Modul 1 Forecasting PDF
Modul 1 Forecasting PDF
Disusun Oleh:
Kelompok 8
1. Artati Rut P. Girsang 21070114120062
2. Alif Mawaddah Alfiana 21070114130088
3. Yohana S T Siahaan 21070114140092
4. Stefanus Kris Hertanto 21070114130101
5. Andy Imanuel 21070114140120
Puji dan syukur kami panjatkan kehadirat Tuhan YME, karena atas limpahan
rahmat dan karunianya, kami berhasil menyelesaikan laporan praktikum Perancangan
Teknik Industri modul 1 Forecasting ini dengan baik. Laporan ini kami susun untuk
melengkapi tugas praktikum Perancangan Teknik Industri Program Studi Teknik Industri
Universitas Diponegoro.
Penyusunan laporan ini telah terselesaikan berkat bantuan banyak pihak, baik
pada saat pelaksanaan praktikum maupun pada saat penyusunan laporan praktikum
Perancangan Teknik Industri pada modul 1 Forecasting. Oleh karena itu, penyusun
mengucapkan terima kasih yang sebesar – besarnya kepada :
1. Ibu Dr. Aries Susanti, ST, MT. selaku dosen pembimbing praktikum PTI
2. Seluruh Asisten Laboratorium OPSI yang telah membimbing kami dalam
melakukan praktikum dan menyusun laporan praktikum Perancangan Teknik
Industri modul 1 Forecasting ini.
3. Segenap rekan – rekan mahasiswa Teknik Industri Universitas Diponegoro yang
telah membantu dalam banyak hal dalam penyusunan laporan ini.
4. Seluruh pihak yang telah membantu penyelesaian laporan modul 1 Forecasting
ini dengan baik secara langsung maupun tidak langsung yang tidak mungkin kami
sebutkan satu-persatu.
Namun, dalam penyusunan laporan ini kami menyadari masih terdapat banyak
kekurangan. Oleh karena itu, saran dan kritik yang membangun sangat kami harapkan.
Akhir kata, semoga laporan ini bermanfaat bagi penyusun selaku praktikan pada
khususnya dan seluruh pihak pada umumnya.
Semarang, 8 September 2014
Penyusun
ii
DAFTAR ISI
iii
4.2.4 Verifikasi ..................................................................................................... 90
4.2.5 Validasi ....................................................................................................... 91
4.2.6 Hasil Peramalan .......................................................................................... 98
DAFTAR PUSTAKA
LAMPIRAN
iv
DAFTAR TABEL
tabel 2.1 Pemilihan Metode Peramalan ........................................................................... 11
Tabel 4.1 Data Historis Permintaan ................................................................................ 18
Tabel 4.2 Penjumlahan Segmen, Koleksi Dan Anak-Anak ............................................ 20
Tabel 4.3 Segmen Terpilih .............................................................................................. 24
Tabel 4.4 Perhitungan Manual 3 Sma ............................................................................. 27
Tabel 4.5 Error Metode 3 Sma ........................................................................................ 31
Tabel 4.6 Perhitungan Manual 5 Sma ............................................................................. 31
Tabel 4.7 Perhitungan Error Manual 5 Sma.................................................................... 35
Tabel 4.8 Peramalan Dengan Metode 3 Wma ................................................................ 36
Tabel 4.9 Perhitungan 3 Wma Dengan Software Winqsb .............................................. 38
Tabel 4.10 Perhitungan Error Manual 3 Wma ................................................................ 41
Tabel 4.11 Perhitungan Software 3 Wma ....................................................................... 42
Tabel 4.12 Perhitungan Manual 5 Wma ......................................................................... 42
Tabel 4.13 Perhitungan Winqsb 5 Wma ......................................................................... 45
Tabel 4.14 Error Metode 5 Wma Manual ....................................................................... 48
Tabel 4.15 Error Metode 5 Wma Software ..................................................................... 48
Tabel 4.16 Peramalan Metode 3 Cma ............................................................................. 49
Tabel 4.17 Rekapitulasi Perhitungan Error 3 Cma......................................................... 53
Tabel 4.18 Perhitungan Manual Metode Dest................................................................. 54
Tabel 4.19 Output Winqsb Dest ...................................................................................... 56
Tabel 4.20 Perhitungan Manual Nilai Error Metode Dest ............................................ 60
Tabel 4.21 Error Software Metode Dest ........................................................................ 60
Tabel 4.22 Perhitungan Manual Des ............................................................................... 61
Tabel 4.23 Peramalan DES Software .............................................................................. 63
Tabel 4.24 Perhitungan Error Manual Metode Double Eksponential Smoothing .......... 67
Tabel 4.25 Error Des Software........................................................................................ 67
Tabel 4.26 Perhitungan Sest Manual .............................................................................. 67
Tabel 4.27 Perhitungan Software Sest ............................................................................ 70
Tabel 4.28 Perhitungan Error .......................................................................................... 73
Tabel 4.29 Perhitungan Error Sest .................................................................................. 74
v
Tabel 4.30 Perhitungan Manual Regresi ......................................................................... 74
Tabel 4.31 Peramalan Metode Regresi Software ............................................................ 77
Tabel 4.32 Error Metode Regresi .................................................................................... 80
Tabel 4.33 Error Metode Regresi Software .................................................................... 80
Tabel 4.34 Hasil Forecast Arima .................................................................................... 87
Tabel 4.35 Perhitungan Error Arima .............................................................................. 90
Tabel 4.36 Rekap Verifikasi Data Konstan..................................................................... 90
Tabel 4.37 Rekap Verifikasi Data Linier ........................................................................ 90
Tabel 4.38 Uji T Data Pola Konstan ............................................................................... 91
Tabel 4.39 Perhitungan Tracking Signal ......................................................................... 92
Tabel 4.40 Uji T Data Pola Linier ................................................................................... 94
Tabel 4.41 Perhitungan Moving Range .......................................................................... 95
Tabel 4.42 Hasil Peramalan Keseluruhan ....................................................................... 98
Tabel 4.43 Persentase Data Konstan ............................................................................... 98
Tabel 4.44 Hasil Peramalan Per-Unit Produk ................................................................. 99
Tabel 5.1 Perbandingan Error Manual dan Sofware Metode Sma................................ 100
Tabel 5.2 Perbandingan Error Manual dan Sofware Metode Wma .............................. 101
Tabel 5.3 Perbandingan Error Manual dan Sofware Metode Cma ............................... 102
Tabel 5.4 Perbandingan Error Manual dan Sofware Metode Des ................................ 104
Tabel 5.5 Perbandingan Error Manual dan Sofware Metode Sest ................................ 104
Tabel 5.6 Perbandingan Error Manual dan Sofware Metode Dest ............................... 105
Tabel 5.7 Perbandingan Error Manual dan Sofware Metode Regresi ......................... 106
vi
DAFTAR GAMBAR
Gambar 3.1 Metodologi Penelitian ................................................................................. 16
Gambar 4.1 Plot Data Segmen Koleksi........................................................................... 22
Gambar 4.2 Plot Data Segmen Style ............................................................................... 22
Gambar 4.3 Plot Data Segmen Lomba ............................................................................ 23
Gambar 4.4 Plot Data Segmen Remaja ........................................................................... 23
Gambar 4.5 Plot Data Segmen Anak-Anak .................................................................... 24
Gambar 4.6 Grafik Peramalan 3 SMA Manual ............................................................... 30
Gambar 4.7 Grafik Peramalan 3 SMA Minitab .............................................................. 30
Gambar 4.8 Grafik Manual 5 SMA................................................................................. 34
Gambar 4.9 Grafik Peramalan 5 SMA Minitab .............................................................. 35
Gambar 4.10 Grafik Demand dan Peramalan 3WMA Excel .......................................... 41
Gambar 4.11 Grafik Demand dan Peramalan 3WMA Winqsb....................................... 41
Gambar 4.12 Grafik Peramalan 5 WMA Manual ........................................................... 47
Gambar 4.13 Grafik Peramalan 5 WMA Winqsb ........................................................... 47
Gambar 4.14 Grafik 3 CMA ........................................................................................... 52
Gambar 4.15 Grafik Output Software Minitab ............................................................... 53
Gambar 4.16 Grafik Manual Metode DEST .................................................................. 59
Gambar 4.17 Grafik Software DEST .............................................................................. 59
Gambar 4.18 Grafik Perhitungan Manual DES .............................................................. 66
Gambar 4.19 Grafik Perhitungan Software DES ............................................................ 66
Gambar 4.20 Grafik Peramalan Metode SEST ............................................................... 72
Gambar 4.21 Grafik Winqsb SEST................................................................................. 73
Gambar 4.22 Grafik Peramalan Regresi Manual ............................................................ 79
Gambar 4.23 Grafik Peramalan Regresi Software .......................................................... 79
Gambar 4.24 Uji Stasioner Level 0 ................................................................................ 81
Gambar 4.25 Uji Stasioner Level 1 ................................................................................ 82
Gambar 4.26 Correlogram Level 1 ................................................................................. 82
Gambar 4.27 Uji Hipotesis untuk parameter C (1,0,1) ................................................... 83
Gambar 4.29 Uji Hipotesis untuk parameter MA(1) ..................................................... 85
Gambar 4.30 Grafik Normal Output EViews ................................................................ 86
vii
Gambar 4.31 Uji Correlogram ........................................................................................ 86
Gambar 4.32 Grafik Forecast ARIMA Output EViews .................................................. 89
Gambar 4.33 Grafik Tracking Signal .............................................................................. 94
Gambar 4.34 Grafik Moving Range DEST..................................................................... 97
viii
Laporan Praktikum Perancangan Teknik Industri
Modul 1 - Forecasting
Kelompok 8
BAB I
PENDAHULUAN
1.1 Latar Belakang
Perusahaan yang baru terbentuk akan selalu menentukan jumlah produksi produk
yang akan dibuat selama perusahaan tersebut berdiri, jika terjadi kesalahan dalam
menentukan jumlah produksi, maka perusahaan bisa rugi dan bahkan bangkrut. Saat
perusahaan memproduksi terlalu banyak dibandingkan dengan permintaan, perusahaan
akan rugi karena timbulnya biaya inventory yang berlebih. Jika perusahaan memproduksi
lebih sedikit dari permintaan, kerugian juga sudah pasti akan melanda perusahaan
dikarenakan hilangnya kepercayaan pelanggan. Kerugian-kerugian tersebut bisa
diminimalisasi dengan menggunakan metode forecasting.
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.
Pada praktikum modul 1 ini akan dilakukan proses peramalan untuk membantu PT
Golets menentukan jumlah produksi berdasarkan data permintaan yang sudah didapat.
Tahapan peramalan yang dilakukan adalah membuat plot data, memilih demand,
kemudian memilih metode peramalan, mengaplikasikannya dan menghitung error
sebelum memilih metode peramalan yang sesuai, hingga melakukan validasi hasil
peramalan.
1.2 Perumusan Masalah
Manajemen PT Golets membahas jumlah produksi produk Tamiya 4WD yang akan
dipasarkan pada periode selanjutnya. Perusahaan akan meramalkan jumlah produksi
yang harus dilakukan berdasarkan data penjualan pada periode-periode sebelumnya yang
akan digunakan sebagai dasar pengambilan keputusan. Peramalan dilakukan untuk
menentukan jumlah produksi yang optimum agar tidak terjadi overstock maupun
kekurangan stok.
1.3 Tujuan Penulisan
Dari praktikum Forcasting praktikan diharapkan :
1. Mampu mengetahui manfaat forecasting dalam bidang industri.
2. Mampu memahami berbagai macam metode dan perhitungan error dalam
forecasting.
3. Mampu memahami kelebihan dan kekurangan masing-masing metode dan error
dalam forecasting.
4. Mampu mengimplementasikan metode forecasting dalam bidang industri.
1.4 Pembatasan Masalah
Pada praktikum modul pertama ini yaitu forecasting, pembatasan masalahnya salah
satunya adalah data demand yang sudah didapat dari awal dijadikan input untuk
peramalan permintaan produk Tamiya 4WD untuk 5 segmentasi pasar yaitu Koleksi,
Style, Lomba, Remaja dan Anak-anak di masa mendatang. Permintaan yang didapat
terdiri dari 48 periode.
Peramalan dapat dilakukan dengan menggunakan metode peramalan Single Moving
Average (SMA), Centered Moving Average (CMA), Weighted Moving Average (WMA),
Double Exponential Smoothing (DES), Single Exponential Smoothing with Trend
(SEST), Double Exponential Smoothing with Trend (DEST), Box-Jenkins (ARIMA) dan
Linear Regression.
BAB II
TINJAUAN PUSTAKA
2.1 Peramalan
2.1.1 Definisi Peramalan
Peramalan adalah suatu perkiraan tingkat permintaan yang diharapkan untuk suatu
produk atau beberapa produk dalam periode waktu tertentu di masa yang akan datang.
Oleh karena itu, peramalan pada dasarnya merupakan suatu taksiran, tetapi dengan
menggunakan cara cara tertentu peramalan dapat lebih daripada hanya satu taksiran.
Dapat dikatakan bahwa peramalan adalah suatu taksiran yang ilmiah meskipun akan
terdapat sedikit kesalahan yang disebabkan oleh adanya keterbatasan kemampuan
manusia. Peramalan adalah kegiatan memperkirakan tingkat permintaan produk yang
diharapkan untuk suatu produk atau beberapa produk dalam periode waktu tertentu di
masa yang akan dating.
Dalam peramalan (forecasting) tidak jarang terjadi kesalahan misalnya saja
penjualan sering tidak sama dengan nilai eksak yang diperkirakan. Sedikit variasi dari
perkiraan sering dapat diserap oleh kapasitas tambahan, sediaan penjadwalan permintaan.
Tetapi, variasi perkiraan yang besar dapat merusak operasi. Ada tiga cara untuk
mengakomodasi perkiraan, yaitu: yang pertama adalah mencoba mengurangi kesalahan
melakukan pemerakiraan yang lebih baik. Yang kedua adalah, membuat fleksibilitas pada
operasi dan yang terakhir adalah mengurangi waktu tunggu yang dibutuhkan dalam
prakiraan. Tetapi kemungkinan kesalahan terkecil adalah tujuan yang konsisten dengan
biaya prakiraan yang masuk akal (John E. Biegel, 1999).
Menurut Arman Hakim Nasution (2006), peramalan adalah proses untuk
memperkirakan beberapa kebutuhan di masa datang yang meliputi kebutuhan dalam
ukuran kuantitas, kualitas, waktu, dan lokasi yang dibutuhkan dalam rangka memenuhi
permintaan barang dan jasa.
Peramalan jangka panjang, yaitu peramalan yang dilakukan untuk penyusunan hasil
ramalan yang jangka waktunya lebih dari satu setengah tahun atau tiga semester.
Lebih tegasnya peramalan jangka panjang ini berorientasi pada dasar atau
perencanaan.
Peramalan jangka pendek, yaitu peramalan yang dilakukan untuk penyusunan hasil
ramalan yang dilakukan kurang dari satu setengah tahun atau tiga semester.
Penetapan jadwal induk produksi untuk bulan yang akan datang atau periode kurang
dari satu tahun sangat tergantung pada peramalan jangka pendek.
Apabila dilihat dari sifat penyusunannya, maka peramalan dapat dibedakan menjadi dua,
yaitu:
Peramalan subjektif, yaitu peramalan yang didasarkan atas perasaan atau intuisi dari
orang yang menyusunnya. Dalam hal ini pandangan atau ketajaman pikiran orang
yang menyusunnya sangat menentukan baik tidaknya hasil peramalan.
Peramalan objektif, yaitu peramalan yang didasarkan atas data yang relevan pada
masa lalu dengan menggunakan teknik-teknik dan metode-metode dalam
penganalisaan data tersebut.
Dilihat dari sifat ramalan yang telah disusun, maka peramalan dapat dibedakan
atas dua macam, yaitu:
Peramalan kualitatif atau teknologis, yaitu peramalan yang didasarkan atas data
kualitatif masa lalu. Hasil peramalan yang ada tergantung pada orang yang
menyusunnya, karena peramalan tersebut sangat ditentukan oleh pemikiran yang
bersifat intuisi, judgement (pendapat) dan pengetahuan serta pengalaman dari
penyusunnya.
Peramalan kuantitatif, yaitu peramalan yang didasarkan atas data kuantitatif pada
masa lalu. Hasil peramalan yang dibuat tergantung pada metode yang digunakan
dalam peramalan tersebut. Metode yang baik adalah metode yang memberikan nilai-
nilai perbedaan atau penyimpangan yang mungkin. Metode peramalan kuantitatif
terbagi atas dua jenis model peramalan yang utama,yaitu (Makridakis, 1988):
Model deret berkala (time series), yaitu metode peramalan yang didasarkan atas
penggunaan analisa pola hubungan antara variabel yang akan diperkirakan
dengan variabel waktu, yangmerupakan deret waktu.
Model kausal yaitu metode peramalan yang didasarkan atas penggunaan analisa
pola hubungan antara variabel lain yang mempengaruhinya, yang bukan waktu
yang disebut metode korelasi atau sebab akibat. Model kausal terdiri dari metode
regresi dan korelasi, metode ekonometri, metode input dan output.
2.1.3 Tahapan dalam Peramalan
Secara umum untuk memastikan bahwa peramalan yang dilakukan dapat tepat guna
serta memenuhi taraf ketepatan yang optimal, maka terdapat beberapa langkah yang harus
dilakukan dalam melakukan peramalan. Adapun langkah-langkah tersebut antara
lain(Teguh Baroto, 2005):
1. Penentuan Tujuan
Tujuan peramalan bergantung pada kebutuhan informasi para manajer. Setelah
melakukan penentuan tujuan, maka dapat selanjutnya melakukan penentuan antara lain:
a. Variabel apa yang akan diramalkan.
b. Siapa yang akan menggunakan hasil peramalan.
c. Untuk tujuan apa hasil peramalan digunakan.
d. Peramalan jangka panjang atau jangka panjang yang diperlukan.
e. Derajat ketepatan peramalan yang diinginkan.
f. Kapan peramalan dilakukan.
g. Bagian-bagian peramalan yang diinginkan, seperti peramaln untuk kelompok pembeli,
kelompok produk, atau daerah geografis.
2. Pengembangan Model
Model dapat diibaratkan sebagai cara pengolahan dan penyajian data agar lebih
sederhana sehingga mudah untuk dianalisis.
3. Pengujian Model
Pengujian model dilakukan untuk menentukan tingkat akurasi, validitas, dan
reabilitas yang diharapkan. Nilai suatu model ditentukan dengan derajat ketepatan hasil
peramalan dengan permintaan aktualnya.
N t
( xt xt 1 ...... xt N 1 ) 1 t
Ft 1 xt
N t N 1 ....................(2.1)
Keterangan :
xt = Data pengamatan pada waktu ke-t
Ft+1 = Nilai ramalan pada waktu ke-t+1
Double Moving Average
Model double moving average dihitung dengan menggunakan persamaan-
persamaan berikut:
X
t N 1
S't i 1
i
N
........................................(2.2)
S'
t N 1
S"t i 1
i
N
...........................................(2.3)
at S't ( S't S"t ) 2S't S"t
...........................................(2.4)
bt ( S't S"t )
2
N 1
...........................................(2.5)
Ft m at bt .m
...........................................(2.6)
Keterangan :
S’ : Pergerakan pertama
S” : Pergerakan kedua
Ft+m : Hasil ramalan dengan m adalah selisih periode antara t dengan periode
ramalan yang akan dicari
Weighted Moving Average
Model ini diselesaikan dengan mengalikan data historis dengan bobot tiap
periodenya. Biasanya periode terbaru memiliki bobot terbesar.
b. Exponential Smoothing
Metode ini dapat digunakan untuk pola data yang bergejolak atau tidak stabil dari
waktu ke waktu. Terdapat peran konstanta smoothing yang disebut α. Besarnya α
berkisar antara 0 sampai 1. Pemilihan α ini bergantung pada seberapa bergejolak data
historis tersebut. semakin besar α akan memberikan efek smoothing yang semakin
kecil, begitupun sebaliknya. Terdapat beberapa jenis metode dalam exponential
smoothing, yaitu:
Single Exponential Smoothing
Ft+1 = αXi + (1 - α)Ft-1………………………..(2.9)
Keterangan :
α = konstanta smoothing
Xi = data demand saat ini ke-i
Double Exponential Smoothing
……………………………(2.10)
………………………….(2.11)
………………………………….(2.12)
……………………………….(2.13)
Ft m at bt .m
………………..………………..(2.14)
Keterangan :
S’ : Pergerakan pertama
S” : Pergerakan kedua
Ft+m : Hasil ramalan dengan m adalah selisih periode antara t dengan periode
SEST (Single Exponential Smoothing with Trend) :
Merupakan salah satu metode dalam Exponential Smoothing dengan trend yang
merupakan estimasi yang dihaluskan dari pertumbuhan rata-rata pada akhir
masing-masing periode.
(2.15)
(2.16)
3. Nilai Tengah Galat Absolut ( Mean Absolute Error )
(2.17)
4. Nilai Tengah Galat Persentase Absolut ( Mean Absolute Percentage Error )
(2.18)
5. Nilai Tengah Galat Persentase ( Mean Percentage Error )
(2.19)
6. Jumlah Kuadrat Galat ( Sum Square Error )
(2.20)
Validasi dibutuhkan untuk mengetahui apakah terdapat perbedaan yang signifikan
antara hasil peramalan dengan permintaan masa lalu. Terdapat beberapa metode yang
dapat digunakan untuk validasi, yaitu:
1. Tracking Signal
Menurut Gaspersz (2004), suatu ukuran bagaimana baiknya suatu ramalan
memperkirakan nilai-nilai aktual suatu ramalan diperbaharui setiap minggu , bulan atau
triwulan, sehingga data permintaan yang baru dibandingkan terhadap nilai-nilai ramalan.
Tracking Signal dihitung sebagai running sum of the forecast errors dibagi dengan mean
absolute deviation. Tracking signal yang positif menunjukan bahwa nilai aktual
permintaan lebih besar daripada ramalan, sedangkan apabila negatif berarti nilai aktual
permintaan lebih kecil daripada ramalan. Tracking signal terkadang digunakan untuk
melihat apakah nilai-nilai yang dihasilkan berada di dalam atau di luar batas-batas
pengendalian. Rumus dari Tracking Signal adalah :
...................................(2.21)
2. Moving Range
Moving range dibuat untuk membandingkan nilai-nilai observasi atau data aktual
dengan nilai peramalan dari kebutuhan yang sama. Moving range dapat dikatakan sebagai
peta kontrol statistik yang digunakan pada pengendalian kualitas. Peta moving range
memiliki batasan-batasan yang terdiri dari batas kontrol atas dan batas kontrol bawah.
Jika ada sebuah titik atau data yang berada di luar batas tersebut maka ada beberapa data
yang harus dihilangkan atau mencari metode peramalan yang lain. Moving Range
digunakan untuk mengetahui sejauh mana arah pergerakan bergerak. Rumus Moving
Range adalah :
.............................(2.22)
2.6 Ekonometrika
Istilah ekonometrika pertama kali diperkenalkan seorang pakar ekonomi dan
statistika berkebangsaan Norwegia. Ia menjelaskan definisi ekonometrika sebagai
berikut: “Terdapat banyak metode kuantitatif sewaktu menganalisis ilmu ekonomi, tetapi
tiada satu pun di antara metode kuantitatif tersebut dapat berdiri sendiri tanpa bantuan
dari yang lain untuk menerangkan ekonometrika. Oleh karena itu, ketiga faktor yaitu teori
ekonomi, matematika dan statistika sama-sama penting untuk menerangkan hubungan
kuantitatif dalam mempelajari ilmu ekonomi (Ragnar,1993).
Secara definitif, ekonometrika diartikan sebagai suatu ilmu yang mempelajari
analisis kuantitatif dari fenomena ekonomi. Pada prinsipnya, ekonometrika bersifat
multidisiplin karena menggabungkan bebarapa disiplin ilmu baik teori ekonomi,
matematika dan statistika. Oleh karena itu, ekonometrika dapat dijadikan suatu
pendekatan atau tools dalam melakukan identifikasi dan mengkuantitatifkan hubungan
yang terdapat dalam suatu fenomena ekonomi khususnya sehingga menjadi bagian dari
analisa empiris (Arif, 2013).
2.7 EViews
EViews adalah suatu software yang berfungsi untuk menganalisis data, melakukan
analisis regresi, dan melakukan peramalan dengan basis windows. Program olah data ini
merupakan program olah data yang menyediakan atau memberikan alat untuk melakukan
regresi dan juga peramalan. Dengan program olah data E-Views dapat dikembangkan
suatu hubungan statistic dari suatu data yang dimiliki dan menggunakan hubungan dari
data yang sedang diamati tersebut untuk melakukan peramalan terhadap nilai data yang
dimaksudkan, terutama dalam konteks data runtun waktu (time series).
Secara umum, ada beberapa kegunaan dari E-Views diantaranya:
a. Untuk melakukan peramalan
b. Untuk melakukan analisis biaya dan selanjutnya ke peramalan
c. Untuk melakuakann simulasi
d. Untuk melakukan analisis data ilmu pengetahuan dan melakukan evaluasi
e. Untuk melakukan analisis keuangan
Dalam melakukan peramalan dengan menggunakan E-Views, dikenal adannya
halaman awal dari Eviews. Menu utama dari E-Views adalah file, edit, window, dan help
mengikuti standar windows convention. Object, view, procs, Quicks and Options
tergabung pada special Eview – features ( Rezzy,2010).
2.8 SPSS
Winqsb merupakan sebuah alat untuk meyelesaikan permasalahan yang berkaitan
dengan optimasi maupun system produksi.Winqsb menggunakan mekanisme candela
jendela seperti windows, yaitu jendela, menu, toolbar, dan lain sebagainya. Dalam winqsb
terdapat beberapa menu- menu diantaranya adalah (Sugiarta,2013):
1. File, untuk menyimpan dan membuat file dengan masalah baru
2. Edit, masalah utilitas khas untuk mengedit, menyalin, menempel, memotong dan
membatalkan perubahan.
3. Format, termasuk pilihan untuk mengubah tampilan jendela, warna font, alignment,
sel lebar dan lain sebagainya
2.9 Minitab
Pada awalnya, minitab dirancang khusus dan diciptakan sebagai alat pembelajaran
oleh tiga instruktur Universitas Statistik. Minitab dapat menangani berbagai analisis
statistic, termasuk statistic deskriptif maupun nonparametric, analisis multivariate, dan
lain sebagainya. Ada beberapa yang menjadi keunggulan dari minitab diantaranya
(bukukerja.com):
Minitab menyediakan StatGuide yang menjelaskan cara melakukan interpretasi table
dan grafik statistika yang dihasilkan oleh Minitab dengan cara yang mudah dipahami.
Minitab memiliki ukuran worksheet dinamis dan memuat kolom sampai 4.000.
Minitab memiliki dua layar primer yaitu Worksheet (lembar kerja) dan sesi command
(layar untuk menmpilkan hasil.
Tampilan menu di Minitab, lebih lengkap dan disertai toolbar-toolbar sehingga akan
memudahkan anda dalam menjalankan perintah.
Mempunyai file Minitab Worksheet (MTW) dan Minitab Project (MPJ) yang
digunakan untuk membedakan file worksheet dan file project.
Minitab menyediakan ReportPad agar mudah membuat laporan project yang telah
dibuat.
Minitab memberikan kebebasan pada anda dalam membuat nama yang panjang pada
file tanpa harus menyingkat nama file.
Minitab menyediakan fasilitas makro untuk membuat program yang berulangkali
dipakai, memperluas fungsi Minitab, atau mendesain perintah sendiri. Selain itu
Minitab memiliki Bahasa pemrograman makro lebih mudah.
BAB III
METODOLOGI PRAKTIKUM
Mulai
Data
Market
Demand
Memilih Demand
Memilih Metode
Peramalan
Melakukan
peramalan
Memilih metode
peramalan dengan
error terkecil
Melakukan validasi
hasil peramalan
Valid ?
Selesai
Berdasarkan flowchart dari metodologi diatas dapat dilihat langkah langkah yang
akan dilakukan untuk meramalkan permintaan konsumen. Langkah pertama yaitu
membuat plot data berdasarkan data permintaan pelanggan dari masa lalu. Langkah
selanjutnya adalah memilih data permintaan yang akan menjadi acuan kita untuk
meramalkan permintaan di masa yang akan datang. Setelah itu, kita memilih metode
peramalan seperti SMA, CMA, DMA, WMA, SES, DES, SEST, DEST, ARIMA, dan
Linier regression yang sesuai dengan data yang kita miliki. Peramalan akan dilakukan
berdasarkan metode yang telah dipilih. Langkah selanjutnya, kita melakukan perhitungan
error dari hasil peramalan, yaitu dapat menggunakan metode ME, MAE, MAD, SSE,
SDE, MPE, MAPE, MSE, U-Theil, atau NFI. Dari hasil perhiungan, akan diplih metode
terbaik yaitu yang memiliki error atau kesalahan paling kecil. Metode yang dianggap
terbaik akan divalidasi dan jika metode terbukti valid, maka hasil dari peramalan dapat
menajadi acuan dalam pengambilan kebijakan dan kegiatan produksi perusahaan, namun
jika hasil peramakan dianggap tidak valid maka dilakukan pemilihan metode peramalan
dan perhitungan kembali.
BAB IV
PENGUMPULAN DAN PENGOLAHAN DATA
4.1 Pengumpulan Data
Berikut ini merupakan kumpulan data historis permintaan pada 5 segmentasi pasar
dari periode Oktober 2012 hingga September 2016. Segmentasi pasar tersebut dapat
menjadi pilihan untuk pemasaran produk Tamiya 4WD. Segmen tersebut terdiri dari
perlombaan, koleksi, style, remaja dan anak-anak.
Tabel 4.1 Data Historis Permintaan
Anak-
Periode Koleksi Jumlah
anak
1 3931 4827 8758
2 5605 3967 9572
3 3683 5201 8884
4 4387 4010 8397
5 4584 4284 8868
6 5499 4759 10258
7 5464 4084 9548
8 5309 3913 9222
9 3916 5020 8936
10 5560 5437 10997
11 5974 5858 11832
12 4918 5524 10442
13 4984 5713 10697
14 5237 5212 10449
15 3716 5231 8947
16 5852 4421 10273
17 4442 4610 9052
18 4533 4028 8561
19 6132 4648 10780
20 5550 4549 10099
21 6320 4165 10485
22 4387 3843 8230
23 4588 3835 8423
24 3478 3891 7369
25 4245 5039 9284
26 5335 4876 10211
27 4480 4237 8717
28 4696 4355 9051
29 5994 5605 11599
Anak-
Periode Koleksi Jumlah
anak
30 3878 5963 9841
31 6017 5260 11277
32 5504 4083 9587
33 6008 4520 10528
34 4916 5248 10164
35 5578 4106 9684
36 4077 4495 8572
37 4693 4395 9088
38 3506 5397 8903
39 4428 4363 8791
40 3294 3985 7279
41 5772 5159 10931
42 4908 4289 9197
43 6105 5364 11469
44 4291 5049 9340
45 3357 3903 7260
46 5093 5053 10146
47 5351 5752 11103
48 3661 4045 7706
KOLEKSI
7000
6000
5000
4000
3000
2000
1000
0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49
Koleksi
2. Style
STYLE
7000
6000
5000
4000
3000
2000
1000
0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49
Style
3. Lomba
LOMBA
7000
6000
5000
4000
3000
2000
1000
0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49
Lomba
4. Remaja
REMAJA
6000
5000
4000
3000
2000
1000
0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49
Remaja
5. Anak-anak
ANAK-ANAK
7000
6000
5000
4000
3000
2000
1000
0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47
Anak- anak
Anak-
Tahun Bulan Periode Koleksi Style
anak
OCT 1 3931 2609 4827
2012 NOV 2 5605 2628 3967
DEC 3 3683 2716 5201
JAN 4 4387 2756 4010
FEB 5 4584 2897 4284
MAR 6 5499 3382 4759
APR 7 5464 3429 4084
MAY 8 5309 3453 3913
2013 JUN 9 3916 3502 5020
JUL 10 5560 3535 5437
AUG 11 5974 3606 5858
SEP 12 4918 3727 5524
OCT 13 4984 3823 5713
NOV 14 5237 3849 5212
Berikut merupakan alasan perusahaan GoLets memilih segmen koleksi, style dan
anak-anak:
Segmen Koleksi dipilih karena jika dilihat dari plot data diatas, jumlah permintaan
produk untuk tiap periode cenderung konstan sehingga perusahaan akan mendapatkan
omset yang stabil dan rendah resiko.
Segmen Style dipilih karena jika dilihat dari data yang sudah diplotkan kedalam
grafik, permintaan cenderung naik. Hal ini menyebabkan perusahaan optimis bahwa
kedepannya permintaan juga akan terus meningkat.
Segmen Anak-anak dipilih karena memiliki demand yang stabil ditiap periode.
Sehingga perusahaan tidak khawatir dengan resiko kerugian dan omset yang
didapatkan tiap periode juga akan stabil.
4.2.3 Peramalan
4.2.3.1 Pemilihan Metode Peramalan dan Error
Segmen koleksi dan anak-anak memiliki pola data yang konstan. Sehingga metode
yang cocok digunakan untuk peramalan pola data jenis ini ialah 3SMA (Single Moving
Average), 5 SMA (Single Moving Average), 3WMA (Weighted Moving Average), 5WMA
(Weighted Moving Average) dan 3 CMA (Centered Moving Average). Sedangkan segmen
style memiliki pola data yang linier, sehingga metode peramalan yang digunakan ialah
DES, DEST, SEST, Regresi Linier dan ARIMA.
Perhitungan error yang digunakan untuk mengukur keakuratan peramalan ialah
Mean Error (ME), Mean Square Error (MSE), Sum of Square Error (SSE), Mean
Precentage Error (MPE), Mean Absolute Percentage Error(MAPE).
Peramalan : F(4) =
+ +
= .
PE
− .
: = -0,08
⃒ PE ⃒ : 0,08
b. Software
Forecasts
c. Grafik
12000
10000
8000
6000
4000
2000
0
1 4 7 1013161922252831343740434649525558616467707376798285889194
Demand Peramalan
Manual
d. Error
Metode Error
MSE 1707082.035
MAPE 11.1474
ME 6.79
MPE -1.3638
SSE 76818691.56
MSE =
∑ ��� �
= 1707082.035
MAPE =
∑ |� |
= 11.1474
ME =
∑ ��� �
= 6.79
MPE =
∑�
= − .
Software
Accuracy Measures
MAPE 11
MAD 1051
MSD 1707082
Metode 5 SMA
a. Manual
Error : − , = .
Sqr error : 1362.20 x 1326.20 = 1855588.84
|error| : 1362.20
�
,
: =13.278
|PE| : 13.278
b. Software
Forecasts
c. Grafik
5 SMA
14000
12000
10000
8000
6000
4000
2000
0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47
Demand Peramalan
d. Error
Manual
Tabel 4.7 Perhitungan Error Manual Metode Single Moving Average 5 Periode
Metode Error
MSE 1625526.94
MAPE 10.598
MPE -0.276
ME 114.35
SSE 69450224.72
MSE =
∑�
�= �� .
= = 1625526.94
MAPE =
∑ │� │ .
= = 10.5978
MPE =
∑� − .
= = -0.276
ME =
∑�
�= �� .
= = 114.3534884
SSE = ∑ �� = .
Software
Accuracy Measures
MAPE 11
MAD 1014
MSD 1667942
Metode 3 WMA
a. Manual
PE
− .
: = -8.248
⃒ PE ⃒ : 8.248
b. Software
MAPE
Month Actual Forecast Error CFE MAD MSE (%)
11 11832 10015.12 1816.88 3690.76 888.1001 1271088 8.58823
12 10442 11064.13 -622.13 3068.63 858.5479 1172861 8.295978
13 10697 10995.05 -298.05 2770.58 802.498 1064458 7.745009
14 10449 10805.8 -356.8 2413.78 761.98 979262.6 7.351343
15 8947 10529.65 -1582.65 831.1299 830.3692 1106389 8.212829
16 10273 9740.16 532.8398 1363.97 807.4824 1043122 7.980057
17 9052 9865.34 -813.34 550.6299 807.9008 1015865 8.051852
18 8561 9437.08 -876.08 -325.4502 812.446 999308.5 8.197288
19 10780 9014.07 1765.93 1440.479 872.0388 1131759 8.708803
20 10099 9753.97 345.0303 1785.51 841.0383 1072187 8.39749
21 10485 10062.27 422.7305 2208.24 817.799 1022549 8.154949
22 8230 10407.77 -2177.77 30.4707 889.3763 1218345 9.118444
23 8423 9291.88 -868.88 -838.4092 888.3516 1195176 9.178301
24 7369 8709.85 -1340.85 -2179.259 909.8991 1223876 9.607706
25 9284 7863.19 1420.81 -758.4487 933.1223 1260004 9.866622
26 10211 8505.68 1705.32 946.8716 966.6962 1331661 10.16376
27 8717 9421.95 -704.95 241.9214 955.79 1296882 10.07723
28 9051 9306.41 -255.41 -13.48877 927.7748 1247616 9.787019
29 11599 9137.98 2461.02 2447.531 986.7458 1432578 10.22665
30 9841 10268.22 -427.22 2020.311 966.0226 1386279 10.00867
31 11277 10286.84 990.1602 3010.471 966.8846 1371784 9.964807
32 9587 10857.86 -1270.86 1739.611 977.3665 1380174 10.0783
33 10528 10187.88 340.1201 2079.731 956.125 1338024 9.850042
34 10164 10344.8 -180.8 1898.931 931.1146 1295916 9.589682
35 9684 10186.03 -502.03 1396.901 917.7057 1263295 9.452007
36 8572 9985.88 -1413.88 -16.979 932.7412 1285591 9.665406
37 9088 9209.6 -121.6 -138.5786 908.8842 1248214 9.420483
38 8903 9019.04 -116.04 -254.6187 886.2314 1212936 9.188565
39 8791 8907.78 -116.78 -371.3989 864.8578 1179622 8.970227
40 7279 8878.45 -1599.45 -1970.849 884.7117 1216882 9.321667
41 10931 8054.04 2876.96 906.1108 937.1393 1402672 9.768972
42 9197 9362.04 -165.04 741.0708 917.3419 1367404 9.564499
43 11469 9443.16 2025.84 2766.911 945.0543 1435820 9.766976
44 9340 10627.78 -1287.78 1479.13 953.4135 1441248 9.865046
45 7260 10018.26 -2758.26 -1279.129 996.386 1588075 10.53475
46 10146 8661.93 1484.07 204.9409 1007.727 1602364 10.62992
MAPE
Month Actual Forecast Error CFE MAD MSE (%)
47 11103 9056.6 2046.4 2251.341 1031.334 1661122 10.80722
48 7706 10133.88 -2427.88 -176.5386 1062.368 1755200 11.2672
49 9241.81
50 9241.81
51 9241.81
52 9241.81
53 9241.81
54 9241.81
55 9241.81
56 9241.81
57 9241.81
58 9241.81
59 9241.81
60 9241.81
61 9241.81
62 9241.81
63 9241.81
64 9241.81
65 9241.81
66 9241.81
67 9241.81
68 9241.81
69 9241.81
70 9241.81
71 9241.81
72 9241.81
a. Grafik
X(t) F(t)
b. Error
Manual
Tabel 4.10 Perhitungan Error Manual 3 WMA
Metode Error
MSE 1755200
ME -3.92311
SSE 78983989
MPE -1.46494
MAPE 11.2672
Perhitungan Error
MSE =
∑ ��� �
= 1755200
MAPE =
∑ |� |
= 11.2672
ME =
∑ ��� �
= -3.92311
MPE =
∑�
= − .
Software
Metode Error
CFE -176.5386
MAD 1062.368
MSE 1755200
MAPE 11.2672
Metode 5 WMA
a. Manual
PE
.
: = 13.942%
⃒ PE ⃒ : 13.942%
b. Software
Forecast
3/9/2016 Actual Forecast MAPE Tracking
by CFE MAD MSE
Month Data Error (%) Signal
5-WMA
35 9684 10268.96 -584.961 2836.814 888.0932 1278665 9.149848 3.194276
36 8572 10081.3 -1509.3 1327.515 908.1322 1310902 9.42267 1.461808
37 9088 9515.97 -427.97 899.5449 893.1271 1275660 9.275373 1.007186
38 8903 9308.561 -405.561 493.9844 878.3524 1241988 9.132341 0.562399
39 8791 9076.55 -285.55 208.4346 860.9169 1207857 8.959279 0.242108
40 7279 8914.681 -1635.68 -1427.25 883.053 1249788 9.345334 -1.61626
41 10931 8337.721 2593.279 1166.033 930.5593 1401880 9.744744 1.253046
42 9197 9124.311 72.68945 1238.723 907.3735 1364134 9.502734 1.365174
43 11469 9208.221 2260.779 3499.502 942.9895 1462739 9.771401 3.711072
44 9340 10015.8 -675.801 2823.701 936.1385 1436943 9.70638 3.016328
45 7260 9948.79 -2688.79 134.9111 979.9548 1581760 10.38961 0.137671
46 10146 9172.181 973.8193 1108.73 979.8052 1566310 10.37031 1.131583
47 11103 9311.14 1791.86 2900.591 999.1398 1605464 10.50764 2.903088
48 7706 9872.44 -2166.44 734.1504 1026.286 1677278 10.91709 0.715347
49 9167.591
50 9167.591
51 9167.591
52 9167.591
53 9167.591
54 9167.591
55 9167.591
56 9167.591
57 9167.591
58 9167.591
59 9167.591
60 9167.591
61 9167.591
62 9167.591
63 9167.591
64 9167.591
65 9167.591
66 9167.591
67 9167.591
68 9167.591
69 9167.591
Forecast
3/9/2016 Actual Forecast MAPE Tracking
by CFE MAD MSE
Month Data Error (%) Signal
5-WMA
70 9167.591
71 9167.591
72 9167.591
c. Grafik
12000
10000
8000
6000
4000
2000
0
1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58 61 64 67 70
Demand Forecast
d. Error
Manual
Metode Error
MSE 1677277.46
MAPE 10.917%
MPE -1.319%
SSE 72122930.9
ME 17.073
MSE =
∑ ��� � .
= = 1677277.46
MAPE =
∑ |� | . %
= = 10.917%
ME =
∑ ��� � .
= = 17.073
MPE =
∑� − . %
= = -1.319%
Software
Metode Error
CFE 734.1504
MAD 1026.286
MSE 1677278
MAPE 10.91709
Metode 3 CMA
a. Manual
PE4 = = 5.230
|PE4| = |-3,8029| = 5.230
b. Software
Forecasts
c. Grafik
8000
6000
4000
2000
0
1 4 7 1013161922252831343740434649525558616467707376798285889194
Periode
d. Error
Manual
Perhitungan Error:
� =
∑ ��� �
=− ,
�� =
∑�
�= ��
= .
�� =
∑�
=− ,
��� =
∑|� � |
= ,
�� = ∑ � =
Software
Accuracy Measures
MAPE 8
MAD 709
MSD 834421
4.2.3.3 Data Pola Linear
Metode DEST
a. Manual
Forecast
9/5/2016 Actual Forecast MAPE
by CFE MAD MSE
Month Data Error (%)
DEST
4 2756 2729.219 26.78076 132.1089 44.0363 2843.585 1.624404
5 2897 2789.527 107.4731 239.582 59.89551 5020.308 2.145755
6 3382 2945.553 436.447 676.0291 135.2058 42113.45 4.297603
7 3429 3491.308 -62.30811 613.7209 123.0562 35741.59 3.884185
8 3453 3623.578 -170.5784 443.1426 129.8451 34792.36 4.035016
9 3502 3619.611 -117.6108 325.5317 128.3158 32172.35 3.950438
10 3535 3622.792 -87.79175 237.74 123.8131 29454.02 3.787445
11 3606 3623.61 -17.61035 220.1296 113.1928 26539.63 3.457537
12 3727 3674.806 52.19409 272.3237 107.6475 24374.6 3.270527
13 3823 3796.737 26.26294 298.5867 100.8655 22400.86 3.055231
14 3849 3905.901 -56.90137 241.6853 97.4836 20926.78 2.933932
15 3892 3932.355 -40.35474 201.3306 93.40297 19548.33 2.798427
16 4017 3959.972 57.02808 258.3586 90.97798 18461.92 2.70651
17 4043 4081.6 -38.59961 219.759 87.70433 17401.17 2.597023
18 4047 4116.061 -69.06055 150.6985 86.60764 16658.12 2.544638
19 4124 4105.958 18.04248 168.741 82.79846 15750.75 2.427574
20 4142 4170.185 -28.18457 140.5564 79.92405 14963.58 2.335621
21 4213 4189.456 23.54395 164.1003 77.10504 14243.11 2.246782
22 4248 4256.667 -8.666992 155.4333 73.84608 13568.45 2.149508
23 4262 4295.8 -33.80029 121.6331 72.02583 13003.63 2.087851
24 4279 4305.023 -26.02344 95.60962 70.02572 12467.7 2.023517
25 4298 4312.705 -14.70508 80.90454 67.7207 11957.22 1.953459
26 4395 4325 69.99951 150.9041 67.81184 11674.93 1.939029
27 4406 4425.102 -19.10205 131.802 65.93839 11239.93 1.881126
28 4420 4448.976 -28.97607 102.8259 64.56942 10854.73 1.835735
29 4539 4456.454 82.5459 185.3718 65.21143 10710.41 1.835123
30 4565 4576.693 -11.69287 173.679 63.36597 10345.8 1.780675
31 4605 4618.829 -13.8291 159.8499 61.71474 10007.32 1.73133
32 4639 4655.181 -16.18115 143.6687 60.24591 9692.947 1.686732
33 4717 4684.88 32.11963 175.7883 59.36697 9422.282 1.655301
34 4844 4762.343 81.65674 257.4451 60.04242 9338.814 1.656223
35 4908 4903.208 4.791992 262.2371 58.4174 9064.818 1.610382
36 4961 4984.608 -23.6084 238.6287 57.42286 8821.748 1.577968
37 5010 5036.527 -26.52734 212.1013 56.56465 8596.247 1.548844
38 5074 5078.284 -4.28418 207.8171 55.15166 8364.412 1.509265
Forecast
9/5/2016 Actual Forecast MAPE
by CFE MAD MSE
Month Data Error (%)
DEST
39 5094 5136.392 -42.3916 165.4255 54.81587 8191.586 1.491447
40 5137 5151.771 -14.77051 150.655 53.78907 7987.14 1.460577
41 5188 5184.655 3.344727 153.9998 52.52796 7787.741 1.425675
42 5290 5232.878 57.12158 211.1213 52.64 7677.378 1.417239
43 5304 5340.601 -36.60107 174.5203 52.25812 7526.48 1.399925
44 5395 5363.257 31.74316 206.2634 51.78103 7374.879 1.381052
45 5434 5449.44 -15.44043 190.823 50.9551 7212.686 1.356122
46 5671 5493.683 177.3174 368.1404 53.76316 7751.104 1.39547
47 5766 5743.075 22.92529 391.0657 53.09277 7594.026 1.373777
48 5770 5876.963 -106.9634 284.1023 54.23895 7675.88 1.38399
49 5876.318
50 5960.394
51 6044.47
52 6128.546
53 6212.623
54 6296.699
55 6380.775
56 6464.851
57 6548.927
58 6633.003
59 6717.08
60 6801.156
61 6885.232
62 6969.308
63 7053.384
64 7137.46
65 7221.537
66 7305.613
67 7389.689
68 7473.765
69 7557.841
70 7641.917
71 7725.994
72 7810.07
c. Grafik
10000
8000
Demand
6000
4000
2000
0
1 4 7 1013161922252831343740434649525558616467707376798285889194
Periode
d. Error
Manual
� =
∑ ��� �
= ,
�� =
∑�
�= ��
= ,
�� =
∑�
= 0,1957
��� =
∑|� � |
= ,
�� = ∑ � = ,
Software
Metode Error
CFE 284.1023
MAD 54.23895
MSE 7675.88
MAPE 1.38399
Metode DES
a. Manual
|PE4| =3.73%
b. Software
Forecast MAPE
9/5/2016 Actual Forecast CFE MAD MSE
by (%)
Month Data Error
DES
13 3823 3581.04 241.96 2900.221 241.6851 83811.18 7.153702
14 3849 3669.402 179.5977 3079.819 236.9092 79845.34 6.962347
15 3892 3740.926 151.0745 3230.894 230.7781 75772.35 6.742299
16 4017 3800.506 216.4939 3447.387 229.8258 73845.51 6.652108
17 4043 3876.963 166.0366 3613.424 225.839 70953.17 6.493024
18 4047 3941.998 105.0022 3718.426 218.731 67428.01 6.263703
19 4124 3986.595 137.4053 3855.832 214.2129 64730.91 6.100822
20 4142 4036.531 105.4688 3961.3 208.4895 61909.48 5.913743
21 4213 4078.127 134.8733 4096.174 204.8087 59723.54 5.778125
22 4248 4126.69 121.3101 4217.484 200.8326 57580.33 5.638961
23 4262 4172.688 89.31201 4306.796 195.7634 55325.62 5.477897
24 4279 4208.684 70.31641 4377.112 190.3092 53135.13 5.311175
25 4298 4236.978 61.02246 4438.135 184.9223 51076.32 5.149034
26 4395 4260.919 134.0806 4572.215 182.8886 49752.38 5.065102
27 4406 4305.577 100.4229 4672.638 179.7169 48226.7 4.957953
28 4420 4344.582 75.41797 4748.056 175.8539 46651.18 4.837521
29 4539 4375.011 163.9888 4912.045 175.4302 45945.51 4.793784
30 4565 4429.869 135.1313 5047.176 174.0406 44990.86 4.730556
31 4605 4481.266 123.7344 5170.911 172.3637 44001.5 4.662436
32 4639 4528.57 110.4297 5281.34 170.3658 42975.47 4.588823
33 4717 4571.087 145.9131 5427.253 169.6017 42297.82 4.542089
34 4844 4623.108 220.8916 5648.145 171.1559 42494.65 4.542635
35 4908 4699.295 208.7046 5856.85 172.2603 42525.91 4.534097
36 4961 4776.901 184.0991 6040.949 172.5985 42279.24 4.510578
37 5010 4847.52 162.4805 6203.429 172.3175 41838.15 4.47537
38 5074 4910.288 163.7124 6367.142 172.0849 41431.76 4.441617
39 5094 4971.788 122.2124 6489.354 170.7725 40734.5 4.387868
40 5137 5020.743 116.2573 6605.611 169.3746 40036.59 4.333388
41 5188 5065.327 122.6729 6728.284 168.2071 39411.89 4.284167
42 5290 5110.901 179.0986 6907.383 168.4727 39232.97 4.26225
43 5304 5173.379 130.6206 7038.003 167.5715 38705.08 4.219404
44 5395 5225.026 169.9736 7207.977 167.6274 38476.85 4.194547
45 5434 5286.067 147.9331 7355.91 167.1798 38099.74 4.161088
46 5671 5342.538 328.4619 7684.372 170.7638 39650.58 4.19733
47 5766 5451.484 314.5156 7998.888 173.8889 40939.04 4.224663
Forecast MAPE
9/5/2016 Actual Forecast CFE MAD MSE
by (%)
Month Data Error
DES
48 5770 5567.214 202.7856 8201.674 174.5037 40942.94 4.209553
49 5651.291
50 5651.291
51 5651.291
52 5651.291
53 5651.291
54 5651.291
55 5651.291
56 5651.291
57 5651.291
58 5651.291
59 5651.291
60 5651.291
61 5651.291
62 5651.291
63 5651.291
64 5651.291
65 5651.291
66 5651.291
67 5651.291
68 5651.291
69 5651.291
70 5651.291
71 5651.291
72 5651.291
c. Grafik
DES
7000
6000
5000
4000
3000
2000
1000
0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47
X(t) F(t)
d. Error
Manual
MSE =
∑�
�= ��
= 40942.96
MAPE =
∑ │� │
= 4.21
MPE =
∑�
= 4.21
ME =
∑�
�= ��
= 174.5
SSE = ∑ �� = .
Software
Metode Error
CFE 8201.674
MAD 174.5037
MSE 40942.94
MAPE 4.209553
Metode SEST
a. Manual
Tabel 4.26 Perhitungan SEST Manual
Abs
t X(t) F(t) Error Error^2 PE
Error Abs PE
1 2609 2609 0
2 2628 2628 0 2609 19 19 361 7.23E-05 7.23E-05
PE : = .
⃒ PE ⃒ : |7.2E-05| = 0.7229
b. Software
a. Grafik
SEST
7000
6000
5000
4000
3000
2000
1000
0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47
Demand Forecast
b. Error
Manual
Metode Error
MSE 10331.64
MPE 1,65
MAPE 1,65
ME 67.25532
SSE 485587
MSE =
∑ ��� �
= 10331.64
MAPE =
∑ |� |
= 1.65
ME =
∑ ��� �
= 67.25532
MPE =
∑�
= .
Software
Metode Error
CFE 3161
MAD 67,25532
MSE 10331,64
MAPE 1,649334
Metode Regresi
a. Manual
∑ −�.∑ − .
a= = = .
y = a + bt
F(1) = y1 = 2853.758 + (59.208 x 1) = 2912.966
Error (1) : 2609-2912.966= -303.966
Sqr error : (-303.966)( -303.966) = 92395.33
| error⃒ : 303.966
PE
− .
: = -11.651%
⃒ PE ⃒ : 11.651%
b. Software
Tabel 4.31 Peramalan Metode Regresi Software
Forecast MAPE
9/5/2016 Actual Forecast CFE MAD MSE
by (%)
Month Data LR Error
1 2609 2912.964 -303.964 -303.964 303.9644 92394.33 11.65061
2 2628 2972.172 -344.172 -648.137 324.0684 105424.5 12.37348
3 2716 3031.381 -315.381 -963.517 321.1725 103438 12.11964
4 2756 3090.589 -334.589 -1298.11 324.5265 105565.9 12.12482
5 2897 3149.797 -252.797 -1550.9 310.1805 97233.91 11.44509
6 3382 3209.005 172.9954 -1377.91 287.3163 86016.16 10.3901
7 3429 3268.213 160.7871 -1217.12 269.2407 77421.35 9.575666
8 3453 3327.421 125.5791 -1091.54 251.283 69714.95 8.833309
9 3502 3386.629 115.3711 -976.17 236.1817 63447.79 8.217878
10 3535 3445.837 89.16309 -887.007 221.4798 57898.01 7.64832
11 3606 3505.045 100.9548 -786.052 210.523 53561.09 7.20753
12 3727 3564.253 162.7468 -623.305 206.5417 51304.88 6.970795
13 3823 3623.461 199.5388 -423.766 206.003 50421.1 6.836074
14 3849 3682.669 166.3308 -257.436 203.1693 48795.73 6.656455
15 3892 3741.877 150.1226 -107.313 199.6328 47045.13 6.469839
16 4017 3801.085 215.9146 108.6016 200.6504 47018.5 6.401412
17 4043 3860.293 182.7065 291.3081 199.5949 46216.34 6.290687
18 4047 3919.501 127.4985 418.8066 195.5895 44551.87 6.116229
19 4124 3978.709 145.2905 564.0972 192.9422 43318.05 5.979746
20 4142 4037.918 104.0823 668.1794 188.4992 41693.8 5.806401
21 4213 4097.125 115.8745 784.054 185.0409 40347.76 5.660877
22 4248 4156.334 91.66602 875.72 180.7966 38895.71 5.501649
23 4262 4215.542 46.45801 922.178 174.9558 37298.43 5.309841
24 4279 4274.75 4.25 926.428 167.843 35745.09 5.092736
25 4298 4333.958 -35.958 890.47 162.5676 34367 4.922491
26 4395 4393.166 1.833984 892.304 156.3856 33045.32 4.734769
27 4406 4452.374 -46.374 845.9299 152.3111 31901.07 4.59839
28 4420 4511.582 -91.582 754.3479 150.1422 31061.29 4.508161
29 4539 4570.79 -31.79 722.5579 146.0611 30025.06 4.376858
30 4565 4629.999 -64.9985 657.5593 143.359 29165.05 4.278425
31 4605 4689.207 -84.2065 573.3528 141.4509 28452.98 4.199398
32 4639 4748.415 -109.415 463.9382 140.4497 27937.94 4.141872
33 4717 4807.623 -90.6226 373.3157 138.9398 27340.19 4.074578
34 4844 4866.831 -22.8306 350.4851 135.5248 26551.4 3.9686
c. Grafik
Grafik regresi
8000
7000
6000
5000
4000
3000
2000
1000
0
1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58 61 64 67 70
Demand Forecast
d. Error
Manual
Error Jumlah
MSE 20423.57
MAPE 3.178%
MPE -0.252%
SSE 980331.3
ME 0.000167
MSE =
∑ ��� � .
= = 20423.57
MAPE =
∑ |� | . %
= = 3.178%
ME =
∑ ��� � .
= = 0.000167
MPE =
∑� − . %
= = -0.252%
Software
Metode Error
CFE 1.05E-02
MAD 115.6897
MSE 20423.57
MAPE 3.177977
Level 1
1. H0 = data tidak bersifat autokolerasi
2. H1 = data bersifat autokolerasi
3. α = 0,05
4. Daerah kritis = �� � > �
5. Perhitungan :
C. Estimasi Parameter
Uji Hipotesis Parameter AR1MA1
Estimasi Parameter C
1. H0 : Parameter C signifikan
2. H1 : Parameter C tidak signifikan
3. α : 0,05
4. Daerah kritis : p-value > α
5. Perhitungan :
5. Perhitungan :
5. Perhitungan :
6. Keputusan : Terima H0, Karena 4,701568 < 5,991; 0,095294 > 0,05
7. Kesimpulan : data residual berdistribusi normal
Uji Corellogram
G. Perhitungan Error
Metode Error
MSE 17942337.03
ME 199.8175
SSE 825347503.4
MPE 5.146698092
MAPE 5.311000656
MSE =
∑ ��� �
= 17942337.03
MAPE =
∑ |� |
= 5.311000656
ME =
∑ ��� �
= 199.8175
MPE =
∑�
= .
4.2.4 Verifikasi
Dibawah ini merupakan tabel rekap dari hasil verifikasi terhadap 5 metode
peramalan data konstan dan data linier:
Tabel 4.36 Rekap Verifikasi Data Konstan
4.2.5 Validasi
Data Pola Konstan
Uji T
Uji Hipotesis
1. H0 : 1 = 2 (Hasil demand dan peramalan memepunyai rataan yang sama)
2. H1 : 1 ≠2 (Hasil demand dan peramalan mempunyai rataan yang berbeda)
3. α = 0,05
4. Daerah kritis : t hitung < t tabel dan t hitung > t tabel
t hitung < - 2.011740514 dan t hitung > 2.011740514
5. Perhitungan :
Tabel 4.38 Uji T Data Pola Konstan
t-Test: Paired Two Sample for Means
Variable 1 Variable 2
Mean 9558.479167 9387.3125
Variance 1302133.063 2397146.357
Observations 48 48
Pearson Correlation 0.379028999
Hypothesized Mean Difference 0
df 47
t Stat 0.771943596
P(T<=t) one-tail 0.222006043
t Critical one-tail 1.677926722
P(T<=t) two-tail 0.444012087
t Critical two-tail 2.011740514
6. Keputusan : Jangan tolak Ho, karena t hitung < dari t tabel yakni 0.4771943 <
2.011740514
7. Kesimpulan : Antara demand dan hasil peramalan pada metode DEST
mempunyai rataan yang sama.
Tracking Signal
|Err r | + |Err r − | + Err r − | −⋯
MAD = = = 280.5
4.00000
2.00000
0.00000
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47
-2.00000
-4.00000
-6.00000
Variable 1 Variable 2
Mean 4304.354167 4244.081208
Variance 707954.2336 1054905.684
Observations 48 48
Pearson Correlation 0.933860768
Hypothesized Mean Difference 0
df 47
t Stat 1.082559733
P(T<=t) one-tail 0.142263393
6. Keputusan : Jangan tolak Ho, karena t hitung < dari t tabel yakni
1.082559733< 2.011740514
7. Kesimpulan : Antara demand dan hasil peramalan pada metode DEST
mempunyai rataan yang sama.
Moving Range
Contoh Perhitungan:
Peramalan : F(t)1
St = α.X(t) + (1-α).St-1
S2 = 0.544 (2628) + (1 - 0.544).(2609) = 2619,336
Bt = α . St + (1- α) Bt-1
B2 = 0.544 (2619,336) + (1 - 0.544)2609 = 2614,623
α
Ft = ((2*St-1) - Bt-1) + (
−α
� St-1)-( Bt-1))
,
F2 = ((2*2609)-2609 + (
− .
� 2609)-(2609)) = 2609
∑�
�= │� │
UCL = 2,66 x = 2,66 x 73,235181 = 194,805
∑�
�= │� │
LCL = -2,66 x = -2,66 x 73,235181= -194,805
∑�
�= │� │
RA + = 1,77 x = 1,77 x 73,235181= 129,6262
∑�
�= │� │
RA - = -1,77 x = REG A- = -1,77 x 73,235181= -129,6262
∑�
�= │� │
RB + = 0,89 x = 0,89 x 73,235181= 65,179
∑�
�= │� │
RB- = -0,89 x = -0,89 x 73,235181= -65,179
400
300
200
100
0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47
-100
-200
-300
t Error UCL LCL RA+ RA- RB+ RB-
49 9651.667 5876.318
50 9651.667 5960.394
51 9651.667 6044.47
52 9651.667 6128.546
53 9651.667 6212.622
54 9651.667 6296.698
55 9651.667 6380.774
56 9651.667 6464.85
57 9651.667 6548.926
58 9651.667 6633.002
59 9651.667 6717.078
60 9651.667 6801.154
61 9651.667 6885.23
62 9651.667 6969.306
63 9651.667 7053.382
64 9651.667 7137.458
65 9651.667 7221.534
66 9651.667 7305.61
67 9651.667 7389.686
68 9651.667 7473.762
69 9651.667 7557.838
70 9651.667 7641.914
71 9651.667 7725.99
72 9651.667 7810.066
Total 231640 164236.6
BAB V
ANALISIS
5.1 Analisis Pola Data Konstan
5.1.1 Analisis Semua Metode Peramalan
a. SMA
Pada peramalan segmen koleksi dan anak-anak digunakan metode peramalan 3
SMA dan 5 SMA. Hal ini dikarenakan tipe data kedua segmen tersebut ialah konstan.
Pada metode ini, saat data observasi baru tersedia, maka angka-angka baru dihitung
dan digunakan untuk peramalan periode yang akan datang. Angka-angka baru
dihitung dengan merata-ratakan nilai data. Sehingga, pada metode 3 SMA peramalan
dimulai untuk periode keempat. Hal ini dilakukan dengan cara merata-ratakan data
historis periode pertama sampai ketiga. Sedangkan untuk metode 5 SMA peramalan
dilakukan untuk periode keenam, hal ini dilakukan dengan cara merata-ratakan
periode pertama hingga kelima.
Perhitungan dilakukan dengan dua cara, yaitu perhitungan manual dan
perhitungan software Minitab. Peramalan dilakukan untuk 24 bulan kedepan. Pada
metode 3 SMA menghasilkan 9651.67 dan pada metode 5 SMA menghasilkan
peramalan sebesar 9982.8. Angka peramalan yang dihasilkan oleh perhitungan
manual dan Minitab sama. Namun, terdapat perbedaan kecil pada hasil perhitungan
error manual dan software. Hal ini disebabkan oleh adanya perbedaan pembulatan.
Dibawah ini merupakan tabel hasil perhitungan kedua metode dengan perhitungan
manual dan software Minitab:
Tabel 5.1 Perbandingan Error Manual dan Sofware Metode SMA
3 SMA 5 SMA
Manual Minitab Manual Minitab
ME 6.79 - 114.3534 -
MSE 1707082.035 - 1625526.941 -
SSE 76818691.56 - 69450224.72 -
MPE -1.3638 - -0.2760674 -
MAPE 11.1474 11 10.5978 11
b. WMA
Metode WMA (Weighted Moving Average) untuk perhitungan di laporan ini
menggunakan T=3 dan T=5. Pada perhitungan WMA ini digunakan pembobotan di
setiap periode waktu yang berbeda, hal ini dikarenakan semakin jauh periode saat
sekarang dengan periode yang akan kita ramal maka bobot peramalan akan semakin
kecil pula, berbeda dengan periode yang berdekatan maka pengaruh yang ditimbulkan
akan semakin besar pula pada peramalan maka dari itu bobotnya semakin besar.
Bobot untuk metode 3WMA ini adalah 0,17; 0,33; 0,50 dan untuk metode 5 WMA
ialah 0,33; 0,27; 0,2; 0,13; 0,07 yang pada akhirnya jika dijumlahkan hasilnya adalah
1. Dari perhitungan manual dan software yang telah dilakukan untuk 3WMA
diperoleh angka 9241,81 dan 5 WMA diperoleh angka 9167,59 yang berlaku untuk
24 bulan kedepan. Dibawah ini merupakan tabel perbandingan error antara
perhitungan manual dan software.
c. 3 CMA
Metode Centered Moving Average adalah metode yang paling baik karena metode
ini memperhatikan data permintaan masa lampau dan juga data permintaan yang akan
datang. Metode Centered Moving Average mempunyai tujuan untuk melakukan
peramalan permintaan yang berupa data konstan. Pada modul ini, data yang digunakan
untuk metode Centered Moving Average adalah data konstan, yaitu Koleksi dan
Anak-anak. Perhitungan dilakukan dengan jenis periode 3 CMA. Perhitungan
dilakukan dengan dua cara, yaitu perhitungan manual dan perhitungan software
Minitab. Pada perhitungan manual, periode yang dimasukan adalah T=3. Perhitungan
dilakukan dengan merata-rata data permintaan sesuai periode yang diminta. Misalnya
untuk T=3, maka data permintaan dari x1 sampai x3 dijumlahkan lalu dibagi dengan
3 dan hasil perhitugan kemudian diletakkan pada periode ke 2 karena periode kedua
merupakan pertengahan antara periode 1 sampai 3. Hasil yang diperoleh dengan
perhitungan manual maupun software memiliki hasil yang sama, dimana peramalan
yang didapat adalah 9651,67. Dibawah ini merupakan perbandingan error antara
perhitungan manual dan software.
Tabel 5.3 Perbandingan Error Manual dan Sofware Metode CMA
3 CMA
Manual Minitab
ME -11.53 -
MSE 757932.83 -
SSE 35622843 -
MPE -1.017562 -
MAPE 7.5888 8
perhitungan pengolahan data diketahui metode terbaik adalah CMA. Untuk melakukan
validasi data digunakan beberapa uji, yaitu menggunakan peta kendali Tracking Signal,
Uji-T.
Tracking signal digunakan untuk memvalidasi peramalan yang telah dilakukan.
Metode peramalan yang akan divalidasi adalah metode 3 CMA. Hal ini dengan melihat
pergerakan nilai tracking signal yang didapatkan dari hasil RSFE dibagi dengan MAD.
Pergerakan nilai tracking signal dalam kasus ini tidak ada yang melewati batas atas dan
batas bawah yang telah ditentukan. Batas atas tracking signal adalah 4 dan batas
bawahnya adalah -4. Dikarenakan tidak ada satupun hasil yang melewati batas atas
maupun batas bawah, maka hasil peramalan dengan metode CMA lolos uji validasi
dengan metode tracking signal. Pada uji T juga menunjukan bahwa hasil forecast metode
CMA valid karena t hitung < t tabel yakni 0.4771 < 2.0117.
5.2 Analisis Pola Data Linier
5.2.1 Analisis Semua Metode Peramalan
a. DES
Peramalan dengan menggunakan metode DES digunakan untuk peramalan data
jangka pendek misalkan pengolahan pada data tanpa trend atau faktor musiman.
Metode DES menggunakan nilai alfa. Nilai alfa didapatkan dari software e-views,
dimana dengan menggunakan nilai data permintaan masa lalu selama 48 periode
diperoleh α=0.544. Rumus untuk menghitung peramalan dengan metode Double
Exponential Smoothing adalah S(t) = α.x(t-1) + (1-α).S(t-1) dan F’(t) = α.S(t) + (1-
α).F’(t-1) dengan input yang digunakan adalah permintaan dari data asli 48 periode .
Perbedaannya dengan metode Single Exponential Smoothing adalah jika metode
Double Exponential Smoothing dilakukan 2 kali peramalan, sedangkan pada metode
Single Exponential Smoothing hanya menggunakan 1 langkah peramalan saja. Yaitu
mencari S’ dengan cara mengalikan 0,544 (alfa) dengan permintaan sebelumnya lalu
dijumlahkan dengan 0,456 (1 minus alfa) dikalikan dengan hasil S’ sebelumnya.
Perhitungan dilakukan dengan dua cara, Selain pengolahan data manual dengan
menggunakan Software Microsoft Excel, pengolahan data juga dilakukan dengan
menggunakan Software Winqsb. Dari kedua perhitungan ini didapatkan hasil yang
sama untuk peramalan 24 periode kedepan yaitu 5651,29. Dibawah ini ialah
perbandingan error antara perhitungan manual dan software.
Tabel 5.4 Perbandingan Error Manual dan Sofware Metode DES
DES
Manual Winqsb
MSE 40942.96 40942.94
MAPE 4.21 4.2095
MPE 4.21 -
SSE 1924319.08 -
ME 174.50 -
b. SEST
Dari perhitungan peramalan yang telah dilakukan dengan menggunakan metode
eksponensial smoothing, maka diketahui hasil peramalan untuk 24 periode kedepan.
Pada perhitungan dengan metode eksponensial smoothing, digunakan nilai alpha
(parameter yang digunakan sebagai penghalus untuk data) dan beta (merupakan
parameter penghalus trend). Nilai alpha dan beta sudah ditentukan dengan mencari
melalui software EViews dimana alpha =1 dan beta = 0. Pada perhitungan SEST,
parameter yang dihitung terlebih dahulu adalah St = α.X(t) + (1-α).(St-1+Bt-1) dan Bt
= β (St - St-1) + (1-β) Bt-1, setelah itu baru didapatkan hasil peramalan (Ft) dari hasil
penjumlahan St dan Bt , sejajar dengan periodenya masing-masing. Setelah itu,
didapatkan error dari metode tersebut.
Berdasrkan hasil perhitungan manual dan software menghasilkan ouput yang
sama yaitu 5770. Berikut ini merupakan error dari metode SEST secara manual dan
dengan bantuan software
SEST
Metode
Manual Winqsb
MSE 10331.64 10331.64
MPE 1,65 -
MAPE 1,65 1.649
ME 67.25532 -
SSE 485587 -
Hasil peramalan dari perhitungan manual dan output software dari SEST ini
menunjukkan nilai yang sama, namun jika suatu ada perbedaan hanyalah sebatas di
pembulatan saja.
c. DEST
Metode peramalan Double Exponential Smoothing with Trend merupakan
peramalan dengan konsep penerapan parameter α sebagai dasar pertimbangan agar
setiap hasil peramalan sudah diberikan faktor penyesuaian setiap tingkat kesalahan
dan berfungsi untuk menghaluskan nilai fluktuatif data secara mendatar. Dari
perhitungan peramalan yang telah dilakukan didapat data peramalan sebanyak 24
periode kedepan. Dalam perhitungan ini nilai parameter α =0.544
Perhitungan pada metode ini dilakukan dengan dua cara yaitu perhitungan manual
dan perhitungan software WinQSB. Pada perhitungan manual yang dihitung terlebih
dahulu ialah S(t) dan B(t) setelah itu baru dicari nilai peramalannya. Hasil
perhitungan manual dan software sama jika ada perbedaan itu hanya terletak pada
fungsi pembulatan. Berikut merupakan tabel perbandingan error dari perhitungan
manual dan software.
d. Regresi
Peramalan dengan metode Regresi Linier bertujuan untuk mendapatkan model
regresi yang dapat digunakan untuk peramalan. Persamaan yang diperoleh dari
metode ini adalah Y = 2853.758 + 59.208 X. Untuk mencari persamaan ini digunakan
rumus intersep dan slope. Peramalan dilakukan dengan mengganti variabel X dengan
periode yang ingin diramal. Peramalan dilakukan untuk 24 bulan selanjutnya. Selain
Program Studi Teknik Industri
Universitas Diponegoro
2016 105
Laporan Praktikum Perancangan Teknik Industri
Modul 1 - Forecasting
Kelompok 8
Regresi
Manual Winqsb
MSE 20423.57 720423.57
MAPE 3.178 3.18
MPE -0.252% -
SSE 980331.3 -
ME 0.000167 -
e. ARIMA
Metode ARIMA dikerjakan melalui software EViews. Sebelum melakukan
peramalan dibutuhkan beberapa tahap, yaitu uji stasioneritas dan pencarian model
correlogram. Melalui uji signifikansi didapatkan AR1MA1 sebagai model ARIMA.
Setelah itu dilakukan uji residual pada ARIMA yang harus memenuhi dua syarat yaitu
nilai Jaque-Bera < 5,991 dan probability > 0,05. Pada uji ini menghasilkan data
residual bersifat normal karena 4,701568 < 5,991; 0,095294 > 0,05. Sedangkan, untuk
uji correlogram juga menunjukan tidak terjadi pelanggaran garis untuk semua lag,
baik garis autocorrelation maupun partial correlation.
BAB VI
PENUTUP
6.1 Kesimpulan
Berdasarkan pembahasan diatas dapat disimpulkan hal - hal sebagai berikut :
1. Forecasting dalam bidang industri diposisikan sebagai suatu metode pendukung
proses pengambilan keputusan, dimana perusahaan dapat memprediksi permintaan
konsumen terhadap produk dari perusahaan tersebut dengan berbagai metode guna
memudahkan penentuan jumlah produk yang akan diproduksi. Teknik peramalan
ini bertujuan untuk mengoptimalkan kapasitas produksi sehingga dapat
memaksimalkan keuntungan dan meminimalkan biaya inventory.
2. Sifat data yang didapat, dicocokan dengan metode peramalan yang akan dilakukan.
Metode SMA, WMA, dan CMA merupakan metode yang digunakan di dalam
praktikum ini untuk plot data konstan. Metode SEST, DEST, DES, Regresi Linear
dan ARIMA adalah metode yang digunakan untuk plot data linear. Metode 3 CMA
untuk data konstan dan DEST untuk data linier terpilih sebagai metode yang
terbaik. Selanjutnya dilakukan perhitungan error yang mencakup perhitungan
MSE, MPE, MAPE, ME, SSE.
3. Setiap metode peramalan yang digunakan mempunyai kelebihan dan
kekurangannya masing-masing, begitu pula dengan perhitungan error-nya. Pada
pola data konstan, metode terbaik yang dapat digunakan adalah metode CMA,
karena perhitungan metode peramalan tersebut melibatkan data di masa lampau dan
di masa depan. Pada pola data linear, metode terbaik yang dapat digunakan adalah
metode DEST karena metode ini menyesuaikan trend yang ada dalam plot datanya.
Sedangkan metode perhitungan error terbaik adalah metode MAPE, karena metode
ini memutlakan selisih data sebenarnya dengan peramalan, sehingga tidak ada
kesalahan perhitungan dalam penjumlahan total maupun perkalian dengan hasil
yang keluar adalah dalam bentuk persen.
4. Metode yang diimplimentasikan dalam peramalan di bidang industri ialah metode
yang terbaik yaitu metode yang dipilih yang memiliki nilai error MAPE terkecil,
baik itu untuk data konstan ataupun linier. Metode peramalan dengan nilai error
terkecil ialah metode 3 CMA pada data konstan dan DEST pada data linier karena
keduanya memiliki nilai error terkecil jika dibandingkan dengan metode lainnya.
Metode terbaik digunakan sebagai metode peramalan yang digunakan untuk
meramalkan demand mendatang berdasar data demand historis.
6.2 Saran
Berikut merupakan saran untuk Praktikum Perancangan Teknik Industri Modul 1
Forecasting:
1. Praktikan harus memahami terlebih dahulu proses dan tahap-tahap dalam melakukan
peramalan
2. Praktikan harus teliti dalam melakukan perhitungan manual maupun software
3. Praktikan harus memahami konsep dan proses perhitungan metode-metode
peramalan dan perhitungan error baik yang dilakukan secara manual maupun
menggunakan software seperti Minitab, WinQsb, dan Eviews