TUGAS 2 PPC KELAS B

(PERAMALAN PRODUK KASUR BUSA)

Oleh :
Kelompok 1

Anggota :

Jauza Dalilah Irbah (2010932030)

Nabila Indri Yani (2010931037)
Radiyatul Mardiyah (2010933026)
Rahmad Haret Rayhanda (2010933020)

Dosen Pengampu:
Dr. Alfadhlani S.T., M.T.

Departemen Teknik Industri

Fakultas Teknik
Universitas Andalas
2022
 TUGAS 2 PPC KELAS B
(PERAMALAN)

1. Agregasi Permintaan Produk

Agregasi merupakan satuan yang mewakili berbagai macam produk

sehingga produk-produk tersebut dapat dibandingkan dengan fasilitas produksi
secara tepat. Berikut rumus perhitungan agregasi periode 1:

Agregasi = Permintaan x waktu baku (jam)

Waktu baku dapat dilihat pada Tabel 1 dan data agregasi dapat dilihat
pada Tabel 2. Penggunaan waktu baku untuk mencari agregasi bertujuan untuk
mengetahui apakah permintaan terhadap produk dapat dipenuhi atau tidak
berdasarkan waktu yang tersedia.

Tabel 1 Waktu Baku

Waktu (jam)
SK Deskripsi
Gold Silver Standar Ekonomi
I Menimbang bahan baku dan membersihkan cetakan 0.667 0.500 0.417 0.417
II Proses Foaming 0.333 0.333 0.167 0.167
III Pemindahan balokan busa 0.008 0.008 0.008 0.008
IV Pemotongan vertikal 0.083 0.083 0.083 0.083
V Pemotonga horizontal 0.083 0.083 0.083 0.083
VI Pendinginan 0.017 0.017 0.017 0.017
VII Penjahitan dan Penyarungan 0.067 0.067 0.067 0.050
VIII Pengemasan 0.050 0.050 0.050 0.050
IX Pemeriksaan 0.017 0.017 0.017 0.017
Total 1.3 1.2 0.9 0.9
Tabel 2 Data Agregasi
Permintaan (Unit) Agregasi (Jam)
Tahun Bulan Periode
Gold Silver Standar Ekonomi Gold Silver Standar Ekonomi Family X
Januari 1 21 239 35 1325 27.8 276.8 31.8 1181.5 1517.9
Februari 2 10 146 18 1129 13.3 169.1 16.4 1006.7 1205.4
Maret 3 12 284 61 1493 15.9 329.0 55.4 1331.3 1731.5
April 4 18 186 0 1685 23.9 215.5 0.0 1502.5 1741.8
Mei 5 5 224 32 1476 6.6 259.5 29.1 1316.1 1611.3
Juni 6 8 182 24 2136 10.6 210.8 21.8 1904.6 2147.8
2017
Juli 7 4 166 52 2612 5.3 192.3 47.2 2329.0 2573.9
Agustus 8 8 133 5 2353 10.6 154.1 4.5 2098.1 2267.3
September 9 1 89 78 1230 1.3 103.1 70.9 1096.8 1272.0
Oktober 10 19 153 2 948 25.2 177.2 1.8 845.3 1049.5
November 11 12 121 75 780 15.9 140.2 68.1 695.5 919.7
Desember 12 15 102 1 835 19.9 118.2 0.9 744.5 883.5
Januari 13 66 192 11 1269 87.5 222.4 10.0 1131.5 1451.4
Februari 14 45 60 5 1230 59.6 69.5 4.5 1096.8 1230.4
Maret 15 18 59 1 1248 23.9 68.3 0.9 1112.8 1205.9
April 16 21 92 0 642 27.8 106.6 0.0 572.5 706.8
Mei 17 62 143 11 925 82.2 165.6 10.0 824.8 1082.6
Juni 18 55 35 2 1518 72.9 40.5 1.8 1353.6 1468.8
2018
Juli 19 68 67 0 1586 90.1 77.6 0.0 1414.2 1581.9
Agustus 20 69 60 16 1151 91.4 69.5 14.5 1026.3 1201.8
September 21 59 67 2 864 78.2 77.6 1.8 770.4 928.0
Oktober 22 40 63 10 1045 53.0 73.0 9.1 931.8 1066.9
November 23 112 27 0 687 148.4 31.3 0.0 612.6 792.3
Desember 24 65 75 1 797 86.1 86.9 0.9 710.7 884.6

Berdasarkan bentuk plot data, dapat ditentukan metode peramalan yang

cocok digunakan. Berikut 4 pola data:

Gambar 1 Jenis Plot Data

 Plot data agregasi dapat dilihat pada Gambar 2. Berdasarkan plot data
agregasi, dapat dilihat data berpola siklis (fluktuasi seperti gelombang di sekitar
tren). Contoh peramalan yang dapat digunakan untuk pola data ini adalah metode
siklis dan kuadratis.

Gambar 2 Plot Data Agregasi

2. Peramalan Permintaan Produk

Peramalan merupakan proses memperkirakan kebutuhan di masa yang

akan datang yang harus dipenuhi oleh perusahaan. Peramalan dibutuhkan dalam
kondisi permintaan pasar yang cenderung tidak stabil.

2.1 Metode Regresi Linear

Peramalan dilakukan dengan metode regresi linear. Metode regresi merupakan

sebuah metode statistik yang melakukan prediksi menggunakan pengembangan
hubungan matematis antara variabel, yaitu variabel dependen (Y) dengan variabel
independen (X). Variabel dependen merupakan variabel akibat atau variabel yang
dipengaruhi, sedangkan variabel independen merupakan variabel sebab atau
variabel yang mempengaruhi. Berikut rumus perhitungan metode regresi linear:
 N (Σ t × Dt) - (ΣDt × (Σt)
b=
N (Σ t 2 ) - (Σ t)2
ΣDt - (b × Σt)
a=
N
y = a + b(t)

Data peramalan metode regresi linear dapat dilihat pada Tabel 3 dan plot
data peramalan regresi linear dengan data agregasi Gambar 3.

Tabel 3 Data Peramalan Produk dan Error Metode Regresi

Bulan t D (t) t * D(t) t^2 b a F (t)

Januari 1 1517.92 1517.916667 1 1793.604139

Februari 2 1205.41 2410.816667 4 1755.474552
Maret 3 1731.53 5194.6 9 1717.344965
April 4 1741.76 6967.033333 16 1679.215378
Mei 5 1611.26 8056.291667 25 1641.085791
Juni 6 2147.82 12886.9 36 1602.956204
Juli 7 2573.85 18016.95 49 1564.826617
Agustus 8 2267.29 18138.33333 64 1526.69703
September 9 1272.02 11448.15 81 1488.567443
Oktober 10 1049.52 10495.16667 100 1450.437856
November 11 919.68 10116.51667 121 1412.308269
Desember 12 883.48 10601.7 144 1374.178682
-38.12958696 1831.733726
Januari 13 1451.37 18867.76667 169 1336.049095
Februari 14 1230.42 17225.83333 196 1297.919508
Maret 15 1205.90 18088.5 225 1259.789921
April 16 706.84 11309.46667 256 1221.660335
Mei 17 1082.58 18403.775 289 1183.530748
Juni 18 1468.78 26438.1 324 1145.401161
Juli 19 1581.89 30055.94167 361 1107.271574
Agustus 20 1201.77 24035.33333 400 1069.141987
September 21 928.00 19488 441 1031.0124
Oktober 22 1066.85 23470.7 484 992.8828128
November 23 792.25 18221.75 529 954.7532258
Desember 24 884.57 21229.6 576 916.6236389
Total 300 32522.73333 362685.1417 4900 -38.12958696 1831.733726 32522.73333
Tabel 3 Data Peramalan Produk dan Error Metode Regresi (Lanjutan)
Error Error^2 PE (%) MFE MSE MAPE SSE

275.6874722 76003.58234 18.1622271

550.0662186 302572.8448 45.63318532
14.18836836 201.3097966 0.819410639
62.54295531 3911.621259 3.590794091
29.82745773 889.6772346 1.851190285
544.8604626 296872.9237 25.36810851
1009.023383 1018128.187 39.20288217
740.5946365 548480.4156 32.66428609
216.5507766 46894.23883 17.02420906
400.9211896 160737.8003 38.20055482
492.624936 242679.3276 53.56462579
490.7036824 240790.1039 55.54245252
290.9267925 151045.7696 22.37121161 405.9275837
115.3175713 13298.14224 7.945447136
67.50284179 4556.633649 5.486177456
53.8899215 2904.123639 4.468854921
514.8186679 265038.2608 72.83366165
100.9557476 10192.06297 9.325519949
323.3821727 104576.0296 22.01700995
474.620093 225264.2327 30.00332469
132.62468 17589.30573 11.0358095
103.0123998 10611.5545 11.10047411
73.9671872 5471.144782 6.933232151
162.5032258 26407.29841 20.51160945
32.05697222 1027.649468 3.624031227
6982.243019 3625098.471 536.9090786 290.9267925 151045.7696 22.37121161 405.9275837

Gambar 3 Plot Data Agregasi

Berdasarkan hasil perhitungan error hasil peramalan metode regresi linear,

terlihat penggunaan metode ini menghasilkan error yang cukup besar. Oleh
karena itu, metode ini disimpulkan kurang cocok digunakan untuk meramalkan
permintaan kasur busa karena pola data permintaan siklis.

2.2 Metode Kuadratis

Metode kuadratik merupakan metode yang menghasilkan deret waktu

berupa parabola. Berikut merupakan rumus untuk menentikan peramalan dengan
metode kuadratis.

Metode kuadratis memiliki data acak yang membentuk kurva kuadratis.

Rumus pad metode kuadratis sebagai berikut.

2
Y t =a+ bt+c t

γδ−θα
b=
γβ −α 2

θ−bα
c=
γ

a=
∑ dt−b ∑ t−¿ c ∑ t 2
¿
N

Keterangan:
Ft = Banyaknya peramalan permintaan pada periode t.
a = Parameter koefiesien regresi variabel bebas
b = variabelitas per t
c = variabelitas per t kuadrat
t = periode
Periode D(t) t x D(t) t^2 t^2 x D(t) t^3 t^4 a b c F(t)
1 1517.916667 1517.916667 1 1517.916667 1 1 1746
2 1205.408333 2410.816667 4 4821.633333 8 16 1720
3 1731.533333 5194.6 9 15583.8 27 81 1693
4 1741.758333 6967.033333 16 27868.13333 64 256 1666
5 1611.258333 8056.291667 25 40281.45833 125 625 1637
6 2147.816667 12886.9 36 77321.4 216 1296 1607
7 2573.85 18016.95 49 126118.65 343 2401 1576
8 2267.291667 18138.33333 64 145106.6667 512 4096 1543
9 1272.016667 11448.15 81 103033.35 729 6561 1510
10 1049.516667 10495.16667 100 104951.6667 1000 10000 1475
11 919.6833333 10116.51667 121 111281.6833 1331 14641 1439
12 883.475 10601.7 144 127220.4 1728 20736 1402
13 1451.366667 18867.76667 169 245280.9667 2197 28561 1769.307 -23.723 -0.576 1364
14 1230.416667 17225.83333 196 241161.6667 2744 38416 1325
15 1205.9 18088.5 225 271327.5 3375 50625 1284
16 706.8416667 11309.46667 256 180951.4667 4096 65536 1243
17 1082.575 18403.775 289 312864.175 4913 83521 1200
18 1468.783333 26438.1 324 475885.8 5832 104976 1156
19 1581.891667 30055.94167 361 571062.8917 6859 130321 1111
20 1201.766667 24035.33333 400 480706.6667 8000 160000 1065
21 928 19488 441 409248 9261 194481 1017
22 1066.85 23470.7 484 516355.4 10648 234256 969
23 792.25 18221.75 529 419100.25 12167 279841 919
24 884.5666667 21229.6 576 509510.4 13824 331776 869
300 32522.73333 362685.1417 4900 5518561.942 90000 1763020 32536

e |e| e^2 PE MSE MAD MAPE

-228.0833333 228.0833333 52022.00694 15%
-514.5916667 514.5916667 264804.5834 43%
38.53333333 38.53333333 1484.817778 2%
75.75833333 75.75833333 5739.325069 4%
-25.74166667 25.74166667 662.6334028 2%
540.8166667 540.8166667 292482.6669 25%
997.85 997.85 995704.6225 39%
724.2916667 724.2916667 524598.4184 32%
-237.9833333 237.9833333 56636.06694 19%
-425.4833333 425.4833333 181036.0669 41%
-519.3166667 519.3166667 269689.8003 56%
-518.525 518.525 268868.1756 59%
87.36666667 87.36666667 7632.934444 6% 150405.9636 292.0923611 0.23
-94.58333333 94.58333333 8946.006944 8%
-78.1 78.1 6099.61 6%
-536.1583333 536.1583333 287465.7584 76%
-117.425 117.425 13788.63062 11%
312.7833333 312.7833333 97833.41361 21%
470.8916667 470.8916667 221738.9617 30%
136.7666667 136.7666667 18705.12111 11%
-89 89 7921 10%
97.85 97.85 9574.6225 9%
-126.75 126.75 16065.5625 16%
15.56666667 15.56666667 242.3211111 2%
-13.26666667 7010.216667 3609743.127 542%
 Hasil Peramalan metode kuadratis dapat dilihat pada Tabel . Peramalan
pada periode 2 menggunakan metode kuadratis dapat dilihat sebagai berikut:

11453−2,4699(666)−0,07598(16206)
a= = 238,241597
36

−203514948×(−738630)−(−28244634)×(−5174820)
b= 2 = 2,46987
−203514948 ×(−139860)−(−5174820)

−28244634−( 2,46987×(−5174820))
c= = 0,0759
−203514948

F(t) = a +bt + ct2

F(t) = 238,241597 + 2,46987 (2) + 0,0759 (2)2

F(t) = 244

2.3 Metode Eksponensial

Metode trend eksponensial pada plot data trend terjadi apabila data
memiliki kecenderungan untuk naik. Metode ini mendekatkan nilai permalan ke
nilai sebenarnya/ actual. Jika nilai error diperoleh positif, maka nilai actual
permintaan lebih tinggi pada nilai ramalan (A-F> 0) dengan ini model trend
eksponensial secara otomatis meningkatkan nilai ramalan.

F(t) = a.ebt

N ∑ t . lnYt −∑ t ∑ ¿ Yt
b=
N ∑ t −¿ ¿ ¿¿
2

N ∑ ln Yt −b ∑ t
In a =
N

a = eln a

Keterangan:
a = Parameter koefiesien regresi variabel bebas
b = slope
Bulan t D(t) ln D(t) t*in D(t) t^2 a b ln a F(t)
Januari 1 1517.916667 7.32509406 7.32509406 1 1768
Februari 2 1205.408333 7.094573654 14.18914731 4 1720
Maret 3 1731.533333 7.456762615 22.37028784 9 1672
April 4 1741.758333 7.462650418 29.85060167 16 1626
Mei 5 1611.258333 7.384770726 36.92385363 25 1581
Juni 6 2147.816667 7.672207101 46.03324261 36 1537
Juli 7 2573.85 7.853158111 54.97210678 49 1495
Agustus 8 2267.291667 7.7263413 61.8107304 64 1454
September 9 1272.016667 7.148358847 64.33522962 81 1414
Oktober 10 1049.516667 6.95608502 69.5608502 100 1375
November 11 919.6833333 6.824029408 75.06432349 121 1337
Desember 12 883.475 6.783862995 81.40635594 144 1300
Januari 13 1451.366667 7.28026092 94.64339196 169 1818.607696 -0.027993666 7.505826485 1264
Februari 14 1230.416667 7.115108144 99.61151402 196 1229
Maret 15 1205.9 7.094981455 106.4247218 225 1195
April 16 706.8416667 6.56080669 104.972907 256 1162
Mei 17 1082.575 6.987097742 118.7806616 289 1130
Juni 18 1468.783333 7.292189673 131.2594141 324 1099
Juli 19 1581.891667 7.366376667 139.9611567 361 1068
Agustus 20 1201.766667 7.091547975 141.8309595 400 1039
September 21 928 6.833031733 143.4936664 441 1010
Oktober 22 1066.85 6.97246566 153.3942445 484 982
November 23 792.25 6.674876999 153.522171 529 955
Desember 24 884.5666667 6.785097883 162.8423492 576 929
Total 300 11453 171.7417358 2114.578981 4900 31341
 e |e| e^2 PE MSE MAD MAPE
-250.0833333 250.0833333 62541.67361 16%
-514.5916667 514.5916667 264804.5834 43%
59.53333333 59.53333333 3544.217778 3%
115.7583333 115.7583333 13399.99174 7%
30.25833333 30.25833333 915.5667361 2%
610.8166667 610.8166667 373097.0003 28%
1078.85 1078.85 1163917.323 42%
813.2916667 813.2916667 661443.3351 36%
-141.9833333 141.9833333 20159.26694 11%
-325.4833333 325.4833333 105939.4003 31%
-417.3166667 417.3166667 174153.2003 45%
-416.525 416.525 173493.0756 47%
187.3666667 187.3666667 35106.26778 13% 155489.8629 287.3847222 0.21
1.416666667 1.416666667 2.006944444 0%
10.9 10.9 118.81 1%
-455.1583333 455.1583333 207169.1084 64%
-47.425 47.425 2249.130625 4%
369.7833333 369.7833333 136739.7136 25%
513.8916667 513.8916667 264084.6451 32%
162.7666667 162.7666667 26492.98778 14%
-82 82 6724 9%
84.85 84.85 7199.5225 8%
-162.75 162.75 26487.5625 21%
-44.43333333 44.43333333 1974.321111 5%
1181.733333 6897.233333 3731756.711 508%

2.4 Metode Trend Siklis

Pola data siklis terjadi bilamana datanya dipengaruhi oleh fluktuasi yang
seperti seperti gelombang di sekitar tren, atau bisa disebut sebagai pola data
musiman dalam jangka panjang yang berulang. Perhitungan dengan metode trend
siklik dilakukan dengan menggunakan matriks yang diperoleh dari persamaan
berikut.

2π 2π
Σy = an + bΣt + cΣ cos t + dΣ sin t
n n
2 2π 2π
Σyt = aΣt + bΣ t + c∑t cos t + d∑t sin t
n n
2π 2π 2π 2 2π 2π 2π
Σy cos t = aΣ cos t + bΣ t cos t + c∑ cos t+ d ∑ sin t cos t
n n n n n n
2π 2π 2π 2π 2π
Σy sin t = aΣ sin t + bΣ t sin t + c∑ cos t + d ∑ sin2 t
n n n n n

Persamaan dalam Bentuk Matriks

n ∑t ∑ Cos (2∏t/n) ∑Sin (2∏t/n) x ∑dt
∑t ∑t^2 ∑t.Cos (2∏t/n) ∑t*Sin (2∏t/n) ∑dt.t
∑Cos (2∏t/n) ∑t*Cos (2∏t/n) ∑Cos^2 (2∏t/n) ∑Sin (2∏t/n).Cos (2∏t/n) ∑dt*Cos (2∏t/n)
∑Sin (2∏t/n) ∑t*Sin (2∏t/n) ∑Sin (2∏t/n).Cos (2∏t/n) ∑Sin^2 (2∏t/n) ∑dt*Sin (2∏t/n)

36 300 0.00 3.08 x 32522.73

300 4900.00 7.26 38.47 362685.14
0.00 7.26 11.50 0.00 -1192.42
3.08 38.47 0.00 12.50 640.96

Invers Matriks
0.05690572 -0.003460888 0.002186057 -0.003359505 x 32522.73333
-0.003460888 0.00041982 -0.000265178 -0.000439952 362685.1417
0.002186057 -0.000265178 0.08712402 0.000277894 -1192.42419
-0.003359505 -0.000439952 0.000277894 0.082181192 640.9623847

a= 590.7568449
b= 39.73915183
c= -128.7901467
d= -216.4805519
Metode tren siklis
Sin
Sin Cos dt*Sin dt*Cos t*Sin t*Cos Sin^2 Cos^ (2π t/N).
t dt dt.t t^2 dt' |e| e^2 PE A B C D MSE MAD MAPE
(2πt/N) (2π t/N) (2π t/N) (2π t/N) (2π t/N) (2π t/N) (2π t/N) 2(2π t/N) Cos
(2π t/N)
1 1517.92 1517.92 1.00 0.59 0.81 892.21 1228.02 0.59 0.81 399.06 0.35 0.65 0.48 1118.86 1251844 74%
2 1205.41 2410.82 4.00 0.95 0.31 1146.41 372.49 1.90 0.62 424.55 0.90 0.10 0.29 780.86 609737 65%
3 1731.53 5194.60 9.00 0.95 -0.31 1646.79 -535.07 2.85 -0.93 543.89 0.90 0.10 -0.29 1187.65 1410503 69%
4 1741.76 6967.03 16.00 0.59 -0.81 1023.78 -1409.11 2.35 -3.24 726.66 0.35 0.65 -0.48 1015.10 1030419 58%
5 1611.26 8056.29 25.00 0.00 -1.00 0.00 -1611.26 0.00 -5.00 918.24 0.00 1.00 0.00 693.02 480271 43%
6 2147.82 12886.90 36.00 -0.59 -0.81 -1262.45 -1737.62 -3.53 -4.85 1060.63 0.35 0.65 0.48 1087.19 1181976 51%
7 2573.85 18016.95 49.00 -0.95 -0.31 -2447.88 -795.36 -6.66 -2.16 1114.61 0.90 0.10 0.29 1459.24 2129368 57%
8 2267.29 18138.33 64.00 -0.95 0.31 -2156.32 700.63 -7.61 2.47 1074.76 0.90 0.10 -0.29 1192.53 1422139 53%
9 1272.02 11448.15 81.00 -0.59 0.81 -747.67 1029.08 -5.29 7.28 971.46 0.35 0.65 -0.48 300.56 90334 24%
10 1049.52 10495.17 100.00 0.00 1.00 0.00 1049.52 0.00 10.00 859.36 0.00 1.00 0.00 190.16 36160 18%
11 919.68 10116.52 121.00 0.59 0.81 540.58 744.04 6.47 8.90 796.45 0.35 0.65 0.48 123.23 15186 13%
12 883.48 10601.70 144.00 0.95 0.31 840.23 273.01 11.41 3.71 821.94 0.90 0.10 0.29 61.53 3786 7%
590.757 39.7392 -128.79 -216.48
13 1451.37 18867.77 169.00 0.95 -0.31 1380.33 -448.50 12.36 -4.02 941.28 0.90 0.10 -0.29 510.09 260190 35% 480853 541.238 0.39
14 1230.42 17225.83 196.00 0.59 -0.81 723.22 -995.43 8.23 -11.33 1124.05 0.35 0.65 -0.48 106.36 11313 9%
15 1205.90 18088.50 225.00 0.00 -1.00 0.00 -1205.90 0.00 -15.00 1315.63 0.00 1.00 0.00 109.73 12042 9%
16 706.84 11309.47 256.00 -0.59 -0.81 -415.47 -571.85 -9.40 -12.94 1458.02 0.35 0.65 0.48 751.18 564270 106%
17 1082.58 18403.78 289.00 -0.95 -0.31 -1029.59 -334.53 -16.17 -5.25 1512.01 0.90 0.10 0.29 429.43 184411 40%
18 1468.78 26438.10 324.00 -0.95 0.31 -1396.90 453.88 -17.12 5.56 1472.15 0.90 0.10 -0.29 3.37 11 0%
19 1581.89 30055.94 361.00 -0.59 0.81 -929.81 1279.78 -11.17 15.37 1368.85 0.35 0.65 -0.48 213.04 45386 13%
20 1201.77 24035.33 400.00 0.00 1.00 0.00 1201.77 0.00 20.00 1256.75 0.00 1.00 0.00 54.98 3023 5%
21 928.00 19488.00 441.00 0.59 0.81 545.46 750.77 12.34 16.99 1193.84 0.35 0.65 0.48 265.84 70672 29%
22 1066.85 23470.70 484.00 0.95 0.31 1014.63 329.67 20.92 6.80 1219.33 0.90 0.10 0.29 152.48 23252 14%
23 792.25 18221.75 529.00 0.95 -0.31 753.47 -244.82 21.87 -7.11 1338.67 0.90 0.10 -0.29 546.42 298575 69%
24 884.57 21229.60 576.00 0.59 -0.81 519.94 -715.63 14.11 -19.42 1521.45 0.35 0.65 -0.48 636.88 405615 72%
300 32522.73 362685.14 4900.00 3.08 0.00 640.96 -1192.42 38.47 7.26 25433.65 12.50 11.50 0.00 12989.72 11540484 931%
2.5 Moving Average

Rata-rata bergerak (Moving Average) adalah suatu metode peramalan

yang dilakukan dengan mengambil sekelompok nilai pengamatan, mencari nilai
rata-rata tersebut sebagai ramalan untuk periode yang akan datang (Subagyo,
2008). Berikut merupakan contoh perhitungan menggunakan metode moving
average.

F (t+1) =
∑ k data terbaru
k
884,567+792,25+1066,85
F (24) =
3
F (24) = 914,56
 Moving Average
Bulan Periode D(t) F(t) e |e| e^2 PE MSE MAD MAPE
Januari 1 1517.92 1517.92 1517.92 2304071 100%
Februari 2 1205.41 1205.41 1205.41 1453009 100%
Maret 3 1731.53 1484.95 246.58 246.581 60802 14%
April 4 1741.76 1559.57 182.19 182.192 33193.8 10%
Mei 5 1611.26 1694.85 -83.592 83.5917 6987.57 5%
Juni 6 2147.82 1833.61 314.206 314.206 98725.1 15%
Juli 7 2573.85 2110.98 462.875 462.875 214253 18%
Agustus 8 2267.29 2329.65 -62.361 62.3611 3888.91 3%
September 9 1272.02 2037.72 -765.7 765.703 586301 60%
Oktober 10 1049.52 1529.61 -480.09 480.092 230488 46%
November 11 919.683 1080.41 -160.72 160.722 25831.6 17%
Desember 12 883.475 950.89 -67.417 67.4167 4545.01 8%
Januari 13 1451.37 1084.84 366.525 366.525 134341 25% 18798.3 25.8416 0.25
Februari 14 1230.42 1188.42 41.9972 41.9972 1763.77 3%
Maret 15 1205.9 1295.89 -89.994 89.9944 8099 7%
April 16 706.842 1047.72 -340.88 340.878 116198 48%
Mei 17 1082.58 998.44 84.1361 84.1361 7078.89 8%
Juni 18 1468.78 1086.07 382.717 382.717 146472 26%
Juli 19 1581.89 1377.75 204.142 204.142 41673.8 13%
Agustus 20 1201.77 1417.48 -215.71 215.714 46532.5 18%
September 21 928 1237.22 -309.22 309.219 95616.7 33%
Oktober 22 1066.85 1065.54 1.31111 1.31111 1.71901 0%
November 23 792.25 929.03 -136.78 136.783 18709.7 17%
Desember 24 884.567 914.56 -29.989 29.9889 899.333 3%
Total 300 32522.7 30255.2 2267.54 7752.47 5639482 599%

3. Nilai Kesalahan (Error)

Perhitungan peramalan tidak selalu menghasilkan perhitungan yang akurat

mesikupin dilakukan dengan berbagai macam metode. Oleh karena itu, diperlukan
perhitungan nilai kesalahan atau error.

3.1 MFE (Mean Forecast Error)

MFE mengukur rata-rata kesalahan berdasarkan perbandingan jumlah

error dengan periode peramalan. MFE dapat mengindikasikan apakah peramalan
yang dilakukan terlalu tinggi atau terlalu rendah. Berikut rumus perhitungan MFE.

∑ ( A t - Ft )
MFE =
n
3.2 MSE (Mean Square Error)

MSE dihitung dengan menjumlahkan kuadrat semua kesalahan peramalan

pada setiap periode dan membaginya dengan jumlah periode peramalan. Berikut
rumus perhitungan MSE.

∑ ( At - Ft )2
MSE =
n

3.3 MAPE (Mean Absolute Percentage Error)

Metode MAPE merupakan singkatan dari Mean Absolute Percentage

Error. MAPE memiliki tingkat akurasi yang lebih baik dari metode karena MAPE
menyatakan persentase kesalahan hasil peramalan terhadap permintaan aktual
selama periode tertentu]. Berikut rumus untuk menentukan error dengan metode
MAPE.

MAPE = ¿ %)/n

4. Verifikasi

Suatu cara memodifikasi pengaruh data masa lalu terhadap rata-rata

bergerak (Moving Range) sebagai alat meramal adalah dengan menetapkan berapa
banyak observasi terakhir yang diikutsertakan.

MR = ((Ft-1 – Dt-1) – (Ft – Dt))

MR rata-rata = ∑MR/(n-1)
UCL = 2,66 x MR rata-rata
LCL = -2,66 x MR rata-rata
A = 2/3 ± MR rata-rata
B = 1/3 ± MR rata-rata
C=0
 Perhitungan verifikasi dapat dilihat pada Tabel 8 dan kurvanya pada
Gambar 7.
Tabel 8 Perhitungan Verifikasi
Ft
Tahun Bulan t Dt F(t)-D(t) MR UCL LCL A+ A- B+ B- C

Januari 1 1517.92 -1517.92 831.21 -831.21 554.14 -554.14 277.07 -277.07 0.00
Februari 2 1205.41 -1205.41 312.51 831.21 -831.21 554.14 -554.14 277.07 -277.07 0.00
Maret 3 1731.53 1484.95 -246.58 958.83 831.21 -831.21 554.14 -554.14 277.07 -277.07 0.00
April 4 1741.76 1559.57 -182.19 64.39 831.21 -831.21 554.14 -554.14 277.07 -277.07 0.00
Mei 5 1611.26 1694.85 83.59 265.78 831.21 -831.21 554.14 -554.14 277.07 -277.07 0.00
Juni 6 2147.82 1833.61 -314.21 397.80 831.21 -831.21 554.14 -554.14 277.07 -277.07 0.00
2017
Juli 7 2573.85 2110.98 -462.88 148.67 831.21 -831.21 554.14 -554.14 277.07 -277.07 0.00
Agustus 8 2267.29 2329.65 62.36 525.24 831.21 -831.21 554.14 -554.14 277.07 -277.07 0.00
September 9 1272.02 2037.72 765.70 703.34 831.21 -831.21 554.14 -554.14 277.07 -277.07 0.00
Oktober 10 1049.52 1529.61 480.09 285.61 831.21 -831.21 554.14 -554.14 277.07 -277.07 0.00
November 11 919.68 1080.41 160.72 319.37 831.21 -831.21 554.14 -554.14 277.07 -277.07 0.00
Desember 12 883.48 950.89 67.42 93.31 831.21 -831.21 554.14 -554.14 277.07 -277.07 0.00
Januari 13 1451.37 1084.84 -366.53 433.94 831.21 -831.21 554.14 -554.14 277.07 -277.07 0.00
Februari 14 1230.42 1188.42 -42.00 324.53 831.21 -831.21 554.14 -554.14 277.07 -277.07 0.00
Maret 15 1205.90 1295.89 89.99 131.99 831.21 -831.21 554.14 -554.14 277.07 -277.07 0.00
April 16 706.84 1047.72 340.88 250.88 831.21 -831.21 554.14 -554.14 277.07 -277.07 0.00
Mei 17 1082.58 998.44 -84.14 425.01 831.21 -831.21 554.14 -554.14 277.07 -277.07 0.00
Juni 18 1468.78 1086.07 -382.72 298.58 831.21 -831.21 554.14 -554.14 277.07 -277.07 0.00
2018
Juli 19 1581.89 1377.75 -204.14 178.58 831.21 -831.21 554.14 -554.14 277.07 -277.07 0.00
Agustus 20 1201.77 1417.48 215.71 419.86 831.21 -831.21 554.14 -554.14 277.07 -277.07 0.00
September 21 928.00 1237.22 309.22 93.51 831.21 -831.21 554.14 -554.14 277.07 -277.07 0.00
Oktober 22 1066.85 1065.54 -1.31 310.53 831.21 -831.21 554.14 -554.14 277.07 -277.07 0.00
November 23 792.25 929.03 136.78 138.09 831.21 -831.21 554.14 -554.14 277.07 -277.07 0.00
Desember 24 884.57 914.56 29.99 106.79 831.21 -831.21 554.14 -554.14 277.07 -277.07 0.00
Rata-rata 312.48

Gambar 7 Moving Range Chart

Berdasarkan plot data error pada kurva verifikasi, terlihat bahwa tidak ada
data yang memiliki kondisi di luar kendali, yaitu terlihat dari tiga titik berturut-
turut tidak adanya dua titik atau lebih yang berada di daerah A. Dari lima titik
berturut-turut, tidak adanya empat atau lebih titik berada di daerah B dan tidak
adanya delapan titik berturut-turut di daerah C serta tidak ada yang diluar UCL
dan LCL.