MAKALAH STATISTIKA ANALISA DATA BERKALA

METODE MOVING AVERAGE DAN METODE LEAST SQUARE

Disusun Oleh :

1. ALI FADLI SODIQ (13210008)

2. M.AKBAR MAULANA (13210005)
3. RAHMAD (13210062)

TEKNOLOGI KOMPUTER
UNIVERSITAS BINA SARANA INFORMATIKA
2022
 KATA PENGANTAR

Puji syukur kami panjatkan kepada Tuhan yang Maha Esa, karena atas kehendaknya

kami dapat menyelesaikan makalah ini tepat pada waktunya. Dalam makalah ini kami

membahas tentang Data berkala dengan menggunakan Moving Average dan Least Square.

Makalah ini dibuat dalam rangka memperdalam pemahaman tentang Rata-rata bergerak

sederhana dan rata-rata bergerak tertimbang, keduanya akan kami bahas secara mendalam

dalam makalah ini.

Semoga makalah ini dapat dipergunakan sebagai salah satu acuan, petunjuk maupun

pedoman bagi pembaca. Harapan kami semoga makalah ini dapat membantu menambah

pengetahuan bagi para pembaca.

kami akui masih banyak kekurangannya, oleh karena itu saya harapkan kepada para

pembaca untuk memberikan masukan –masukan yang bersifat membangun untuk

kesempurnaan makalah ini. Sehingga kami dapat memperbaiki bentuk maupun isi makalah

ini sehingga kedepannya dapat lebih baik. Demikian makalah ini kami buat semoga

memberikan manfaat bagi yang membaca.

 DAFTAR ISI

Isi
KATA PENGANTAR.................................................................................................................................2
DAFTAR ISI.............................................................................................................................................3
BAB I PENDAHULUAN............................................................................................................................4
1.1.Latar Belakang.............................................................................................................................4
1.2.Rumusan Masalah.......................................................................................................................5
1.3.Tujuan Pembuatan Makalah........................................................................................................5
BAB II LANDASAN TEORI........................................................................................................................6
2.1.Pengertian Analisis Data Berkala.................................................................................................6
2.2. Pengertian Moving Average........................................................................................................6
2.3. Pengertian Least Square.............................................................................................................7
2.4.Metode........................................................................................................................................7
2.4.1. Peramalan (Forecasting)......................................................................................................7
2.4.2. Metode Peramalan Kuantitatif............................................................................................8
2.4.3. Komponen Data Berkala.............................................................................................9
2.5.Ciri-ciri Trend Sekuler................................................................................................................10
BAB III PEMBAHASAN.........................................................................................................................11
3.1. Metode Rata-rata Bergerak Moving Average...........................................................................11
3.1.1 Contoh Soal Metode Rata-rata Bergerak............................................................................11
3.2. Metode Least Square (Kuadrat terkecil)...................................................................................14
BAB IV PENUTUP..................................................................................................................................19
4.1.Kesimpulan................................................................................................................................19
4.2.Saran..........................................................................................................................................20
 BAB I PENDAHULUAN

1.1.Latar Belakang

Metode statistika adalah prosedur-prosedur yang digunakan dalam pengumpulan,

penyajian, analisis, dan penafsiran data. Metode statistika dibagi ke dalam dua kelompok
besar yaitu statistika deskriptif dan inferensi statistika. Statistika deskriptif merupakan
metode yang berkaitan dengan pengumpulan dan penyajian data sehingga memberikan
informasi yang berguna. Sedangkan inferensi statistika mencakup semua metode yang
berhubungan dengan analisis sebagian data untuk kemudian sampai pada peramalan atau
penarikan kesimpulan mengenai keseluruhan data (Walpole).

Analisa deret berkala adalah data yang dikumpulkan dari waktu kewaktu untuk
menggambarkan perkembangan suatu kegiatan (perkembangan, harga, hasil, penjualan,
jumlah penduduk, jumlah kecelakaan, jumlah kejahatan, dsb).

Metode Moving Average merupakan komponen deret berkala dari bagian Trend
Sekuler yang merupakan perkembangan suatu kejadian, gejala atau variabel yang mengikuti
“gerakan trend sekuler”.

Metode Moving Average biasanya digunakan oleh investor dan trader diseluruh
dunia, karena moving average mampu menghilangkan faktor subjektif dari setiap analisa.
Moving average menunjukan nilai harga rata-rata satu periodie tertentu. Pada saat harga
berubah, Moving Average bisa naik atau turun.

Metode Least Square (kuadrat terkecil) merupakan suatu metode analisis yang
ditujukan untuk melakukan suatu estimasi atau peramalan pada masa yang akan datang.
Untuk melakukan peramalan dengan baik maka dibutuhkan berbagai macam informasi (data)
yang cukup banyak dan diamati dalam periode waktu yang relatif cukup panjang. Metode ini
paling sering digunakan untuk meramalkan Y, karena perhitungannya lebih teliti.
1.2.Rumusan Masalah

1. Bagaimana cara menentukan rata – rata bergerak sederhana

2. Bagaimana cara penggunaan metode peramalan  dengan rata – rata bergerak (moving
average) menggunakan Microsoft Excel.
3. Bagaimana analis trend penjualan dengan metode least Square pada usaha sablon
pak rahmad periode januari 2020 sampai agustus 2021

1.3.Tujuan Pembuatan Makalah

Adapun tujuan dalam pembuatan makalah ini yaitu :

1. Mampu menganalisa data berkala dari waktu ke waktu dan Dapat menguasai
materi rata – rata bergerak sederhana dan rata – rata bergerak tertimbang,
2. Mampu menerapkan metode moving average dalam data sekunder dengan
menggunakan Microsoft Excel atau SPSS dan juga sebagai salah satu syarat
untuk nilai Ujian Akhir Semester.
3. Berkala dan ingin mengetahui cara penghitungan ramalan penjualan
menggunakan Metode Least Square
 BAB II LANDASAN TEORI

2.1.Pengertian Analisis Data Berkala

Data yang dikumpulkan dari waktu ke waktu untuk menggambarkan perkembangan
suatu kegiatan (perkembangan produksi, harga, hasil penjualan, jumlah penduduk, jumlah
kecelakaan, jumlah kejahatan, jumlah unit, dll).

Serangkaian nilai-nilai variabel yang disusun berdasarkan waktu.

Serangkaian data yang terdiri dari variabel Yi yang merupakan serangkaian hasil
observasi dan fungsi dari variabel Xi yang merupakan variabel waktu yang bergerak secara
seragam dan ke arah yang sama, dari waktu yang lampau ke waktu yang mendatang.

Data berkala atau runtut waktu adalah serangkaian pengamatan terhadap peristiwa,
kejadian atau variabel yang diambil dari waktu ke waktu, dicatat secara teliti menurut urut-
urutan waktu terjadinya, kemudian disusun sebagai data statistik.

Dari suatu runtut waktu akan dapat diketahui pola perkembangan suatu peristiwa,
kejadian atau variabel. Jika perkembangan suatu peristiwa mengikuti suatu pola yang teratur,
maka berdasarkan pola perkembangan tersebut akan dapat diramalkan peristiwa yang bakal
terjadi dimasa yang akan datang.

2.2. Pengertian Moving Average

Moving Average adalah indikator yang menghitung harga rata-rata suatu aset dalam
periode waktu tertentu, kemudian menghubungkannya dalam bentuk garis. Nilai rata-rata bisa
berasal dari harga pembukaan (open), penutupan (close), tertinggi (high), terendah (low),
ataupun pertengahan (median). 

Moving Average adalah bagian dari indikator lagging. Artinya, metode ini

berlandaskan peristiwa sebelumnya dan menerangkan informasi mengenai data riwayat pasar.
Kegunaannya bukan sebagai alat prediksi, melainkan memberi konfirmasi.
 2.3. Pengertian Least Square

 Memahami Analisis Seri Berkala Data yang dikumpulkan dari waktu ke waktu untuk
menggambarkan evolusi aktivitas (evolusi produksi, harga, hasil penjualan, populasi, jumlah
kecelakaan, jumlah kejahatan, dll)
Deret waktu atau time series adalah serangkaian pengamatan terhadap peristiwa,
peristiwa, atau variabel yang dicatat dari waktu ke waktu, dicatat dengan cermat sesuai urutan
kemunculannya, dan kemudian disusun sebagai data statistik.

2.4.Metode

2.4.1. Peramalan (Forecasting)

Peramalan dapat dilakukan secara kuantitatif ataupun kualitatif. Pengukuran

kuantitatif menggunakan metode statistik, sedangkan pengukuran kualitatif berdasarkan

pendapat (judgment) dari yang melakukan peramalan. Berkaitan dengan itu, dalam peramalan

dikenal istilah prakiraan dan prediksi.

Peramalan didefinisikan sebagai proses peramalan suatu variabel (kejadian) di masa

datang dengan berdasarkan data variabel yang bersangkutan pada masa sebelumnya. Data

masa lampau itu secara sistematik digabungkan dengan menggunakan suatu metode tertentu

dan diolah untuk memperoleh prakiraan keadaan pada masa datang.

Jenis-jenis peramalan dapat dibagi dalam tiga bagian, yaitu peramalan jangka panjang,

menengah, dan jangka pendek:

Berdasarkan horizon waktu, Jenis-jenis peramalan dapat dibagi dalam tiga bagian, yaitu

peramalan jangka panjang, menengah, dan jangka pendek.

1. Peramalan jangka panjang, yaitu yang mencakup waktu lebih besar dari 24 bulan, misalnya

peramalan yang diperlukan dalam kaitannya dengan penanaman modal, perencanaan fasilitas,

dan perencanaan untuk kegiatan litbang.

2. Peramalan jangka menengah, yaitu antara 3-24 bulan, misalnya peramalan untuk

perencanaan penjualan, perencanaan dan anggaran produksi.

3. Peramalan jangka pendek, yaitu untuk jangka waktu kurang dari 3 bulan, misalnya

peramalan dalam hubungannya dengan perencanaan pembelian material, penjadwalan kerja,

dan penugasan.

2.4.2. Metode Peramalan Kuantitatif

Pada dasarnya, metode kuantitatif yang digunakan dalam prakiraan dapat dikelompokkan dalam

dua jenis, yaitu metode serial waktu dan metode kausal:

1. . Metode serial waktu (deret berkala, time series) adalah metode yang digunakan untuk

menganalisis serangkaian data yang merupakan fungsi dari waktu. Metode ini

mengasumsikan bahwa beberapa pola atau kombinasi pola selalu berulang sepanjang

waktu, dan pola dasar dapat diidentifikasi semata-mata atas dasar data historis dari serial

itu. Tujuan analisis ini untuk menemukan pola deret variabel yang bersangkutan

berdasarkan nilai-nilai variabel pada masa sebelumnya, dan mengekstrapolasikan pola itu

untuk membuat peramalan nilai variabel tersebut pada masa datang.

2. Metode kausal (causal/explanatory model) mengasumsikan bahwa faktor yang

diprakirakan menunjukkan adanya hubungan sebab akibat dengan satu atau beberapa

variabel bebas (independen). Misalnya, permintaan printer berhubungan dengan jumlah

penjualan komputer, atau jumlah pendapatan berhubungan dengan faktor-faktor, seperti

jumlah penjualan, harga jual, dan tingkat promosi. Kegunaan metode kausal untuk

menemukan bentuk hubungan antara variabel-variabel dan menggunakannya untuk

meramalkan nilai dari variabel tidak bebas (dependen).

2.4.3. Komponen Data Berkala
Pola gerakan runtut waktu atau deret berkala dapat dikelompokan kedalam 4 (empat)
pola pokok.Pola ini bisanya disebut sebagai komponen dari deret berkala (runtut
waktu). Empat komponen deret berkala itu adalah:
1. Trend Sekunder, yaitu gerakan yang berjangka panjang,lamban seolah – olah
alun ombak dan berkecendrungan menuju kesatu arah, arah menaik atau
menurun.
2. Variasi Musim, yaitu ayunan sekitar trend yang bersifat musiman serta kurang
lebih teratur.
3. Variasi Siklus, yaitu ayunan trend yang berjangka lebih panjang dan agak
lebih teratu
4. Variasi Random/Residu, yaitu gerakan yang tidak teratur sama sekali.

Gerakan atau variasi dari data berkala juga terdiri dari empat komponen, yaitu:
1. Gerakan/VariasiTrend jangka panjang atau Trend Sekuler
(long term movements or seculer trend)
Suatu gerakan ( garis atau kurva yang halus ) yang menunjukan arah perkembangan
secara umum (kecenderungan menaik atau menurun).
Trend Sekunder umumnya meliputi gerakan yang lamanya sekitar 10 tahun atau lebih.
Garis trend sangat berguna untuk membuat ramalan (Forecasting), yang merupakan
perkiraan untuk masa depan yang diperlukan bagi perencanaan.
2. Gerakan/Variasi Siklis atau Siklus (cyclical movementsor variation)
Gerakan Siklis adalah gerakan/variasi jangka panjang disekitar garis trend (Berlaku
untuk data tahunan).
Gerakan Siklis terjadi berulang – ulang namun tidak perlu periodic, artinya bisa
berulang setelah jangka waktu tertentu (Setiap 3 tahun, 5 tahun atau lebih) atau bisa
juga tidak berulang dalam jangka waktu yang sama.
Gerakan Siklis yang sempurna atau melukiskan terjadinya empat fase kejadian dalam
jangka waktu tertentu, yakni kemajuan / kemakmuran (Prosperity), kemunduran /
resesi (Recession), depresi (Depression) dan pemulihan (Recovery).
 3. Gerakan/Variasi Musiman (seasonal movements or variation)
Gerakan Musiman yang mempunyai pola tetap atau berulang – ulang secara teratur
selama kurang lebih setahun. Faktor utama yang menyebabkan gerakan ini adalah
iklim dan kebiasaan.
4. Gerakan/Variasi Random/Residu(Irregular or random variations)
Gerakan atau variasi yang disebabkan oleh faktor kebetulan (Chance Factor). Gerakan
yang berbeda tapi dalam waktu yang singkat, tidak diikuti dengan pola yang teratur
dan tidak dapat diperkirakan.
Peperangan, banjir, gempa bumi, perubahan politik, pemogokan dan sebagainya,
adalah beberapa faktor yang terkenal, yang bisa menyebabkan gerakan ini terjadi,
sehingga mempengaruhi kegiatan – kegiatan perdagangan, perindustrian, keuangan
dll.

2.5.Ciri-ciri Trend Sekuler

Trend (T) atau Trend Sekuler ialah gerakan dalam data berkala yang berjangka panjang,
lamban dan berkecenderungan menuju ke satu arah, arah menaik atau menurun. Umumnya
meliputi gerakan yang lamanya 10 tahun atau lebih.

Trend sekuler dapat disajikan dalam bentuk :

Persamaan trend, baik persamaan linear maupun persamaan non linear
Gambar/grafik yang dikenal dengan garis / kurva trend, baik garis lurus maupun garis
melengkung.

Trend juga sangat berguna untuk membuat ramalan yang sangat diperlukan bagi perencanaan,
misalnya :
Menggambarkan hasil penjualan /Jumlah penduduk / jumlah kecelakaan / jumlah kejahatan /
jumlah unit, dll.
Perkembangan produksi harga Volume penjualan dari waktu ke waktu, dll

Trend digunakan dalam melakukan peramalan (forecasting). Metode yang biasanya dipakai,
antara lain adalah Metode Semi Average dan Metode Least Square.

BAB III PEMBAHASAN

3.1. Metode Rata-rata Bergerak Moving Average

Rumus Moving Average atau Rata-rata Bergerak adalah sebagai berikut :

MA = ΣX / Jumlah Periode

Keterangan :
MA = Moving Average
ΣX = Keseluruhan Penjumlahan dari semua data periode waktu yang diperhitungkan
Jumlah Periode = Jumlah Periode Rata-rata bergerak

Atau dapat ditulis dengan :

MA = (n1 + n2 + n3 + …) / n
Keterangan :
MA = Moving Average
n1 = data periode pertama
n2 = data periode kedua
n3 = data periode ketiga dan seterusnya
n = Jumlah Periode Rata-rata bergerak

3.1.1 Contoh Soal Metode Rata-rata Bergerak

Untuk memudahkan pemahaman sobat, silahkan simak contoh soal dan jawaban moving
average method berikut ini :

1. Perusahaan PT. Indonesia yang bergerak di bidang manufakturing Laptop ingin

meramalkan penjualan Laptop untuk bulan April dan Mei dengan menggunakan data
bulanannya yang dimulai dari bulan Januari. Periode Rata-rata bergeraknya adalah 3 bulan.
Lakukan perkiraan dengan metode rata-rata bergerak.

Bulan Penjualan (unit) Perkiraan (unit)

Januari 22.500 –

February 37.500 –

Maret 30.000 –

April ?

Mei ?

Jawaban :

Perkiraan Penjualan untuk bulan April adalah :

MA April = (22.500 + 37.750 + 30.000) / 3
MA April = 90.000 / 3
MA April = 30.000

Jadi perkiraan penjualan ponsel pada bulan April adalah sekitar 30.000 unit.

Kita dapat melanjutkan lagi untuk bulan Mei dengan menggunakan data perkiraan yang
dihitung tersebut atau dengan menunggu hasil aktual pada bulan yang bersangkutan.
Misalnya data aktual pada bulan April yang didapat adalah 35.000 unit, maka perhitungannya
adalah sebagai berikut :

MA Mei = (37.500 + 30.000 + 35.000) / 3

MA Mel = 102.500 / 3
MA Mei = 34.167

Dengan perhitungan tersebut didapat bahwa perkiraan penjualan ponsel untuk Mei
adalah sekitar 34.167 unit.

Catatan : Untuk perhitungan bulan Mei, Penjualan pada bulan Januari dihilangkan dan
digantikan dengan hasil penjualan pada bulan April. Hal ini karena perhitungan Moving
Average atau Rata-rata Bergerak kita adalah 3 bulanan.

Kita dapat membuat tabel peramalan penjualan dengan tabel seperti berikut ini :

Bulan Penjualan (unit) Perkiraan (unit)

Januari 22.500 –

Februari 37.500 –

Maret 30.000 –

April 35.000 30.000

Mei ? 34.167

Kita dapat melanjutkan tabel ini setelah mendapatkan data-data aktua penjualannya. Berikut
ini adalah contoh tabel dan grafik perhitungan peramalan atau perkiraan penjualan beserta
data aktual penjualannya.
Perkiraan Penjualan vs. Data Aktual Penjualan dengan Metode Rata-Rata Bergerak

2. Dari data berikut, tentukan estimasi produksi menggunakan metode rata-rata bergerak.

Tahun Produksi (Y)

1997 300

1998 320

1999 260

2000 400

2001 410

2002 412

Jawaban :

Tahun Produksi (Y) Jumlah Produksi / 3 th

1997 300 –

1998 320 880 293,333

 1999 260 980 326,666

2000 400 1070 356,666

2001 410 1222 407,333

2002 412 –

Dari tabel di atas, maka estimasi produksi bisa dilihat di kolom rata-rata bergerak 3 tahun,
misalnya estimasi produksi untuk tahun 2001 adalah 407 unit.

3.2. Metode Least Square (Kuadrat terkecil)

Metode ini paling sering digunakan untuk meramalkan Y, karena perhitungannya lebih teliti.

Persamaan garis trend yang akan dicari ialah

Y ‘ = a0 +bx

a = (SY) / n

b = (SYx) / Sx2

dengan :

    Y ‘    = data berkala (time series) = taksiran nilai trend.

    a0     = nilai trend pada tahun dasar.

    b     = rata-rata pertumbuhan nilai trend tiap tahun.

    x     = variabel waktu (hari, minggu, bulan atau tahun).

Untuk melakukan penghitungan, maka diperlukan nilai tertentu pada variabel waktu (x)
sehingga jumlah nilai variabel waktu adalah nol atau Sx = 0.

Untuk n ganjil maka n = 2k + 1 ® X k+1 = 0

 Jarak antara dua waktu diberi nilai satu satuan.

 Di atas 0 diberi tanda negatif
 Dibawahnya diberi tanda positif.
Untuk n genap maka n = 2k ® X ½ [k+(k+1)] = 0

 Jarak antara dua waktu diberi nilai dua satuan.

 Di atas 0 diberi tanda negatif
 Dibawahnya diberi tanda positif.

CONTOH SOAL:

Tentukanlah persamaan trend linier jumlah karet (ton) yang dimuat di Pelabuhan
Tanjung Priok tahun 2010 – 2015.

TAHUN Y (barang) X (waktu) YX X^2

2010 10 -5 -50 25

2011 12 -3 -36 9

2012 15 -1 -15 1

2013 9 1 9 1

2014 11 3 33 9

2015 14 5 70 25

71 11 70
 

Berdasarkan tabel tersebut data tahun sebanyak 6 tahun sehingga diperoleh: n = 6

Untuk n genap maka n = 2k à k = n/2 = 6/2 = 3 ® X ½ [k+(k+1)] = X ½ [3+(3+1)]
= X ½ [3+(4)]

= X 7/2 = X 3,5 = 0

 Jarak antara dua waktu diberi nilai dua satua

 Di atas 0 diberi tanda negatif
  Dibawahnya diberi tanda positif.

Artinya Tahun dasar nol terletak antara tahun ke 3 dan ke 4 (tahun 2012 dan tahun 2013).
Sehingga tidak terlihat di tabel tersebut untuk X = 0.

Dengan data dari Tabel tersebut diperoleh perhitungan:

a = (SY) / n = 71 / 6 = 11,83

b = (SYx) / Sx2 = 11 / 70 = 0,16

sehingga diperoleh persamaan trend:

Y ‘ = a0 +bx à Y ‘ = 11,83 + 0,16 x

Jika ditanyakan Tahun 2009 (artinya X = – 7) maka diperoleh:

Y ‘ = 11,83 + 0,16 x = 11,83 + 0,16 (-7) = 11,83 – 1,12 = 10,71

Jika ditanyakan Tahun 2017 (artinya X = 9) maka diperoleh:

Y ‘ = 11,83 + 0,16 x = 11,83 + 0,16 (9) = 11,83 + 1,44 = 13,27

CONTOH SOAL:

Tentukanlah persamaan trend linier jumlah karet (ton) yang dimuat di Pelabuhan
Tanjung Priok tahun 2010 – 2016.

TAHUN Y (barang) X (waktu) YX X^2

 2010 10 -3 -30 9

2011 12 -2 -24 4

2012 15 -1 -15 1

2013 9 0 0 0

2014 11 1 11 1

2015 14 2 28 4

2016 20 3 60 9

91 30 28
 

Berdasarkan tabel tersebut data tahun sebanyak 7 tahun sehingga diperoleh: n = 7

Untuk n ganjil maka n = 2k + 1 ® k = (n-1)/2 = (7-1)/2 = 6/2 = 3 à X k+1 = 0 à X 3 + 1 = X4

=0

 Jarak antara dua waktu diberi nilai satu satuan.

 Di atas 0 diberi tanda negatif
  Dibawahnya diberi tanda positif.

Artinya Tahun dasar nol terletak di Tahun ke 4 (tahun 2013). Sehingga terlihat seperti di tabel
tersebut untuk X = 0.

Dengan data dari Tabel tersebut diperoleh perhitungan:

a = (SY) / n = 91 / 6 = 15,17

b = (SYx) / Sx2 = 30 / 28 = 1,07

sehingga diperoleh persamaan trend:

Y ‘ = a0 +bx à Y ‘ = 15,17 + 1,07x

Jika ditanyakan Tahun 2009 (artinya X = – 4) maka diperoleh:

Y ‘ = 15,17 + 1,07x = 15,17 + 1,07 (-4) = 10,89

Jika ditanyakan Tahun 2017 (artinya X = 4) maka diperoleh:

Y ‘ = 15,17 + 1,07x = 15,17 + 1,07 (4) = 19,45

BAB IV PENUTUP

4.1.Kesimpulan
 Kesimpulan dari materi tentang Analisa data berkala dengan metode moving average

adalah SMA dihitung dengan cara menambahkan harga yang akan dihitung kemudian dibagi

dengan periode lama waktunya. Sedangkan WMA data diurutkan secara tertimbang,

kemudian dibagi dengan faktor bilangan binomial. Metode rata-rata bergerak merupakan

metode pengolahan data kuantitatif.

Kegunaan dari Moving Average yaitu moving average menentukan trend yang akan

terjadi, menentukan titik support dan resistance pergerakan harga, memuluskan indikator lain

yang terlalu bergerigi. Metode simple averages menggunakan rata-rata dari semua data

peramalan.

Peramalan yang diberikan oleh metode least square dalam data berkala cukup baik, itu

menunjukkan bahwa metode least square merupakan metode yang lebih teliti sehingga sering

digunakan untuk menghitung data berkala. Selain itu metode least square juga dapat

digunakan tidak hanya untuk meramalkan penjualan tetapi berbagai macam peramalan

lainnya, contohnya saja perkembangan produksi, dll.

Ramalan penjualan hanya perkiraaan atas penjualanan dimasa yang akan datang,

jarang sekali penjualan akan sama dengan ramalan penjualan, oleh karena itu akan terjadi

penyimpangan / perbedaan antara penjualan dengan ramalan penjualan baik jumlah penjualan

diatas / melebihi jumlah ramalan penjualan maupun jumlah penjualan dibawah / kurang dari

jumlah ramalan penjualan.

4.2.Saran

Pada perhitungan dengan metode least square tentunya juga diperlukan ketelitian dan
kecermatan agar tidak terjadi kesalahan, untuk memperkecil kesalahan pada metode least

square ini bisa menggunakan MS. Excel.

Mengenai analisa data menggunakan metode moving average, semoga para pembaca

mampu memahami apa yang kami maksutkan dan pembaca mampu menerapkan metode ini

menggunakan Ms.Excel ataupun penerapan dalam kehidupan sehari-hari.