regresi kemudian dilakukannya rekapitulasi nilai error
dan verifikasi data, validasi metode dan hasil peramalan yang digunakan 12
periode kedepan menggunakan metode terpilih.
BAB IV ANALISA DATA
Pada bab ini, diuraikan tentang proses mengorganisasikan dan
mengurutkan data hasil perhitungan kedalam pola pembahasan, kategori dan
satuan uraian dasar sehingga dapat dirumuskan seperti analisa hasil
pengolahan data perhitungan manual dan software dengan metode simple
average, single moving average, weighted moving average, centered
moving average, single exponential smoothing, double exponential
smoothing dan linier regresi kemudian dilakukannya rekapitulasi nilai error
dan verifikasi data, validasi metode dan hasil peramalan yang digunakan 12
periode kedepan menggunakan metode terpilih, juga dilakukanya analisa
perbandingan perhitungan manual dengan software.
BAB V KESIMPULAN DAN SARAN
Pada bagian ini diuraikan tentang kesimpulan dan saran. Kesimpulan
berupa jawaban dari rumusan masalah memenuhi harapan dan tujuan. Hal
ini dibuat berdasarkan pembuktiaan yang diperoleh dari hasil praktikum.
Saran yang juga merupakan harapan sesuatu yang belum ditempuh dan
layak di laksanakan.

Kelompok 7
BAB II
TINJAUAN PUSTAKA
2.1 Definisi Peramalan (Forecasting)
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). Pedapat 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
dating. 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. Ada beberapa definisi peramalan (forecasting)
menurut para ahli, antara lain:
1. Menurut Jay Heizer & Barry Render (2011:136), peramalan adalah seni
dan ilmu untuk memprediksi kejadian di masa depan dengan melibatkan
16 pengambilan data historis dan memproyeksikannya ke masa
mendatang dengan model pendekatan sistematis.
2. Willian J. Stevenson (2009:72) mendefinisikan peramalan sebagai 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 akan
dibutuhkan untuk memenuhi permintaan. Seperti, kapasitas 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.
3. Wignjosoebroto (2003:337) mendefinisikan bahwa metode peramalan
merupakan suatu upaya untuk memperoleh gambaran mengenai apa yang

Kelompok 7
akan terjadi di masa mendatang. Dalam hal ini gambaran mengenai masa
depan tersebut akan menjadi dasar di dalam membuat perencanaan.
4. Arman Hakim Nasution (2003:25) mendefinisikan peramalan adalah
proses untuk memperkirakan beberapa kebutuhan dimasa datang yang
meliputi kebutuhan dalam ukuran kuantitas, waktu, dan lokasi yang
dibutuhkan dalam rangka memenuhi permintaan barang ataupun jasa.
Jadi, Peramalan dapat diartikan sebagai pendekatan sistematis yang
digunakan untuk menganalisa pola dari data historis penjualan untuk
memproyeksikan permintaan dimasa mendatang sebagai dasar dalam
membuat perencanaan jangka panjang perusahaan serta sebagai
pertimbangan untuk beberapa keputusan yang terkait dengan kebutuhan
kapasitas, persediaan, dan anggaran yang digunakan agar dapat
memenuhi permintaan tersebut.
Pada umumnya kegunaan peramalan adalah sebagai berikut :
1. Sebagai alat bantu dalam perencanaan yang efektif dan efisien.
2. Untuk menentukan kebutuhan sumber daya di masa mendatang.
3. Untuk membuat keputusan yang tepat.
Kegunaan peramalan terlihat pada suatu pengambilan keputusan.
Keputusan yang baik adalah keputusan yang didasarkan atas pertimbangan
apa yang akan terjadi pada waktu keputusan dalam berbagai kegiatan
perusahaan. Baik tidaknya hasil suatu penelitian sangat ditentukan oleh
ketetapan ramalan yang dibuat. Walaupun demikian perlu diketahui bahwa
ramalan selalu ada unsur kesalahannya, sehingga yang perlu diperhatikan
adalah usaha untuk memperkecil kesalahan dari ramalan tersebut.
Peramalan permintaan memiliki karakteristik tertentu yang berlaku
secara umum. Karakteristik ini harus diperhatikan untuk menilai suatu
proses peramalan permintaan dengan metode yang digunakan. Karakteristik
peramalan permintaan adalah sebagai berikut (Nasution,2003,p28).
1. Akurasi
Akurasi dari suatu hasil peramalan diukur dengan kebiasaan dan
kekonsistensian peramalan tersebut.hasil peramalan dikatakan biasbila
peramalan tersebut terlalu tinggi atau terlalu rendah dibandingkan dengan

Kelompok 7
kenyataan yang terjadi. Hasil peramalan dikatakan konsisten apabila

besarnya kesalahan peramalan relatif kecil.
2. Biaya
Biaya yang diperlukan dalam pembuatan suatu peramalan tergantung dari
jumlah item yang diramalkan, lamanya periode peramalan dan metode
peramalan yang dipakai
3. Kemudahan
Penggunaan metode peramalan yang sederhana, mudah dibuat, dan
mudah diaplikasikan akan memberikan keuntungan bagi perusahaan.
Dalam membuat peramalan atau menerapkan hasil suatu peramalan,
maka ada beberapa hal yang harus dipertimbangkan yaitu
(Nasution,2003:29).
1. Peramalan pasti mengandung kesalahan, artinya peramal hanya bisa
mengurangi ketidakpastian yang akan terjadi, tetapi tidak dapat
menghilangkan ketidakpastian tersebut.
2. Peramalan seharusnya memberikan informasi tentang berapa ukuran
kesalahan, artinya karena peramalan pasti mengandung kesalahan, maka
adalah penting bagi peramal untuk menginformasikan seberapa besar
kesalahanyang mungkin terjadi.
3. Peramalan jangka pendek lebih akurat dibandingkan dengan peramalan
jangka panjang. Hal ini disebabkan karena pada peramalan jangka
pendek, faktor-faktor yang mempengaruhi permintaan relatif masih
konstan, sedangkan semakin panjang periode peramalan, maka semakin
besar pula kemungkinan terjadinya perubahan faktor-faktor yang
mempengaruhi permintaan.
2.2 Tahapan Peramalan
Menurut Stevenson dalam buku Operation Management (Stevenson,
2011 :74) ada 6 tahapan dasar dalam proses peramalaan.
1. Menentukan tujuan dari permalaan. Bagaimana hasilnya akan digunakan
dan kapan akan digunakaan, langkah ini akan memberikan indikasi akan
tingkat detail yang dibutuhkan dalam peramalan, banyaknya sumber daya
yang dibutuhkan, dan tingkat akurasi.

Kelompok 7
2. Menentukan rentang waktu, semakin panjang rentang waktunya maka

semakin berkurang akurasi dari permalaan.
3. Pilih teknik/metode forecasting.
4. Analisa dan rapihkan data, karena data yang tidak akurat mengurangi
validasi dari hasil peramalan
5. Buatlah Peramalaan.
6. Pantau hasil dari permalaan, hasil peramalaan harus diawasi dan dipantau
untuk mengetahui apakah performanya memuaskan, jika tidak revisi lagi
metoda/teknik yang digunakan, uji lagi validitas dari data yang
digunakaan.
2.3 Fungsi Peramalan
Metode peramalan biasanya digunakan oleh bagian penjualan dalam
melakukan perencanaan (sales planning) berdasarkan hasil ramalan
penjualan, sehingga informasi peramalan dapat bermanfaat bagi Production
Planning and Inventory Control (PPIC). Menurut (Hartini, 2011:18)
dimana peramalan memegang peranan penting, antara lain:
1. Penjadwalan sumber-sumber yang ada.
2. Peramalan pada tingkat permintaan untuk produk, material, tenaga kerja,
finansial atau jasa adalah input penting untuk penjadwalan.
3. Peramalan dibutuhkan untuk menentukan kebutuhan sumber-sumber di
masa yang akan datang.
4. Menentukan sumber-sumber daya yang diinginkan.
5. Semua organisasi atau perusahaan harus menentukan sumber apa yang
mereka inginkan untuk dimiliki pada jangka panjang. Untuk
mendapatkan rencana produksi yang tepat, tentunya harus mempunyai
perkiraan jumlah permintaan konsumen yang tepat. Jadi, peramalan
merupakan titik awal yang sangat penting dalam perencanaan produksi.
Untuk mendapatkan rencana produksi yang tepat, tentunya harus
mempunyai perkiraan jumlah permintaan konsumen yang tepat. Jadi,
peramalan merupakan titik awal yang sangat penting dalam perencanaan
produksi.

Kelompok 7
Aktivitas peramalan merupakan suatu fungsi bisnis yang berusaha memperkirakan

penjualan dan penggunaan produk sehingga produk-produk itu dapat dibuat dalam
kuantitas yang tepat. Dengan demikian peramalan merupakan suatu dugaan terhadap
permintaan yang akan datang berdasarkan pada beberapa variabel peramal,
misalnyaberdasarkan data deret waktu historis. Peramalan dapat menggunakan teknik-
teknik peramalan yang bersifat formal maupun informal. Aktivitas peramalan ini biasa
dilakukanoleh Departemen Pemasaran dan hasil-hasil dari peramalan ini sering disebut
sebagai ramalan penjualan (sales forecast).
Berdasarkan penjelasan di atas, kita dapat mengenal dua sumber utama
yangberkaitan dengan informasi permintaan produk, yaitu:
1. ramalan terhadap produk independent demand yang bersifat tidak pasti
(uncertain),dan
2. pesanan-pesanan (orders) yang bersifat pasti (certain).
Pesanan-pesanan yang bersifat pasti ini antara lain: pesanan pelanggan
(customer orders), alokasi tertentu untuk area geografis (geographic area allocations),
service or spare parts and samples, distribution center demands (or branch warehouse
demands), dan lain-lain.
2.4 Macam – macam Peramalan
Secara umum peramalan dapat diklasifikasikan menjadi 2 macam yaitu:
1. Peramalan yang bersifat subjektif
Peramalan subjektif adalah peramalan yang lebih menekankan pada
keputusan-keputusan hasil diskusi, pendapat pribadi seseorang, dan
intuisi yang meskipun kelihatannya kurang ilmiah tetapi dapat
memberikan hasil yang baik.
2. Peramalan yang bersifat objektif
Peramalan objektif adalah peramalan yang mengikuti prosedur-
prosedur aturan matematis dan statistik dalam menunjukkan hubungan
antara permintaan dengan satu atau lebih variabel yang
mempengaruhinya. Selain itu, peramalan objektif juga mengasumsikan
bahwa tingkat keeratan dan macam dari hubungan antara variabel-
variabel bebas dengan permintaan yang terjadi di masa lalu akan terulang
juga di masa yang akan datang.

Kelompok 7
Peramalan subjektif dapat dibagi menjadi beberapa metode yaitu:

1. Metode Delphi
Metode ini merupakan cara sistematis untuk mendapatkan
keputusan bersama dari suatu grup yang terdiri dari para ahli dan berasal
dari disiplin yang berbeda, dimana grup tersebut berdiskusi secara
bersama-sama dalam suatu forum dan saling berunding.
2. Metode Penelitian Dasar
Metode ini mengumpulkan dan menganalisa fakta secara sistematis
pada bidang yang berhubungan dengan pemasaran. Salah satu tekniknya
adalah dengan melakukan survei pasar.
Peramalan objektif dapat dibagi menjadi beberapa metode yaitu:
1. Metode Intrinsik
Metode ini membuat peramalan hanya berdasarkan pada proyeksi
permintaan historis tanpa mempertimbangkan faktor-faktor eksternal
yang mungkin mempengaruhi besarnya permintaan. Metode ini hanya
cocok digunakan untuk melakukan peramalan jangka pendek pada
kegiatan produksi. Metode ini akan diwakili dengan analisis deret waktu
(Time Series).
2. Metode ekstrinsik
Metode ini mempertimbangkan faktor-faktor eksternal yang
mungkin dapat mempengaruhi besarnya permintaan di masa datang
dalam model peramalannya. Metode ini cocok untuk melakukan
peramalan jangka panjang. Metode ini banyak dipakai untuk peramalan
pada tingkat agregatdan diwakili oleh metode regresi.
Berdasarkan tekniknya metode peramalan dibagi menjadi 2 yaitu
peramalan kuantitatif dan peramalan kualitatif.
1. Peramalan Kuantitatif
Peramalan ini digunakan pabila hanya terdapat sedikit / tidak
adanya data historis perusahaan. Peramalan ini hanya didasarkan dari
pemikiran intuitif, pertimbangan, atau pengetahuan yang didapat dari
para pakar. Peramalan ini dibagi 2 metode yaitu metode eksploratoris

Kelompok 7
(Deplhi, Kurva-S, Analogi, dan penelitian morfologi) dan metode

normatif (matriks keputusan, pohon relevansi, dan anlisis sistem).
2. Peramalan Kualitatif
Peramalan ini membutuhkan data historis untuk meramalkan
permintaan di masa datang. Peramalan ini dibagi 2 metode yaitu metode
time series (metode grafis, moving average, weight moving average,
exponential smoothing, regresi linear sederhana, interpolasi Gregory-
Newton, dan metode Winter), dan metode non-time series.
2.5 Pola Data untuk Time Series
Pola data dapat menurut Hanke dan Wichern (2005:58) dibedakan
menjadi 5 jenis yaitu:
1. Pola Horizontal (H)
Pola horizontal terjadi apabila nilai data berfluktuasi di sekitar rata-
rata yang konstan. Hal ini terjadi pada suatu produk yang penjualannya
tidak meningkat atau menurun selama waktu tertentu. Grafik pola
horizontal diperlihatkan pada gambar 2.1.
Gambar 2.1 Pola Horizontal

( Sumber: Hanke dan Wichern (2005:58))
2. Pola Musiman (S)
Pola musiman terjadi apabila data terlihat berfluktuasi, namun
fluktuasi tersebut terlihat berulang dalan suatu intervaltertentu. Hal ini
terjadi karena dipengaruhi oleh faktor musiman seperti faktor cuaca,
musim libur panjang, hari raya keagamaan yang akan berulang secara
periodik setiap tahunnya. Grafik disajikan pada gambar 2.2.

Kelompok 7
Gambar 2.2 Pola Musiman

3. Pola Siklis (C)
Pola siklis terjadi apabila fluktuasi permintaan jangka panjang
membentuk pola sinusoid atau gelombang / siklus. Biasanya pola ini
dipengaruhi oleh siklus bisnis.
Gambar 2.3 Pola Siklis

4. Pola Trend (T)
Pola trend terjadi apabila data permintaan menunjukkan pola
kecenderungan naik atau turun atau bahkan konstan untuk jangka waktu
yang panjang.Grafik pola pada gambar 2.4.

Kelompok 7
Gambar 2.4 Pola Trend

5. Pola Random/Acak (R)
Pola random/acak terjadi apabila fluktuasi data permintaan dalam
jangka panjang tidak dapat digambarkan dalam keempat pola lainnya.
Faktor-faktor yang dapat menyebabkan terjadinya pola ini karena adanya
bencana alam, bangkrutnya perusahaan pesaing, promosi khusus, dan
kejadian-kejadian lainnya yang tidak mempunyai pola tertentu.Grafik
pola disajikan pada gambar 2.5.
Gambar 2.5 Pola Acak

2.6 Metode Deret Waktu (Time Series)
Metode Heizer dan Render (2015:143) deret waktu didasarkan pada
deret yang menggambarkan pola-pola yang bervariasi sepanjang waktu,
yang dapat dimodelkan untuk menentukan bagaimana pola yang akan terjadi
di masa yang akan datang. Secara tradisional, jenis-jenis variable dibedakan
dalam empat elemen.

Kelompok 7
1. Tren : merupakan kecenderungan jangka panjang dalam

satu arah.
2. Variasi siklis : variasi ini secara natural memiliki siklus yang
dapat diidentifikasikan. Sebagai contoh, data ekonomi dapatdipengaruhi
oleh siklus bisnis dalam suatu periode waktu yangbervariasi antara 5
sampai 7 tahun.
3. Variasi Musiman : variasi yang memiliki pola tahunan
4. Variasi tak beraturan : merupakan residual yang tertinggal setelah semua tipe
trendberhasil diidentifikasikan. Jika semua tipe trend telah secarapenuh
diperhitungkan dalam model, variasi tidak beraturan iniakan bersifat random.
Terdapat beberapa jenis deret waktu, yaitu:
1. Stationary : tanpa trend
2. Dengan sebuah trend : terdapat sebuah pergerakan konsisten naik atau turun
(tidak stabil pada posisi nilai rataan).
3. Trend musiman : pola teratur yang berulang setiap tahunnya (tidak stationer dalam
variasi).
4. Trend musiman siklus : terdapat pola reguler yang memerlukan
waktu lebih darisetahun untuk berulang (tidak stationer dalam rataan dan variansi)
Beberapa metode analisis deret waktu antara lain:
1. Moving average
Moving Average merupakan metode peramalan yang hanya sesuai
untuk deret waktu yang bersifat stasioner. Metode ini sering digunakan
untuk menghilangkan trend dan sifat musiman pada satu set data,
menganalisis deret residualnya dan kemudian menggabungkan kembali
variasi trend dan seasonal. Efek random dapat dihilangkan dengan
mengambil rata-rata terhadap sejumlah pengamatan. Jenis-jenisnya
antara lain: simple average, simple moving average, double moving
average, weigthed moving average, moving average with linier trend.
MA dapat dinyatakan dalam persamaan sebagai berikut :
At + A +…+ At− ( N−1)
MA= t −1
.................................................. (Rumus 2.1)
N
Dimana:

Kelompok 7
A= Permintaan actual pada periode-t

N = Jumlah data permintaan yang dilibatkan dalam perhitungan MA
Contoh soal:
Perusahaan PT. ZZYY yang bergerak di bidang manufakturing Ponsel
ingin meramalkan penjualan Ponsel untuk bulan April dan Mei dengan
menggunakan data bulanannya yang dimulai dari bulan Januari. Periode
Rata-rata bergeraknya adalah 3 bulan. Berikut ini adalah cara dan hasil
perhitungannya.
Tabel 2.1 Perkiraan Penjualan
Bulan Penjualan (unit) Perkiraan (unit)
Januari 22.500 –
Februari 37.500 –
Maret 30.000 –
April ?
Mei ?
Penyelesaian:
Perkiraan Penjualan untuk bulan April adalah:
MAApril = (22.500 + 37.750 + 30.000) / 3
MAApril = 90.000 / 3
MAApril = 30.000
Jadi perkiraan Penjualan ponsel pada bulan April adalah sekitar 30.000
unit
Kita dapat melanjutkan lagi untuk bulan Mei dengan menggunakan data
perkiraan yang dihitung tersebut atau dengan menunggu hasil aktual pada
bulan yang bersangkutan. Misalnya data aktual pada bulan April yang
didapat adalah 35.000 unit, maka perhitungannya adalah sebagai berikut :
MAMei = (37.500 + 30.000 + 35.000) / 3
MAMei = 102.500 / 3
MAMei = 34.167
Dengan perhitungan tersebut didapat bahwa perkiraan penjualan ponsel
untuk mei adalah sekitar 34. 167 unit.
Tabel 2.2 Peramalan dan Penjualan
Bulan Penjualan (unit) Perkiraan (unit)
Januari 22.500 –
Februari 37.500 –

Kelompok 7
Maret 30.000 –
April 35.000 30.000
Mei ? 34.167
1.1 Metode Simple Average
Metode simple average memprediksi permintaan pada
periode selanjutnya dengan menghitung rata-rata dari seluruh
periode sebelumnya, atau dapat diformulasikan sebagai berikut:
T+(n−1)
Xi
F T+ n= X́ = ∑ ............................................. (Rumus 2.2)
i=n T
Contoh soal:
Tabel 2.3 Simple Moving Average
Week Demand
1 650
2 678
3 720
4 785
5 859
6 920
7 850
8 758
9 892
10 920
11 789
12 844
Kembangkan peramalan 3 – T and 6 –T moving average forecasts.

Kelompok 7
Penyelesaian:
Tabel 2.4 Simple Moving Average 3-T dan 6-T
Week Demand 3-week 6-week
1 650
2 678
3 720
4 785 682.67
5 859 727.67
6 920 788.00
7 850 854.67 768.67
8 758 876.33 802.00
9 892 842.67 815.33
10 920 833.33 844.00
11 789 856.67 866.50
12 844 867.00 854.83
F4 = ( 650 + 678+ 720 ) /3
= 682.67 ( perhitungan untuk 3- T)
F7 = ( 650 + 678+ 720+ 785+ 859 +920 ) /6
= 768.67 ( perhitungan untuk 6- T)
1.2 Weight Moving Averages (WMA)
Model rata-rata bergerak menggunakan sejumlah data aktual
permintaan yang baru untuk membangkitkan nilai ramalan untuk
permintaan di masa yang akan datang. metode rata-rata bergerak
akan efektif diterapkan apabila permintaan pasar terhadap produk
diasumsikan stabil sepanjang waktu. Metode rata-rata bergerak
terdapat dua jenis, rata-rata bergerak tidak berbobot (Unweight
Moving Averages) dan rata-rata bobot bergerak (Weight Moving
Averages). Metode ini mirip dengan metode moving average,
hanya saja diperlukan pembobotan untuk data paling baru dari
deret berkala. Sebagai contoh data yang paling baru ditentukan
bobotnya sebesar 0.4, dan terbaru berikutnya berbobot 0.3,
kemudian berturut-turut 0.2 dan terakhir 0.1. dan perlu diingat
bahwajumlah bobot yang diberikan harus sama dengan 1.00. dan
bobot terberat diberikan pada data yang terbaru. Model rata-rata
bobot bergerak lebih responsif terhadap perubahan karena data dari
periode yang baru biasanya diberi bobot lebih besar. Rumus rata-
rata bobot bergerak yaitu sebagai berikut.

Kelompok 7
WMA ( n )=
∑ ( pembobot untuk period n ) ( permintaanaktual dalam periode n) ..
∑ ( pembobot )
(Rumus 2.3)
Dounkey adalah perusahaan pakaian, diketahui penjualan pada
periode sebelumnya adalah sebagai berikut :
Tabel 2.5 Penjualan per Tahun
Tahun Penjualan (unit)
2012 1.500
2013 1.800
2014 1.700
2015 2.200
2016 1.500
2017 2.000
Jika diketahui bobot sebesar (2:4:1:3), maka ramalkan berapa besar
penjualan pada tahun 2018.
Jawab :
Pertama-tama, harus kita urutkan bobotnya menjadi (4:3:2:1)
Sehingga didapatkan :
Weightedt M. A
F 2018=4 ×2.000 ¿+ ( 3 × 1.500 )( 2 ×2.200 ) +(1× 1.700) ¿
4+ 3+2+1
Weightedt M. A F 2018 = 1860
1.3 Metode Centered Moving Average
Perhitungan yang digunakan pada metode ini sama dengan
metode moving average. Hanya saja metode centered moving
average memprediksi permintaan pada periode tersebut dengan
menghitung rata-rata permintaan dari periode sebelum dan
sesudahnya, atau dapat diformulasikan sebagai berikut:
X + …+ X n +…+ X
n− ( L−1
2 )
n+ ( L−1
2 ) ................................... (Rumus
F n=
L
2.4)
2. Exponential Smoothing
Metode ini menutupi kekurangan moving average dalam hal
perbedaan informasi yang dihasilkan oleh pengamatan terdahulu dan
pengamatan yang lebih baru. Hal ini menyebabkan timbulnya dorongan

Kelompok 7
untuk memberikan bobot yang tidak sama untuk masing-masing

pengamatan. Metode exponential smoothing secara umum dirumuskan
sebagai :
F t+1 =∝× X t + ( 1−∝ ) Ft ........................................................ (Rumus 2.5)
α (alpha) dikenal dengan konstanta penghalusan (smoothing
constans). Begitu suatunilaiα dipilih, maka nilai ini terus dipertahankan
konstan dan sebuah peramalan barudapat dihitung pada saat pengamatan
terakhir diperoleh. Nilai α ini mempengaruhi stabilitas dan sensitivitas
peramalan. Pada nilai nol, sekali sebuah peramalan awal dibuat, nilai
peramalan ini tidak akan pernah berubah. Pada nilai satu, peramalan
tidak tidal lain adalah nilai pengamatan terbaru itu sendiri. Jadi, nilai α
merupakan trade-off antara stabilitas dan sensitivitas. Nilainya secara
umum dipilih dengan jalan menerapkannya pada data historis dan
kemudian memilih nilai yang meminimasi mean squared error (MSE).
Contoh soal:
Sebuah perusahaan yang menjual Kalkulator ingin meramalkan
permintaan produknya di pasar. Metode yang digunakan adalah metode
Penghalusan Eksponensial atau Exponential Smoothing. Perusahaan
tersebut menggunakan Konstanta α = 0,1. Prakiraan Permintaan atau
demand untuk bulan Januari adalah 10.000 unit. Namun pada
kenyataannya, permintaan aktual pada bulan Januari tersebut hanya
sebanyak 9.000 unit. Berapakah prakiraan untuk bulan Februari?
Diketahui:
α = 0,1
Ft – 1 = 10.000 unit
Dt – 1 = 9.000 unit
Ft = ?
Jawaban
Ft = Ft+1 = Ft + α(xt +Ft)
Ft = 10.00 + 0,1 ( 9.000 – 10.000 )
Ft = 10.000 + 0,1 ( -1.000)
Ft = 10.000 + ( -100)

Kelompok 7
Ft = 9.900
2.1 Single Exponential Smoothing ( SES )
Pola data yang tidak stabil atau perubahannya besar dan
bergejolak umumnya menggunakan model pemulusan eksponensial
(Exponential Smoothing Models). Metode Single Exponential
Smoothing lebih cocok digunakan untuk meramalkan hal-hal yang
fluktuasinya secara acak (tidak teratur). Peramalan menggunakan
model pemulusan eksponensial rumusnya adalah sebagai berikut.
Ft+1 = Ft-1 + α(At +Ft-1)......................................... (Rumus 2.6)
2.2 Double exponential smoothing
Metode double exponential smoothing memprediksi
permintaan pada periode berikutnya dengan perhitungan yang
serupa dengan metode single exponential smoothing. Hanya saja
pemulusan menggunakan konstanta pemulusan () dilakukan
sebanyak 2 kali. Persamaan yang digunakan pada metode ini adalah
sebagai berikut:
S ' t =∝× X t −1 + ( 1−∝) S ' t −1 ..................... (Rumus 2.7)
S ' ' t =∝× S ' t + ( 1−∝) S ' ' t −1 ..................... (Rumus 2.8)
a t=S ' t + ( S ' t −S ' ' t )=2 S ' t −S ' ' t−1..................... (Rumus 2.9)
∝
b t= ( S ' −S ' ' t )................... (Rumus 2.10)
1−∝ t
F t+ m=at +bt .................... (Rumus 2.11)
Dimana:
Ft = peramalan pada periode t
Xt = demand pada periode t
3. Regresi Linear
Model analisis regresi linier adalah suatu metode populer untuk
berbagai macam permasalahan. Menurut Harding (1974) dua variabel
yang digunakan, variabel x dan variabel y, diasumsikan memiliki kaitan
satu sama lain dan bersifat linier. Rumus perhitungan regresi linier yaitu

Kelompok 7
n ∑ X i Y i−∑ X i ∑ Y i
b= 2 ..............................................................
n ∑ X 2i −( ∑ X i)
(Rumus 2.12)
a=
∑ Y i−b ∑ X i ....................................................................... (Rumus
n
2.13)
F=a+ b(t) ....................................................................... (Rumus 2.14)
Dengan :
Xi : Periode ke i
Yi : Demand periode ke i
n : jumlah periode
Model-model peramalan yang dilakukan kemudian divalidasi
menggunakan sejumlah indikator. Indikator-indikator yang umum
digunakan adalah rata-rata penyimpangan absolut (Mean Absolute
Deviation), rata-rata kuadrat terkecil (Mean Square Error), rata-rata
persentase kesalahan absolut (Mean Absolute Percentage Error), validasi
peramalan (Tracking Signal), dan pengujian kestabilan (Moving Range).
Contoh soal:
Tabel 2.6 Persamaan Regresi
Week Sales
1 150
2 157
3 162
4 166
5 177
Buatlah formulasi dari persamaan regresi dari prediksi sales dalam
5 minggu.
Penyelesaiaan:
Tabel 2.7 Formulasi dari Persamaan Regresi
Week Week * Week Sales Week*Sales
1 1 150 150
2 4 157 314
3 9 162 486
4 16 166 664
5 25 177 885
3 55 162.4 2499
Average Sum Average Sum

Kelompok 7
2499−5(162.4)(3) 63
b= = =6.3
55−5 (9) 10
a=162.4−( 6.3 ) ( 3 )=143.5
Y= 143.5 + 6.3t
2.7 Model – model Kausal
Model kausal terdiri atas teknik-teknik peramalan yang menggunakan
informasiatas satu atau beberapa faktor (variabel) untuk memprediksi faktor
lainnya dengan memanfaatkan pengetahuan atas hubungan antar variabel-
variabel tersebut. Teknik utama dalam model-model kausal ini adalah
analisis regresi, baik regresi sederhana maupun majemuk. Penggunaan
Model-model kausal pada dasarnya model-model kausal dapat digunakan
manakala pergerakan dalam suatu variabel dianggap disebabkan oleh
pergerakan pada variabel-veriabel yang lain. Akibatnya, proses
pengidentifikasian veriabel-variabel manjadi proses yang kritis. Pedoman
berikut menggambarkan kapan pemodelan kausal sesuai untuk diterapkan :
1. Pada saat terdapat alasan-alasan yang priori untuk menganggap bahwa
satu variabel adalah dipengaruhi oleh variabel yang lain. Misalnya,
terdapat alasan yang kuat untuk mempercayai bahwa periklanan akan
mempengaruhi tingkat penjualan.
2. Pada saat sebuah indikator utama dapat teridentifikasikan. Misalnya,
tingkat kelahiran bayi saat ini dapat digunakan untuk meramalkan
kebutuhan akan busanabalita untuk beberapa tahun ke depan.
3. Horison waktu peramalan yang relevan. Dalam jangka pendek, delay
antara efek kausal dan waktu data dikumpulkan dapat diabaikan. Namun
dalam jangka panjang terdapat kemungkinan bahwa efek kausal telah
bergeser
Analisis Regresi
Analisis regresi didasarkan pada asumsi bahwa terdapat hubungan antara
dua atau lebih variabel. Secara umum, analisis regresi dapat dilakukan
dalam langkah-langkah berikut:
1. Lakukan plot data untuk menginvestigasi apakah tampak terdapat
hubungan tertentu.

Kelompok 7
2. Tentukan metode regresi yang sesuai

3. Lakukan estimasi terhadap garis regresi yang sebenarnya dengan jalan
mengestimasi parameter-parameter garis regresi yang ada.
4. Hitung residual atau perbedan antara nilai kausal variabel dan nilai
etimasi hasil regresi.
5. Pilih metode regresi dengan jumlah kuadrat residual yang kecil. Residual
dapat timbul karena hubungan antara variabel tidak eksak.
Tidak eksaknya hubungan ini disebabkan karena adanya faktor-faktor
lain yang mempengaruhi. Faktor-faktor ini antara lain :
1. Penghilangan beberapa variabel dari persamaan karena variabel-variabel
tersebuttidak diketahui, random, tidak signifikan atau tidak dapat diukur.
2. Kerandoman yang timbul dari perilaku manusia.
3. Hubungan tidak sepenuhnya linear.
4. Kesalahan – kesalahan dalam agregasi.
Kesalahan – kesalahan dalam pengukuran masalah - masalah dalam regresi,
yaitu:
1. Multikolinearitas variabel-variabel eksplanatoris biasanya memiliki
korelasi yang tinggi. Hal ini sering terjadi dalam deret waktu karena
adanya kecenderungan data-data ekonomi bergerak bersamaan sepanjang
waktu. Multikolinearitas menyebabkan kemampuan suatuvariabel dalam
menjelaskan fenomena yang ada menjadi bias.
2. Autokorelasi terjadi apabila asumsi ini tidak dapat terpenuhi.
Autokorelasi menyebabkan banyak uji statistik yang untuk menentukan
signifikansi variabel sepertiuji F dan t menjadi tidak valid. Lebih lanjut,
metode-metode estimasi kuadrat terkecil menjadi tidak efisien. Adanya
autokorelasi dapat diuji dengan menggunakan statistik Durbin-Watson.

Kelompok 7
2.8 Pemilihan dan Evaluasi Metode-metode Peramalan

Terdapat dua kelompok karakteristik yang dapat digunakan sebagai
kerangka dasar untuk menilai kesesuaian suatu model untuk diterapkan :
1. Situasi berdasarkan situasi yang ada, harus diperhatikan hal-hal antara
lain: horison waktu, detil yang dibutuhkan, jumlah item yang akan
diramal, tujuan dilakukannya peramalan (kontrol vs perencanaan),
kekonstanan, dan prosedur perencanaan yang ada saat ini.
2. Metode berdasarkan metode yang ada, harus diperhatikan hal-hal antara
lain: horison waktu, pola data, biaya, keakuratan, dan daya tarik intuitif.
Mula-mula terdapat pilihan apakah akan digunakan metode kuantitatif
atau metode kualitatif. Dalam peramalan bisnis, metode-metode kualitatif
lebih sesuai untuk peramalan jangka panjang yang berkaitan dengan
identifikasi perubahan yang mungkin terjadi dalam pola-pola dan
hubungan-hubungan yang sudah mapan serta juga pada keadaan dimana
terdapat ketidakpastian yang tinggi atau kurangnya data. Peramalan
kuantitatif biasanya lebih baik dalam jangka waktu pendek atau
menengah, yang kebutuhan peramalannya adalah untuk perencanaan
produksi dan penjadwalan personel dalam jangka pendek sertauntuk
penentuan anggaran dalam jangka menengah. Jika metode kuantitatif
yang dipilih, selanjutnya terdapat pilihan antara model kausalatau deret
waktu. Metode kausal lebih sesuai di mana terdapat hubungan antar
variabel yang dapat diidentifikasikan dengan mudah dan terdapat sedikit
variabel eksternal. Ketika variabel tersebut dipengaruhi oleh lebih banyak
faktor, metode deret waktu lebih sesuai. Deret waktu lebih efektif ketika
banyak peramalan dibutuhkan dalam horison jangka pendek sebagaimana
yang sering dijumpai dalam dunia bisnis. Setelah ditentukan metode-
metode mana yang diperkirakan sesuai dan parameter-parameter model
telah pula ditetapkan, maka untuk menentukan metode terbaik
yangnantinya akan dipakai diperlukan suatu evaluasi.
Terdapat tiga atribut penilaian :
1. Kesesuaian terhadap data historis.
2. Landasan statistik dan teoritis yang dapat dipertanggungjawabkan.

Kelompok 7
3. Kesesuaian dengan situasi yang sedang dihadapi.

2.9 Uji Kesalahan Peramalan (Uji Verifikasi)
Uji kesalahan peramalan atau uji verifikasi dilakukan terhadap metode peramalan
untuk menentukan metode peramalan yang terpilih.
1. Mean Square Error (MSE)
MSE dihitung dengan menjumlahkan kuadrat semua kesalahan peramalan
padasetiap periode dan membaginya dengan jumlah periode peramalan. 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 perbedaan yang besar.
n
∑ error 2t ................................................................ (Rumus 2.15)

MSE n= t =2
n−1
2. Mean Absolute Deviation (MAD)
Metode untuk mengevaluasi metode peramalan menggunakan
jumlah dari kesalahan-kesalahan yang absolut. Mean Absolute
Deviation (MAD) mengukur ketepatan ramalan dengan merata-rata
kesalahan dugaan (nilai absolut masing-masing kesalahan). MAD
berguna ketika mengukur kesalahan ramalan dalam unit yang sama
sebagai deret asli. Nilai MAD dapat dihitung dengan menggunakan
rumus sebegai berikut.
n
∑ ¿ error t ∨¿ ............................................................ (Rumus

MADn= t=2 ¿
n−1
2.16)
3. 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

Kelompok 7
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.
n
∑ PEt ............................................................... (Rumus 2.17)

MAPEn= t=2
n−1
Contoh soal:
PT. TPN ingin memprediksi total penjualan bulan Januari tahun depan.
Data penjualan bulan Januari hingga Desember sebagai berikut:
Tabel 2.8 Data Penjualan Bulan Januari hingga Desember
Perhitungan Perhitungan Perhitungan
Aktual Peramalan yg MAD MSE MAPE
Bulan
penjualan dibulatkan dgn α =0,1 Deviasi Kesalahan /
(Kesalahan)2
absolut Aktual (%)
Januari 178 170 (8 / 178) x 100 =
178 - 170= 8 64 4,47
Februari 172 170 + 0,1 x (178 – 172 – 171 = (1 / 172) x 100 =
170)= 171 1 1 0,70
Maret 168 171 + 0,1 x (172 –
171)= 171 3 9 1,74
April 174 171 3 9 1,94
Mei 192 171 21 441 10,96
Juni 201 173 28 784 13,90
Juli 190 176 14 196 7,44
Agustus 192 177 15 225 7,67
September 194 179 15 225 7,86
Oktober 190 180 10 100 5,12
November 200 181 19 361 9,38
Desember 210 183 27 729 12,80
Jumlah 164 3143,97 83,96
Nilai 13,66 262 7,00

Kelompok 7
Gambar 2.6 Grafik Penjualan dan peramalan
4. 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.
n
CFE n=∑ error t ........................................................... (Rumus 2.18)
t=2
5. Percentage Error (PE)

Percentage Error merupakan kesalahan persentase dari suatu
peramalan.
PE n=¿ error n∨ ¿ ×100 % ¿....................................................... (Rumus
Xn
2.19)
2.10 Uji Validasi
Uji validasi merupakan 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 yang digunakan. Untuk beberapa metode yang umum yang selama ini telah
banyak digunakan, uji validasi peramalan dapat dikerjakan dengan pembuatan peta
moving range .akan tetapi untuk beberapa metode peramalan yang lain seperti ARIMA,
uji validasi dilakukan dengan melakuakan pengujian kelayakan model melalui pengujian
nilai parameter yang dihasilkan, nilai chi square, dan pengujian nilai p value.
n
∑ MR ......................................................................... (Rumus 2.20)

MR= i=1
n−1
MR t=¿ ( Y t−Y Ft ) −( Y t−1−Y Ft−1 ) ∨¿.................................. (Rumus 2.21)
Contoh Soal:
Validasi error dilakukan untuk menjamin bahwa metode peramalan yang terpilih
memiliki error 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.

Kelompok 7
Uji kondisi di luar kendali Uji 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).(Arman Hakim Nasution. hal 51)
4. Ada satu titik yang berada di luar UCL atau LCL. (Amitava Mitra.hal 176).
Gambar 2.7 Moving Rage

(Sumber: Hanke dan Wichern (2005:58))
1. Region A adalah daerah di atas + 1.77 MR dan di bawah - 1.77 MR
2. Region B adalah daerah di atas + 0.89 MR dan di bawah - 0.89 MR
3. UCL/ Batas Kontrol Atas = + 2.66 MR
4. 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
melaluipengujian parameter yang dihasilkan, nilai chi square, dan pengujian nilai p-
value.

Kelompok 7
BAB III
PENGOLAHAN DATA DAN PEMBAHASAN
3.1 Pengumpulan Data Historis Sebelum Konversi dan Sesudah Konversi
3.1.1 Pengumpulan Data Historis Sebelum Konversi
Berikut merupakan pengumpulan data historis penjualan
Tamiya putih dan Tamiya hitam sebelum konversi.
Tabel 3.1 Pengumpulan Data Penjualan Tamiya Sebelum Konversi
Tamiya
Periode
Putih Hitam
1 6730 6059
2 7454 5959
3 6970 5874
4 6768 6061
5 7173 5781
6 7167 6002
7 7222 6017
8 7054 6056
9 7091 5867
10 6890 5945
11 7282 5880
12 6858 6081
13 6935 5834
14 7382 5921
15 6827 5788
16 6562 5962
17 7236 5832
18 7018 5805
19 6547 5972
20 6613 5956
21 6981 5906
22 7001 5900
23 6910 6027
24 7241 5968
Faktor Konversi : Tamiya Putih = 1

Tamiya Hitam = 1,13

Kelompok 7
3.1.2 Pengumpulan Data Sesudah Konversi

Berikut merupakan pengumpulan data historis penjualan
Tamiya putih dan Tamiya hitam sesudah konversi.
Tabel 3.2 Pengumpulan Data Penjualan Tamiya Sesudah Konversi
Tamiya
Hasil
Putih Hitam
6730 6847 13577
7454 6734 14188
6970 6638 13608
6768 6849 13617
7173 6533 13706
7167 6782 13949
7222 6799 14021
7054 6843 13897
7091 6630 13721
6890 6718 13608
7282 6644 13926
6858 6872 13730
6935 6592 13527
7382 6691 14073
6827 6540 13367
6562 6737 13299
7236 6590 13826
7018 6560 13578
6547 6748 13295
6613 6730 13343
6981 6674 13655
7001 6667 13668
6910 6811 13721
7241 6744 13985
Jumlah 328884
3.2 Pengolahan Data

3.2.1 Plotting Data
Grafik dibawah ini merupakan plotting data historis penjualan
Tamiya putih dan hitam sesudah dikonversi.

Kelompok 7
Chart Title
14400
14200
14000
13800
13600
13400
13200
13000
12800
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Gambar 3.1 Plotting Data

Plot data di atas menunjukkan bahwa penjualan Tamiya 4 PT.
Homescapes memiliki pola data musiman. Pola musiman diakibatkan
sebaran data mengindikasikan adanya peningkatan dan penurunan
penjualan Tamiya di periode tertentu dengan pola yang berulang.
3.2.2 Peramalan dengan Beberapa Metode
1. Metode Simple Average
Metode simple average memprediksi permintaan pada
periode selanjutnya dengan menghitung rata-rata dari seluruh
periode sebelumnya, atau dapat diformulasikan sebagai berikut:
T+(n−1)
Xi
F T+ n= X́ = ∑
i=n T
Setelah menghitung peramalan permintaan, dihitung error,
yaitu selisih antara demand aktual dan demand hasil peramalan
yang diformulasikan sebagai berikut:
error n =demand n −forecast n
Setelah nilai error diperoleh, besar kesalahan peramalan
dapat dihitung dengan beberapa metode yaitu PE, MSE, MAD,
MAPE, dan CFE. Berikut adalah rumus yang digunakan dalam
perhitungan kelima metode tersebut:

Kelompok 7
error n
PE n= × 100 %
Xn
n
∑ error 2t
MSE n= t =2
n−1
n
∑ ¿ error t ∨¿
MADn= t=2 ¿
n−1
n
∑ PE t
MAPEn= t=2
n−1
n
CFE n=∑ error t
t=2
Berikut ini adalah contoh perhitungan peramalan (forecast),

error, PE, MAD, MSE, MAPE, dan CFE secara manual.
1
X i X 1 13577
F 2=∑ = = =13577
i=1 T 1 1
2
X i X 1+ X 2 13577 +14188
F 3=∑ = = =13883
i=1 T 2 2
e 2=X 2−F2=14188−13577=611
|e 2|=611
e 22=373321
error 2 611
PE 2= ×100 %= × 100 %=4.31 %
X2 14188
¿ PE2∨¿ 4.31 %
3
∑ error 2t 373321+75350
MSE 3= t =2 = =224335.63
2 2
3
∑ ¿ error t ∨¿ 611+275
MAD3= t=2 = =442.75 ¿
2 2
3
∑ ¿ PEt ∨¿ 4.31+2.02
MAPE3= t=2 = =3.16 ¿
2 2

Kelompok 7
3
CFE 3=∑ error t =611+(−275)=337
t=2
Berikut merupakan perhitungan untuk setiap periode dan

peramalan hingga 12 periode mendatang menggunakan metode ini
yang dapat dilihat pada tabel.

Kelompok 7
Tabel 3.3 Metode Simple Average

Demand Peramala
Periode e |e| e^2 PE (%) |PE| MSE MAD MAPE CFE
Aktual n
1 13577
373321.0
14188
2 13577 611 611 373321 4.31 4.31 0 611.00 4.31 611
224335.6
13608
3 13883 -275 275 75350 -2.02 2.02 3 442.75 3.16 337
159649.0
13617
4 13791 -174 174 30276 -1.28 1.28 8 353.17 2.53 163
120167.3
13706
5 13748 -42 42 1722 -0.30 0.30 8 275.25 1.98 121
104937.1
13949
6 13739 210 210 44016 1.50 1.50 1 262.16 1.88 331
7 14021 13774 247 247 60927 1.76 1.76 97602.04 259.61 1.86 578
8 13897 13809 88 88 7669 0.63 0.63 84754.43 235.03 1.69 665
9 13721 13820 -99 99 9875 -0.72 0.72 75394.55 218.07 1.57 566
10 13608 13809 -201 201 40535 -1.48 1.48 71521.28 216.21 1.56 364
11 13926 13789 137 137 18714 0.98 0.98 66240.57 208.27 1.50 501
12 13730 13802 -72 72 5132 -0.52 0.52 60685.23 195.85 1.41 430
13 13527 13796 -269 269 72182 -1.99 1.99 61643.27 201.92 1.46 161
14 14073 13775 298 298 88804 2.12 2.12 63732.56 209.31 1.51 459
15 13367 13796 -429 429 184286 -3.21 3.21 72343.54 225.02 1.63 30
16 13299 13768 -469 469 219648 -3.52 3.52 82163.86 241.26 1.76 -439
17 13826 13738 88 88 7678 0.63 0.63 77508.51 231.66 1.69 -351
18 13578 13744 -166 166 27400 -1.22 1.22 74560.95 227.77 1.66 -517
19 13295 13734 -439 439 193014 -3.30 3.30 81141.66 239.53 1.75 -956
20 13343 13711 -368 368 135579 -2.76 2.76 84006.78 246.30 1.80 -1324
21 13655 13693 -38 38 1429 -0.28 0.28 79877.88 235.87 1.73 -1362
76099.3
13668
22 13691 -23 23 529 -0.17 0.17 76099.37 7 1.65 -1385
23 13721 13690 31 31 964 0.23 0.23 72684.11 72684.1 1.59 -1354
Kelompok 7
1
73274.2
13985
24 13691 294 294 86257 2.10 2.10 73274.25 5 1.61 -1060
Tabel 3.3 Metode Simple Average (Lanjutan)

Demand
Periode Peramalan e |e| e^2 PE (%) |PE| MSE MAD MAPE CFE
Aktual
25 13704
26 13704
27 13704
28 13704
29 13704
30 13704
31 13704
32 13704
33 13704
34 13704
35 13704
36 13704
TOTAL 328885 480811 -1060 5065 1685308 -9 37 2337645 227394 43 -3434

Kelompok 7
Berikut merupakan tampilan grafik, berdasarkan hasil

peramalan simple average, data peramalan periode 1 hingga
periode 36.
Metode Simple Average

14400
14200
14000
13800
13600
13400
13200
13000
12800
1 2 3 4 5 6 7 8 9 101112131415161718192021222324
Demand Aktual Peramalan
Gambar 3.2 Grafik Metode Simple Average

2. Metode Single Moving Average
Metode single moving average memprediksi permintaan pada
periode selanjutnya dengan menghitung rata-rata dari t periode
sebelumnya, atau dapat diformulasikan sebagai berikut:
X 1+ X 2+ …+ X n
F T+ n= X́ =
T
error n =demand n −forecast n
PE n=¿ error n∨ ¿ ×100 % ¿
Xn

Kelompok 7
∑ errori2
MSE n= i =t +1
n−t
n
∑ ¿ error i∨¿
i=t +1
MADn= ¿
n−t
n
∑ ¿ PEi∨¿
MAPEn= i=t +1 ¿
n−t
n
CFE n= ∑ error i
i=t +2
Berikut ini adalah contoh perhitunan peramalan (forecast),

Diketahui : t=3
X 1+ X 2 + X 3 14188+13608+13617
F 5= =
3 3
¿ 13804
e 5=X 5−F5 =13706−13804=−98
|e 5|=98
e 25=9669.44
e5 −98
PE5= × 100 %= ×100 %=−0.72
X5 13706
|PE5|=0.72
6
∑ error 2i 9669.44+93228.44
MSE 6= i=5 = =51448.944
2 2
6
∑ ¿ error i ∨¿ 96+305
MAD6= i=5 = =201.8333 ¿
2 2
6
∑ ¿ PEi∨¿ 0.72+2.19
MAPE6= i=5 = =1.45 ¿
2 2
5
CFE 5=∑ error i =(−98)+305=207
i=4

Kelompok 7

dapat dilihat pada tabel.

Kelompok 7
Tabel 3.4 Metode Single Moving Average

Demand
Aktual
1 13577
2 14188
3 13608
4 13617 13791 -174 174 30276.00 -1.28 1.28 30276.00 174 1.28 -174
19972.72 136.1666
13706 13804 -98 98 9669.44 -0.72 0.72
5 2 7 1.00 -272
51448.94 201.8333
13949 13644 305 305 93228.44 2.19 2.19 1.45 207
6 4 3
57472.66 222.4444
14021 13757 264 264 69520.11 1.88 1.88 1.60 471
7 7 4
168.0833
13897 13892 5 5 25.00 0.04 0.04 43110.75 1.21 476
8 3
45502.28
13721 13956 -235 235 55068.44 -1.71 1.71 181.4 1.31 241
9 9
50219.03 196.4444
13608 13880 -272 272 73802.78 -2.00 2.00 1.42 -31
10 7 4
194.6666
13926 13742 184 184 33856.00 1.32 1.32 47881.46 1.41 153
11 7
41954.95 173.0416
13730 13752 -22 22 469.44 -0.16 0.16 1.25 132
12 8 7
179.1111
13527 13755 -228 228 51832.11 -1.68 1.68 43052.42 1.30 -96
13 1
119255.1 50672.68 195.7333
14073 13728 345 345 2.45 2.45 1.41 249
14 1 9 3
167826.7 61323.06 215.1818
13367 13777 -410 410 -3.06 3.06 1.56 -160
15 8 1 2
127211.1 66813.73 226.9722
13299 13656 -357 357 -2.68 2.68 1.66 -517
16 1 1 2
17 13826 13580 246 246 60680.11 1.78 1.78 66341.91 228.4615 1.67 -271

Kelompok 7
5 4
217.9047
13578 13497 81 81 6507.11 0.59 0.59 62068 1.59 -190
18 6
62886.60 221.5555
13295 13568 -273 273 74347.11 -2.05 2.05 1.62 -463
19 7 6
62073.55 221.6666
13343 13566 -223 223 49877.78 -1.67 1.67 1.62 -686
20 6 7
62088.84 223.3137
13655 13405 250 250 62333.44 1.83 1.83 1.64 -436
21 3 3
Tabel 3.4 Metode Single Moving Average (Lanjutan)
Demand
Aktual
61759.96 224.0740
13668
22 13431 237 237 56169.00 1.73 1.73 3 7 1.64 -199
59953.93
13721
23 13555 166 166 27445.44 1.21 1.21 6 221 1.62 -34
61566.91 225.1333
13985
24 13681 304 304 92213.44 2.17 2.17 1 3 1.65 270
25 13681
26 13681
27 13681
28 13681
29 13681
30 13681
31 13681
32 13681
33 13681
34 13681
35 13681
36 13681

Kelompok 7
TOTAL 328885 451592 96 4677 1261614 0 34 1108440 4248 31 -1330

Kelompok 7

peramalan Single Moving Average, data peramalan periode 1
hingga periode 36.
Metode Single Moving Average

14400
14200
14000
13800
13600
13400
13200
13000
12800
1 2 3 4 5 6 7 8 9 101112131415161718192021222324
Gambar 3.3 Grafik Metode Single Moving Average

3. Metode Weight Moving Average
Metode Weight Moving Average merupakan peramalan
dengan memberikan bobot tertentu pada beberapa bulan
sebelumnya. Misalnya tiga bulan terakhir berbobot 0,20, dua
bulan terakhir berbobot 0,30 dan sebulan terakhir berbobot
0,50. Jumlah seluruh bobot harus 1. Kemudian masing-
masing demand dikalikan dengan bobot masing- masing,
kemudian dijumlahkan dan dibagi dengan banyaknya
periode yang digunakan. Adapun rumus yang digunakan
pada metode ini adalah sebagai berikut:
F n=w 1 X n−1+ w2 X n−2 +…+ w j X n− j
j
∑ wi=1
i=1
Dimana:
w1 = bobot yang diberikan pada periode t-1
Kelompok 7
j = jumlah periode
error n =demandn −forecast n
PEn=¿ error n∨ ¿ ×100 % ¿
Xn
n
2
∑ error t
MSE n= t= j +1
n− j
n
∑ ¿ errort ∨¿
t = j+1
MADn= ¿
n− j
n
∑ ¿ PEt ∨¿
MAPEn= t = j ¿
n− j
n
CFE n=∑ error t
t=2

Diketahui :
j=3
a. Bobot 1 periode sebelumnya (w1) = 0.2
b. Bobot 2 periode sebelumnya (w2) = 0.3
c. Bobot 3 periode sebelumnya (w3) = 0.5
Perhitungan:
F 5=( w ¿ ¿ 1 × X 1 )+ ( w 2 × X 2 ) + ( w 3 × X 3 ) ¿
¿ ( 13577∗0.2 ) + ( 14188∗0.3 )+(13608∗0.5)/1=13729
e 5=X 5−F5 =13706−13901=−23

Kelompok 7
|e 5|=23
e 25=506.25
e5 −23
PE 5= × 100 %= × 100 %=−0.16
X5 13729
|PE 5|=0.16
6
∑ error 2i 25217.44 +506.25

MSE 6= t =5 = =12861.845
2 2
6
∑ ¿ error i ∨¿ 159+ 23
MAD 6= t=5 = =91 ¿
2 2
6
∑ ¿ PEi∨¿ 1.17+ 0.16

MAPE6= t=5 = =0.67 ¿
2 2
6
CFE 6=∑ errori =(−159 ) +(−23)=−181
t=5


Kelompok 7
Tabel 3.5 Metode Weighted Moving Average

Demand
Periode Bobot Peramalan e |e| e^2 PE (%) |PE| MSE MAD MAPE CFE
Aktual
1 13577 0.2
2 14188 0.3
3 13608 0.5
4 13617 13776 -159 159 25217.44 -1.17 1.17 25217.44 159 1.17 -159
5 13706 13729 -23 23 506.25 -0.16 0.16 12861.845 91 0.67 -181
6 13949 13660 289 289 83694.49 2.07 2.07 42100.37 156 1.12 267
7 14021 13810 211 211 44647.69 1.51 1.51 42949.47667 174 1.25 478
8 13897 13936 -39 39 1552.36 -0.28 0.28 32600.1975 141 1.01 439
9 13721 13945 -224 224 49996.96 -1.63 1.63 36079.55 157 1.13 215
10 13608 13834 -226 226 50985.64 -1.66 1.66 38563.89833 169 1.22 -11
11 13926 13700 226 226 51211.69 1.63 1.63 40370.72571 177 1.28 216
12 13730 13790 -60 60 3552.16 -0.43 0.43 35768.405 162 1.17 156
13 13527 13764 -237 237 56358.76 -1.76 1.76 38056.22222 171 1.24 -81
14 14073 13668 405 405 164268.09 2.88 2.88 50677.409 194 1.40 324
15 13367 13841 -474 474 224296.96 -3.54 3.54 66461.00455 219 1.60 -150
16 13299 13611 -312 312 97219.24 -2.34 2.34 69024.19083 227 1.66 -462
17 13826 13474 352 352 123763.24 2.54 2.54 73234.88692 237 1.73 -110
18 13578 13576 2 2 3.61 0.01 0.01 68004.08143 220 1.60 -108
19 13295 13597 -302 302 90962.56 -2.27 2.27 69534.64667 225 1.65 -409
20 13343 13486 -143 143 20477.61 -1.07 1.07 66468.58187 220 1.61 -553
21 13655 13376 279 279 78064.36 2.05 2.05 67150.68647 224 1.64 -273
22 13668 13489 179 179 31897.96 1.31 1.31 65192.20167 221 1.62 -95
23 13721 13599 122 122 14859.61 0.89 0.89 62543.11789 216 1.58 27
24 13985 13692 293 293 85907.61 2.10 2.10 63711.3425 220 1.61 320
Tabel 3.5 Metode Weighted Moving Average (Lanjutan)

Periode Demand Bobot Peramala e |e| e^2 PE (%) |PE| MSE MAD MAPE CFE
Kelompok 7
Aktual n
25 13692
26 13692
27 13692
28 13692
29 13692
30 13692
31 13692
32 13692
33 13692
34 13692
35 13692
36 13692
TOTAL 328885 1 451654 162 4556 1299444 1 33 1066570 3980 29 -148

Kelompok 7

peramalan Weight Moving Average, data peramalan periode 1
hingga periode 36.
Metode WMA
14400
14200
14000
13800
13600
13400
13200
13000
12800
1 2 3 4 5 6 7 8 9 101112131415161718192021222324
Gambar 3.4 Grafik Metode Weighted Moving Average

4. Metode Single Exponential Smoothing
Perhitungan metode SES memprediksi peramalan
dengan hanya mempertimbangkan demand pada periode
tersebut dan peramalan pada periode sebelumnya dengan
mengalikannya dengan suatu besaran yang disebut konstanta
pemulusan (α).
Nilai konstanta pemulusan dipilih di antara 0 dan 1
karena berlaku 0 < α < 1. Apabila pola historis dari data
aktual permintaan sangat bergejolak atau tidak stabil dari
waktu ke waktu, nilai α yang dipilih adalah yang mendekati
1. Pola historis dari data aktual permintaan tidak
berfluktuasi atau relatif stabil dari waktu ke waktu, α yang
dipilih adalah yang nilainya mendekati 0. Nilai konstanta
(α) yang diberikan 0,6 karena pola data termasuk
bergejolak, atau dapat diformulasikan sebagai berikut:
F t+1 =∝× X t + ( 1−∝ ) Ft

Kelompok 7

PEn=¿ error n∨ ¿ ×100 % ¿
Xn
n
∑ error 2t
MSE n= t =2
n−1
n
MADn= t=2 ¿
n−1
n
∑ PEt
MAPEn= t=2
n−1
n
CFE n=∑ error t
t=2

Diketahui: =0.6
F 3=∝× X 3 + ( 1−∝ ) F 2
¿ 0.6 ×13608+ (1−0.6 ) 13577
¿ 13596
e 3=X 3−F3 =13608−13596=12
|e 3|=12
e 23=¿ 154
error 3 12
PE 3= × 100 %= × 100 %=0.09 %
X3 13608
¿ PE 3∨¿ 0.09 %

Kelompok 7
∑ error 2t 373321+154
MSE 3= t =2 = =186737.38
2 2
3
∑ ¿ error t ∨¿ 611+12
MAD3= t=2 = =311.7 ¿
2 2
3
∑ ¿ PEt ∨¿ 4.31+0.09
MAPE3= t=2 = =2.1987895 ¿
2 2
3
CFE 3=∑ error t =611+12=623
t=2


Kelompok 7
Tabel 3.6 Metode Single Exponential Smoothing

Demand Peramalan
Aktual ɑ=0.6
1 13577 13577
2 14188 13577 611 611 373321 4.31 4.31 373321.00 611 4.31 611
3 13608 13596 12 12 154 0.09 0.09 186737.38 311.7 2.1987895 623
4 13617 13608 9 9 73 0.06 0.06 124516.01 210.65333 1.4868139 632
5 13706 13667 39 39 1523 0.28 0.28 93767.727 167.746 1.1862909 671
6 13949 13836 113 113 12726 0.81 0.81 77559.382 156.75872 1.1107785 784
7 14021 13947 74 74 5465 0.53 0.53 65543.608 142.95291 1.0135215 858
8 13897 13917 -20 20 401 -0.14 0.14 56237.552 125.39256 0.8893235 838
9 13721 13799 -78 78 6148 -0.57 0.57 49976.417 119.52001 0.8495925 759
10 13608 13685 -77 77 5862 -0.56 0.56 45074.835 114.74722 0.8177096 683
11 13926 13829 97 97 9327 0.69 0.69 41500.006 112.9299 0.8052866 779
12 13730 13770 -40 40 1582 -0.29 0.29 37871.068 106.27904 0.7584115 740
13 13527 13624 -97 97 9430 -0.72 0.72 35500.978 105.5148 0.7550342 642
14 14073 13893 180 180 32241 1.28 1.28 35250.182 111.21033 0.7951005 822
15 13367 13578 -211 211 44343 -1.58 1.58 35899.655 118.30797 0.8508327 611
16 13299 13410 -111 111 12417 -0.84 0.84 34334.134 117.8495 0.8499698 500
17 13826 13660 166 166 27632 1.20 1.20 33915.227 120.87313 0.8719894 666
18 13578 13611 -33 33 1070 -0.24 0.24 31983.148 115.68701 0.8348663 633
19 13295 13421 -126 126 15948 -0.95 0.95 31092.281 116.2757 0.8412547 507
20 13343 13374 -31 31 981 -0.23 0.23 29507.452 111.80401 0.8093297 476
21 13655 13543 112 112 12606 0.82 0.82 28662.359 111.82754 0.8099744 588
22 13668 13618 50 50 2511 0.37 0.37 27417.056 27417.056 0.7888624 638
23 13721 13680 41 41 1701 0.30 0.30 26248.147 26248.147 0.7666682 680
24 13985 13863 122 122 14908 0.87 0.87 25755.089 25755.089 0.771294 802
Tabel 3.6 Metode Single Exponential Smoothing (Lanjutan)

Kelompok 7
Demand Peramalan
Aktual ɑ=0.6
25 13863
26 13863
27 13863
28 13863
29 13863
30 13863
31 13863
32 13863
33 13863
34 13863
35 13863
36 13863
TOTAL 328885 494439 802 2450 592367 5 18 1527671 82629 25 15543

Kelompok 7

peramalan Single Exponential Smoothing, data peramalan periode 1
hingga periode 36.
Metode SES
14400
14200
14000
13800
13600
13400
13200
13000
12800
1 2 3 4 5 6 7 8 9 101112131415161718192021222324
Demand Aktual Peramalan ɑ=0.6
Gambar 3.5 Grafik Metode Single Exponential Smoothing

5. Metode Centered Moving Average
Perhitungan yang digunakan pada metode ini sama dengan
metode moving average. Hanya saja metode centered moving
average memprediksi permintaan pada periode tersebut dengan
menghitung rata-rata permintaan dari periode sebelum dan
sesudahnya, atau dapat diformulasikan sebagai berikut:
X + …+ X n +…+ X
n− ( L−1
2 )
n+ ( L−1
2 )
F n=
L

Kelompok 7
PE n=¿ error n∨ ¿ ×100 % ¿

Xn
n
∑ error 2t
MSE n= t =2
n−1
n
MADn= t=2 ¿
n−1
n
∑ PE t
MAPEn= t=2
n−1
n
CFE n=∑ error t
t=2

Diketahui : L=3
X 1+ X 2 + X 3 13577+14188+13608
F 2= = =13791
3 3
e 2=X 2−F2=14188−13791=397
|e 2|=397
e 22=157609
e2 397
PE 2= × 100 %= × 100 %=2.80
X2 14188
|PE2|=2.80
3
∑ error 2t 157609+38547
MSE 3= t =2 = =98077.89
2 2
3
∑ ¿ error t ∨¿ 397+196
MAD3= t=2 = =296.67¿
2 2
3
∑ ¿ PEt ∨¿ 2.80+1.44
MAPE3= t=2 = =2.12 ¿
2 2
3
CFE 3=∑ error t =397+(−196)=201
t=2

Kelompok 7
Berikut perhitungan untuk setiap periode dan peramalan

hingga 12 periode mendatang menggunakan metode ini yang dapat
dilihat pada tabel berikut.

Kelompok 7
Tabel 3.7 Metode Centered Moving Average

Demand
Aktual
1 13577
2 14188 13791 397 397 157609 2.80 2.80 157609.00 397.00 2.80 397
3 13608 13804 -196 196 38547 -1.44 1.44 98077.89 296.67 2.12 201
4 13617 13644 -27 27 711 -0.20 0.20 65622.30 206.67 1.48 174
5 13706 13757 -51 51 2635 -0.37 0.37 49875.50 167.83 1.20 123
6 13949 13892 57 57 3249 0.41 0.41 40550.20 145.67 1.04 180
7 14021 13956 65 65 4268 0.47 0.47 34503.24 132.28 0.95 245
8 13897 13880 17 17 300 0.12 0.12 29617.13 115.86 0.83 262
9 13721 13742 -21 21 441 -0.15 0.15 25970.11 104.00 0.75 241
10 13608 13752 -144 144 20640 -1.06 1.06 25377.89 108.41 0.78 98
11 13926 13755 171 171 29355 1.23 1.23 25775.61 114.70 0.82 269
12 13730 13728 2 2 5 0.02 0.02 23432.87 104.48 0.75 271
13 13527 13777 -250 250 62333 -1.85 1.85 26674.58 116.58 0.84 22
14 14073 13656 417 417 174167 2.97 2.97 38020.16 139.72 1.01 439
15 13367 13580 -213 213 45227 -1.59 1.59 38534.94 144.93 1.05 226
16 13299 13497 -198 198 39336 -1.49 1.49 38588.36 148.49 1.08 28
17 13826 13568 258 258 66736 1.87 1.87 40347.59 155.35 1.13 286
18 13578 13566 12 12 136 0.09 0.09 37982.21 146.90 1.07 298
19 13295 13405 -110 110 12173 -0.83 0.83 36548.39 144.87 1.05 188
20 13343 13431 -88 88 7744 -0.66 0.66 35032.37 141.88 1.03 100
21 13655 13555 100 100 9933 0.73 0.73 33777.42 139.77 1.02 199
22 13668 13681 -13 13 178 -0.10 0.10 32177.44 32177.44 0.97 186
23 13721 13791 -70 70 4947 -0.51 0.51 30939.68 30939.68 0.95 116
24 13985 13791 194 194 37507 1.38 1.38 31225.21 31225.21 0.97 309
25 13791
26 13791
27 13791
Tabel 3.7 Metode Centered Moving Average (Lanjutan)
Periode Demand Peramalan e |e| e^2 PE (%) |PE| MSE MAD MAPE CFE

Kelompok 7
Aktual
28 13791
29 13791
30 13791
31 13791
32 13791
33 13791
34 13791
35 13791
36 13791
TOTAL 328885 480495 309 3073 718180 2 22 996260 97514 26 4858

Kelompok 7

peramalan Centered Moving Average, data peramalan periode 1
hingga periode 36.
Centered Moving Average

14400
14200
14000
13800
13600
13400
13200
13000
12800
1 2 3 4 5 6 7 8 9 101112131415161718192021222324
Gambar 3.6 Grafik Metode Centered Moving Average

6. Metode Double Exponential Smoothing
Metode double exponential smoothing memprediksi
permintaan pada periode berikutnya dengan perhitungan yang
serupa dengan metode single exponential smoothing. Hanya saja
pemulusan menggunakan konstanta pemulusan () dilakukan
sebanyak 2 kali. Persamaan yang digunakan pada metode ini adalah
sebagai berikut:
S ' t =∝× X t −1 + ( 1−∝) S ' t −1
S ' ' t =∝× S ' t + ( 1−∝) S ' ' t −1
a t=S ' t + ( S ' t −S ' ' t )=2 S ' t −S ' ' t−1
∝
b t= ( S ' −S ' ' t )
1−∝ t
F t+ m=at +bt
Dimana:
Ft = peramalan pada periode t
Xt = demand pada periode t

Kelompok 7
Setelah menghitung peramalan permintaan, dihitung error

dan besar kesalahan terhadap hasil peramalan. Berikut cara
menghitung error.
Berikut besar kesalahan peramalan yang dapat dihitung
dengan beberapa metode yaitu PE, MSE, MAD, MAPE, dan CFE.
Berikut adalah rumus yang digunakan dalam perhitungan kelima
metode tersebut:
PEn=¿ error n∨ ¿ ×100 % ¿
Xn
n
∑ error 2t
t =3
MSE n=
n−1
n
MADn= t=3 ¿
n−1
n
∑ PEt
MAPEn= t=3
n−1
n
CFE n=∑ error t
t=3

Diketahui: =0.38
S ' 5=∝ × X 5+ (1−∝ ) x S ' 5−1
¿ 0.6 ×13706+ ( 1−0.6 ) x 13667
= 13690
S ' ' 5=∝× S ' 5 + ( 1−∝ ) x S ' ' 5−1
¿ 0.6 ×13690+ (1−0.6 ) x 13706
¿ 13697
a 5=2× S ' 5−S' '5 =2× 13690−13697=13684
∝
b 5= × ( S '5 −S '' 5 )
1−∝

Kelompok 7
0.6
¿ × ( 13690−13697 )=−9
0.4
F 5=a5 +b 5=13684+(−9)=13675
e 5=X 5−F5 =13706−13675=31
|e 5|=31
e 25=963
error 5 31
PE 5= × 100 %= × 100 %=0.23
X5 13706
¿ PE 5∨¿ 0.23
5
∑ error 2t 6323+2203+ 963

MSE 5= t =2 = =3163.13
3 3
5
∑ ¿ error t ∨¿ 80+ 47+31

MAD5= t=2 = =52.50 ¿
3 3
5
∑ ¿ PEt ∨¿ 0.58+0.34+ 0.23

MAPE5= t=2 = =0.39 ¿
3 3
5
CFE 5=∑ error t =−80+ 47+31=−2
t=2
Berikut perhitungan untuk setiap periode dan peramalan

hingga 12 periode mendatang menggunakan metode ini yang dapat
dilihat pada tabel berikut.

Kelompok 7
Tabel 3.8 Metode Double Exponential Smoothing

Demand Peramalan PE
Periode
Aktual S' S'' a b ɑ=0.6 e |e| e^2 (%) |PE| MSE MAD MAPE CFE
1 13577 13577 13577
2 14188 13944 13797 14090 220
3 13608 13742 13764 13720 -33 13688 -80 80 6323 -0.58 0.58 6323.43 79.52 0.58 -80
4 13617 13667 13706 13628 -58 13570 47 47 2203 0.34 0.34 4263.21 63.23 0.46 -33
5 13706 13690 13697 13684 -9 13675 31 31 963 0.23 0.23 3163.13 52.50 0.39 -2
6 13949 13846 13786 13905 89 13995 -46 46 2072 -0.33 0.33 2890.46 50.75 0.37 -47
7 14021 13951 13885 14017 99 14116 -95 95 8961 -0.68 0.68 4104.64 59.54 0.43 -142
8 13897 13919 13905 13932 20 13952 -55 55 3043 -0.40 0.40 3927.78 58.81 0.43 -197
9 13721 13800 13842 13758 -63 13695 26 26 679 0.19 0.19 3463.63 54.13 0.39 -171
10 13608 13685 13748 13622 -94 13528 80 80 6469 0.59 0.59 3839.27 57.42 0.42 -90
11 13926 13830 13797 13862 49 13911 15 15 215 0.11 0.11 3436.55 52.66 0.38 -76
12 13730 13770 13781 13759 -16 13743 -13 13 164 -0.09 0.09 3109.34 48.68 0.35 -89
13 13527 13624 13687 13562 -94 13468 59 59 3523 0.44 0.44 3146.95 49.65 0.36 -29
14 14073 13893 13811 13976 124 14100 -27 27 739 -0.19 0.19 2946.28 47.78 0.35 -56
15 13367 13578 13671 13484 -140 13344 23 23 511 0.17 0.17 2758.92 45.84 0.33 -34
16 13299 13410 13515 13306 -156 13150 149 149 22197 1.12 1.12 4147.35 53.21 0.39 115
17 13826 13660 13602 13718 87 13805 21 21 443 0.15 0.15 3900.41 51.07 0.37 136
18 13578 13611 13607 13614 5 13620 -42 42 1740 -0.31 0.31 3765.39 50.48 0.37 94
19 13295 13421 13496 13347 -111 13235 60 60 3545 0.45 0.45 3752.43 51.01 0.37 154
20 13343 13374 13423 13326 -73 13253 90 90 8097 0.67 0.67 3993.82 53.18 0.39 244
21 13655 13543 13495 13591 72 13663 -8 8 58 -0.06 0.06 3786.67 50.78 0.37 236
22 13668 13618 13569 13667 74 13741 -73 73 5331 -0.53 0.53 3863.87 51.89 0.38 163
Tabel 3.8 Metode Double Exponential Smoothing (Lanjutan)

Kelompok 7
Demand Peramalan PE
Periode
Aktual S' S'' a b ɑ=0.4 e |e| e^2 (%) |PE| MSE MAD MAPE CFE
23 13721 13680 13635 13724 67 13791 -70 70 4882 -0.51 0.51 3912.35 3912.35 0.39 94
24 13985 13863 13772 13954 137 14090 -105 105 11129 -0.75 0.75 4240.39 4240.39 0.40 -12
25 13863 13827 13899 55 13954 -12
26 13863 13827 15164 55 13954
27 13863 13827 15164 55 13954
28 13863 13827 15164 55 13954
29 13863 13827 15164 55 13954
30 13863 13827 15164 55 13954
31 13863 13827 15164 55 13954
32 13863 13827 15164 55 13954
33 13863 13827 15164 55 13954
34 13863 13827 15164 55 13954
35 13863 13827 15164 55 13954
36 13863 13827 15164 55 13954
49505 49448 49595 121
TOTAL 328885 0 8 1 855 468580 -12 3 93288 0 9 82736 9235 9 169

Kelompok 7

peramalan double exponential smoothing, data peramalan periode 1
hingga periode 36.
Double Exponential Smoothing

14400
14200
14000
13800
13600
13400
13200
13000
12800
12600
1 3 5 7 9 11 13 15 17 19 21 23
Gambar 3.7 Grafik Metode Double Exponential Smoothing

7. Metode Linear Regresi
Persamaan regresi linier dipakai 3 konstanta, yaitu konstanta
a, b, dan Y. Masing masing formulasi konstanta tersebut adalah
sebagai berikut:
n ∑ X i Y i−∑ X i ∑ Y i
b= 2
n ∑ X 2i −( ∑ X i)
a=
∑ Y i−b ∑ X i
n
F=a+ b(t)
Dengan :
Xi : Periode ke i
Yi : Demand periode ke i
n : jumlah periode

Kelompok 7

PE n=¿ error n∨ ¿ ×100 % ¿
Xn
n
∑ error 2t
MSE n= t =2
n−1
n
MADn= t=2 ¿
n−1
n
∑ PE t
MAPEn= t=2
n−1
n
CFE n=∑ error t
t=2

n ∑ X i Y i− ∑ X i ∑ Y i
b= 2
n ∑ X 2i −( ∑ X i)
( 24 × 4100054 )−( 300 ×328885 )
¿
( 24 × 4900 )−90000
¿−9.57
a=
∑ Y i−b ∑ X i
n
328885−(−9.57 × 300 )
¿
24
¿ 13823.2
F=a+ b ( t )
F 5=13823.2+(−9.57) ( 4 )=13785
e 5=X 5−F5 =13706−13785=−79
|e 5|=79

Kelompok 7
e 25=6227
e5 −79
PE 5= × 100 %= ×100 %=−0.58
X5 13706
|PE5|=0.58
5
∑ error 2t 140155+38437+ 31500+ 6227

MSE 5= t =2 = =54079.71
4 4
5
∑ ¿ error t ∨¿ 374+196+ 177+79

MAD5= t=2 = =206.70 ¿
4 4
5
∑ ¿ PEt ∨¿ 2.64+1.44+ 1.30+ 0.58

MAPE5= t=2 = =1.49 ¿
4 4
5
CFE 5=∑ error t =374+ (−196 ) + (−177 ) +(−79)=1
t=2


Kelompok 7
Tabel 3.9 Metode Linear Regresi

Demand Peramala
Periode t.Xt t^2 b a e |e| e^2 PE (%) |PE| MSE MAD MAPE CFE
Aktual n
1 13577 13577 1 -9.57 13823.20
2 14188 28376 4 -9.57 13823.20 13814 374 374 140155 2.64 2.64 140155.39 374.37 2.64 374
3 13608 40824 9 -9.57 13823.20 13804 -196 196 38437 -1.44 1.44 89296.29 285.21 2.04 178
4 13617 54468 16 -9.57 13823.20 13794 -177 177 31500 -1.30 1.30 70030.75 249.30 1.79 1
5 13706 68530 25 -9.57 13823.20 13785 -79 79 6227 -0.58 0.58 54079.71 206.70 1.49 -78
6 13949 83694 36 -9.57 13823.20 13775 174 174 30159 1.24 1.24 49295.59 200.10 1.44 96
7 14021 98147 49 -9.57 13823.20 13766 255 255 65146 1.82 1.82 51937.26 209.29 1.50 351
8 13897 111176 64 -9.57 13823.20 13756 141 141 19827 1.01 1.01 47350.11 199.50 1.43 492
9 13721 123489 81 -9.57 13823.20 13747 -26 26 656 -0.19 0.19 41513.38 177.77 1.28 466
10 13608 136080 100 -9.57 13823.20 13737 -129 129 16653 -0.95 0.95 38751.10 172.35 1.24 337
11 13926 153186 121 -9.57 13823.20 13727 199 199 39413 1.43 1.43 38817.28 174.97 1.26 536
12 13730 164760 144 -9.57 13823.20 13718 12 12 146 0.09 0.09 35301.74 160.17 1.15 548
13 13527 175851 169 -9.57 13823.20 13708 -181 181 32880 -1.34 1.34 35099.92 161.93 1.17 366
14 14073 197022 196 -9.57 13823.20 13699 374 374 140059 2.66 2.66 43173.69 178.26 1.28 741
15 13367 200505 225 -9.57 13823.20 13689 -322 322 103802 -2.41 2.41 47504.27 188.54 1.36 418
16 13299 212784 256 -9.57 13823.20 13680 -381 381 144864 -2.86 2.86 53994.92 201.35 1.46 38
17 13826 235042 289 -9.57 13823.20 13670 156 156 24324 1.13 1.13 52140.51 198.51 1.44 194
18 13578 244404 324 -9.57 13823.20 13660 -82 82 6800 -0.61 0.61 49473.45 191.68 1.39 111
19 13295 252605 361 -9.57 13823.20 13651 -356 356 126659 -2.68 2.68 53761.55 200.81 1.47 -245
20 13343 266860 400 -9.57 13823.20 13641 -298 298 88995 -2.24 2.24 55615.93 205.94 1.51 -543
21 13655 286755 441 -9.57 13823.20 13632 23 23 541 0.17 0.17 52862.16 196.80 1.44 -520
50444.9
13668
22 300696 484 -9.57 13823.20 13622 46 46 2100 0.34 0.34 50444.92 2 1.39 -474
48686.0
13721
23 315583 529 -9.57 13823.20 13613 108 108 11750 0.79 0.79 48686.06 6 1.36 -366
52912.8
13985
24 335640 576 -9.57 13823.20 13603 382 382 145902 2.73 2.73 52912.83 3 1.42 16
25 -9.57 13823.20 13823

Kelompok 7
26 13823
Tabel 3.9 Metode Linear Regresi (Lanjutan)
Demand Peramala
Periode t.Xt t^2 b a e |e| e^2 PE (%) |PE| MSE MAD MAPE CFE
Aktual n
27 13593
28 13593
29 13593
30 13593
31 13593
32 13593
33 13593
34 13593
35 13593
36 13593
TOTA 410005
L 328885 4 4900 -230 345580 478413 16 4472 1216995 -1 33 1252199 156177 34 3037

Kelompok 7

peramalan Linear Regresi, data peramalan periode 1 hingga
periode 36.
Metode Linear Regresi

14400
14200
14000
13800
13600
13400
13200
13000
12800
1 3 5 7 9 11 1 3 15 17 1 9 2 1 23
Gambar 3.8 Grafik Metode Linear Regresi

3.2.3 Rekapitulasi Nilai Error dan Verifikasi Data
Rekapitulasi nilai error ini dari masing-masing metode
peramalan. Perhitungan nilai error ini dilakukan dengan
menggunakan 4 metode sebagai berikut: Mean Square Error
(MSE), Mean Average Deviation (MAD), Mean Absolute
Percentage (MAPE), Cumulative Forcast Error (CFE), dan
Percentage Error (PE). Berikut ini adalah tabel dari rekapitulasi
nilai error dan verifikasi data.
Tabel 3.10 Rekapitulasi Nilai Verifikasi Error
Metode PE (%) MSE MAD MAPE CFE
Simpel Average -9 2337645 227394 43 -3434
Singel Moving Average 0 1108440 4248 31 -1330
Single Exponential Smoothing 5 1527671 82629 25 15543
Weight Moving Average 0 1121536 4380 32 -2844
Centered Moving Average 2 996260 97514 26 4858
Double Exponential Smoothing 0 82736 9235 9 169
Linear Regresi -1 1252199 156177 34 3037
Hasil metode peramalan dibandingkan nilai error-nya dalam
Tabel 3.10, semakin kecil nilai error yang dimiliki suatu metode

Kelompok 7
peramalan, maka semakin baik prediksi yang diberikan metode

tersebut. Berdasarkan rekapitulasi nilai error dan verifikasi data, letak
error terkecil pada Metode Double Exponential Smoothing.
3.2.4 Validasi Metode
Validasi terhadap metode Double Exponential Smoothing
dilakukan 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. Moving
Range dihitung berdasarkan rumus:
MR t=¿ ( Y t−Y Ft ) −( Y t−1−Y Ft−1 ) ∨¿
Kemudian dihitung jumlah dan rata-rata MR, serta batas
UCL, LCL, Region A, Region B, dan Region C. Perhitungan dari
peta Moving Range dapat dilihat dalam tabel di bawah.
Moving Range Periode 3.
MR 4=¿ e4 −e 4−1∨¿
¿|( 47 )−(−80 )|
¿ 126
MR setiap periode ditotalkan sehingga diperoleh ∑ MR = 1395
∑ MR 1396
´
MR= = =166
n 21
´
UCL=2,66 MR=2,66 × 66=177
´
LCL=−2,66 MR=−2,66 ×66=−177
2 2
Region A ±=± UCL=± ( 177 )=± 118
3 3
1 1
Region B ±=± UCL=± (177 )=± 59
3 3
Region C=0
Kemudian hasil perhitungan Moving Range untuk tiap periode
dapat dilihat pada tabel berikut.

Kelompok 7
Tabel 3.11 Data Perhitungan Moving Range

Peramala
Periode Demand e MR |MR| UCL LCL Reg. A+ Reg. B+ CL Reg. B- Reg. A-
n
1 13577 177 -177 118 59 0 -59 -118
2 14188 177 -177 118 59 0 -59 -118
3 13608 13688 -80 177 -177 118 59 0 -59 -118
4 13617 13570 47 126 126 177 -177 118 59 0 -59 -118
5 13706 13675 31 -16 16 177 -177 118 59 0 -59 -118
6 13949 13995 -46 -77 77 177 -177 118 59 0 -59 -118
7 14021 14116 -95 -49 49 177 -177 118 59 0 -59 -118
8 13897 13952 -55 39 39 177 -177 118 59 0 -59 -118
9 13721 13695 26 81 81 177 -177 118 59 0 -59 -118
10 13608 13528 80 54 54 177 -177 118 59 0 -59 -118
11 13926 13911 15 -66 66 177 -177 118 59 0 -59 -118
12 13730 13743 -13 -27 27 177 -177 118 59 0 -59 -118
13 13527 13468 59 72 72 177 -177 118 59 0 -59 -118
14 14073 14100 -27 -87 87 177 -177 118 59 0 -59 -118
15 13367 13344 23 50 50 177 -177 118 59 0 -59 -118
16 13299 13150 149 126 126 177 -177 118 59 0 -59 -118
17 13826 13805 21 -128 128 177 -177 118 59 0 -59 -118
18 13578 13620 -42 -63 63 177 -177 118 59 0 -59 -118
19 13295 13235 60 101 101 177 -177 118 59 0 -59 -118
20 13343 13253 90 30 30 177 -177 118 59 0 -59 -118
21 13655 13663 -8 -98 98 177 -177 118 59 0 -59 -118
22 13668 13741 -73 -65 65 177 -177 118 59 0 -59 -118
Tabel 3.11 Data Perhitungan Moving Range (Lanjutan)

Kelompok 7
Peramala
Periode Demand e MR |MR| UCL LCL Reg. A+ Reg. B+ CL Reg. B- Reg. A-
n
23 13721 13791 -70 3 3 177 -177 118 59 0 -59 -118
24 13985 14090 -105 -36 36 177 -177 118 59 0 -59 -118
25 13954
26 13954
27 13954
28 13954
29 13954
30 13954
31 13954
32 13954
33 13954
34 13954
35 13954
36 13954
Total MR 1395
Rata-rata MR 66
UCL 177
LCL -177
Region A 118
Region B 59
Region C 0

Kelompok 7
Setelah melakukan perhitungan MR, dibuat peta moving range yang

berisikan data nilai error, batas kendali atas (UCL), , Region A+, Region
B+, Region C, Region B-, Region A- dan batas kendali bawah (LCL). Peta
ini menunjukkan sebaran nilai error.
Validasi Data
200
150 Error
UCL
100
LCL
50 Reg. A+
Reg. B+
0 CL
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22
Reg. B-
-50
Reg. A-
-100
-150
-200
Gambar 3.9 Moving Range Chart

Dapat dilihat pada grafik diatas, tidak ada nilai error yang melewati
bawas kendali. Hal ini menunjukkan metode Double Exponential
Smoothing valid.
3.2.5 Hasil Peramalan yang Digunakan 12 Periode Kedepan dengan
Menggunakan Metode Terpilih
Berdasarkan metode terpilih yaitu Double Exponential
Smoothing yang telah melalui proses verifikasi dan validasi, maka
peramalan yang digunakan 12 periode kedepan adalah sebagai berikut.

Kelompok 7
Tabel 3.12 Forecast 12 Periode ke Depan

Periode Forecast
25 13954
26 13954
27 13954
28 13954
29 13954
30 13954
31 13954
32 13954
33 13954
34 13954
35 13954
36 13954

Kelompok 7
BAB IV
ANALISA
4.1 Analisa Semua Metode Peramalan
Berikut merupakan analisis terhadap 7 metode peramalan yang telah
dilakukan.
1. Analisa Metode Simple Average
Metode single moving average didapatkan pola grafik siklis.
Walaupun pada demand mengalami naik secara drastis pada periode ke 2
hal ini dikarenakan nilai peramalan pada periode ke 2 langsung naik
sebesar 13887, pada periode selanjutnya nilai dari peramlan tidak terlalu
turun maupun tidak terlalu naik melebihi dari periode ke2. Dan hasil
peramalan untuk 12 periode kedepan adalah konstan. Nilai e pada metode
ini banyak yang hasilya negatif contohnya pada periode ke 2 yaitu –275.
2. Analisa Metode Single Moving Average
Metode single moving average didapatkan pola grafik siklis.
Walaupun pada demand mengalami naik turun, tetapi pola data ada yang
menunjukan kenaikan dan penurunan yang drastis, kenaikan terlihat pada
periode ke 9 yang nilai peramlannya 13956dan terlihat turun drastis pada
periode ke 21 dimana nilai dari peramalnnya 13045. Dan hasil peramalan
untuk 12 periode kedepan adalah konstan.
3. Analisa Metode Weighted Moving Average
Pada grafik terlihat bahwa hasil ploting data demand pada metode
weighted moving average didapatkan pola grafik siklis karena terlihat
cenderung naik turun terus menerus akan tetapi lebih cendrung turun
tidak mengalami naik yang sangat signifikan, sedangkan pada hasil dari
ploting data peramalan menunjukan pola musiman karena terlihat
berulang. Terdapat nilai e terkecil pada metode ini yaitu 2 akan tetapi
berdasarkan grafik pada ploting data mengalami kenaikan dan pada
metode ini grafiknya menunjukkan penurunan, dan hasil peramalan untuk
12 periode kedepan adalah konstan. Pada metode ini memakai bobot
yang diambil pada 3 bulan terakhir yaitu 0.2, pada dua bulan terakhir 0.3,
dan bulan terakhir 0.5 nilai bobot ini diambi dari melihat hasil plot
Kelompok 7
dimana hasil plot peramalan nilai periode mengalami penurunan pada

pariode ke 3 yaitu 13608, bobot terkecil diberikan pada periode pertama
dan bobot 0.3 diberikan pada periode ke 2 dimana pada periode ini
plotnya mengalami kenaikan.
4. Analisa Metode Single Exponential Smoothing
single exponential smoothing dengan ploting data menunjukan pola
grafik yang hampir sama yaitu pola musiman karena terlihat berulang
akan tetapi pada metode ini garfiknya tidak menunjukkan nilai peramalan
yang naik turunnya sangat jauh da. Pada peramalan ke-25 sampai 12
periode kedepan pola datanya adalah konstan.
5. Analisa Metode Centered Moving Average
Centered Moving Average dengan ploting data menunjukan pola grafik
yang hampir sama tetapi tidak begitu menyerupai yaitu pola musiman
karena terlihat berulang akan tetapi pada metode ini garfiknya
menunjukkan adanya nilai yang konstan pada periode ke 9 sampai ke12.
Pada peramalan ke-25 sampai 12 periode kedepan pola datanya adalah
konstan.
6. Analisa Metode Double Exponential Smoothing
Double exponential smoothing dengan ploting data menunjukan pola
grafik yang sama yaitu pola musiman karena terlihat berulang dimana
nilai dari α adalah 0.6 karena pada nilai pemulusan 0.6 grafiknya
bergejolak dan sangat menyerupai plot data peramalan. Pada peramalan
ke-25 sampai 12 periode kedepan pola datanya adalah konstan.
7. Analisa Metode Linier Regresi
Metode linier regresi ini didapatkan pola grafik trend pada demand.
Pola trend pada demand mengalami naik data permintaan menunjukkan
pola kecenderungan naik atau turun atau bahkan konstan untuk jangka
waktu yang panjang. Sedangkan pola data pada peramalan untuk tiap
periodenya memiliki garis lurus menurun, hal tersebut terjadi karena
Kelompok 7
periode peramalan semakin besar untuk 12 bulan kedepan yang dikalikan

dengan nilai beta (nilai beta adalah negatif) maka nilai negatif akan
semakin besar dan kemudian ditambah dengan nilai alpha, sehingga hasil
peramalan yang didapatkan untuk 12 bulan kedepan semakin menurun.
4.2 Analisa Verifikasi
Verifikasi dilakukan untuk menjadi tolak ukur baik atau buruknya
hasil peramalan dengan menguji kesalahan (Error) dalam memproduksi
tamiya hitam dan tamiya putih. Pada perhitungan peramalan produksi
selama 12 bulan berikutnya dengan menggunakan tujuh metode yaitu
simple average, single moving average, weighted moving average, centered
moving average, single exponential smoothing, double exponential
smoothing dan linier regresi pada PT. Homescapes. Verifikasi data
dilakukan dengan menggunakan 5 metode perhitungan yaitu metode Mean
Square Error (MSE), Mean Average Deviation (MAD), Mean Absolute
Percentage (MAPE), Cumulative Forcast Error (CFE), dan Percentage
Error (PE). Setelah melakukan verifikasi data maka didapatkan nilai error
terkecil yatitu pada metode double exponential smoothing. Nilai terkecil
tersebut didapatkan dari PE sebesar 0, MSE sebesar 82736, MAD sebesar
9235, MAPE sebesar 9 dan nilai CFE sebesar 169.
4.3 Analisa Metode Terpilih
Metode yang telah terpilih berdasarkan hasil uji verifikasi adalah
metode double exponential smoothing. Metode ini dipilih karena merupakan
metode terbaik untuk digunakan dalam peramalan demand pada PT.
Homescapes, karena dilihat dari plot grafik yang digambarkan pada metode
double exponential smoothing menunjukkan bahwa kedua line grafik, yakni
grafik demand dan grafik peramalannya sama-sama menyerupai pola data
grafik musiman. Selain itu, untuk memilih metode yang terbaik dapat dilihat
dari hasil pengujian error atau besar kesalahan data yang paling kecil, sebab
jika errornya kecil berarti forecast mendekati demand, diantara metode
yang ada seperti simple average, single moving average, weighted moving
average, centered moving average, single exponential smoothing, double
exponential smoothing dan linier regresi, dari semua metode yang telah
Kelompok 7
dipaparkan hanya metode double exponential smoothing yang memiliki nilai

error yang terkecil dengan nilai PE sebesar 0, MSE sebesar 82736, MAD
sebesar 9235, MAPE sebesar 9 dan nilai CFE sebesar 169. Maka, metode
yang terpilih untuk peramalan ini ialah metode double exponential
smoothing.
4.4 Analisa Validasi
Validasi merupakan sebuah tahapan untuk menguji apakah metode
atau model peramalan yang digunakan sesuai dengan kondisi yang nyata
atau tidak. Dari hasil pengolahan data yang telah dilakukan, metode
terbaik yang dipilih yaitu metode Double Exponential Smoothing (DES).
Pada metode DES terdapat 22 data yang akan diplot untuk mengetahui
apakah nilai error yang dimiliki melewati batas atas (UCL) atau batas
´ yang diperoleh kemudian untuk mencari nilai
bawah (LCL). Nilai ḾR
UCL, LCL, ±Region A, ±Region B dan Region C. Nilai CL dan Region
C sebesar 0, nilai UCL sebesar 177, nilai LCL sebesar -177, nilai Region
A sebesar ±118 dan nilai Region B sebesar ±59. Kemudian nilai error
akan diplotkan dengan data-data diatas. Maka hasil grafik menunjukkan
bahwah tidak ada nilai error yang melewati UCL maupun LCL, sehingga
data tersebut dikatakan valid.

Kelompok 7
BAB V
KESIMPULAN DAN SARAN
5.1 Kesimpulan
Kesimpulan yang didapatkan dari praktikum dalam modul 1 ini adalah
sebagai berikut :
1. Metode dan teknik peramalan untuk menentukan kebutuhan, pasar
sebagai dasar penyusunan rencana produksi. 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. Metode yang telah terpilih berdasarkan hasil uji
verifikasi adalah metode double exponential smoothing.
2. Metode ini dipilih karena merupakan metode terbaik untuk digunakan
dalam peramalan demand pada PT. Homescapes, karena dilihat dari plot
grafik yang digambarkan pada metode double exponential smoothing
menunjukkan bahwa kedua line grafik, yakni grafik demand dan grafik
peramalannya sama-sama menyerupai pola data grafik horizontal, Selain
itu, untuk memilih metode yang terbaik dapat dilihat dari hasil pengujian
error atau besar kesalahan data yang paling kecil diantara metode yang
ada seperti simple average, single moving average, weighted moving
average, centered moving average, single exponential smoothing, double
exponential smoothing dan linier regresi, dari semua metode yang telah
dipaparkan hanya metode double exponential smoothing yang memiliki
nilai error yang terkecil dengan nilai PE sebesar 0, MSE sebesar 82736,
MAD sebesar 9235, MAPE sebesar 9 dan nilai CFE sebesar 169. Maka
metode yang terpilih untuk peramalan ini ialah metode double
exponential smoothing.

Kelompok 7
3. Metode terpilih yang digunakan pada saat proses peramalan metode

double exponential smoothing dengan hasil forecasting 12 periode
kedepan sebesar 13954.
5.2 Saran
Adapun saran untuk Praktikum Terintegrasi Industri II selanjutnya
adalah :
1. Praktikan sebaiknya lebih teliti dalam melakukan perhitungan baik
perhitungan menggunakan software maupun perhitungan secara manual.
2. Sebelum memulai praktikum, sebaiknya baca dan pahami terlebih dahulu
materi tentang metode-metode forecasting atau peramalan agar pada saat
melakukan perhitungan dapat dilakukan dengan mudah.

Kelompok 7

DAFTAR PUSTAKA
Hanke, J. E & Wichern, D. W. 2005. Business Forerevasting Eight Edition. New
Jersey: Person Prentice Hall.
Hartini, S. 2011. Teknik mencapai Produksi Optimal. Bandung: Lubuk Agung.
Heizer, Jay & Barry Render. 2011. Operations Management 10th Edition. New
Jersey: Person Education Inc.
Nasution, Arman Hakim. 2003. Perencanaan dan Pengendalian Produksi.
Surabaya: Guna Widya.
William, J. Stevenson. 2009. Management Operation. UK: Prentice Hall.
Wignjosoebroto, Sritomo. 2003. Pengantar Teknik dan Manajemen Industri.
Surabaya: Guna Widya.

Modul 5 2

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

Modul 5 2

Diunggah oleh

Hak Cipta:

Format Tersedia

LAPORAN PRAKTIKUM

PERANCANGAN TERINTEGRASI INDUSTRI II

1. Veny Novita Sari D1061171001

JURUSAN TEKNIK INDUSTRI

Jurusan Teknik Industri

3.2.2 Peramalan dengan Beberapa Metode...........................................33

Jurusan Teknik Industri

Gambar 2.1 Pola Horizontal...................................................................................13

Jurusan Teknik Industri

Tabel 3.1 Pengumpulan Data Penjualan Tamiya Sebelum Konversi....................31

Jurusan Teknik Industri

Jurusan Teknik Industri

Jurusan Teknik Industri

atau kekurangan produksi, serta membantu perusahaan dalam

Jurusan Teknik Industri

2. Metode peramalan yang digunakan yaitu metode simple average,

Studi Literatur Pengolahan Data

Gambar 1.1 Flowchart Praktikum

Jurusan Teknik Industri

1.4.2 Penjelasan Flowchart Praktikum

Jurusan Teknik Industri

6. Analisa Hasil Pengolahan Data

Jurusan Teknik Industri

BAB II TINJAUAN PUSTAKA

Jurusan Teknik Industri

Jurusan Teknik Industri

Jurusan Teknik Industri

kenyataan yang terjadi. Hasil peramalan dikatakan konsisten apabila

Jurusan Teknik Industri

2. Menentukan rentang waktu, semakin panjang rentang waktunya maka

Jurusan Teknik Industri

Aktivitas peramalan merupakan suatu fungsi bisnis yang berusaha memperkirakan

Jurusan Teknik Industri

Peramalan subjektif dapat dibagi menjadi beberapa metode yaitu:

Jurusan Teknik Industri

(Deplhi, Kurva-S, Analogi, dan penelitian morfologi) dan metode

Gambar 2.1 Pola Horizontal

Jurusan Teknik Industri

Gambar 2.2 Pola Musiman

Gambar 2.3 Pola Siklis

Jurusan Teknik Industri

Gambar 2.4 Pola Trend

Gambar 2.5 Pola Acak

Jurusan Teknik Industri

1. Tren : merupakan kecenderungan jangka panjang dalam

Jurusan Teknik Industri

A= Permintaan actual pada periode-t

Jurusan Teknik Industri

Jurusan Teknik Industri

Jurusan Teknik Industri

Jurusan Teknik Industri

untuk memberikan bobot yang tidak sama untuk masing-masing

Jurusan Teknik Industri

Jurusan Teknik Industri

Jurusan Teknik Industri

Jurusan Teknik Industri

2. Tentukan metode regresi yang sesuai

Jurusan Teknik Industri

2.8 Pemilihan dan Evaluasi Metode-metode Peramalan

Jurusan Teknik Industri

3. Kesesuaian dengan situasi yang sedang dihadapi.

∑ error 2t ................................................................ (Rumus 2.15)

∑ ¿ error t ∨¿ ............................................................ (Rumus