LAPORAN PRAKTIKUM

FORECASTING

Dosen Pengampu :

Nabila Noor Qisthani, S.T., M.T.

Anggota Kelompok :

Lailatul Salva Istiqoma (20109003)

Oktaviani Rahmah Marddani (20109005)

Reza Ardiansyah Teguuh Saputro (20109021)

PROGRAM STUDI TEKNIK LOGISTIK

FAKULTAS REKAYASA INDUSTRI DAN DESAIN

INSTITUT TEKNOLOGI TELKOM PURWOKERTO

TAHUN 2022
 BAB I

PENDAHULUAN

1.1 Tujuan Praktikum

1. Mampu memprediksi kebutuhan / permintaan yang akan diperlukan dalam proses
produksi.
2. Memahami tahapan dalam berbagai metode peramalan.
3. Mampu menentukan metode peramalan yang tepat.

1.2 Tugas Praktikum

1. Melakukan peramalan untuk produk selama 5 periode kedepan menggunakan metode
peramalan Times Series dengan jumlah data demand 36 periode.
2. Membuat kurva atau diagram permintaan 36 periode
3. Menentukan metode peramalan yang terbaik.

1.3 Output Praktikum

1. Data permintaan selama 36 periode.
2. Kurva atau diagram demand 36 periode.
3. Metode peramalan terbaik.
 BAB II

LANDASAN TEORI

2.1 Forecasting

Peramalan (forecasting) pada umumnya merupakan sebuah perkiraan, namun dengan

memanfaatkan metode-metode tertentu peramalan bukan hanya sekedar sebuah perkiraan.
Peramalan biasanya menggunakan data lampau atau data pada masa-masa sebelumnya
yang dianalisa dengan metode-metode tertentu. Data pada masa-masa sebelumnya
dikumpulkan untuk dipelajari dan dianalisis, dan dihubungkan dengan waktu yang akan
diprediksi. Dihubungkannya dengan waktu ini maka hasil peramalan bisa dikatakan sesuatu
yang akan terjadi di masa yang akan datang. Dari beberapa pemaparan pengertian
forecasting di atas dapat disimpulkan oleh penulis bahwa forecasting di atas dapat
disimpulkan oleh penulis bahwa forecasting adalah sebuah metode peramalan
menggunakan data atau sejumlah informasi yang diperoleh pada masa atau periode
sebelumnya untuk menemukan nilai prediksi pada periode yang selanjutnya.

2.2 Metode Peramalan (Forecasting)

Terdapat beberapa metode forecasting yang dapat digunakan dalam membuat atau
memperhitungkan sebuah peramalan, diantaranya :

1. Metode Moving Average

Metode moving average ialah metode peramalan (forecasting) yang paling
sering dijumpai dan digunakan karena perhitungannya mudah dan menggunakan
data-data yang sudah tersedia untuk analisis teknis. Dengan metode ini dapat
ditentukan nilai-nilai yang telah diobservasi dan mendapatkan nilai rata-ratanya
yang nantinya sebagai bahan perhitungan ramalan di periode yang selanjutnya.
Metode moving average dapat dihitung berdasarkan rumus seperti :
Ft = At-1 + At-2 + At-3…/ n
Keterangan :
At-1 + At-2 + At-3 = data actual periode sebelum periode yang akan dicari nilai
ramalannya
n = jumlah periode yang digunakan untuk perhitungan peramalan periode
tertentu
2. Metode Least Square
Metode least square adalah metode kuadrat terkecil yang digunakan untuk
menentukan persamaan trend berdasarkan data yang sudah tersedia. Data dalam
metode least square dibagi menjadi menjadi dua jenis yaitu data ganjil dan data
genap. Adapun tahapan untuk menghitung peramalan dengan metode least square
yaitu langkah pertama menentukan berupa nilai x (variable waktu) yang akan
digunakan. Data yang digunakan pada metode least square dibagi menjadi dua jenis
yaitu data ganjil dan data genap untuk mencari nilai x berdasarkan perbedaan data
tersebut dapat dilihat sebagai berikut :
1. Untuk data ganjil maka pemberian nilai x sebagai berikut :
…, -4, -3, -2, -1, 0, 1, 2, 3, 4, …
2. Untuk data genap maka pemberian nilai x sebagai berikut :
…, -5, -3, -1, 1, 3, 5, …
Setelah menentukan nilai x, selanjutnya mencari nilai konstanta dari a dan b nya
dengan rumus sebagai berikut :
∑Y ∑XY
a= b = ∑X2 Y’ = a + b(x)
n

Keterangan :
Y’ = variabel yang dicari nilai trendnya
x = variabel waktu
a = bilangan konstan/nilai trend pada waktu dasar
b = rata-rata pertumbuhan dari nilai trend pada tiap waktu
Peramalan (forecasting) tidak selamanya menghasilkan hasil yang valid atau tepat,
karena hasil dari peramalan (forecasting) ini belum tentu sesuai dengan kenyataan
yang sebenarnya, masih ada faktor yang berasal dari luar atau eksternal yang
membuat peramalan perlu menyesuaikan diri. Oleh sebab itu, peramalan
membutuhkan perhitungan kembali untuk meminimumkan kesalahannya (forecast
error) dengan berbagai metode diantaranya MAD (Mean Absolute Deviation), MSE
(Mean Squared Error), dan MAPE (Mean Absolute Percentage Error)
1. Metode MAD (Mean Absolute Deviation) atau rata-rata deviasi mutlak, pada
metode ini nilai peramalan dilihat berdasarkan rata-rata dari kesalahan mutlak
sepanjang waktu tertentu, tanpa melihat besar atau kecilnya nilai peramalan
dibandingkan dengan nilai kenyataannya.
2. Metode MSE (Mean Squared Error) atau rata-rata kuadrat kesalahan, pada
metode ini tingkat kesalahan forecasting dihitung dengan menjumlahkan semua
kesalahan pada setiap periode peramalan lalu dibagi dengan jumlah periode
peramalan.
3. MAPE (Mean Absolute Percentage Error) atau rata-rata presentase kesalahan
absolut, metode ini biasanya lebih akurat dibanding MAD dan MSE karena
memberikan informasi mengenai presentase kesalahan dari hasil peramalan
apakah terlalu tinggi atau justru terlalu rendah.
Rumus Keterangan
∑ ⎸𝑌1−𝑌𝑡 ⎸ Y1 = nilai actual periode t
MAD = 𝑛
Yt = hasil peramalan periode t
n = banyaknya periode yang dihitung
∑(𝑌1−𝑌𝑡)2 Y1 = nilai actual periode t
MSE = 𝑛
Yt = hasil peramalan periode t
n = banyaknya periode yang dihitung
∑ ⎸(𝑌1−𝑌𝑡)⎸
MAPE = x 100% Y1 = nilai actual periode t
𝑌1
Yt = hasil peramalan periode t
𝑛
n = banyaknya periode yang dihitung

a. Peramalan Time Series

Data runtun waktu (time series) adalah suatu rangkaian pengamatan

berdasarkan urutan waktu dari karakteristik kuantitatif dari satu atau kumpulan
kejadian yang diambil dalam periode waktu tertentu. Untuk memahami
karakteristik-karakteristik yang dimiliki oleh data runtun waktu, dapat mengadopsi
metode-metode analisis data runtun waktu yang salah satu tujuannya tidak lain
adalah untuk menemukan suatu keteraturan atau pola yang dapat digunakan dalam
peramalan kejadian mendatang. Untuk memroses data runtun waktu, berbagai
teknik soft computing seperti sistem fuzzy, jaringan saraf (neural networks),
algoritma genetika (genetic algorithm) dan hybrid yang banyak dikembangkan.
Time series didasarkan pada urutan dari titik-titik data yang berjarak sama dalam
waktu (mingguan, bulanan, kuartalan, dan lainnya). Metode peramalan time series
terdiri dari:
1. Peramalan Naive
Teknik peramalan yang mengasumsikan permintaan periode berikutnya
sama dengan permintaan pada periode terakhir. Pendekatan naif (naive
approach ) ini merupakan model peramalan yang paling objektif dan efisien dari
segi biaya.

Permintaan periode mendatang = permintaan periode terakhir

2. Peramalan Exponential Smoothing

Penghalusan Eksponensial (exponential smoothing ) merupakan metode
peramalan rataan bergerak dengan pembobotan di mana titik-titik data
dibobotkan oleh fungsi eksponensial. Metode ini menggunakan pencatatan data
masa lalu yang sangat sedikit. Rumus penghalusan eksponensial dasar dapat
ditunjukkan sebagai berikut:

Ft = Ft-1 + α (At-1 - Ft-1 )

Di mana:
Ft = peramalan baru
Ft-1 = peramalan sebelumnya
α = konstanta penghalusan (0 ≤ α ≤ 1)
At-1 = permintaan aktual periode lalu
Penghalusan eksponensial sederhana tidak memberikan respon terhadap
tren yang terjadi. Inilah alasan penghalusan eksponensial harus diubah saat ada
tren. Rumus penghalusan eksponensial dengan penyesuaian tren dapat
ditunjukan sebagai berikut:

Peramalan dengan tren (FITt) = Peramalan penghalusan eksponensial (Ft) +

Tren penghalusan eksponensial (Tt).
Metode penghalusan eksponensial dengan penyesuaian tren, estimasi
rata-rata, dan tren dihaluskan. Prosedur ini membutuhkan dua konstanta
penghalusan, α untuk rata-rata dan β untuk tren. Kemudian dihitung rata-rata
dan tren untuk setiap periode, dengan rumus sebagai berikut:
 Tt = β (Ft - Ft-1) + (1-β) Tt-1

Di mana:
Ft = peramalan dengan eksponensial yang dihaluskan dari data berseri pada
periode t
Tt = tren dengan eksponensial yang dihaluskan pada periode t
Ft-1 = peramalan sebelumnya
Β = konstanta penghalusan untuk tren (0 ≤ β ≤ 1)

3. Peramalan Trend
Proyeksi Tren (trend projection) adalah teknik menyesuaikan garis tren
pada serangkaian data masa lalu, kemudian memproyeksikan garis pada masa
datang untuk peramalan jangka menengah atau jangka panjang. Persamaan
secara matematis ditulis sebagai berikut:

ŷ = a + bx

Di mana:
ŷ = nilai terhitung dari variabel yang akan diprediksi (variabel terikat)
a = persilangan sumbu y
b = kemiringan garis regresi (tingkat perubahan y untuk perubahan yang terjadi
di x)
x = variabel bebas
 BAB III
PEMBAHASAN

3.1 Data Permintaan

Product Innovation Charter (PIC) yang berisi tentang pernyataan misi, uraian produk,
sasaran usaha bisnis, target pasar, asumsi-asumsi dan batasan, serta stakeholder sebagai
berikut :

Product Name: Hoodie

By : Xoxo Fashion

Uraian Produk Hoodie yang terdapat pada Xoxo Fashion dengan desain yang elegan,
serta menambah aksesoris pada hoodie agar terihat lebih menarik dan
berbeda dari yang pernah ada.

Sasaran Bisnis Memperoleh proporsi pasar 50 %

Utama
Desain hoodie yang berbeda dari yang ada di pasaran dengan variasi
terbaru.

Menambah keindahan dan kepuasan desain hoodie bagi para anak muda
yang menyukai fashion.

Pasar Utama Perusahaan yang bergerak di bidang fashion

Perusahaan yang memproduksi pakaian

Asumsi-asumsi Pengembangan desain hoodie pada Xoxo Fashion

dan Batasan
 Menciptakan model-model hoodie terbaru sesuai dengan perkembangan
zaman.

Stakeholder Pembeli dan pengguna

Supplier Hoodie

Distributor

Tabel 3.1.1 Product Innovation Charter

Beberapa pasar yang menjadi target Xoxo Fashion ini adalah perusahaan yang bergerak
di bidang fashion. Adapun target pasar yang dituju adalah masyarakat umum dimana
banyak masyarakat yang membutuhkan aneka macam pakaian dengan berbagai variasinya
serta dengan model-model yang up to date.

Berikut merupakan data historis dari permintaan aktual terhadap produk Hoodie Xoxo
Fashion selama 36 bulan terakhir :

Periode Bulan Demand

1 Jan-11 11307
2 Feb-11 10881
3 Mar-11 11251
4 Apr-11 11589
5 May-11 11146
6 Jun-11 11231
7 Jul-11 10425
8 Aug-11 10586
9 Sep-11 11357
10 Oct-11 10841
11 Nov-11 11845
12 Dec-11 13762
13 Jan-12 10684
14 Feb-12 12094
15 Mar-12 16945
16 Apr-12 13426
 17 May-12 15438
18 Jun-12 12495
19 Jul-12 14045
20 Aug-12 16290
21 Sep-12 12094
22 Oct-12 20387
23 Nov-12 20418
24 Dec-12 29401
25 Jan-13 24310
26 Feb-13 28540
27 Mar-13 24568
28 Apr-13 32100
29 May-13 35981
30 Jun-13 30129
31 Jul-13 30921
32 Aug-13 38534
33 Sep-13 34215
34 Oct-13 31267
35 Nov-13 37890
36 Dec-13 35678

Tabel 3.1.2 Permintaan Aktual terhadap Hoodie Xoxo Fashion

3.2 Model Konstan

Persamaan garis yang menggambarkan pola konstan dengan menggunakan rumus sebagai
berikut :
Y’(t) = a
Nilai a dapat dihitung dengan rumus :
∑n
i=1 Y(t)
a= n

Keterangan :
a : Nilai konstan
n : Jumlah periode peramalan
Y(t) : Data ke-t
Berikut adalah peramalan permintaan Hoodie Xoxo Fashion untuk 5 bulan kedepan
menggunakan model konstan :
 Tabel 3.2.1 Model Konstan
Periode Bulan Demand Peramalan
1 Jan-11 11307 17177
2 Feb-11 10881 17177
3 Mar-11 11251 17177
4 Apr-11 11589 17177
5 Mei-11 11146 17177
6 Jun-11 11231 17177
7 Jul-11 10425 17177
8 Agu-11 10586 17177
9 Sep-11 11357 17177
10 Okt-11 10841 17177
11 Nov-11 11845 17177
12 Des-11 13762 17177
13 Jan-12 10684 17177
14 Feb-12 12094 17177
15 Mar-12 16945 17177
16 Apr-12 13426 17177
17 Mei-12 15438 17177
18 Jun-12 12495 17177
19 Jul-12 14045 17177
20 Agu-12 16290 17177
21 Sep-12 12094 17177
22 Okt-12 20387 17177
23 Nov-12 20418 17177
24 Des-12 29401 17177
25 Jan-13 24310 17177
26 Feb-13 28540 17177
27 Mar-13 24568 17177
28 Apr-13 32100 17177
29 Mei-13 35981 17177
30 Jun-13 30129 17177
31 Jul-13 30921 17177
32 Agu-13 38534 17177
33 Sep-13 34215 17177
34 Okt-13 31267 17177
35 Nov-13 11371 17177
36 Des-13 17975 17177
37 Jan-14 17177
38 Feb-14 17177
39 Mar-14 17177
 Dengan menggunakan model konstan untuk meramalkan permintaan Hoodie Xoxo
Fashion 3 bulan kedepan diperoleh hasil17177. Untuk menghitung kesalahan ramalan
maka digunakan Mean Absolute Deviation (MAD) Diawali dengan menghitung Forecast
Error (FE), Cumulative Forecast Error (CFE), dan Mean Absolute Deviation (MAD),
yang didasarkan pada data historis. Berikut adalah perhitungan untuk MAD
menggunakan model konstan :

Mean Absolute Deviation (MAD)

 Tabel 3.3.2 Mean Absolute Deviation (MAD) Model Konstan

Periode Demand Peramalan FE CFE AD

Bulan 5 = Kumulatif UCL LCL
2
1 3 4 = 2-3 dr 4 6 = Absolut dr 4 CAD MAD TS
1 11307 17177 -5870 -5870 5870 7 = Kumulatif dr 6 8 = 7/ 1 9 = 5/ 8 4 -4
2 10881 17177 -6296 -12165 6296 5870 5870 -1,0 4 -4
3 11251 17177 -5926 -18091 5926 12165 6083 -2,0 4 -4
4 11589 17177 -5588 -23679 5588 18091 6030 -3,0 4 -4
5 11146 17177 -6031 -29710 6031 23679 5920 -4,0 4 -4
6 11231 17177 -5946 -35655 5946 29710 5942 -5,0 4 -4
7 10425 17177 -6752 -42407 6752 35655 5943 -6,0 4 -4
8 10586 17177 -6591 -48998 6591 42407 6058 -7,0 4 -4
9 11357 17177 -5820 -54818 5820 48998 6125 -8,0 4 -4
10 10841 17177 -6336 -61153 6336 54818 6091 -9,0 4 -4
11 11845 17177 -5332 -66485 5332 61153 6115 -10,0 4 -4
12 13762 17177 -3415 -69900 3415 66485 6044 -11,0 4 -4
13 10684 17177 -6493 -76392 6493 69900 5825 -12,0 4 -4
14 12094 17177 -5083 -81475 5083 76392 5876 -13,0 4 -4
15 16945 17177 -232 -81707 232 81475 5820 -14,0 4 -4
16 13426 17177 -3751 -85458 3751 81707 5447 -15,0 4 -4
17 15438 17177 -1739 -87196 1739 85458 5341 -16,0 4 -4
18 12495 17177 -4682 -91878 4682 87196 5129 -17,0 4 -4
19 14045 17177 -3132 -95010 3132 91878 5104 -18,0 4 -4
20 16290 17177 -887 -95897 887 95010 5001 -19,0 4 -4
21 12094 17177 -5083 -100979 5083 95897 4795 -20,0 4 -4
22 20387 17177 3210 -97769 3210 100979 4809 -21,0 4 -4
23 20418 17177 3241 -94528 3241 104190 4736 -20,6 4 -4
24 29401 17177 12224 -82303 12224 107431 4671 -20,2 4 -4
25 24310 17177 7133 -75170 7133 119655 4986 -16,5 4 -4
26 28540 17177 11363 -63807 11363 126788 5072 -14,8 4 -4
27 24568 17177 7391 -56416 7391 138152 5314 -12,0 4 -4
28 32100 17177 14923 -41492 14923 145543 5390 -10,5 4 -4
29 35981 17177 18804 -22688 18804 160466 5731 -7,2 4 -4
30 30129 17177 12952 -9736 12952 179270 6182 -3,7 4 -4
31 30921 17177 13744 4008 13744 192223 6407 -1,5 4 -4
32 38534 17177 21357 25366 21357 205967 6644 0,6 4 -4
33 34215 17177 17038 42404 17038 227324 7104 3,6 4 -4
34 31267 17177 14090 56494 14090 244363 7405 5,7 4 -4
35 11371 17177 -5806 50689 5806 258453 7602 7,4 4 -4
36 17975 17177 798 51487 798 264259 7550 6,7 4 -4
7363
37 13.113 17177 -4064 47423 4064 265057 7,0 4 -4
7274
38 9.128 17177 -8049 39374 8049 269121 6,5 4 -4
7294
39 11.532 17177 -5645 33730 5645 277169 5,4 4 -4
7252
40 10.337 17177 -6840 26890 6840 282814 4,7 4 -4
7241
41 6.695 17177 -10482 16408 10482 289654 3,7 4 -4
7320
42 12.949 17177 -4228 12180 4228 300135 2,2 4 -4
7247
43 9.215 17177 -7962 4219 7962 304363 1,7 4 -4
7263
44 12.958 17177 -4219 0 4219 312325 0,6 4 -4
316544 7194 0,0
 Tracking signal yang positif akan menunjukkan bahwa nilai aktual permintaan lebih
besar dari pada ramalan, sedangkan TS yang negatif berarti nilai aktual permintaan lebih
kecil daripada ramalan. Suatu TS disebut baik apabila memiliki nilai CFE yang rendah
dan mempunyai positive error yang sama banyak atau seimbang dengan negative error,
sehingga pusat dari TS akan mendekati nol. Apabila TS telah dihitung, maka dapatlah
dibangun peta kontrol TS yang memiliki batas kontrol atas dan batas kontrol bawah.
Dimana menurut beberapa ahli peramalan, nilai maksimum yang terbaik untuk TS adalah
antara +4 dan -4. Peta Kontrol untuk model konstan adalah sebagai berikut :

10,00

5,00

0,00
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45
-5,00 TS
UCL
-10,00 LCL

-15,00

-20,00

-25,00

Gambar 3.1 Grafik Model Konstan

Dilihat pada gambar 3.1 peramalan untuk 3 bulan kedepan pada penjualan Hoodie
Xoxo Fashion terdapat beberapa nilai yang melewati batas kontrol, maka peramalan
tersebut perlu ditinjau kembali, karena akurasi peramalan tidak dapat diterima.

1.3.3 Model Regresi Linier

Persamaan garis yang mendekati bentuk data linier adalah:

Y’(t) = a + b(t)

Konstanta a dan b ditentukan dari data mentah berdasarkan Kriteria Kuadrat Terkecil
(least square criterion). Dimana a dan b dapat dihitung dengan rumus berikut:
 𝑛 ∑𝑛 𝑛 𝑛
𝑖=0 𝑡𝑌(𝑡)− ∑𝑖=0 𝑌(𝑡) ∑𝑖=0 𝑡
b= 2
∑𝑛 2 𝑛
𝑖=0 𝑡 −(∑𝑖=0 𝑡)

∑n n
i=0 Y(t)−b ∑i=0 t
a= n

Berikut adalah peramalan permintaan Hoodie Xoxo Fashion untuk 5 bulan kedepan
menggunakan model regresi linier :

Tabel 3.4.1 Model Regresi Linear

Periode Demand
Y(t)*t t^2
t y(t)
1 11307 11307 1
2 10881 21762 4
3 11251 33753 9
4 11589 46356 16
5 11146 55730 25
6 11231 67386 36
7 10425 72975 49
8 10586 84688 64
9 11357 102213 81
10 10841 108410 100
11 11845 130295 121
12 13762 165144 144
13 10684 138892 169
14 12094 169316 196
15 16945 254175 225
16 13426 214816 256
17 15438 262446 289
18 12495 224910 324
19 14045 266855 361
20 16290 325800 400
21 12094 253974 441
22 20387 448514 484
23 20418 469614 529
24 29401 705624 576
25 24310 607750 625
26 28540 742040 676
27 24568 663336 729
28 32100 898800 784
 29 35981 1043449 841
30 30129 903870 900
31 30921 958551 961
32 38534 1233088 1024
33 34215 1129095 1089
34 31267 1063078 1156
35 37890 1326150 1225
36 35678 1284408 1296
Total 16488570 16206

Tabel 3.4.2 Peramalan untuk 3 bulan kedepean

Periode Bulan Peramalan

37 Jan-17 35446,05079
38 Feb-17 36289,87486
39 Mar-17 37133,69893

Dari tabel 3.4.1 didapatkan hasil perhitungan untuk 36 periode. Dari hasil perhitungan
tersebut maka didapatkan persamaan regresi sebagai berikut :

PERSAMAAN REGRESI

Y = -38,86 + (8162,69) t

Tabel 3.4.2 adalah data peramalan untuk 3 bulan kedepan pada Hoodie Xoxo Fashion
yang diproduksi oleh perusahaan Indonesia. Untuk mengetahui keakurasian peramalan
menggunakan model regresi linier maka dilakukan perhitungan menggunakan Mean
Absolute Deviation (MAD) Diawali dengan menghitung Forecast Error (FE), Cumulative
Forecast Error (CFE), dan Mean Absolute Deviation (MAD), yang didasarkan pada data
historis. Berikut adalah perhitungan untuk MAD menggunakan model regresi linier :
 Tabel 3.4.3 Mean Absolute Deviation (MAD) Model Regresi Linear

Periode Demand Peramalan FE CFE AD CAD MAD TS

Bulan 5 = Kumulatif 7 = Kumulatif UCL LCL
8 = 7/ 1
1 2 3 4 = 2-3 dr 4 6 = Absolut dr 4 dr 6 9 = 5/ 8
1 11307 5068 6239 6239 6239 6239 6239 1 4 -4
2 10881 5912 4969 11207 4969 11207 5604 2 4 -4
3 11251 6756 4495 15702 4495 15702 5234 3 4 -4
4 11589 7600 3989 19692 3989 19692 4923 4 4 -4
5 11146 8444 2702 22394 2702 22394 4479 5 4 -4
6 11231 9288 1943 24337 1943 24337 4056 6 4 -4
7 10425 10131 294 24631 294 24631 3519 7 4 -4
8 10586 10975 -389 24242 389 25020 3128 8 4 -4
9 11357 11819 -462 23780 462 25482 2831 8 4 -4
10 10841 12663 -1822 21958 1822 27304 2730 8 4 -4
11 11845 13507 -1662 20296 1662 28966 2633 8 4 -4
12 13762 14350 -588 19708 588 29554 2463 8 4 -4
13 10684 15194 -4510 15198 4510 34064 2620 6 4 -4
14 12094 16038 -3944 11254 3944 38008 2715 4 4 -4
15 16945 16882 63 11317 63 38071 2538 4 4 -4
16 13426 17726 -4300 7017 4300 42371 2648 3 4 -4
17 15438 18570 -3132 3885 3132 45503 2677 1 4 -4
18 12495 19413 -6918 -3033 6918 52421 2912 -1 4 -4
19 14045 20257 -6212 -9245 6212 58633 3086 -3 4 -4
20 16290 21101 -4811 -14056 4811 63444 3172 -4 4 -4
21 12094 21945 -9851 -23907 9851 73295 3490 -7 4 -4
22 20387 22789 -2402 -26309 2402 75697 3441 -8 4 -4
23 20418 23633 -3215 -29523 3215 78911 3431 -9 4 -4
24 29401 24476 4925 -24599 4925 83836 3493 -7 4 -4
25 24310 25320 -1010 -25609 1010 84846 3394 -8 4 -4
26 28540 26164 2376 -23233 2376 87222 3355 -7 4 -4
27 24568 27008 -2440 -25673 2440 89662 3321 -8 4 -4
28 32100 27852 4248 -21424 4248 93911 3354 -6 4 -4
29 35981 28695 7286 -14139 7286 101196 3490 -4 4 -4
30 30129 29539 590 -13549 590 101786 3393 -4 4 -4
31 30921 30383 538 -13011 538 102324 3301 -4 4 -4
32 38534 31227 7307 -5704 7307 109631 3426 -2 4 -4
33 34215 32071 2144 -3560 2144 111775 3387 -1 4 -4
34 31267 32915 -1648 -5207 1648 113423 3336 -2 4 -4
35 37890 33758 4132 -1076 4132 117554 3359 0 4 -4
36 35678 34602 1076 0 1076 118630 3295 0 4 -4
 Tracking signal yang positif akan menunjukkan bahwa nilai aktual permintaan lebih
besar dari pada ramalan, sedangkan TS yang negatif berarti nilai aktual permintaan lebih
kecil daripada ramalan. Suatu TS disebut baik apabila memiliki nilai CFE yang rendah dan
mempunyai positive error yang sama banyak atau seimbang dengan negative error,
sehingga pusat dari TS akan mendekati nol. Apabila TS telah dihitung, maka dapatlah
dibangun peta kontrol TS yang memiliki batas kontrol atas dan batas kontrol bawah. Dimana
menurut beberapa ahli peramalan, nilai maksimum yang terbaik untuk TS adalah antara +4
dan -4. Peta Kontrol untuk model regresi linier adalah sebagai berikut :

10
8
6
4
2
0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37
-2
-4
-6
-8
-10

TS UCL LCL

Gambar 3.2 Peta Kontrol Regresi Linier

Dilihat pada gambar 3.2 peramalan untuk 3 bulan kedepan pada produk Hoodie Xoxo
Fashion jugamelewati batas kontrol, maka peramalan tersebut perlu di tinjau ulang.
1.3.4 Model Moving Average Forecasting

a. Simple Moving Avarage

Simple Moving Average menggunakan data yang sedang diobservasi tambah data
sebelum observasi. Misalnya, menggunakan 5 periode moving average, maka
forecasting menggunakan data periode ke-5 dan 4 data periode sebelumnya.

𝑌1 + 𝑌𝑡−1 + 𝑌𝑡−2 + …+ 𝑌𝑡−𝑛+1

Simple Moving Average (SMAt) = 𝑛

Berikut adalah peramalan permintaan pada produk Sporty Velg For City Car untuk
5 bulan kedepan menggunakan model Simple Moving Average, pada kasus ini periode
(t) yang digunakan adalah 5, artinya rata-rata bergerak dalam periode 5 bulanan, maka
peramalan untuk 5 bulan kedepan dapat disajikan dalam tabel berikut :

Tabel 3.5.1 Model Simple Moving Average

Periode Demand SMA

1 11307
2 10881
3 11251
4 11589
5 11146

6 11231 11.235

7 10425 11.220

8 10586 11.128

9 11357 10.995

10 10841 10.949

11 11845 10.888

12 13762 11.011

13 10684 11.678

14 12094 11.698

15 16945 11.845
 16 13426 13.066

17 15438 13.382

18 12495 13.717

19 14045 14.080

20 16290 14.470

21 12094 14.339

22 20387 14.072

23 20418 15.062

24 29401 16.647

25 24310 19.718

26 28540 21.322

27 24568 24.611

28 32100 25.447

29 35981 27.784

30 30129 29.100

31 30921 30.264

32 38534 30.740

33 34215 33.533

34 31267 33.956

35 37890 33.013

36 35678 34.565

Dari tabel 3.5.1 diperoleh hasil peramalan untuk 3 bulan kedepan pada penjualan
produk Hoodie Xoxo Fashion sebesar 34.565 menggunakan model simple moving average.
Untuk mengetahui keakurasian model ini maka dilakukan perhitungan menggunakan Mean
Absolute Deviation (MAD) Diawali dengan menghitung Forecast Error (FE), Cumulative
Forecast Error (CFE), dan Mean Absolute Deviation (MAD), yang didasarkan pada data
historis. Berikut adalah perhitungan untuk MAD menggunakan model simple moving
average untuk 3 periode:
 Tabel 3.5.2 Mean Absolute Deviation (MAD) Model Simple Moving Average

Periode Demand Peramalan FE CFE AD CAD MAD TS

5 = Kumulatif 6 = Absolut 7 = Kumulatif UCL LCL
1 2 3 4 = 2-3 8 = 7/ 1 9 = 5/ 8
dr 4 dr 4 dr 6
1 0 11307 11307 11307 11307 11307 4 -4
11307 1
2 0 10881 10881 10881 22188 11094 4 -4
10881 1
3 0 11251 11251 11251 33439 11146 4 -4
11251 1
4 0 11589 11589 11589 45028 11257 4 -4
11589 1
5 0 11146 11146 11146 56174 11235 4 -4
11146 1
6 0 11231 11231 11231 67405 11234 4 -4
11231 1
7 0 10425 10425 10425 77830 11119 4 -4
10425 1
8 0 10586 10586 10586 88416 11052 4 -4
10586 1
9 0 11357 11357 11357 99773 11086 4 -4
11357 1
10 0 10841 10841 10841 110614 11061 4 -4
10841 1
11 0 11845 11845 11845 122459 11133 4 -4
11845 1
12 0 13762 13762 13762 136221 11352 4 -4
13762 1
13 0 10684 10684 10684 146905 11300 4 -4
10684 1
14 0 12094 12094 12094 158999 11357 4 -4
12094 1
15 0 16945 16945 16945 175944 11730 4 -4
16945 1
16 0 13426 13426 13426 189370 11836 4 -4
13426 1
17 0 15438 15438 15438 204808 12048 4 -4
15438 1
18 0 12495 12495 12495 217303 12072 4 -4
12495 1
19 0 14045 14045 14045 231348 12176 4 -4
14045 1
20 0 16290 16290 16290 247638 12382 4 -4
16290 1
21 0 12094 12094 12094 259732 12368 4 -4
12094 1
22 0 20387 20387 20387 280119 12733 4 -4
20387 2
23 0 20418 20418 20418 300537 13067 4 -4
20418 2
24 0 29401 29401 29401 329938 13747 4 -4
29401 2
25 0 24310 24310 24310 354248 14170 4 -4
24310 2
26 0 28540 28540 28540 382788 14723 4 -4
28540 2
27 0 24568 24568 24568 407356 15087 4 -4
24568 2
28 0 32100 32100 32100 439456 15695 4 -4
32100 2
29 0 35981 35981 35981 475437 16394 4 -4
35981 2
30 0 30129 30129 30129 505566 16852 4 -4
30129 2
31 0 30921 30921 30921 536487 17306 4 -4
30921 2
32 0 38534 38534 38534 575021 17969 4 -4
38534 2
33 0 34215 34215 34215 609236 18462 4 -4
34215 2
34 0 31267 31267 31267 640503 18838 4 -4
31267 2
35 0 37890 37890 37890 678393 19383 4 -4
37890 2
36 0 35678 35678 35678 714071 19835 4 -4
35678 2
 Tracking signal yang positif akan menunjukkan bahwa nilai aktual permintaan lebih
besar dari pada ramalan, sedangkan TS yang negatif berarti nilai aktual permintaan lebih
kecil daripada ramalan. Suatu TS disebut baik apabila memiliki nilai CFE yang rendah
dan mempunyai positive error yang sama banyak atau seimbang dengan negative error,
sehingga pusat dari TS akan mendekati nol. Apabila TS telah dihitung, maka dapatlah
dibangun peta kontrol TS yang memiliki batas kontrol atas dan batas kontrol bawah.
Dimana menurut beberapa ahli peramalan, nilai maksimum yang terbaik untuk TS adalah
antara +4 dan -4. Peta Kontrol untuk model simple moving average adalah sebagai
berikut :

10

0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37
-2

-4

-6

TS UCL LCL

Gambar 3.3 Peta Kontrol Simple Moving Average

Dilihat pada gambar 3.3 peramalan untuk 3 bulan kedepan pada produk
Hoodie Xoxo Fashion hampir semua nilai yang melewati batas kontrol, maka
peramalan tersebut perlu ditinjau kembali, karena akurasi peramalan tidak dapat
diterima.

b. Centered Moving Average

Perbedaan utama antara Simple Moving Average dan Centered Moving
Average terletak pada pemilihan observasi yang digunakan. “Center” berarti rataan
antara data sekarang dengan menggunakan data sebelumnya dan data sesudahnya.
Pada kasus ini dilakukan untuk 5 periode moving average, maka SMA
menggunakan data periode 5 ditambah data sebelumnya dan data sesudahnya.
 Y 1
t−((L−( )+ ….Yt + ….+Yt+((L−1)/2
2
CMAt = L

Berikut adalah peramalan permintaan produk Hoodie Xoxo Fashion untuk 5

bulan kedepan menggunakan model Centered Moving Average, pada kasus ini
periode (t) yang digunakan adalah 5, artinya rata-rata bergerak dalam periode 5
bulanan, maka peramalan untuk 5 bulan kedepan dapat disajikan dalam tabel
berikut :

Tabel 3.5.3 Model Centered Moving Average

Periode Demand CMA

1 11307
2 10881 11146
3 11251 11240
4 11589 11329
5 11146 11322
6 11231 10934
7 10425 10747
8 10586 10789
9 11357 10928
10 10841 11348
11 11845 12149
12 13762 12097
13 10684 12180
14 12094 13241
15 16945 14155
16 13426 15270
17 15438 13786
18 12495 13993
19 14045 14277
20 16290 14143
21 12094 16257
22 20387 17633
23 20418 23402
24 29401 24710
25 24310 27417
26 28540 25806
27 24568 28403
28 32100 30883
 29 35981 32737
30 30129 32344
31 30921 33195
32 38534 34557
33 34215 34672
34 31267 34457
35 37890 34945
36 35678 36784
37 35678
38 35678
39 35678
40 35678
41 35678

Dari tabel 3.5.3 diperoleh hasil peramalan untuk 5 bulan kedepan pada
penjualan produk Hoodie Xoxo Fashion sebesar 3567 menggunakan model
centered moving average. Untuk mengetahui keakurasian model ini maka
dilakukan perhitungan menggunakan Mean Absolute Deviation (MAD) Diawali
dengan menghitung Forecast Error (FE), Cumulative Forecast Error (CFE), dan
Mean Absolute Deviation (MAD), yang didasarkan pada data historis. Berikut
adalah perhitungan untuk MAD menggunakan model centered moving average
untuk 5 periode:
 Tabel 3.5.4 Mean Absolute Deviation (MAD) Model Centered Moving Average

Periode Demand Peramalan FE CFE AD CAD MAD TS

5 = Kumulatif 6 = Absolut 7 = Kumulatif UCL LCL
1 2 3 4 = 2-3 8 = 7/ 1 9 = 5/ 8
dr 4 dr 4 dr 6
1 0 11307 11307 11307 11307 11307 4 -4
11307 1
2 0 10881 10881 10881 22188 11094 4 -4
10881 1
3 0 11251 11251 11251 33439 11146 4 -4
11251 1
4 0 11589 11589 11589 45028 11257 4 -4
11589 1
5 0 11146 11146 11146 56174 11235 4 -4
11146 1
6 0 11231 11231 11231 67405 11234 4 -4
11231 1
7 0 10425 10425 10425 77830 11119 4 -4
10425 1
8 0 10586 10586 10586 88416 11052 4 -4
10586 1
9 0 11357 11357 11357 99773 11086 4 -4
11357 1
10 0 10841 10841 10841 110614 11061 4 -4
10841 1
11 0 11845 11845 11845 122459 11133 4 -4
11845 1
12 0 13762 13762 13762 136221 11352 4 -4
13762 1
13 0 10684 10684 10684 146905 11300 4 -4
10684 1
14 0 12094 12094 12094 158999 11357 4 -4
12094 1
15 0 16945 16945 16945 175944 11730 4 -4
16945 1
16 0 13426 13426 13426 189370 11836 4 -4
13426 1
17 0 15438 15438 15438 204808 12048 4 -4
15438 1
18 0 12495 12495 12495 217303 12072 4 -4
12495 1
19 0 14045 14045 14045 231348 12176 4 -4
14045 1
20 0 16290 16290 16290 247638 12382 4 -4
16290 1
21 0 12094 12094 12094 259732 12368 4 -4
12094 1
22 0 20387 20387 20387 280119 12733 4 -4
20387 2
23 0 20418 20418 20418 300537 13067 4 -4
20418 2
24 0 29401 29401 29401 329938 13747 4 -4
29401 2
25 0 24310 24310 24310 354248 14170 4 -4
24310 2
26 0 28540 28540 28540 382788 14723 4 -4
28540 2
27 0 24568 24568 24568 407356 15087 4 -4
24568 2
28 0 32100 32100 32100 439456 15695 4 -4
32100 2
29 0 35981 35981 35981 475437 16394 4 -4
35981 2
30 0 30129 30129 30129 505566 16852 4 -4
30129 2
31 0 30921 30921 30921 536487 17306 4 -4
30921 2
32 0 38534 38534 38534 575021 17969 4 -4
38534 2
33 0 34215 34215 34215 609236 18462 4 -4
34215 2
34 0 31267 31267 31267 640503 18838 4 -4
31267 2
35 0 37890 37890 37890 678393 19383 4 -4
37890 2
36 0 35678 35678 35678 714071 19835 4 -4
35678 2
 Tracking signal yang positif akan menunjukkan bahwa nilai aktual
permintaan lebih besar dari pada ramalan, sedangkan TS yang negatif berarti nilai
aktual permintaan lebih kecil daripada ramalan. Suatu TS disebut baik apabila
memiliki nilai CFE yang rendah dan mempunyai positive error yang sama banyak
atau seimbang dengan negative error, sehingga pusat dari TS akan mendekati nol.
Apabila TS telah dihitung, maka dapatlah dibangun peta kontrol TS yang memiliki
batas kontrol atas dan batas kontrol bawah. Dimana menurut beberapa ahli
peramalan, nilai maksimum yang terbaik untuk TS adalah antara +4 dan -4. Peta
Kontrol untuk model Centered Moving Average adalah sebagai berikut :

5
4
3
2
1
0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37
-1
-2
-3
-4
-5

TS UCL LCL

Gambar 3.4 Peta Kontrol Centered Moving Average

Dilihat pada gambar 3.4 peramalan untuk 3 bulan kedepan pada produk
Hoodie Xoxo Fashion tidak ada nilai yang melewati batas kontrol, maka peramalan
tersebutakurat dan dapat diterima,sekaligus dalam kasus ini metode moving
average yang terpilih.

1.3.5 Model Eksponential Smoothing Forecasting

Model Exponential Smoothing digunakan untuk peramalan jangka pendek.

Ft+1 = αDt + (1-α) Ft

 Keterangan:

F : Ramalanuntukperiodeberikutnya

Dt+1 : Demand actual padaperiode t

Ft : Peramalan yang ditentukansebelumnyauntukperiode t

α : Faktorbobot,a besar, smoothing ygdilakukankecildansebaliknya

Penetapan nilai konstanta memiliki andil yang penting dalam menghasilkan hasil
ramalan yang valid.

Berikut adalah peramalan permintaan produk Hoodie Xoxo Fashion untuk 3 bulan
kedepan menggunakan model Eksponential Smoothing Forecasting. Dalam kasus ini
perhitungan peramalan dengan α sebesar 0,9 , maka peramalan untuk 3 bulan kedepan dapat
disajikan dalam tabel berikut :

Tabel 3.6.1 Exponential Smoothing Forecasting

Periode Demand Peramalan

1 2 3
1 11307
2 10881 11307
3 11251 10902
4 11589 11234
5 11146 11571
6 11231 11167
7 10425 11228
8 10586 10465
9 11357 10580
10 10841 11318
11 11845 10865
12 13762 11796
13 10684 13664
14 12094 10833
15 16945 12031
16 13426 16699
17 15438 13590
18 12495 15346
19 14045 12638
 20 16290 13975
21 12094 16174
22 20387 12298
23 20418 19983
24 29401 20396
25 24310 28951
26 28540 24542
27 24568 28340
28 32100 24757
29 35981 31733
30 30129 35769
31 30921 30411
32 38534 30895
33 34215 38152
34 31267 34412
35 37890 31424
36 35678 37567

Dari tabel 3.6.1 diperoleh hasil peramalan untuk 3 bulan kedepan pada penjualan
produk Hoodie Xoxo Fashion sebesar 37567 menggunakan model eksponential smoothing
forecasting. Untuk mengetahui keakurasian model ini maka dilakukan perhitungan
menggunakan Mean Absolute Deviation (MAD) Diawali dengan menghitung Forecast
Error (FE), Cumulative Forecast Error (CFE), dan Mean Absolute Deviation (MAD), yang
didasarkan pada data historis. Berikut adalah perhitungan untuk MAD menggunakan model
eksponential smoothing forecasting dengan α sebesar 0,9 :
 Tabel 3.6.2 Mean Absolute Deviation (MAD) Model Eksponential Smoothing Forecasthing

Demand Peramalan FE CFE AD CAD MAD TS

7 = Kumulatif dr UCL LCL
2 3 4 = 2-3 5 = Kumulatif dr 4 6 = Absolut dr 4 6 8 = 7/ 1 9 = 5/ 8
11307 11307 11307 11307 11307 11307 1,00 4 -4
10881 11307 -426 10881 426 11733 11733 0,93 4 -4
11251 10924 327 11208 327 12060 12060 0,93 4 -4
11589 11218 371 11579 371 12431 12431 0,93 4 -4
11146 11552 -406 11173 406 12837 12837 0,87 4 -4
11231 11187 44 11218 44 12881 12881 0,87 4 -4
10425 11227 -802 10416 802 13683 13683 0,76 4 -4
10586 10505 81 10497 81 13764 13764 0,76 4 -4
11357 10578 779 11276 779 14543 14543 0,78 4 -4
10841 11279 -438 10838 438 14981 14981 0,72 4 -4
11845 10885 960 11798 960 15941 15941 0,74 4 -4
13762 11749 2013 13811 2013 17954 17954 0,77 4 -4
10684 13561 -2877 10934 2877 20831 20831 0,52 4 -4
12094 10972 1122 12057 1122 21953 21953 0,55 4 -4
16945 11982 4963 17020 4963 26917 26917 0,63 4 -4
13426 16449 -3023 13997 3023 29939 29939 0,47 4 -4
15438 13728 1710 15707 1710 31649 31649 0,50 4 -4
12495 15267 -2772 12935 2772 34421 34421 0,38 4 -4
14045 12772 1273 14208 1273 35694 35694 0,40 4 -4
16290 13918 2372 16580 2372 38066 38066 0,44 4 -4
12094 16053 -3959 12621 3959 42025 42025 0,30 4 -4
20387 12490 7897 20518 7897 49922 49922 0,41 4 -4
20418 19597 821 21339 821 50743 50743 0,42 4 -4
29401 20336 9065 30404 9065 59808 59808 0,51 4 -4
24310 28494 -4184 26220 4184 63992 63992 0,41 4 -4
28540 24728 3812 30031 3812 67804 67804 0,44 4 -4
24568 28159 -3591 26440 3591 71395 71395 0,37 4 -4
32100 24927 7173 33613 7173 78568 78568 0,43 4 -4
35981 31383 4598 38212 4598 83166 83166 0,46 4 -4
30129 35521 -5392 32819 5392 88558 88558 0,37 4 -4
30921 30668 253 33072 253 88811 88811 0,37 4 -4
38534 30896 7638 40711 7638 96449 96449 0,42 4 -4
34215 37770 -3555 37155 3555 100004 100004 0,37 4 -4
31267 34571 -3304 33852 3304 103308 103308 0,33 4 -4
37890 31597 6293 40144 6293 109600 109600 0,37 4 -4
35678 37261 -1583 38562 1583 111183 111183 0,35 4 -4
 Tracking signal yang positif akan menunjukkan bahwa nilai aktual permintaan lebih
besar dari pada ramalan, sedangkan TS yang negatif berarti nilai aktual permintaan lebih
kecil daripada ramalan. Suatu TS disebut baik apabila memiliki nilai CFE yang rendah dan
mempunyai positive error yang sama banyak atau seimbang dengan negative error,
sehingga pusat dari TS akan mendekati nol. Apabila TS telah dihitung, maka dapatlah
dibangun peta kontrol TS yang memiliki batas kontrol atas dan batas kontrol bawah. Dimana
menurut beberapa ahli peramalan, nilai maksimum yang terbaik untuk TS adalah antara +4
dan -4. Peta Kontrol untuk model eksponential smoothing forecasting adalah sebagai
berikut:

Judul Bagan
5,00
4,00
3,00
2,00
1,00
0,00
-1,00 1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37
-2,00
-3,00
-4,00
-5,00

TS UCL LCL

Gambar 3.5 Peta Kontrol Eksponential Smoothing Forecasting

Dilihat pada gambar 3.5 peramalan untuk 3 bulan kedepan pada produk Hoodie Xoxo
Fashion nilai tidak ada yang melewati batas kontrol, maka peramalan tersebut akurat dapat
diterima.

1.3.6 Perbandingan Model Perhitungan

Setelah peramalan selesai dilakukan dengan beberapa metode yang telah disebutkan
diatas, langkah selanjutnya adalah memilih model peramalan manakah yang akan dijadikan
sebagai acuan dalam rencana kerja produksi perusahaan Indonesia dengan produk Hoodie
Xoxo Fashion. Berikut adalah hasilnya :
 Tabel 3.7 Rekapitulasi MAD (Mean Absolute Deviation)

MODEL
Nilai Konstan Regresi Linier SMA 5 CMA 5 Eksponential
MAD Smoothing

8711,634259 3295 19835 5514,061111 111183

Dari tabel 3.7 diperoleh hasil rekapitulasi MAD untuk 5 model dalam melakukan
peramalan untuk lima bulan kedepan. MAD tersebut didapat dari hasil minimal atau yang
lebih mendekati 0 dari MAD yang lainnya.

Bila dilihat dari tabel 3.7 maka MAD terkecil adalah yang paling mendekati 0, yaitu
1097,48. Maka dipilihlah model regresi linier. Berikut adalah MAD terkecil dan di periksa
keakuratannya menggunakan peta kontrol tracking signal. Telah dijelaskan diatas pada bab
1.3.3 model regresi linier dengan nilai MAD serta peta kontrol berikut ini :
 Tabel 3.8 Mean Absolute Deviation (MAD) Model Regresi Linier

Periode Demand Peramalan FE CFE AD CAD MAD TS

Bulan 5 = Kumulatif 7 = Kumulatif UCL LCL
8 = 7/ 1
1 2 3 4 = 2-3 dr 4 6 = Absolut dr 4 dr 6 9 = 5/ 8
1 11307 5068 6239 6239 6239 6239 6239 1 4 -4
2 10881 5912 4969 11207 4969 11207 5604 2 4 -4
3 11251 6756 4495 15702 4495 15702 5234 3 4 -4
4 11589 7600 3989 19692 3989 19692 4923 4 4 -4
5 11146 8444 2702 22394 2702 22394 4479 5 4 -4
6 11231 9288 1943 24337 1943 24337 4056 6 4 -4
7 10425 10131 294 24631 294 24631 3519 7 4 -4
8 10586 10975 -389 24242 389 25020 3128 8 4 -4
9 11357 11819 -462 23780 462 25482 2831 8 4 -4
10 10841 12663 -1822 21958 1822 27304 2730 8 4 -4
11 11845 13507 -1662 20296 1662 28966 2633 8 4 -4
12 13762 14350 -588 19708 588 29554 2463 8 4 -4
13 10684 15194 -4510 15198 4510 34064 2620 6 4 -4
14 12094 16038 -3944 11254 3944 38008 2715 4 4 -4
15 16945 16882 63 11317 63 38071 2538 4 4 -4
16 13426 17726 -4300 7017 4300 42371 2648 3 4 -4
17 15438 18570 -3132 3885 3132 45503 2677 1 4 -4
18 12495 19413 -6918 -3033 6918 52421 2912 -1 4 -4
19 14045 20257 -6212 -9245 6212 58633 3086 -3 4 -4
20 16290 21101 -4811 -14056 4811 63444 3172 -4 4 -4
21 12094 21945 -9851 -23907 9851 73295 3490 -7 4 -4
22 20387 22789 -2402 -26309 2402 75697 3441 -8 4 -4
23 20418 23633 -3215 -29523 3215 78911 3431 -9 4 -4
24 29401 24476 4925 -24599 4925 83836 3493 -7 4 -4
25 24310 25320 -1010 -25609 1010 84846 3394 -8 4 -4
26 28540 26164 2376 -23233 2376 87222 3355 -7 4 -4
27 24568 27008 -2440 -25673 2440 89662 3321 -8 4 -4
28 32100 27852 4248 -21424 4248 93911 3354 -6 4 -4
29 35981 28695 7286 -14139 7286 101196 3490 -4 4 -4
30 30129 29539 590 -13549 590 101786 3393 -4 4 -4
31 30921 30383 538 -13011 538 102324 3301 -4 4 -4
32 38534 31227 7307 -5704 7307 109631 3426 -2 4 -4
33 34215 32071 2144 -3560 2144 111775 3387 -1 4 -4
34 31267 32915 -1648 -5207 1648 113423 3336 -2 4 -4
35 37890 33758 4132 -1076 4132 117554 3359 0 4 -4
36 35678 34602 1076 0 1076 118630 3295 0 4 -4
 Judul Bagan
10
8
6
4
2
0
-2 1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37

-4
-6
-8
-10

TS UCL LCL

Gambar 3.7 Peta Kontrol Regresi Linier

Dari grafik diatas dapat diketahui bahwa terdapat nilai yang melewati garis kontrol
sehingga model ini juga belum dapat diterima.
 BAB IV
KESIMPULAN DAN SARAN

4.1 Kesimpulan
Dari beberapa model yang telah digunakan yaitu model konstan, regresi linier, simple
moving average, centered moving average, dan eksponential smoothing forecasting untuk
melakukan peramalan permintaan terhadap produk Hoodie pada perusahaan Xoxo Fashion
berikut adalah hasilnya :

1. Model regresi linier dilihat dari hasil MAD merupakan MAD terkecil sehingga model ini
adalah model terbaik yang digunakan karena akurat dan dapat diterima.
2. Model Central Moving Average (CMA) dilihat dari grafiknya tidak ada yang melewati
batas kontrol, sehingga model ini layak digunakan.
3. Model eksponential smoothing dilihat dari grafiknya tidak ada yang melewati batas
kontrol, tetapi model ini memiliki nilai MAD lebih besar daripada nilai MAD regresi
linier sehingga rentan apabila digunakan.

Dari hasil rekapan diatas, maka dipilih model terbaik yaitu model regresi linier karena
grafik yang ditunjukkan tidak melebihi batas kontrol dan memiliki nilai MAD terkecil atau
mendekati 0 sehingga model ini layak digunakan dengan keakurasian yang tidak
diragunkan.

4.2 Saran

1. Praktikan selanjutnya disarankan menggunakan metode CMA karena memiliki tingkat

error yang paling rendah di antara metode yang lainnya.

2.Selain metode CMA metode Exponential Smoothing dapat di jadikan sebagai cadangan.
 Daftar Pustaka

[1] P.Lestari and R. Panday, "ANALISIS FORECASTING JUMLAH WISATAWAN

MANCANEGARA DI PROVINSI BALI DENGAN METODE LEAST SQUARE," pp.
3-6, 2021.

[2] H. Hernadewita, j. Syaputra and d. Setiawan, "Peramalan Penjualan Obat Generik

Melalui Time Series Forecasting Model Pada Perusahaan Farmasi Di Tangerang,"
Industrial Engineering dan Management Reasearch, 2020.

[3] S.Hansun, "Peramalan data IHSG Menggunakan Fuzzy Time Series," Vols. 6,NO2,
2012.