Modul Peramalan Bisnis 2019

PERAMALAN BISNIS
Analisis Kasus dengan Microsoft Excel
Gesit Thabrani
Ilham Thaib
PERAMALAN BISNIS
Analisis Kasus dengan Microsoft Excel
Gesit Thabrani
Ilham Thaib
JURUSAN MANAJEMEN
FAKULTAS EKONOMI
UNIVERSITAS NEGERI PADANG
KATA PENGANTAR
Syukur Alhamdulillah, berkat rahmat dan karunia Allah SWT, akhirnya penulis
bisa menyelesaikan buku praktikum dengan judul Praktikum Peramalan Bisnis.
Buku ini disusun dengan tujuan agar dapat memberikan pemahaman praktis bagi
pengguna dalam melakukan peramalan dalam bisnis. Teknik-teknik peramalan
yang dibahas dalam buku ini meliputi model-model time series yaitu naïve, rata-
rata sederhana (simple average), rata-rata bergerak (moving average), pemulusan
eksponensial (exponential smoothing), proyeksi trend (trend projection),
dekomposisi, serta model kausal yaitu regresi sederhan (simple regression) dan
regresi berganda (multiple regression).
Pengerjaan dan penyelesaian setiap pembahasan dapat dilakukan secara manual

dan atau menggunakan software-software pengolahan data, seperti Microsoft
excel, ExcelOM, POM for Windows ataupun Minitab.
Penulis sangat menyadari buku ini masih memiliki banyak kekurangan, sehingga
penulis sangat mengharapkan saran dan masukan dari semua pihak yang dapat
membantu agar buku ini bisa diperbaiki menjadi lebih baik.
Terakhir penulis berterima kasih kepada semua pihak yang telah ikut
berkontribusi dan membantu dalam pembuatan buku ini. Semoga Allah SWT
membalas segala kebaikan dengan pahala yang berlipat ganda.
Padang, Maret 2014

Penulis,
Gesit Thabrani
i
DAFTAR ISI
KATA PENGANTAR ...................................................................................... i
DAFTAR ISI .................................................................................................... ii
Pendahuluan: Apa itu Peramalan dalam Bisnis................................................. 1
Praktikum 1 Eksplorasi Pola Data Time-Series............................................... 4
Praktikum 2 Mengukur Kesalahan Peramalan ................................................ 12
Praktikum 3 Peramalan dengan Metode Naïve dan Rata-rata Sederhana......... 19
Praktikum 4 Peramalan dengan Metode Rata-rata Bergerak ........................... 25
Praktikum 5 Peramalan dengan Metode Rata-rata Bergerak yang Berbobot ... 30
Praktikum 6 Peramalan dengan Metode Pemulusan Eksponensial .................. 41
Praktikum 7 Peramalan dengan Metode Pemulusan Eksponensial Ganda ....... 50
Praktikum 8 Peramalan dengan Metode Proyeksi Trend................................. 56
Praktikum 9 Peramalan dengan Analisis Regresi Sederhana........................... 62
Praktikum 10 Peramalan dengan Analisis Regresi Berganda ............................ 73
Praktikum 11 Variabel Dummy dalam Peramalan Regresi serta Memilih
Persamaan Regresi Terbaik ....................................................... 81
Praktikum 12 Variasi Musim pada Peramalan Time Series ............................... 89
Praktikum 13 Dekomposisi pada Peramalan Time Series ................................. 95
Praktikum 14 Analisis Regresi untuk Data Time Series .................................. 105
DAFTAR PUSTAKA
ii
Pendahuluan
Apa itu Peramalan dalam Bisnis?
1.1 Pengertian Peramalan (Forecasting)

Manajemen dalam organisasi privat maupun publik serta organisasi
manufaktur dan jasa beroperasi dalam kondisi ketidakpastian atau berisiko,
sehingga fungsi yang paling penting dalam bisnis adalah peramalan (forecasting).
Peramalan merupakan titik awal dari perencanaan.
Tujuan dari peramalan adalah mengurangi risiko dalam pengambilan
keputusan dengan membuat prediksi yang baik. Peramalan yang baik adalah yang
mempertimbangan berbagai data yang akurat, menggunakan pendekatan ilmiah
dan melakukan langkah-langkah peramalan secara sistematis.
Peramalan berkaitan dengan upaya memperkirakan apa yang terjadi di masa
depan, berbasis pada metode ilmiah (ilmu dan teknologi) serta dilakukan secara
sistematis. Walaupun demikian, kegiatan peramalan tidaklah semata-mata
berdasarkan prosedur ilmiah atau terorganisir, karena ada kegiatan peramalan
yanga menggunakan intuisi (perasaan) atau lewat diskusi informal dalam sebuah
grup.
1.2 Memilih Metode Peramalan

Peramalan dapat dibedakan berdasarkan metode atau pendekatan yang
dilakukan dalam peramalan. Berdasarkan pendekatan ini, model peramalan dapat
dibedakan menjadi menjadi tiga kategori: model time-series, model kausal, dan
model kualitatif.
1) Model time-series
Model time-series mencoba untuk memprediksi masa yang akan datang
dengan menggunakan data masa lalu. Model ini menggunakan asumsi bahwa
apa yang terjadi di masa yang akan datang merupakan fungsi dari kejadian di
1
Pendahuluan Apa itu Peramalan dalam Bisnis?
masa lalu. Berarti, model ini akan menggunakan data masa lalu untuk
meramalkan masa depan.
Peramalan dilakukan dengan dasar mengamati adanya pola tertentu dari
data. Asumsi yang digunakan adalah adanya pola tertentu setiap data time
series. Misal adanya kenaikan penjualan pada musim lebaran, penurunan
penjualan pada waktu tertentu, kenaikan penjualan dalam kurun wakti tertentu,
dan pola-pola lainnya. Yang dilakukan adalah mengamati pola, memasukkan
model yang tepat, dan melakukan prediksi.
Model time-series itu antara lain; moving average, exponential smoothing,
trend projection dan decomposition.
2) Model kausal
Model kausal memasukkan variabel atau faktor yang mungkin
mempengaruhi kuantitas yang diramalkan ke dalam model peramalan.
Misalnya, penjualan soft drink perhari mungkin dipengaruhi oleh musim, rata-
rata temperatur, kelembaban udara, dan sebagainya. Model kausal mungkin
akan memasukkan semua faktor tersebut ke dalam peramalan penjualan soft
drink tersebut. Model kausal bisa juga memasukkan data penjualan masa lalu.
Peramalan dilakukan dengan dugaan adanya hubungan di antara
sejumlah variabel. Pada model ini dikembangkan pemilihan mana variabel
dependen dan mana variabel independen. Kemudian proses dilanjutkan
dengan membuat sebuah model (biasanya dengan model regresi) dan
memprediksi berdasarkan model tersebut.
3) Model kualitatif
Jika model time-series dan model kausal menggunakan data kuantitatif,
maka model kualitatif mencoba memasukkan pendapat atau faktor-faktor
subyektif ke dalam model peramalan, seperti opini ahli dan pengalaman
individu. Model kualitatif akan sangat berguna jika memang faktor subyektif
sangat diperlukan atau pada saat data-data kuantitatif yang akurat sulit untuk
diperoleh. Diantara model kualitatif adalah metode Delphi, jury of executive
opinion, sales force composite dan consumer market survey.
2
Pendahuluan Apa itu Peramalan dalam Bisnis?
Dalam memilih sebuah metode peramalan, perlu dipertimbangkan beberapa

faktor, diantaranya: tingkat kerincian peramalan, apakah diperlukan peramalan
yang sangat detail (peramalan mikro), atau peramalan makro yang dibutuhkan;
apakah peramalan diperlukan untuk jangka panjang atau jangka pendek;
sejauhmana metode kualitatif yang dibutuhkan atau kuantitatif.
Model-model peramalan yang akan dibahas pada buku ini dapat digambarkan
dalam Gambar 1.1 berikut ini:
Teknik-teknik
Peramalan
Model Model Model

Time-Series Kausal Kualitatif
Moving Analisis Regresi Metode

Average Sederhana Delphi
Exponential Analisis Regresi Nominal Group

Smoothing Berganda Technique
Proyeksi Trend Sales Force

Opinion
Decomposition Consumer
Market Survey
Gambar 1.1 Teknik Peramalan
3
Praktikum 1
Eksplorasi Pola Data Time-Series
2.1 Tujuan
Peserta diharapkan paham dan mampu untuk mengenali pola dari data observasi
sehingga dapat memilih metode peramalan yang tepat.
2.2 Kajian Teori

Pengertian dan Pentingnya Data
Jika ingin menguji suatu hipotesis atau ingin membuat suatu peramalan yang
didasarkan pada suatu model, maka perlu dilakukan pengumpulan data. Data
dapat didefinisikan sebagai unit terkecil dari sejumlah informasi tentang keadaan
objek penelitian. Hasil penelitian sangat dipengaruhi oleh kualitas data, minimal
harus memenuhi dua persyaratan; akurasi (accuracy) dan aktualitas (actuality).
Akurasi data hasil pengamatan harus memenuhi kriteria objektivitas dan
mewakili. Aktualitas data harus memenuhi kriteria tepat waktu (up to date) dan
relevan dengan permasalahan yang akan dipecahkan. Data hasil pengamatan yang
tidak benar dan sudah terlalu lama atau out of date akan berpengaruh terhadap
hasil, bisa salah dan tidak valid. Data yang akan diprediksi secara umum dapat
dibagi menjadi dua tipe, yakni data kualitatif dan data kualitatif.
Pembagian Data
Data dapat dibedakan berdasarkan waktu pengumpulannya, yang terbagi menjadi
data runtut waktu (time-series) dan data cross section.
Data runtut waktu (time-series) atau data berkala adalah data yang datanya
menggambarkan sesuatu dari waktu ke waktu atau periode secara historis. Contoh
data time series adalah data perkembangan nilai tukar dollar amerika terhadap
euro Eropa dari tahun 2004 sampai 2006, Data penjualan bulanan sepeda motor di
4
Praktikum 1 Eksplorasi Pola Data Time Series
daerah A dari tahun 2000 sampai 2007. Ciri data time series adalah adanya
rentang waktu tertentu, dan bukannya data pada satu waktu tertentu.
Data cross section adalah data yang menunjukkan titik waktu tertentu.
Contohnya laporan keuangan per 31 Desember 2012, data pelanggan PT. AHP
bulan Mei 2004, data biaya promosi di sepuluh area pemasaran produk X selama
bulan Januari 2012 (data hanya diambil untuk satu bulan saja).
Secara ringkas, perbedaan antara data time-series dengan data cross-section
adalah: data cross-section memiliki variabel lebih dari satu, namun jangka waktu
pengamatan hanya satu waktu tertentu, sedangkan data time-series hanya
memiliki satu variabel, namun jangka waktu pengamatan dapat banyak.
Eksplorasi Pola Data Time-Series

Data time-series merupakan sekumpulan data numerik tentang peristiwa pada
waktu yang berurutan atau berjarak sama (mingguan, bulanan, kuartal, dan lain-
lain). Peramalan berdasarkan hanya pada nilai atau kondisi masa lalu, tidak ada
faktor penting lainnya. Mengasumsikan faktor yang berpengaruh di masa lalu dan
sekarang akan berpengaruh pula di masa datang. Komponen time-series adalah:
1) Tren (trend), merupakan pergerakan data sedikit demi sedikit meningkat atau
menurun
2) Musim (seasonal), adalah pola data yang berulang pada kurun waktu tertentu
seperti hari, minggu, bulan, atau kuartal
3) siklus (cyclical), adalah pola dalam data yang terjadi setiap beberapa tahun
4) Variasi acak (random), merupakan satu titik khusus dalam data, yang
disebabkan oleh peluang dan situasi yang tidak biasa
5
Sumber: Heizer & Render (2009)

Gambar 2.1 Komponen Time-Series
Uji pola data pada intinya adalah menguji apakah sebuah data dapat dikatakan
stasioner atau tidak. Jika pada data terdapat trend atau ada komponen musiman
atau siklus, maka data tidak dapat dikatakan stasioner. Namun sebaliknya, jika
pada data tidak ada trend, musiman atau siklus, maka data dapat dikatakan
stasioner. Stasioneritas data penting untuk menentukan lebih jauh metode
peramalan apa yang tepat dilakukan. Metode untuk data yang stasioner akan
berbeda dengan metode peramalan untuk data yang tidak stasioner.
Data stasioner adalah data di mana rata-rata nilainya tidak berubah dari waktu
ke waktu, atau dapat dikatakan data bersifat stabil. Sebaliknya data dapat saja
tidak stasioner, ketika pada uji pola data didapati adanya trend atau pola seasonal
(pengaruh musim). Melihat terlebih dahulu apakah data bersifat stasioner ataukah
tidak stasioner penting untuk menentukan metode peramalan yang akan
digunakan.
Pengujian stasioneritas data dapat dilakukan dengan dua cara:
1. Melihat Tampilan Grafik Data

Cara yang cukup praktis adalah melihat tampilan grafik data. Data observasi
diplot ke dalam diagram scatter (scatter diagram). Jika ada unsur trend, maka
terlihat data dari waktu ke waktu cenderung semakin naik atau semakin turun.
Sebaliknya jika data stasioner, grafik akan relatif tidak menaik atau menurun.
6
2. Analisis otokorelasi (autocorrelation analysis)

Jika data diukur selama satu periode waktu yang berurutan, sering terjadi
korelasi antara nilai data pada suatu waktu tertentu dengan nilai data tersebut pada
1 periode waktu sebelumnya (lagged) atau lebih. Korelasi ini dapat dihitung
dengan menggunakan koefisien otokorelasi. Pola data, termasuk komponen trend,
musiman, dan acak dapat dianalisis dengan menggunakan pendekatan analisis
otokorelasi.
Untuk menghitung koefisien otokorelasi derajat k (rk) diantara observasi-
observasi selama k periode sebelumnya: korelasi antara Yt dengan Yt-k.
 Y  
nk
t  Y Yt  k  Y
rk  t 1
n
k = 0, 1, 2, …

t 1
(Y t  Y ) 2
dimana,
rk = koefisien otokorelasi untuk satu lag pada periode ke-k
𝑌 = rata-rata dari nilai seri data
𝑌 = observasi pada periode waktu t
𝑌 = observasi pada k periode sebelumnya
Jika jumlah lag waktu (k) semakin besar, maka koefisien otokorelasinya
semakin rendah. Dari koefisien korelasi dapat disimpulkan:
a) Jika data bersifat acak, maka korelasi antara Yt dengan Yt-1 mendekati nol,
dan nilai runtut waktu berikutnya tidak terkait sama sekali.
b) Jika data berpola trend, maka Yt dan Yt-1 terkorelasi cukup kuat dan
koefisien otokorelasi biasanya secara signifikan tidak sama dengan nol
untuk beberapa lag waktu pertama kali dan kemudian secara perlahan turun
mendekati nol jika jumlah periode waktu meningkat.
c) Jika data punya pola musiman, maka koefisien otokorelasi yang signifikan
akan terjadi pada suatu lag waktu yang cocok: 4 untuk data kuartalan dan 12
untuk data bulanan.
7
2.3 Kasus untuk Kerja

Kasus Toko Elektronik Buset. Budi Setyanto sebagai pemilik toko Buset telah
mengumpulkan data penjualan CD Player 12 bulan tahun lalu seperti pada Tabel
1.1. Budi ingin melakukan peramalan untuk periode ke-13. Oleh karena itu, Budi
perlu mengetahui pola dari data penjualan tahun lalu tersebut agar dapat memilih
metode peramalan yang tepat.
Tabel 1.1 Data Penjualan CD Player Toko Elektronik Buset

Waktu Penjualan Waktu Penjualan
Bulan Bulan
(t) (Yt) (t) (Yt)
1 Januari 123 7 Juli 141
2 Pebruari 130 8 Agustus 146
3 Maret 125 9 September 147
4 April 138 10 Oktober 157
5 Mei 145 11 Nopember 150
6 Juni 142 12 Desember 160
2.4 Petunjuk Kerja

1) Memplot data observasi ke dalam diagram scatter (grafik)
2) Tentukan pola data berdasarkan diagram scatter!
3) Hitung koefisien otokorelasi derajat 1 (lag 1)!
4) Hitung koefisien otokorelasi derajat 2 (lag 2)!
5) Tentukan pola data berdasarkan koefisien otokorelasi lag 1 dan lag 2!
8
2.5 Lembar Kerja

a) Plot data dalam diagram scatter
b) Berdasarkan diagram scatter di atas, pola dari data penjualan Toko Buset
adalah:
..........................................................................................................................
..........................................................................................................................
Karena,
..........................................................................................................................
..........................................................................................................................
..........................................................................................................................
..........................................................................................................................
..........................................................................................................................
..........................................................................................................................
..........................................................................................................................
..........................................................................................................................
9
c) Menghitung koefisien otokorelasi lag 1
t Yt Yt - 1 (𝒀𝒕 − 𝒀) (𝒀𝒕 𝟏 − 𝒀) (𝒀𝒕 − 𝒀)𝟐 (𝒀𝒕 − 𝒀)(𝒀𝒕 𝟏 − 𝒀)
1 123
2 130 123
3 125 130
4 138 125
5 145 138
6 142 145
7 141 142
8 146 141
9 147 146
10 157 147
11 150 157
12 160 150
Nilai Yt rata-rata = 𝒀 adalah:
Nilai koefisien otokorelasi pertama (𝑟 ) adalah:
10
d) Menghitung nilai koefisien otokorelasi kedua (r ) adalah:
t Yt Yt - 2 (𝒀𝒕 − 𝒀) (𝒀𝒕 𝟐 − 𝒀) (𝒀𝒕 − 𝒀)𝟐 (𝒀𝒕 − 𝒀)(𝒀𝒕 𝟐 − 𝒀)

1 123
2 130
3 125 123
4 138 130
5 145 125
6 142 138
7 141 145
8 146 142
9 147 141
10 157 146
11 150 147
12 160 157
Nilai koefisien otokorelasi kedua (𝑟 ) adalah:
Berdasarkan nilai koefisien otokorelasi pertama (𝑟 ) dan kedua (𝑟 ), maka

disimpulkan pola dari data observasi adalah:
............................................................................................................................................
............................................................................................................................................
............................................................................................................................................
11
Praktikum 2 Mengukur Kesalahan Peramalan
Praktikum 2
Mengukur Kesalahan Peramalan
2.1 Tujuan
Peserta diharapkan paham dan mampu untuk mengukur kesalahan peramalan dari
setiap metode yang digunakan sehingga dapat memilih metode peramalan yang
tepat.
2.2 Kajian Teori

Sebagian besar peramalan menggunakan metode peramalan kuantitatif. Dalam
pembahasan sebelumnya disebutkan bahwa untuk menentukan metode yang bisa
digunakan dalam peramalan kita perlu mempertimbangkan jangka waktu, pola
data, model data dan jumlah data yang dimiliki. Bagaimana menentukan metode
apa yang paling tepat untuk itu? Kita tidak dapat mengatakan metode A lebih baik
daripada metode B, karena tidak ada metode yang selalu lebih baik daripada
metode yang lain. Bisa saja dalam suatu kondisi, metode terbaik adalah moving
average dengan k = 3, namun untuk data yang lain, metode terbaik adalah
exponential smoothing dengan α = 0,2.
Jika penggunaan metode sudah dianggap benar dalam arti telah
mempertimbangkan jangka waktu, pola data, model atau jenis data serta jumlah
data yang tersedia, maka pemilihan metode peramalan terbaik sebaiknya
didasarkan pada tingkat kesalahan prediksi. Seperti diketahui, tidak ada metode
peramalan yang dapat meramal dengan tepat data di masa yang akan datang,
setiap peramalan pasti akan menghasilkan kesalahan (error).
Kesalahan adalah penyimpangan atau selisih antara hasil peramalan dengan
kondisi sebenarnya (aktual). Hal inilah yang menjadi pedoman untuk menentukan
kelayakan sebuah metode peramalan. Semakin kecil tingkat kesalahan yang
dihasilkan, semakin tepat sebuah metode dalam memprediksi.
12
Tujuan menghitung kesalahan peramalan adalah memperoleh peramalan

yang paling akurat, apapun teknik yang digunakan. Sehingga, pengukuran
kesalahan peramalan dapat disebut juga penghitungan ketepatan pengukuran
(accuracy measures). Secara umum, caranya adalah dengan memilih model yang
memberikan kepada kita tingkat kesalahan peramalan yang paling kecil.
Rumus umum menghitung error adalah:
𝑒 =𝑌 −𝑌
dimana,
𝑒 = kesalahan peramalan pada periode waktu t
𝑌 = nilai aktual pada periode waktu t
𝑌 = nilai peramlan pada periode waktu t
Ada 3 cara yang dapat digunakan untuk mengevaluasi teknik peramalan
1. Mean Absolute Deviation (MAD)

Simpangan absolut rata-rata ini mengukut akurasi peramalan dengan
merata-ratakan secara absolute kesalahan peramalan. MAD sangat berguna
jika seorang analis ingin mengukur kesalahan peramalan dalam unit ukuran
yang sama seperti data aslinya.
Rumus menghitung MAD:
1
𝑀𝐴𝐷 = 𝑌 −𝑌
𝑛
2. Mean Square Error (MSE)

MSE merupakan metode alternatif dalam mengevaluasi suatu teknik
peramalan. Setiap kesalahan atau residual dikuadratkan, kemudian
13
dijumlahkan dan dibagi dengan jumlah observasi. Pendekatan ini menghukum

suatu kesalahan peramalan yang besar karena dikuadratkan.
Pendekatan ini penting karena suatu teknik yang menghasilkan kesalahan
yang moderat lebih disukai oleh suatu peramalan yang biasanya menghasilkan
kesalahan yang lebih kecil tetapi kadang-kadang menghasilkan kesalahan
yang sangat besar.
Rumus menghitung MSE:
1
𝑀𝑆𝐸 = (𝑌 − 𝑌 )
𝑛
3. Mean Absolute Percentage Error (MAPE)

Kadang kala lebih bermanfaat jika kita menghitung kesalahan peramalan
dengan menggunakan persentase daripada nilai absolutnya. Persentase
kesalahan dihitung dengan menemukan kesalahan absolut setiap periode,
kemudian membaginya dengan nilai observasi pada periode tersebut, dan
akhirnya merata-ratakan persentase absolut tersebut.
Pendekatan ini sangat berguna jika ukuran variabel peramalan merupakan
faktor penting dalam mengevaluasi akurasi peramalan. MAPE memberikan
petunjuk seberapa besar kesalahan peramalan dibandingkan dengan nilai
sebenarnya dari series tersebut.
Rumus menghitung MAPE:
1 𝑌 −𝑌
𝑀𝐴𝑃𝐸 =
𝑛 𝑌
Ketiga pengukuran kesalahan peramalan tersebut sangat berguna untuk

menggambarkan beberapa hal berikut ini:
a) Untuk membandingkan tingkat akurasi peramalan dari dua atau lebih
metode peramalan
14
b) Untuk mengukur kegunaan atau reliabilitas suatu teknik peramalan

c) Untuk menemukan teknik peramalan yang optimal

Kasus Bengkel Mobil Quick. Tabel 2.1 di bawah ini menunjukkan data jumlah
mobil yang diservis per hari di bengkel Mobil Quick serta hasil ramalan dengan 2
metode peramalan untuk setiap waktu tersebut. Metode peramalan 1
menggunakan jumlah mobil yang diservis pada periode sebelumnya sebagai nilai
peramalan untuk periode sekarang, dan metode 2 menggunakan pemulusan
eksponensial dengan α = 0.5. Evaluasilah hasil pengukuran dengan menggunakan
MAD, MSE, MAPE! Mana diantara kedua metode peramalan yang memberikan
hasil perhitungan lebih baik?
Tabel 2.1 Data Mobil yang diservis serta Hasil Ramalan

Hasil Ramalan (𝒀𝒕 )
Jumlah Mobil
Waktu Metode 2
yang diservis Metode 1
(hari) (exponential
(𝒀𝒕 ) (naïve)
smoothing)
1 58 - 58.0
2 54 58 58.0
3 60 54 56.0
4 55 60 58.0
5 62 55 56.5
6 62 62 59.3
7 65 62 60.6
8 63 65 62.8
9 70 63 62.9
10 71 70 66.5
15
2.4 Petunjuk Kerja

a) Hitung hasil ramalan pesanan setiap bulan dengan metode peramalan 1
b) Hitung kesalahan peramalan dengan menghitung nilai MAD, MSE, dan
MAPE
c) Hitung ramalan pesanan setiap bulan dengan metode peramalan 2
d) Menghitung kesalahan peramalan dengan menghitung nilai MAD, MSE, dan
MAPE
e) Menentukan metode yang paling tepat di antara kedua metode dengan
membandingkan nilai MAD, MSE, dan MAPE kedua metode tersebut!
2.5 Lembar Kerja

a) Tabel Perhitungan Evaluasi Metode Peramalan 1
Jumlah Kesalahan (error)
Waktu Ramalan
Mobil
(t) (𝒀𝒕 ) 𝒆𝒕 |𝒆𝒕 | 𝒆𝒕 𝟐 (|𝒆𝒕 |⁄𝒀𝒕 )%
(𝒀𝒕 )
1 58 -
2 54 58
3 60 54
4 55 60
5 62 55
6 62 62
7 65 62
8 63 65
9 70 63
10 71 70
Total
16
b) Tabel Perhitungan Evaluasi Metode Peramalan 2

Waktu Ramalan
Mobil
(t) (𝒀𝒕 ) 𝒆𝒕 |𝒆𝒕 | 𝒆𝒕 𝟐 (|𝒆𝒕 |⁄𝒀𝒕 )%
(𝒀𝒕 )
1 58 58.0
2 54 58.0
3 60 56.0
4 55 58.0
5 62 56.5
6 62 59.3
7 65 60.6
8 63 62.8
9 70 62.9
10 71 66.5
Total
c) Analisis Kesalahan Peramalan Metode Peramalan 1:
MAD
MSE
MAPE
17
d) Analisis Kesalahan Peramalan Metode Peramalan 2:
MAD
MSE
MAPE
e) Memilih metode yang paling tepat

Diantara kedua metode peramalan di atas, yang paling tepat untuk digunakan
meramalkan jumlah mobil yang akan diservis bengkel pada periode ke 11
adalah:
............................................................................................................................
............................................................................................................................
............................................................................................................................
Karena,
............................................................................................................................
............................................................................................................................
............................................................................................................................
18
Praktikum 3
Peramalan dengan Metode Naïve dan
Rata-rata Sederhana
3.1 Tujuan
Peserta diharapkan paham dan mampu untuk melakukan peramalan dengan
metode Naïve dan Rata-rata Sederhana untuk data observasi time-series serta
dapat menentukan metode metode peramalan yang tepat.
3.2 Kajian Teori

Metode Naive
Para pebisnis sering kali dihadapkan pada kondisi kurang atau sedikitnya data
yang tersedia untuk melakukan peramalan bisnisnya. Sementara itu, sebagian
besar teknik peramalan mensyaratkan kecukupan atau sejumlah besar data. Untuk
mengatasi persoalan ini, pendekatan naïve (naïve method) merupakan metode
sederhana yang dapat digunakan untuk melakukan peramalan.
Model peramalan yang paling sederhana ini menganggap bahwa pengamatan
pada periode waktu yang baru saja berlalu (tahun lalu, bulan lalu dan sebagainya)
adalah alat peramalan yang terbaik untuk meramalkan keadaan di masa datang.
Misal, jika penjualan pada bulan Januari adalah sebesar 120 unit produk, maka
diramalkan penjualan di bulan Pebruari adalah sebesar 120 unit juga.
Walaupun terlihat sederhana, metode ini kadang-kadang sangat efektif dan
efisien dari segi biaya. Model naïve ini akan sangat memuaskan jika data aktual
secara historis mengalami perubahan yang sedikit. Bahkan untuk produk-produk
baru, peramalan dengan metode naïve ini menjadi titik awal yang baik untuk
memperkirakan permintaan. Sebaliknya, kelemahan metode ini adalah apabila
terjadi fluktuasi yang besar terhadap data aktual.
19
Praktikum 3 Peramalan dengan Metode Naïve dan Rata-rata Sederhana
Rumus menghitung dengan metode Naïve:
𝑌 =𝑌
dimana,
𝑌 = peramalan untuk periode waktu ke- t + 1
𝑌 = nilai aktual pada periode waktu ke-t
Metode Rata-rata Sederhana

Manajer perusahaan seringkali dihadapkan pada kondisi dimana mereka harus
melakukan peramalan terhadap berbagai jenis barang, bahkan bisa ratusan atau
ribuan jumlahnya. Tidak mungkin bagi manajer menemukan teknik peramalan
yang tepat bagi setiap jenis barang karena akan membutuhkan waktu yang
panjang dan biaya yang besar. Karena itu dibutuhkan suatu metode yang simpel
dan murah untuk melakukan itu semua. Manajer yang menghadapi situasi seperti
di atas dapat menggunakan pendekatan rata-rata (average).
Pendekatan rata-rata yang paling sederhana adalah metode simple average
atau rata-rata sederhana. Metode ini menggunakan sejumlah data aktual masa lalu
untuk menghasilkan peramalan. Menghitung rata-rata dasar dan meramalkan nilai
pada periode berikutnya.
Rumus yang digunakan:
1
𝑌 = 𝑌
𝑡
Jika satu data tersedia, maka peramalan untuk periode berikutnya adalah
rata-rata dari data aktual dari periode yang lalu sampai periode data terbaru.
Metode rata-rata sederhana akan cocok digunakan apabila rangkaian data
cenderung stabil atau dengan kata lain pola data observasi adalah stasioner.
20

Kasus Office Supplies Andi M. Perusahaan ini menjual peralatan kantor ke
beberapa perusahaan dan sekolah di kota tempat perusahaan berada. Bisnis ini
sangat tinggi tingkat persaingannya, kemampuan perusahaan menghantarkan
pesanan pelanggan dengan cepat dan tepat akan sangat menentukan keberhasilan
mendapatkan pelanggan baru dan mempertahankan pelanggan lama. (Kantor
biasanya memesan peralatan pada saat persediaan mereka sudah habis sehingga
mereka menginginkan pesanan mereka segera dipenuhi. Manajer perusahaan ingin
memastikan jumlah kendaraan dan sopir yang dibutuhkan agar semua pesanan
dapat terlayani. Karena itu, ia perlu meramalkan berapa banyak pesanan yang
harus diantar bulan depan. Tabel 3.1 memperlihatkan data 10 bulan terakhir
pesanan yang diantar ke alamat pelanggan. Ramalkan berapa banyak pesanan
yang harus diantar pada bulan Nopember dengan menggunakan metode naïve dan
rata-rata sederhana!
Tabel 3.1 Data Pesanan yang Diantar dalam 10 bulan Terakhir

Periode Jumlah pesanan yang
Bulan (t) diantar
Januari 1 120
Februari 2 90
Maret 3 100
April 4 75
Mei 5 110
Juni 6 50
Juli 7 75
Agustus 8 130
September 9 110
Oktober 10 90
21
3.4 Petunjuk Kerja

a) Tentukan pola data di atas dengan memplot data observasi ke dalam grafik
(diagram scatter)
b) Hitung hasil ramalan pesanan setiap bulan dengan metode naïve
c) Hitung kesalahan peramalan dengan menghitung nilai MAD, MSE, dan
MAPE
d) Hitung ramalan pesanan setiap bulan dengan metode rata-rata sederhana
e) Menghitung kesalahan peramalan dengan menghitung nilai MAD, MSE, dan
MAPE
f) Menentukan metode yang paling tepat di antara kedua metode dengan
membandingkan nilai MAD, MSE, dan MAPE kedua metode tersebut!
3.5 Lembar Kerja

Berdasarkan diagram scatter di atas, pola dari data pesanan Office Supplies
adalah:
................................................................................................................................
................................................................................................................................
22
b) Tabel Perhitungan Peramalan dengan Metode Naive

Waktu Ramalan
Pesanan
(t) (𝒀𝒕 ) 𝒆𝒕 |𝒆𝒕 | 𝒆𝒕 𝟐 (|𝒆𝒕 |⁄𝒀𝒕 ) %
(𝒀𝒕 )
1 120
2 90
3 100
4 75
5 110
6 50
7 75
8 130
9 110
10 90
Total
MAD
MSE
MAPE
Hasil ramalan pesanan barang bulan Nopember dengan metode Naïve:
23
c) Tabel Perhitungan Peramalan dengan Metode Rata-rata Sederhana

Waktu Ramalan
Pesanan
(t) (𝒀𝒕 ) 𝒆𝒕 |𝒆𝒕 | 𝒆𝒕 𝟐 (|𝒆𝒕 |⁄𝒀𝒕 ) %
(𝒀𝒕 )
1 120
2 90
3 100
4 75
5 110
6 50
7 75
8 130
9 110
10 90
Total
MAD
MSE
MAPE
Hasil ramalan pesanan barang bulan Nopember dengan metode Rata-rata

Sederhana:
meramalkan pesanan bulan Nopember adalah:
............................................................................................................................
............................................................................................................................
............................................................................................................................
24
Praktikum 4
Peramalan dengan Metode Rata-rata Bergerak
4.1 Tujuan
metode Rata-rata bergerak (moving average) untuk data observasi time-series
serta dapat menentukan metode peramalan yang tepat.
4.2 Kajian Teori

Metode moving average (rata-rata bergerak) digunakan oleh para peramal untuk
pola data yang cenderung stabil atau stasioner dengan variasi data yang kecil.
Akan tetapi, adakalanya ada diantara data observasi tersebut yang memiliki variasi
yang sangat berbeda. Misalnya data penjualan perminggu menunjukkan angka
yang berkisar 20 sampai 24 unit produk. Namun ada minggu tertentu dimana
jumlah penjualan bisa mencapai 40 unit. Kondisi ini disebut iiregular, karena
jumlahnya tidak banyak namun mempunyai nilai yang cukup besar bedanya
dengan nilai rata-rata. Nilai ini juga bersifat random, karena munculnya tidak
dapat diperkirakan dan bersifat acak.
Metode rata-rata bergerak ini digunakan untuk menghilangkan fluktuasi data
khususnya data-data yang iiregular. Metode ini juga beranggapan bahwa data-data
masa lalu masih berkaitan dengan data sekarang sehingga bisa digunakan untuk
meramalkan masa depan. Proses rata-rata ini dilakukan secara kontinu dari data
observasi masa lalu terus bergerak ke data masa sekarang, karena data obsevasi
terbaru mempunyai pengaruh yang lebih dekat daripada data yang lebih lama.
Rumus untuk menghitung peramalan dengan moving average:

𝑌 +𝑌 + ⋯+ 𝑌
𝑌 =
𝑘
Dimana,
𝑌 = ramalan untuk periode berikutnya
25
Praktikum 4 Peramalan dengan Metode Rata-rata Bergerak
𝑌 = nilai aktual pada periode ke-t

𝑘 = jumlah data dalam moving average
Rata-rata bergerak untuk peramalan periode ke-t adalah rata-rata dari k data
observasi terbaru. Dalam metode ini, bobot dari setiap observasi dianggap sama.
Tingkat respon terhadap perubahan pola data dipengaruhi oleh jumlah data, k,
dalam rata-rata bergerak tersebut.
Penggunaan metode moving average untuk data stasioner sehingga metode
ini tidak cukup baik untuk mengakomodir apabila ada pengaruh trend dan musim
pada data observasi. Namun, metode ini dianggap lebih baik daripada rata-rata
sederhana. Peramal harus menentukan berapa nilai k yang akan digunakan dalam
peramalan. Jika digunakan nilai k = 1, atau MA (1) maka nilai peramalan akan
sama dengan metode naïve.

Kasus Office Supplies Andi M. Perusahaan ini menjual peralatan kantor ke
beberapa perusahaan dan sekolah di kota tempat perusahaan berada. Bisnis ini
sangat tinggi tingkat persaingannya, kemampuan perusahaan menghantarkan
pesanan pelanggan dengan cepat dan tepat akan sangat menentukan keberhasilan
mendapatkan pelanggan baru dan mempertahankan pelanggan lama. (Kantor
biasanya memesan peralatan pada saat persediaan mereka sudah habis sehingga
mereka menginginkan pesanan mereka segera dipenuhi. Manajer perusahaan ingin
memastikan jumlah kendaraan dan sopir yang dibutuhkan agar semua pesanan
dapat terlayani. Karena itu, ia perlu meramalkan berapa banyak pesanan yang
harus diantar bulan depan. Tabel 4.1 memperlihatkan data 10 bulan terakhir
pesanan yang diantar ke alamat pelanggan.
Ramalkan berapa banyak pesanan yang harus diantar pada bulan Nopember
dengan menggunakan metode moving average 3 bulan (MA-3) dan metode
moving average 5 bulan (MA-5)!
26
Tabel 4.1 Data Pesanan yang Diantar dalam 10 bulan Terakhir

Periode Jumlah pesanan yang
Bulan
(t) diantar
Januari 1 120
Februari 2 90
Maret 3 100
April 4 75
Mei 5 110
Juni 6 50
Juli 7 75
Agustus 8 130
September 9 110
Oktober 10 90
4.4 Petunjuk Kerja

a) Hitung hasil ramalan pesanan pada kasus di atas setiap bulan dengan metode
moving average 3 bulan!
b) Hitung kesalahan peramalan dengan menghitung nilai MAD, MSE, dan
MAPE!
c) Hitung ramalan penjualan produk setiap bulan dengan metode moving average
5 bulan!
d) Hitung kesalahan peramalan dengan menghitung nilai MAD, MSE, dan
MAPE!
e) Tentukan metode yang paling tepat di antara metode yang ada dengan
membandingkan nilai MAD, MSE, dan MAPE semua metode tersebut!
27
4.5 Lembar Kerja

a) Tabel Perhitungan Peramalan Metode Moving Average 3 Bulan
Waktu Ramalan
Pesanan
(t) (𝒀𝒕 ) 𝒆𝒕 |𝒆𝒕 | 𝒆𝒕 𝟐 (|𝒆𝒕 |⁄𝒀𝒕 ) %
(𝒀𝒕 )
1 120
2 90
3 100
4 75
5 110
6 50
7 75
8 130
9 110
10 90
Total
MAD
MSE
MAPE
Hasil ramalan pesanan barang bulan Nopember dengan metode Moving

Average 3 bulan:
28
b) Tabel Perhitungan Peramalan Metode Moving Average 5 Bulan

Waktu Ramalan
Pesanan
(t) (𝒀𝒕 ) 𝒆𝒕 |𝒆𝒕 | 𝒆𝒕 𝟐 (|𝒆𝒕 |⁄𝒀𝒕 ) %
(𝒀𝒕 )
1 120
2 90
3 100
4 75
5 110
6 50
7 75
8 130
9 110
10 90
Total
MAD
MSE
MAPE
Hasil ramalan pesanan barang bulan Nopember dengan metode Moving

Average 5 bulan:
meramalkan pesanan bulan Nopember adalah:
............................................................................................................................
............................................................................................................................
............................................................................................................................
29
Praktikum 5
Peramalan dengan Metode Rata-rata Bergerak
yang Berbobot
5.1 Tujuan
metode Weighted Moving Average serta dapat menentukan bobot yang optimal
untuk peramalan dengan menggunakan software Solver pada Excel.
5.2 Kajian Teori

Seperti yang telah dibahas sebelumnya, dalam metode rata-rata bergerak semua
data observasi diasumsikan memiliki bobot yang sama. Misalnya, dalam
menggunakan MA-3 bulan, tiga data periode sebelumnya digunakan untuk
meramalkan periode yang akan datang dengan menghitung rata-rata dari ketiga
data-data periode sebelumnya dengan bobot ketiga data sama atau dengan kata
lain ketiga data dianggap sama pentingnya.
Akan tetapi terdapat pada beberapa kasus, data pada satu periode dianggap
lebih penting dari data periode yang lain untuk meramalkan masa depan.
Misalnya, data periode yang lebih baru akan lebih penting daripada data periode
yang lebih lama. Hal ini sangat mungkin terjadi untuk kasus dimana data
observasi memperlihatkan adanya pengaruh trend dan pola data lainnya. Untuk
itu, dapat digunakan metode rata-rata bergerak yang tertimbang atau berbobot
(weighted moving average).
Pemilihan bobot setiap periode waktu dapat dilakukan dengan cara
sembarang, karena memang tidak ada aturan baku penentuan bobot. Biasanya
pembobotan lebih berdasarkan pengalaman dan intuisi. Dapat juga dilakukan
perhitungan ramalan dengan beberapa tingkat bobot, kemudian diuji manakah
ramalan yang memberikan nilai kesalahan lebih kecil (nilai MAD, MSE dan
MAPE), maka bobot tersebut yang dianggap lebih tepat.
Praktikum 5 Peramalan dengan Metode Rata-rata Bergerak yang Berbobot
Rumus untuk menghitung ramalan dengan metode rata-rata bergerak tertimbang:

∑௞௜ୀଵ ௜ × ௧
௧ =
∑௞௜ୀଵ ௜
Dimana,
௧ = peramalan dengan menggunakan metode rata-rata bergerak tertimbang
dengan periode-k
k = jumlah data dalam rata-rata bergerak tertimbang
௜ = besar bobot dari periode ke-i
Memilih Besar Bobot Optimal dengan Solver Add-Ins

Sebagaimana dijelaskan sebelumnya, penggunaan besaran bobot dalam metode
weighted moving average dilakukan secara sembarang atau coba-coba. Namun
kita dapat mendapatkan besaran bobot yang optimal jika kita telah tetapkan
periode rata-rata bergerak (k) dalam peramalan kita dengan menggunakan
software solver pada Microsoft excel.
Solver adalah software tambahan (Add-Ins) pada excel yang dapat kita panggil
dengan cara:
Pada office button > klik excel option yang ada pada bagian bawah, sehingga
muncul tampilan sebagaimana berikut ini:
31
Kemudian kita klik add-Ins, sehingga muncul:
32
Klik Analysis ToolPak > dan klik Go sehingga muncul tampilan:
Pilih atau contreng (√) Analysis ToolPak, Analysis ToolPak-VBA dan Solver
Add-In, kemudian klik Ok. Maka computer akan menginstalkan Add-In tersebut
33
ke dalam program Excel kita. Sehingga jika telah terinstal akan muncul pada Tab
Data seperti pada gambar berikut:
Jika software solver sudah terinstal ke dalam komputer, maka kita dapat
menghitung bobot optimal bagi metode weighted moving average kita dengan
cara:
Klik Solver pada Tab Data sehingga muncul tampilan berikut:
Kemudian kita isi/pilih sebagai berikut:
1) Pada Set Target Cell kita pilih $J$18, dan pada Equal To: kita pilih Min,
karena fungsi tujuan kita adalah meminimumkan nilai MAPE (sel J18)
2) Pada By Changing Cells: kita masukkan $D$6:$D$8, karena kita ingin
mengubah bobot dari rata-rata bergerak kita
34
3) Pada Subject to the Constraints: kita masukkan $D$21 = 1, karena kita

ingin menetapkan bahwa jumlah bobot kita adalah 1.
4) Kemudian, pada Option, kita klik Assume Non-Negative dan jangan mengklik
Assume Linear Model karena formula untuk fungsi tujuan kita (yaitu MAPE)
adalah nonlinier.
Kemudian kita klik OK dan muncul kembali tampilan berikut:
Selanjutnya kita pilih Solve, sehingga muncul hasil perhitungan dengan bobot
optimal.
35

Kasus CV Mekar Kayu. CV Mekar Kayu adalah sebuah perusahaan yang
memproduksi dan menjual produk yang dibuat dari kayu seperti meja, kursi dan
lemari kantor. CV Mekar ingin meramalkan penjualan lemari kantor di masa yang
akan datang dengan berbasiskan penjualan 12 bulan terakhir sebagaimana pada
Tabel 5.1.
Tabel 5.1 Data Penjualan Lemari Kantor CV. Mekar Kayu

Periode Penjualan
Bulan
(t) Lemari
Januari 1 10
Februari 2 12
Maret 3 16
April 4 13
Mei 5 17
Juni 6 19
Juli 7 15
Agustus 8 20
September 9 22
Oktober 10 19
Nopember 11 21
Desember 12 19
5.4 Petunjuk Kerja

a) Plot data ke dalam diagram scatter!
b) Hitung ramalan penjualan produk pada setiap bulan dengan metode weighted
moving average 3 bulan dengan bobot 1, 2, 3!
MAPE!
d) Tentukan bobot optimal dengan Solver-Add Ins!
e) Hitung ramalan penjualan produk pada setiap bulan dengan metode weighted
moving average 3 bulan dengan bobot optimal!
36
f) Hitung kesalahan peramalan dengan menghitung nilai MAD, MSE, dan

MAPE!
g) Tentukan metode yang paling tepat di antara metode yang ada dengan
5.5 Lembar Kerja

b) Berdasarkan diagram scatter di atas, pola dari data penjualan Lemari Kantor
CV Mekar adalah:
.....................................................................................................................
.....................................................................................................................
Karena,
.....................................................................................................................
.....................................................................................................................
.....................................................................................................................
.....................................................................................................................
.....................................................................................................................
37
c) Tabel Perhitungan Peramalan Metode Weighted Moving Average 3 Bulan

dengan bobot 1, 2, 3
Penjualan Kesalahan (error)
(|࢚ |⁄࢚ ) %
Waktu Lemari Ramalan
(t) (࢚ ) ࢚)
( ࢚ |࢚ | ࢚ ૛
1 10
2 12
3 16
4 13
5 17
6 19
7 15
8 20
9 22
10 19
11 21
12 19
Total
MAD
MSE
MAPE
Hasil ramalan pesanan barang bulan Januari tahun depan (periode 13) dengan
metode Weighted Moving Average 3 bulan dengan bobot 1, 2, 3
38
d) Menentukan bobot optimal untuk WMA-3 bulan dengan software solver

Besar bobot optimal adalah
e) Tabel Perhitungan Peramalan Metode Weighted Moving Average 3 Bulan

dengan bobot optimal
(|࢚ |⁄࢚ ) %
Waktu Lemari Ramalan
(t) (࢚ ) ࢚)
( ࢚ |࢚ | ࢚ ૛
1 10
2 12
3 16
4 13
5 17
6 19
7 15
8 20
9 22
10 19
11 21
12 19
Total
MAD
MSE
MAPE
39
Hasil ramalan pesanan barang bulan Januari tahun depan (periode 13) dengan
metode Weighted Moving Average 3 bulan dengan bobot optimal
40
Praktikum 6
Peramalan dengan Metode Pemulusan
Eksponensial
6.1 Tujuan
metode Exponential Smoothing serta dapat menentukan konstanta yang optimal
untuk peramalan dengan menggunakan software Solver pada Excel.
6.2 Kajian Teori

Pemulusan eksponensial (Exponential Smoothing) adalah suatu prosedur yang
mengulang perhitungan secara terus-menerus dengan menggunakan data terbaru.
Metode ini didasarkan pada perhitungan rata-rata (pemulusan) data-data masa lalu
secara eksponensial. Metode ini beranggapan bahwa semakin jauh periode sebuah
data dari data terbaru maka semakin kecil bobot pengaruhnya terhadap periode
yang akan datang. Setiap data diberi bobot, dimana data yang lebih baru diberi
bobot yang lebih besar. Bobot yang digunakan adalah α untuk data yang paling
baru, α (1- α) digunakan untuk data yang agak lama, α(1 - α)2 untuk data yang
lebih lama lagi, dan seterusnya. Sehingga bobot semakin kecil seiring semakin
jauhnya periode dari masa sekarang. Namun demikian, bobot tidak pernah
mencapai angka nol, hanya makin lama bobot data terjauh makin tidak berarti
dibandingkan dengan data terkini.
Dalam bentuk yang mulus, ramalan yang baru (untuk waktu t + 1) dapat
dianggap sebagai rata-rata yang diberi bobot terhadap data terbaru (pada waktu t)
dan ramalan yang lama (untuk waktu t). Bobot α diberikan pada data terbaru, dan
bobot 1 - α diberikan pada ramalan yang lama, di mana 0 < α < 1. Sehingga,
= × + 1 − ×
41
Praktikum 6 Peramalan dengan Metode Pemulusan Eksponensial
Maka, rumus pemulusan eksponensial dapat dituliskan sebagai berikut:

௧ାଵ = ௧ + 1 − ௧
Dimana:
௧ାଵ = ramalan periode berikutnya
= konstanta penghalus (0 < < 1)
௧ = nilai aktual dari data pada periode t
௧ = nilai ramalan lama pada periode t
Dari persamaan pemulusan eksponensial di atas, dapat terlihat bahwa

proses metode ini secara terus-menerus merevisi sebuah angka saat data terkini
muncul. Konstanta penghalus ( ) dapat ditentukan dengan cara trial and error,
misalnya untuk = 0,1 atau = 0,5.
Untuk memulai proses forecasting dengan metode pemulusan
eksponensial, ada proses yang disebut dengan initializing model atau warming up
the model. Proses ini adalah menentukan angka awal (initial value) sebesar
tertentu agar proses peramalan dapat berjalan. Ada beberapa cara untuk
menentukan angka inisial, misalnya yang paling banyak adalah menggunakan data
observasi paling awal sebagai angka inisial. Namun beberapa software peramalan
mungkin menggunakan angka inisial yang berbeda, sehingga sangat mungkin
terjadi perbedaan hasil peramalan satu software dengan software yang lain,
walaupun perbedaan tersebut cukup kecil.
Menggunakan Solver Add-Ins untuk Menentukan Nilai α yang Optimal
Agar nilai konstanta pemulusan (α) tidak ditentukan dengan cara coba-coba, maka
kita dapat menggunakan software Solver Add-Ins.
Caranya:
Klik Solver pada Tab Data sehingga muncul tampilan berikut:
42
Kemudian kita isi/pilih sebagai berikut:
1) Pada Set Target Cell kita pilih $I$18, dan pada Equal To: kita pilih Min,
karena fungsi tujuan kita adalah meminimumkan nilai MAPE (sel I18)
2) Pada By Changing Cells: kita masukkan $C$21, karena kita ingin mengubah
nilai alpha
3) Pada Subject to the Constraints: kita masukkan $D$21 <= 1, karena kita
ingin menetapkan bahwa konstanta tidak boleh lebih besar dari 1.
4) Kemudian, pada Option, kita klik Assume Non-Negative dan jangan
mengklik Assume Linear Model karena formula untuk fungsi tujuan kita
(yaitu MAPE) adalah nonlinier.
43
Kemudian kita klik OK dan muncul kembali tampilan berikut:
Selanjutnya kita pilih Solve, sehingga muncul hasil perhitungan dengan

konstanta optimal.

lemari kantor. CV Mekar ingin meramalkan penjualan meja kerja di masa yang
44
Tabel 6. Ramalkan penjualan meja CV Mekar untuk periode berikutnya (bulan

September) dengan menggunakan metode pemulusan eksponensial dengan
nilai = 0,1 dan = 0,5 serta dengan nilai optimal!
Tabel 6. Data Penjualan Meja Kerja CV. Mekar Kayu
Bulan Periode ( t ) Penjualan Meja

Januari 1 180
Februari 2 168
Maret 3 159
April 4 175
Mei 5 190
Juni 6 205
Juli 7 180
Agustus 8 182
6.4 Petunjuk Kerja

b) Hitung ramalan penjualan produk pada setiap bulan dengan metode
exponential smoothing dengan nilai = 0,1!
MAPE!
d) Hitung ramalan penjualan produk pada setiap bulan dengan metode
exponential smoothing dengan nilai = 0,5!
e) Hitung kesalahan peramalan dengan menghitung nilai MAD, MSE, dan
MAPE!
f) Tentukan nilai konstanta ( ) optimal dengan Solver-Add Ins!
g) Hitung ramalan penjualan produk pada setiap bulan dengan metode
exponential smoothing dengan konstanta ( ) optimal!
45
h) Hitung kesalahan peramalan dengan menghitung nilai MAD, MSE, dan

MAPE!
i) Tentukan metode yang paling tepat di antara metode yang ada dengan
6.5 Lembar Kerja

b) Berdasarkan diagram scatter di atas, pola dari data penjualan meja kantor CV
Mekar adalah:
.....................................................................................................................
.....................................................................................................................
Karena,
.....................................................................................................................
.....................................................................................................................
.....................................................................................................................
.....................................................................................................................
.....................................................................................................................
46
c) Tabel Perhitungan Peramalan Metode Exponential Smoothing dengan

nilai = 0,1
Penjualan Ramalan Kesalahan (error)

Waktu
(t) Meja (࢚ ) ࢚)
( ࢚ |࢚ | ࢚ ૛ (|࢚ |⁄࢚ ) %
1 180
2 168
3 159
4 175
5 190
6 205
7 180
8 182
Total
MAD
MSE
MAPE
d) Hasil ramalan pesanan barang bulan September (periode 9) dengan Metode

Exponential Smoothing dengan nilai = 0,1
47
e) Tabel Perhitungan Peramalan Metode Exponential Smoothing dengan

nilai = 0,5
Ramalan Kesalahan (error)

Waktu Penjualan
(t) Meja (࢚ ) ࢚)
( ࢚ |࢚ | ࢚ ૛ (|࢚ |⁄࢚ ) %
1 180
2 168
3 159
4 175
5 190
6 205
7 180
8 182
Total
MAD
MSE
MAPE
f) Hasil ramalan pesanan barang bulan September (periode 9) dengan Metode

Exponential Smoothing dengan nilai = 0,5
g) Menentukan konstanta ( ) optimal untuk dengan software solver

Besar konstanta ( ) optimal adalah
48
h) Tabel Perhitungan Peramalan Metode Exponential Smoothing dengan nilai

optimal

Waktu
(t) Meja (࢚ ) ࢚)
( ࢚ |࢚ | ࢚ ૛ (|࢚ |⁄࢚ ) %
1 180
2 168
3 159
4 175
5 190
6 205
7 180
8 182
Total
MAD
MSE
MAPE
i) Hasil ramalan pesanan barang bulan September (periode 9) dengan Metode

Exponential Smoothing dengan nilai optimal
49
Praktikum 7
Peramalan dengan Metode Pemulusan
Eksponensial Ganda
7.1 Tujuan
metode Pemulusan Eksponensial Ganda untuk data time-series yang memiliki
pengaruh komponen trend.
7.2 Kajian Teori

Pada banyak data yang ada pada dunia bisnis, data yang bersifat stasioner sangat
jarang terjadi. Yang lebih banyak adalah kondisi data yang menunjukkan
kecendrungan menaik atau menurun dalam kururn waktu tertentu. Atau malah
data menunjukkan adanya pengaruh musim, sehingga mempunyai pola mengikuti
pola musim tertentu.
Jika data sudah tidak stasioner, maka penggunaan pemulusan eksponensial
yang sederhana dianggap tidak relevan. Jika tetap digunakan metode ini padahal
data tidak stasioner, maka kan terjadi kesalahan peramalan yang besar dan
membuat hasil prediksi tidal valid lagi. Untuk itu diperkenalkan metode
pemulusan eksponensial ganda (double exponential smoothing) jika terdapat pola
trend pada data observasi.
Metode pemulusan eksponensial ganda ini dipopulerkan oleh C. C. Holt
(1957), dimana model ini melakukan penyesuaian faktor trend yang terjadi pada
data. Karena itu, model ini menambahkan faktor pertumbuhan (growth factor)
atau faktor trend (trend factor) pada persamaan dasar pemulusan eksponensial,
dan model ini dikenal juga dengan model Holt.
Ada tiga persamaan yang digunakan dalam metode Holt, yaitu:
1) Untuk komponen estimasi level sekarang
௧ = ௧ିଵ + 1 − (௧ିଵ + ௧ିଵ )
Praktikum 7 Peramalan dengan Metode Pemulusan Eksponensial Ganda
2) Untuk komponen estimasi trend

௧ = (௧ −௧ିଵ ) + 1 − ௧ିଵ
3) Untuk peramalan periode ke-p dari data tertentu

௧ା௣ = ௧ + ௧
Dimana:
= estimasi level (dipengaruhi oleh besaran )
= estimasi trend (dipengaruhi oleh besaran )
= nilai ramalan untuk periode mendatang
Dari rumus-rumus tersebut di atas terlihat bahwa persamaan T adalah rumus

untuk menyesuaikan hasil peramalan, karena adanya trend dalam data. Rumus ini
sebenarnya sama dengan rumus untuk perhitungan L, hanya di sini digunakan
konstanta untuk trend () sebagai tambahan konstanta yang sudah ada di
persamaan simple exponential smoothing ().

lemari kantor. CV Mekar ingin meramalkan penjualan meja makan di masa yang
Tabel 7.1 Jika untuk kasus ini ditentukan bahwa ramalan permintaan awal adalah
11 unit serta besar trend adalah 2, ramalkan berapa penjualan meja makan untuk
bulan Oktober (periode ke 10) dengan menggunakan metode pemulusan
eksponensial ganda dimana ditentukan = 0,2 dan = 0,4.!
51
Tabel 7.1 Data Penjualan Meja Kerja CV. Mekar Kayu
Bulan Periode ( t ) Penjualan Meja Makan

Januari 1 12
Februari 2 17
Maret 3 20
April 4 19
Mei 5 24
Juni 6 21
Juli 7 31
Agustus 8 28
September 9 36
7.4 Petunjuk Kerja

b) Hitung ramalan penjualan produk pada setiap bulan untuk level estimasi, trend
dan ramalan penjualan dengan trend menggunakan metode double exponential
smoothing!
MAPE!
52
7.5 Lembar Kerja

b) Berdasarkan diagram scatter di atas, pola dari data penjualan meja makan CV
Mekar adalah:
.....................................................................................................................
.....................................................................................................................
Karena,
.....................................................................................................................
.....................................................................................................................
.....................................................................................................................
.....................................................................................................................
.....................................................................................................................
53
c) Tabel Perhitungan Peramalan dengan Metode Double Exponential Smoothing

dengan nilai = 0,2 dan = 0,4
Penjualan Level Trend Peramalan
Bulan Periode Meja Estimasi Estimasi dengan Trend
makan (Lt) (Tt) (Yt+p)
Januari 1 12 11 2
Pebruari 2 17
Maret 3 20
April 4 19
Mei 5 24
Juni 6 21
Juli 7 31
Agustus 8 28
September 9 36
d) Hasil ramalan pesanan barang bulan Oktober (periode 10) dengan Metode
Double Exponential Smoothing
54
e) Perhitungan Kesalahan Peramalan

Peramalan Kesalahan (error)
dengan
| ࢚| (| ࢚ |⁄ ࢚ ) %
Waktu Penjualan Trend ૛
(t) Meja ( ࢚ ) ࢚ ࢚
(Yt+p)
1 12
2 17
3 20
4 19
5 24
6 21
7 31
8 28
9 36
Total
MAD
MSE
MAPE
55
Praktikum 8 Peramalan dengan Metode Proyeksi Trend
Praktikum 8
Peramalan dengan Metode Proyeksi Trend
8.1 Tujuan
Peserta diharapkan paham dan mampu untuk melakukan peramalan bisnis di masa
yang akan datang dengan menggunakan metode Proyeksi Trend untuk data time
series.
8.2 Kajian Teori

Apabila data observasi yang ada merupakan data yang memiliki komponen atau
pola trend, maka untuk meramalkan kondisi yang akan datang dapat digunakan
pendekatan proyeksi trend (trend projection). Teknik ini mencocokkan garis trend
pada serangkaian data masa lalu dan kemudian memproyeksikan garis tersebut ke
dalam peramalan jangka menengah dan jangka panjang untuk masa datang.
Persamaan trend yang paling sederhana adalah persamaan linier atau persamaan
garis lurus.
Persamaan garis linier trend menggunakan periode waktu sebagai variabel
independen (x). Dalam membuat garis linier trend dengan pendekatan statistik,
dapat diterapkan metode least square.
Metode Least Square

Metode least square akan menghasilkan garis lurus yang akan meminimalisir
jumlah kuadrat error (deviasi) antara garis trend terhadap setiap data observasi.
56
Gambar 2 Metode Least Square dengan Best Fitting Straight Line
Persamaan garis least square ini dapat dibangun dengan menentukan

intercept yaitu nilai y saat garis memotong sumbu y dan slope atau kemiringan
dari garis tersebut. Persamaan garis least square ini pada dasarnya seperti
persamaan garis regresi sederhana, namun bedanya adalah yang menjadi variabel
independen (𝑥) adalah waktu. Jadi, persamaan garis least square adalah:
𝑦 = 𝑎 + 𝑏𝑥
dimana:
𝑦 = nilai terhitung dari dari variabel yang diprediksi (disebut variabel dependen)
𝑎 = intercept pada sumbu y
𝑏= kemiringan (slope) dari garis regresi (tingkat perubahan y pada setiap
perubahan x)
𝑥 = variabel independen (periode waktu)
Untuk menghitung nilai 𝑏, dapat digunakan persamaan berikut:
∑ 𝑥𝑦 − 𝑛𝑥̅ 𝑦
𝑏=
∑ 𝑥 − 𝑛𝑥̅
57
Dimana:
𝑏 = slope dari garis regresi
𝑥 = nilai dari variabe independen
𝑦 = nilai dari variabel dependen
𝑥̅ = rata-rata dari nilai 𝑥
𝑦 = rata-rata dari nilai 𝑦
𝑛 = jumlah data observasi
Kemudian, nilai 𝑎 dapat dihitung dengan formula:

𝑎 = 𝑦 − 𝑏𝑥̅

Kasus Susanto Elect. Co. Susanto Elect. Co. adalah perusahaan yang menjual genset ke
kantor-kantor di daerah Sumatera bagian barat. Selama 7 tahun terakhir, jumlah genset
yang telah dijual Susanto adalah seperti pada Tabel 8. Susanto ingin meramalkan
penjualan produknya di masa yang akan datang (tahun 2014 dan tahun 2015) dengan
menggunakan metode least square.
Tabel 8.1 Penjualan Genset Susanto Elect. Co.
Tahun Periode ( t ) Penjualan Genset

2007 1 74
2008 2 79
2009 3 80
2010 4 90
2011 5 105
2012 6 142
2013 7 122
58
8.4 Petunjuk Kerja

b) Hitung nilai x rata-rata, y rata-rata, intercept dan slope!
c) Hitung ramalan penjualan periode yang akan datang!
d) Hitung kesalahan peramalan dengan menghitung nilai MAD, MSE, dan
MAPE!
8.5 Lembar Kerja

b) Berdasarkan diagram scatter di atas, pola dari data penjualan genset pada
Susanto Elect. Co. adalah:
..........................................................................................................................
..........................................................................................................................
Karena,
..........................................................................................................................
..........................................................................................................................
..........................................................................................................................
59
c) Hitung Ramalan Penjualan untuk Periode yang akan datang

Periode Penjualan
Tahun 𝒙𝟐 𝒙𝒚
(𝒙) (𝒚)
2007 1 74
2008 2 79
2009 3 80
2010 4 90
2011 5 105
2012 6 142
2013 7 122
Jumlah
d) Hitung nilai 𝑥̅ , 𝑦, slope (𝑏), intercept (𝑎)
Nilai x rata-rata =
𝑥̅ =
Nilai y rata-rata =
𝑦=
Nilai slope =
𝑏=
Nilai intercept =
𝑎=
60
e) Persamaan garis least square adalah:
f) Ramalan penjualan genset tahun 2014 dan 2015:
Penjualan tahun 2014 =
Penjualan tahun 2015 =
g) Perhitungan Kesalahan Peramalan
Waktu Penjualan Kesalahan (error)

Peramalan
(t) (𝒚) 𝒆𝒕 |𝒆𝒕 | 𝒆𝒕 𝟐 (|𝒆𝒕 |⁄𝒀𝒕 ) %
2007 74
2008 79
2009 80
2010 90
2011 105
2012 142
2013 122
Total
MAD
MSE
MAPE
61
Praktikum 9
Peramalan dengan Analisis Regresi
Sederhana
9.1 Tujuan
yang akan datang dengan menggunakan analisis regresi sederhana.
9.2 Kajian Teori

Dalam dunia bisnis, data historis yang disajikan dalam bentuk data time-series
tidak hanya menjadi satu-satunya faktor yang akan menentukan ketepatan
peramalan. Dengan kondisi persaingan yang sangat ketat, tidak mungkin prediksi
hanya didasarkan pada satu variabel saja. Dalam meramalkan penjualan
produknya, seorang manajer tidak saja mengamati pergerakan data penjualan dari
waktu ke waktu namun juga perlu memperhatikan faktor-faktor lain yang
mungkin akan berpengaruh terhadap penjualan produk, seperti pertumbuhan
ekonomi, tingkat inflasi, daya beli konsumen, kenaikan harga bahan baku, yang
kesemuanya akan mempengaruhi harga jual produk dan perubahan selera
konsumen.
Oleh karena itu, digunakan pendekatan peramalan yang dapat melihat
hubungan antara dua variabel atau lebih, yaitu antara variabel yang ingin
diramalkan dengan variabel lain yang mempengaruhinya. Peramalan yang melihat
hubungan antar beberapa variabel ini disebut dengan peramalan kausal (causal
forecasting) atau asosiatif (associative forecasting).
Peramalan kausal atau asosiatif merupakan peramalan yang didasarkan
pada hubungan sebab akibat antar beberapa variabel. Saat variabel yang
berhubungan ini ditentukan, model statistik dapat digunakan untuk meramalkan.
Pendekatan ini dapat lebih berdaya guna daripada metode time series yang hanya
menggunakan nilai historis dari variabel yang diramalkan.
62
Praktikum 9 Peramalan dengan Analisis Regresi Sederhana
Banyak faktor yang dapat dipertimbangkan dalam analisis asosiatif.

Contoh, penjualan laptop merek ASUS mungkin akan terkait dengan anggaran
iklan ASUS, harga yang diberikan perusahaan, harga pesaing, strategi promosi,
bahkan kondisi perekonomian negara dan tingkat pengangguran. Dari contoh,
penjualan laptop disebut sebagai variabel terikat (dependent variable atau
response variable) dan variabel lain disebut variabel bebas (independent variable
atau predictor variable).
Teknik yang umum digunakan untuk mengetahui hubungan antar variabel
dan melakukan peramalan terhadap nilai suatu variabel berdasarkan variabel yang
lain adalah analisis regresi linier (linear regression analysis). Jika hubungan yang
akan diprediksi hanya mempunyai satu variabel dependen dan satu variabel
independen, maka model regresinya dinamakan model regresi sederhana (simple
linear regression).
Persamaan Regresi Linier Sederhana

Analisis regresi linier merupakan model matematis yang sama dengan
metode kuadrat terkecil dari proyeksi tren untuk melakukan analisis regresi.
Variabel terikat yang ingin diramalkan tetap Y, dimana variabel bebas (X) bukan
lagi waktu.
Model regresi linier sederhana diekspresikan sebagai berikut:
𝑌 =𝛽 +𝛽 𝑋+𝜀
dimana
Y = nilai dari variabel terikat yang diprediksi (dependent variable)
X = variabel bebas yang digunakan untuk memprediksi variabel
𝛽 = intercept atau titik potong sumbu Y (nilai Y ketika X = 0)
𝛽 = kemiringan (slope) garis regresi
𝜀 = error random
63
Nilai sebenarnya bagi intercept dan slope tidak diketahui, sehingga keduanya
diestimasi dengan menggunakan data sampel. Persamaan regresi berdasarkan data
sampel adalah sebagai berikut:
𝑌 =𝑏 +𝑏 𝑋
dimana
𝑌 = nilai prediksi dari Y
𝑏 = estimasi dari 𝛽
𝑏 = estimasi dari 𝛽
Walaupun banyak garis yang dapat dibuat dari titik-titik data untuk
memperlihatkan hubungan antara X dan Y, namun garis yang akan dipilih adalah
yang akan meminimalkan error. Error dapat didefinisikan sebagai:
Error = (Nilai sebenarnya) – (Nilai prediksi)

𝑒=𝑌−𝑌
Nilai error bisa jadi positif atau negatif, sedangkan rata-rata error dapat
bernilai 0 meskipun ada nilai error yang sangat besar positif atau negatif. Untuk
menghilangkan kesulitan diakibatkan karena adanya error negatif yang
mengeliminir error positif, maka error dapat dikuadratkan. Garis regresi terbaik
didefinisikan sebagai garis dengan jumlah kuadrat error-nya minimum.
Untuk mendapatkan persamaan garis yang meminimumkan jumlah kuadrat
error, dari persamaan regresi linier sederhana dapat dihitung nilai intercept dan
slope, sebagaimana berikut:
𝑌 =𝑏 +𝑏 𝑋
dimana:
∑
𝑋= = nilai rata-rata (mean) dari X
∑
𝑌= = nilai rata-rata (mean) dari Y
64
∑(𝑋 − 𝑋)(𝑌 − 𝑌)
𝑏 =
∑(𝑋 − 𝑋)
𝑏 =𝑌−𝑏 𝑋
Mengukur Ketepatan Model Regresi

Persamaan regresi dapat dibangun dari berbagai variabel X dan Y, yang
bernilai random. Tentu saja kita tidak memiliki kepercayaan akan kemampuan
suatu nilai random untuk memprediksi nilai random yang lain. Untuk mengetahui
apakah model benar-benar dapat membantu kita dalam memprediksi Y
berdasarkan X dan apakah model dapat memberikan prediksi yang lebih baik
daripada hanya menggunakan nilai Y rata-rata karena memiliki error, maka kita
lakukan pengukuran ketepatan model regresi (fit of regression model).
Untuk mengatasi masalah penyimpangan nilai aktual dari rata-rata
digunakanlah sum of the square total (SST) atau jumlah dari total kuadrat untuk
mengukur total variabilitas dari Y:
SST = (𝑌 − 𝑌)
Jika kita tidak menggunakan X untuk memprediksi Y, kita bisa menggunakan

nilai rata-rata Y sebagai prediksi, dan nilai SST akan mengukur akurasi dari
prediksi. Sementara itu, garis regresi dapat digunakan untuk memprediksi nilai Y,
meskipun masih tetap ada error dalam prediksi, jumlah dari kuadrat error (the sum
of the squared error = SSE) akan lebih kecil dari yang SST. Rumus SSE adalah:
SSE = 𝑒 = (𝑌 − 𝑌 )
Nilai SSE lebih kecil dari SST. Penggunaan garis regresi telah menurunkan
variabilitas pada jumlah kuadrat. Nilai ini disebut sum of squares due to
65
regression (SSR) yang menunjukkan total variabilitas dari Y dijelaskan oleh

model regresi. Secara matematis dapat dihitung dengan rumus:
SSR = (𝑌 −𝑌)
Terdapat hubungan yang sangat penting antara jumlah kuadrat yang dapat
dihitung:
(sum of square total) = (sum of square due to regression) + (sum of square error)
SST = SSR + SSE
Koefisien Determinasi
SSR kadang disebut juga sebagai variabilitas pada Y yang dapat dijelaskan,
sedangkan SSE adalah variabilitas pada Y yang tidak dapat dijelaskan. Proporsi
dari variabilitas Y yang dapat dijelaskan oleh persamaan regresi disebut koefisien
determinasi dan disimbolkan dengan r2, dan dapat dihitung dengan:
𝑆𝑆𝑅 𝑆𝑆𝐸
𝑟 = =1−
𝑆𝑆𝑇 𝑆𝑆𝑇
Jika semua sampel data berada pada garis regresi, yang berarti semua error-
nya 0, berarti 100% dari variabilitas pada Y dapat dijelaskan oleh persamaan
regresi, sehingga r2 = 1 dan SSE = 0. Nilai terendah dari r2 adalah 0, yang berarti
X menjelaskan 0% terhadap variabilitas Y. jadi, r2 dapat bernilai antara 0 sampai
1. Dalam membentuk persamaan regresi, model yang baik adalah yang memiliki
nilai r2 mendekati 1.
Koefisien Korelasi
Persamaan regresi adalah suatu cara untuk menyatakan hubungan antar variabel.
Garis regresi bukanlah sebab akibat, namun menjelaskan hubungan antar-variabel.
66
Persamaan regresi menunjukkan bagaimana suatu variabel berhubungan pada nilai

dan perubahan pada variabel lain.
Cara lain untuk mengevaluasi hubungan antara dua variabel adalah dengan
menghitung koefisien korelasi (coefficient of correlation). Koefisien korelasi
merupakan suatu ukuran yang menunjukkan kekuatan hubungan antara dua
variabel. Ukuran ini menyatakan derajat atau kekuatan hubungan linier. Biasanya
diidentifikasi sebagai r. Koefisien korelasi adalah suatu bilangan antara +1 dan -1.
Gambar 9. Nilai Koefisien Korelasi
Kesalahan Standar dari Peramalan

Peramalan hanyalah sebuah titik estimasi untuk nilai yang akan datang. Titik
ini sebenarnya adalah rata-rata dari sebuah distribusi probabilitas. Untuk
menghitung keakuratan regresi yang diperkirakan, kita harus menghitung
kesalahan standar estimasi (standard error of the estimate), SY.X.
Perhitungan ini disebut deviasi standar regresi (standard deviation of the
regression), yang menghitung kesalahan dari variabel terikat, Y, terhadap garis
regresi, dan bukan terhadap rata-rata. Persamaan untuk menghitung kesalahan
standar ini adalah:
67
𝑆 . = (𝑌 − 𝑌 ) /(𝑛 − 2)
Dimana:
𝑌 = nilai aktual dari variabel dependen pada data/observasi ke-i
𝑌 = nilai regresi (ramalan) dari variabel dependen pada data/observasi ke-i
n = jumlah observasi

Kasus Fearman Clothes. Maldi Fearman, pemilik perusahaan pakaian menduga
adanya hubungan antara penjualan produknya dengan jumlah dana yang
digunakan untuk iklan. Maldi telah mengumpulkan data penjualan dan biaya iklan
dari 16 bulan terakhir dan mencoba menentukan bagaimana hubungan antara
keduanya dan kemungkinan melakukan peramalan penjualan di masa yang akan
datang.
Tabel 9.1 Penjualan dan Iklan

Penjualan Biaya Iklan
(Rp ratusan juta) (Rp ratusan juta)
40 5
43 6
44 5.5
51 7.5
52 7.8
61 8.1
58 8
60 9.1
60 8.7
62 9
67 10.5
66 10
65 11.5
68 11
72 11.7
77 12.5
68
9.4 Petunjuk Kerja

b) Hitung nilai x rata-rata, y rata-rata, intercept dan slope!
c) Hitung ramalan penjualan produk jika biaya iklan ditingkatkan!
d) Hitung besarnya koefisien determinasi dan koefisien korelasi!
e) Hitung kesalahan standar peramalan!
9.5 Lembar Kerja

b) Berdasarkan diagram scatter di atas, apakah terlihat ada hubungan antara

kedua variabel:
..........................................................................................................................
..........................................................................................................................
Bagaimana bentuk hubungannya, apakah positif atau negatif? Jelaskan!
..........................................................................................................................
..........................................................................................................................
..........................................................................................................................
69
c) Perhitungan untuk mendapatkan persaman regresi

No. Y X (𝑿 − 𝑿)𝟐 (𝑿 − 𝑿)(𝒀 − 𝒀)
Data
1 40 5
2 43 6
3 44 5.5
4 51 7.5
5 52 7.8
6 61 8.1
7 58 8
8 60 9.1
9 60 8.7
10 62 9
11 67 10.5
12 66 10
13 65 11.5
14 68 11
15 72 11.7
16 77 12.5
Total
d) Hitung nilai 𝑋, 𝑌, slope (𝑏 ), intercept (𝑏 )
Nilai x rata-rata =
𝑋=
Nilai y rata-rata =
𝑌=
70
Nilai slope =
𝑏 =
Nilai intercept =
𝑏 =
e) Persamaan regresi yang diestimasi adalah:
f) Ramalan penjualan pakaian jika biaya iklan yang dikeluarkan 13 milyar rupiah
adalah:
g) Menghitung besar koefisien determinasi dan korelasi
sum of the square total (SST) atau jumlah dari total kuadrat adalah:
71
jumlah dari kuadrat error (the sum of the squared error = SSE) adalah:
sum of squares due to regression (SSR) adalah:
Besar koefisien determinasi adalah:
Arti atau makna dari nilai koefisien determinasi adalah:
...........................................................................................................................
...........................................................................................................................
...........................................................................................................................
Besar koefisien korelasi adalah:
h) Kesalahan standar peramalan
72
Praktikum 10
Peramalan dengan Analisis Regresi Berganda
10.1 Tujuan
yang akan datang dengan menggunakan analisis regresi berganda.
10.2 Kajian Teori

Dalam teknik regresi linier sederhana, hubungan antara satu variabel independen
dan satu variabel dependen coba diteliti. Dalam dunia nyata, banyak situasi yang
tidak sesederhana gambaran pada regresi sederhana. Mungkin banyak faktor
independen yang perlu diteliti untuk menjelaskan hubungannya dengan variabel
dependen. Model regresi ini disebut multiple regression model atau model regresi
berganda.
Karena regresi berganda merupakan pengembangan dari model regresi
sederhana, maka sebahagian besar konsep dalam regresi sederhana tetap
digunakan dalam regresi berganda ini. Namun tentu saja ada beberapa konsep
baru yang akan dijelaskan dalam bab ini. Pertama, bagaimana membangun
persamaan regresi dengan menggunakan dua atau lebih variabel independen.
Kedua, bagaimana menghitung standard error of estimation dan ukuran-ukuran
lainnya. Ketiga, bagaimana menghitung koefisien determinasi. Keempat
bagaimana menggunakan regresi berganda dalam peramalan bisnis dan ekonomi.
Keunggulan dari model regresi berganda dibandingkan model regresi
sederhana adalah dalam hal meningkatkan kemampuan ramalan kita dengan
menggunakan informasi yang lebih banyak dalam mengestimasi variabel
dependen.
Variabel-variabel Independen
Sebagai contoh kasus seorang agen penjualan rumah di suatu kota yang
memprediksi harga jual rumah berdasarkan luas bangunan rumah. Hasil
73
Praktikum 10 Peramalan dengan Regresi Berganda
pengolahan data diketahui r2 = 0.493, yang berarti 49.3% harga jual rumah dapat
dijelaskan oleh satu variabel yaitu luas bangunan rumah, sedangkan 1-r2 = 50.7%
adanya faktor lain. Jika agen penjual rumah ini tidak puas dengan nilai r2
yangtidak terlalu besar dan ingin mendapatkan prediksi yang lebih akurat, maka ia
harus mencari variabel independen tambahan agar modelnya mampu menjelaskan
varians total lebih tinggi lagi sehingga peramalan semakin akurat dan kesalahan
semakin kecil.
Variabel independen lain yang ingin ditambahkan haruslah berhubungan
dengan penjualan. Namun, variabel independen baru ini tidak boleh memiliki
korelasi linier yang erat dengan variabel independen sebelumnya, karena bila
terdapat korelasi yang erat maka kedua variabel tersebut hanya akan menjelaskan
variasi yang sama. Korelasi yang erat antar variabel independen disebut
multikolinearitas (multicollinearity)
Matriks Korelasi
Misalkan agen penjualan rumah tersebut menambahkan luas tanah sebagai
variabel independen untuk memperbaiki peramalannya. Ia menyelidiki hubungan
antara harga rumah, luas rumah dan luas tanah dengan menggunakan matriks
korelasi. Matriks korelasi adalah alat untuk melacak apakah ada hubungan
antarvariabel dalam regresi berganda. Matriks korelasi dibangun dengan
menghitung koefisien korelasi sederhana untuk setiap kombinasi pasangan
variabel.
Tabel 10.1 Matriks Korelasi
Variabel
Variabel
Harga Luas Rumah Luas Tanah
Harga, 1 1,00 0,70 0,93
Luas Rumah, 2 1,00 0,66
Luas Tanah, 3 1,00
74
Dari tabel terlihat bahwa luas tanah memiliki hubungan positif yang besar (r =
0,93) dengan variabel dependen yakni harga rumah, serta memiliki hubungan
positif sedang (r = 0,66) dengan variabel independen yakni luas rumah.
Kombinasi hubungan ini dapat memungkin luas tanah dapat menjelaskan
beberapa variasi dari harga rumah yang tidak dapat dijelaskan oleh luas rumah.
Sehingga jika kedua variabel independen, luas rumah dan luas tanah, digunakan
untuk menjelaskan variasi dari harga rumah, maka akan meningkatkan nilai r2 dari
model.
Model Regresi Berganda

Dalam regresi sederhana, variabel dependen dinotasikan dengan Y dan
variabel independen dengan X. Dalam regresi berganda digunakan notasi X1,
X2,…Xk
Persamaaan untuk regresi berganda adalah:
𝑌 = 𝛽 + 𝛽 𝑋 + 𝛽 𝑋 + ⋯+ 𝛽 𝑋 + 𝜀
dimana
𝑌 = variabel dependen (variabel respon)
𝑋 = variabel independen (variabel prediktor)
𝛽 = intersep (nilai Y ketika semua Xi = 0)
𝛽 = koefisien dari variabel independen ke-i
𝑘 = jumlah variabel independen
𝜀 = error random
Untuk mengestimasi nilai dari koefisien, sampel diambil dan persamaan regresi
berganda dengan data sampel dikembangkan menjadi:
𝑌 = 𝑏 + 𝑏 𝑋 +𝑏 𝑋 +⋯+𝑏 X
dimana
𝑌 = nilai prediksi untuk Y
𝑏 = intersep dari sampel (merupakan prediksi untuk 𝛽 )
75
𝑏 = koefisien sampel dari variabel ke-i (merupakan prediksi untuk 𝛽 )
Residual 𝜀 = Y - 𝑌 adalah perkiraan dari komponen error dan seperti situasi

regresi sederhana.
Evaluasi Model Regresi Berganda

Sebuah model regresi berganda dapat dievaluasi dengan cara yang mirip dengan
cara mengevaluasi model regresi sederhana. Baik P-value untuk F test dan r2
dapat diinterpretasikan sama dengan model regresi berganda sama dengan model
regresi sederhana. Namun, karena ada lebih dari satu variabel independen,
hipotesis yang sedang diuji dengan F test adalah bahwa semua koefisien sama
dengan 0 . Jika semua ini adalah 0 , maka tidak ada variabel independen dalam
model yang dapat membantu dalam memprediksi variabel dependen.
Untuk menentukan apakah variabel independen dalam model regresi adalah
signifikan, tes signifikansi pada koefisien untuk setiap variabel mesti dilakukan.
Hipotesis nol menyatakan bahwa koefisien bernilai 0 (𝐻 : 𝛽 = 0) dan hipotesis
alternatif adalah bahwa koefisien tidak nol (𝐻 : 𝛽 ≠ 0).
Jika nilai p-value lebih kecil daripada level signifikansi (𝛼), maka berarti
hipotesis nol ditolak dan dapat disimpulkan bahwa variabel yang diuji adalah
signifikan berhubungan dengan variabel dependen.
Untuk kasus agen penjualan rumah sebelumnya, diketahui secara
keseluruhan model regresinya signifikan dan berguna dalam memprediksi harga
rumah karena p-value untuk F- test adalah 0,00008. Nilai r2 sebesar 0,8756 yang
berarti 87,56% variabilitas pada harga rumah dapat dijelaskan oleh model regresi.
Namun karena ada dua independen variabel dalam model, luas rumah dan luas
tanah, bisa jadi salah satu signifikan sedangkan yang lainnya tidak. Tidak cukup
melihat dari nilai F-test saja untuk menguji model, karena F-test melihat
signifikansi model secara keseluruhan.
Karena itu, dilakukan dua uji signifikan untuk mengetahui apakah luas
rumah dan luas tanah signifikan. Dua uji hipotesis dilakukan, yang pertama untuk
variabel luas rumah (X1) dimana:
76
H0 : β1 = 0
H1 : β1 ≠ 0
Dengan menggunakan level 5% signifikansi (𝛼 = 0,05), hipotesis alternatif

ditolak karena nilai p-value untuk luas rumah adalah 0,352. Ini berarti bahwa
tidak ada hubungan yang signifikan secara statistic antara luas rumah dengan
harga rumah jika ada luas tanah dalam model. Karena nilai p-value untuk luas
tanah adalah 0,0005 yang berarti ada hubungan yang signifikan secara statistik
antara luas tanah dengan harga rumah.
Dapat disimpulkan, bahwa luas rumah memberikan penambahan nilai yang
kecil ke dalam model ketika luas tanah juga ada di dalam model. Dengan kata
lain, jika dalam model telah ada variabel luas tanah maka variabel luas rumah
tidak perlu dimasukkan ke dalam model. Sebaiknya dicari variabel lain sebagai
variabel independen yang bisa dimasukkan ke dalam model.

Kasus Wilson Realty. Susan Wilson ingin mengembangkan model untuk
menentukan harga jual rumah yang sesuai berdasarkan ukuran rumah dan umur
rumah. Susan memilih sampel dari penjualan rumah terbaru dan mencatat datanya
sebagai berikut:
Tabel 10.2 Data Harga Jual, Luas Rumah dan Umur

Harga Jual Luas Rumah Umur
(Rp Juta) (m2) Rumah
950 1.926 30
1.190 2.069 40
1.248 1.720 30
1.350 1.396 15
1.420 1.706 32
1.450 1.847 38
1.590 1.950 27
77
Harga Jual Luas Rumah Umur

(Rp Juta) (m2) Rumah
1.650 2.323 30
1.820 2.285 26
1.830 3.752 35
2.000 2.300 18
2.110 2.525 17
2.150 3.800 40
2.190 1.740 12
10.3 Petunjuk Kerja

a) Dengan menggunakan software add-in data analysis pada Microsoft excel,
lakukan pengolahan data!
b) Hitung ramalan harga jual rumah jika luas dan umur rumah diketahui!
10.4 Lembar Kerja

Berdasarkan hasil pengolahan data dengan menggunakan add-in data analysis
pada Microsoft excel, hitung nilai-nilai berikut:
a) Persamaan regresi yang diestimasi adalah:
78
b) Nilai koefisien determinasi adalah
Artinya: ..............................................................................................................
...........................................................................................................................
...........................................................................................................................
...........................................................................................................................
c) Nilai p-value untuk F-test
Artinya: ..............................................................................................................
...........................................................................................................................
...........................................................................................................................
...........................................................................................................................
d) Nilai p-value untuk t-test untuk setiap variabel X
Artinya: ..............................................................................................................
...........................................................................................................................
...........................................................................................................................
...........................................................................................................................
79
e) Ramalan harga jual rumah sebuah rumah yang memiliki luas rumah 1.100 m2
dan umur 12 tahun adalah:
f) Ramalan harga jual rumah sebuah rumah yang memiliki luas rumah 2.100 m2
dan umur 18 tahun adalah:
80
Praktikum 11
Variabel Dummy dalam Peramalan Regresi
serta Memilih Persamaan Regresi Terbaik
11.1 Tujuan
yang akan datang dengan menggunakan analisis regresi berganda jika terdapat
variable dummy.
11.2 Kajian Teori

Semua variabel yang kita gunakan dalam beberapa hitungan seperti pada contoh-
contoh sebelumnya adalah variabel kuantitatif, seperti penjualan, biaya iklan,
harga jual rumah, luas rumah, luas tanah dan umur rumah. Semuanya itu dapat
dengan gampang diukur. Namun, adakalanya kita perlu menggunakan variabel
kualitatif karena mungkin lebih berguna dalam meprediksi variabel dependen.
Misalnya kita ingin melihat hubungan pendapatan pertahun dengan karakteristik
tertentu dari karyawan, misalnya tingkat pendidikan atau jenis kelamin.
Karakteristik ini tidak dapat diukur dengan ukuran kuantitatif namun lebih tetap
dengan kualitatif. Karena itu digunakan variabel dummy untuk mengkuantifikasi
informasi kualitatif tersebut agar dapat diolah dengan regresi.
Variabel dummy (atau variabel binary atau indicator) adalah variabel
khusus yang diciptakan untuk data-data kualitatif. Sebuah variabel dummy
diberikan nilai 1 jika kondisi tertentu terjadi dan nilai 0 jika terjadi sebaliknya.
Jumlah variabel dummy harus satu lebih sedikit daripada jumlah kategori dari
variabel kualitatif tersebut.
Jika kita kembali kepada kasus Susan Wilson Realty seperti contoh
sebelumnya, kita lihat bahwa Susan juga mempunyai data mengenai kondisi
rumah yang dijualnya. Ia percaya model regresinya akan lebih baik jika kondisi
rumah dapat dimasukkan ke dalam model. Karena kondisi rumah merupakan data
81
Praktikum 11 Variabel Dummy dalam Peramalan Regresi
kualitatif, maka variabel dummy digunakan sebagai variabel penggantinya. Karena

kategori dari variabel kondisi ada tiga, maka variabel dummy yang kita siapkan
berjumlah dua. Misalnya kita tetapkan:
X3 = 1, jika rumah dalam kondisi baik

= 0, sebaliknya
X4 = 1, jika rumah dalam kondisi sangat baik
= 0, sebaliknya
Kita tidak perlu membuat variabel untuk kondisi cukup baik. Jika X3 dan X4
keduanya bernilai 0, berarti rumah dalam kondisi cukup baik.
Dalam perhitungan, kedua variabel dummy ini kita olah bersama dua variabel
independen sebelumnya, yaitu luas rumah (X1) dan umur rumah (X2), untuk
memprediksi harga jual rumah.
Membangun Model dan Memilih Persamaan Regresi Terbaik

Model yang baik adalah model yang signifikan secara statistik dengan nilai
koefisien determinasi (r2) yang besar dan sedikit variabel. Semakin banyak
variabel yang ditambahkan ke dalam model, biasanya nilai r2 akan meningkat.
Untuk alasan ini, nilai adjusted r2 sering digunakan untuk menentukan
penambahan variabel tersebut bermanfaat bagi model.
Nilai adjusted r2 menunjukkan apakah penambahan model akan mengakibatkan
model menjadi lebih baik. Jika penambahan jumlah variabel ke dalam model,
mengakibatkan nilai adjusted r2 akan semakin kecil, walaupun nilai r2 meningkat
yang berarti variabel yang ditambahkan tidak perlu untuk dimasukkan ke dalam
model. Sebagai aturan umum, jika adjusted r2 meningkat ketika satu variabel
dimasukkan ke dalam model, maka berarti variabel tersebut tetap dipertahankan di
dalam model.
Metode regresi bertahap (stepwise regression) dapat dilakukan dalam
memilih persamaan regresi terbaik dengan cara menambahkan satu per satu
82
variabel independen pada persamaan regresi. Jika variabel independen yang

digunakan cukup banyak, dapat diselesaikan dengan bantuan komputer.
Pada hakikatnya, pendekatan ini menghitung urutan-urutan dari persamaan-
persamaan regresi, dengan cara menambahkan atau menghilangkan sebuah
variabel independen. Dengan kata lain, program komputer memasukkan variabel-
variabel satu persatu dimulai dari variabel yang terbaik sampai terjelek dalam
artian keeratan hubungannya dengan variabel independen,
Variabel independen yang menjelaskan varians terbesar dari variabel
dependen dimasukkan pertama kali. Kemudian dilanjutkan dengan variabel
independen yang menjelaskan varians dalam jumlah yang tidak jauh beda dengan
sebelumnya, demikian seterusnya samapai pada variabel independen terjelek
dalam menjelaskan varians variabel independen.

Kasus Wilson Realty. Susan Wilson ingin mengembangkan model untuk
menentukan harga jual rumah yang sesuai. Susan memilih sampel dari penjualan
rumah terbaru dan mencatat datanya sebagaimana pada Tabel 11. Sebelumnya
(pada praktikum 10) Susan telah meramalkan harga jual rumah berdasarkan dua
variable independen; ukuran rumah dan umur rumah. Susan ingin menambahkan
satu lagi informasi sebagai variable independen, yaitu kondisi rumah (cukup baik,
baik atau sangat baik). Karena kondisi rumah merupakan data kualitatif, maka
Susan perlu menggunakan variabel dummy dalam peramalannya. Ramalkanlah
harga jual rumah berdasarkan tiga variabel independen tersebut! Apakah
penambahan variabel kondisi rumah memberikan hasil ramalan yang lebih baik
bagi Susan?
83
Tabel 11.1 Data Harga Jual, Luas Rumah, Umur dan Kondisi Rumah
Harga Jual Luas Rumah Umur Kondisi

($) (m2) Rumah Rumah
950 1.926 30 Cukup baik

1.190 2.069 40 Baik
1.248 1.720 30 Baik
1.350 1.396 15 Cukup baik
1.420 1.706 32 Sangat baik
1.450 1.847 38 Sangat baik
1.590 1.950 27 Sangat baik
1.650 2.323 30 Baik
1.820 2.285 26 Sangat baik
1.830 3.752 35 Cukup baik
2.000 2.300 18 Cukup baik
2.110 2.525 17 Cukup baik
2.150 3.800 40 Baik
2.190 1.740 12 Sangat baik
11.4 Petunjuk Kerja

b) Hitung ramalan harga jual rumah jika luas, umur rumah dan kondisi rumah
diketahui!
84
11.5 Lembar Kerja

pada Microsoft excel hitung nilai-nilai berikut:
a) Nilai Adjusted R2 sebelum penambahan variabel kondisi rumah dalam

pengolahan data:
b) Nilai Adjusted R2 setelah memasukkan variabel kondisi rumah dalam

pengolahan data
:
c) Persamaan regresi yang diestimasi setelah menambahkan variabel kondisi

rumah untuk rumah dengan kondisi cukup baik adalah:
d) Persamaan regresi yang diestimasi untuk rumah dengan kondisi baik adalah:
85
e) Persamaan regresi yang diestimasi untuk rumah dengan kondisi sangat baik
adalah:
f) Nilai koefisien determinasi adalah
Artinya: ..............................................................................................................
...........................................................................................................................
...........................................................................................................................
...........................................................................................................................
g) Nilai p-value untuk F-test
Artinya: ..............................................................................................................
...........................................................................................................................
...........................................................................................................................
...........................................................................................................................
86
h) Nilai p-value untuk t-test untuk setiap variabel X
Artinya: ..............................................................................................................
...........................................................................................................................
...........................................................................................................................
...........................................................................................................................
i) Ramalan harga jual rumah sebuah rumah yang memiliki luas rumah 1.100 m2
dan umur 12 tahun dengan kondisi rumah yang cukup baik adalah:
j) Ramalan harga jual rumah sebuah rumah yang memiliki luas rumah 2.100 m2
dan umur 18 tahun adalah dengan kondisi rumah sangat baik adalah:
87
k) Apakah penambahan variabel kondisi rumah (cukup baik, baik dan sangat
baik) memberikan hasil peramalan yang lebih baik? Apa alasannya?
..........................................................................................................................
..........................................................................................................................
..........................................................................................................................
..........................................................................................................................
..........................................................................................................................
..........................................................................................................................
..........................................................................................................................
..........................................................................................................................
..........................................................................................................................
..........................................................................................................................
..........................................................................................................................
..........................................................................................................................
..........................................................................................................................
..........................................................................................................................
..........................................................................................................................
..........................................................................................................................
..........................................................................................................................
88
Praktikum 12
Variasi Musim dalam Peramalan Time Series
12.1 Tujuan
yang akan datang menggunakan model time series dengan data yang
menunjukkan adanya variasi musim.
12.2 Kajian Teori

Analisis time series dilakukan untuk menemukan pola pertumbuhan atau
perubahan masa lalu, yang dapat digunakan untuk memperkirakan pola masa yang
akan datang dan untuk kebutuhan bisnis. Jika data masa lalu digunakan untuk
mendapatkan petunjuk keadaan masa datang, faktor-faktor penyebab (cuasal
condition) jarang sekali konstan, karena cenderung berubah dari waktu ke waktu.
Karena itu, hubungan antara keadaan masa lalu, sekarang dan akan datang harus
dievaluasi terus menerus.
Variasi musiman (seasonal variation) pada data obsevasi adalah
pergerakan data yang secara teratur atau regular yang menunjukkan kondisi
meningkat atau menurun dalam kurun waktu tertentu yang berkaitan dengan suatu
keadaan atau kejadian yang berulang, misalnya cuaca atau event seperti liburan
sekolah, weekend dan pertandingan sepakbola.
Variasi musim ini dapat terjadi dalam kurun waktu jam, hari, minggu,
bulan atau pola-pola lain yang kondisinya berulang. Misalnya, untuk restoran dan
fast food, kondisi sibuk dimana demand tinggi terjadi pada saat jam makan siang,
dan berulang pada saat jam makan malam. Atau misalnya bioskop 21 yang
mengalami kondisi penonton banyak pada hari Senin karena adanya program
nonton hemat.
Peramalan yang dilakukan dengan menggunakan proyeksi trend dapat kita
sesuaikan apabila ternyata data observasi yang ada menunjukkan adanya pola
variasi musiman. Variasi dinyatakan dalam jumlah nilai aktual yang berbeda dari
89
Praktikum 12 Variasi Musim dalam Peramalan Time Series
nilai rata-rata dalam time-series. Melakukan analisis terhadap data dalam waktu
bulan atau pertiga bulan (kuartal) dapat memudahkan kita mengetahui adanya
pola variasi musim pada data. Untuk itu, dapat dihitung indeks dari setiap musim.
Langkah-langkah dalam menghitung indeks musim dan melakukan
penyesuaian peramalan apabila musimnya bersifat bulanan adalah sebagai berikut:
1) Plot data ke dalam scatter diagram sehingga terdeteksi apakah ada pengaruh
musim pada data.
2) Temukan rata-rata permintaan historis untuk setiap musim, dengan cara
menjumlahkan permintaan bulan tersebut dalam setiap tahun, dibagi dengan
jumlah tahun data yang tersedia.
3) Hitung rata-rata permintaan untuk semua bulan, dengan cara membagi rata-
rata permintaan tahunan total dengan jumlah musim.
4) Hitung indeks musiman untuk setiap musim dengan cara membagi permintaan
historis aktual bulan itu dengan rata-rata permintaan pada seluruh bulan.
5) Estimasi permintaan tahunan total untuk tahun depan
6) Bagi prediksi permintaan tahunan total dengan jumlah musim, kemudian
kalikan dengan indeks musiman bulan tersebut, sehingga menghasilkan
peramalan musiman.

Kasus Mesta Supplies. Mesta Supplies adalah perusahaan penjual printer. Data
penjualan dua tahun terakhir telah dikumpulkan. Mesta ingin membuat peramalan
dengan memasukkan variasi musiman ke dalam peramalannya. Tabel 12
menunjukkan penjualan printer setiap bulan selama dua tahun. Jika telah
diramalkan sebelumnya bahwa untuk tahun 2014 permintaan printer adalah
sebesar 1.200 unit. Tentukan berapa ramalan permintaan printer setiap bulan pada
tahun 2014!
90
Tabel 12 Penjualan Printer pada Mesta Supplies Tahun 2012-2013

Penjualan
Bulan Tahun 2012 Tahun 2013
Januari 80 100
Februari 85 75
Maret 80 90
April 110 90
Mei 115 131
Juni 120 110
Juli 100 110
Agustus 110 90
September 85 95
Oktober 75 85
Nopember 85 75
Desember 80 80
12.4 Petunjuk Kerja

b) Tentukan rata-rata permintaan historis untuk setiap musim!
c) Hitung rata-rata permintaan untuk semua bulan!
d) Hitung indeks musiman untuk setiap musim!
e) Estimasi permintaan tahunan total untuk tahun depan dan bagi prediksi
permintaan tahunan total dengan jumlah musim, kemudian kalikan dengan
indeks musiman bulan tersebut, sehingga menghasilkan peramalan musiman.
f) Hitung ramalan harga jual rumah jika luas, umur rumah dan kondisi rumah
diketahui!
91
12.5 Lembar Kerja

Berdasarkan diagram scatter di atas, pola dari data penjualan printer pada Mesta
Supplies adalah:
...................................................................................................................................
...................................................................................................................................
...................................................................................................................................
...................................................................................................................................
Karena,
...................................................................................................................................
...................................................................................................................................
...................................................................................................................................
...................................................................................................................................
92
b) Perhitungan Indeks Musim Setiap Bulan
Penjualan Permintaan Permintaan Indeks

Bulan Tahun Tahun Dua Tahunan Bulanan Musim
2012 2013 Rata-rata Rata-rata Rata-rata
Januari
Pebruari
Maret
April
Mei
Juni
Juli
Agustus
September
Oktober
Nopember
Desember
Total
93
c) Jika telah diprediksi total permintaan tahun 2014 adalah 1.200 unit, ramalan
permintaan setiap bulan adalah:
Bulan Ramalan Penjualan 2014
Januari
Februari
Maret
April
Mei
Juni
Juli
Agustus
September
Oktober
Nopember
Desember
94
Praktikum 13
Dekomposisi dalam Peramalan Time-Series
13.1 Tujuan
yang akan datang menggunakan model time-series dengan melakukan
dekomposisi terhadap data.
13.2 Kajian Teori

Dekomposisi merupakan proses yang dilakukan untuk memisahkan data observasi
dari pengaruh komponen data time-series agar mendapatkan hasil peramalan yang
lebih baik. Proses dekomposisi ini dinyatakan dalam sebuah model matematis
yang memuat hubungan data time-series awal (Y) dengan komponen-
komponennya.
Ada dua model dalam kegiatan dekomposisi data, yaitu:
1) Model Multiplikatif
𝑌 =𝑇 ×𝑆 ×𝐶 ×𝐼
2) Model Aditif
𝑌 =𝑇 +𝑆 +𝐶 +𝐼
Pada prakteknya, sebahagian besar data akan menggunakan peramalan

dengan cara multiplikatif, karena kebanyakan data bervariasi dengan besar variasi
yang tidak sama. Selain itu, karena faktor random (I) bisa dianggap 1 karena tidak
bisa diprediksi dan faktor siklus (C) juga dianggap 1 karena sulitnya menentukan
keberadaannya dengan pasti, maka pada banyak prediksi time-series, besarnya
peramalan hanya tergantung pada besar trend (T) dan musiman (S).
95
Praktikum 13 Dekomposisi dalam Peramalan Time-Series
Ketika variasi musiman dan trend muncul pada data time-series, perubahan
data dari satu bulan ke bulan berikutnya dipengaruhi oleh trend dan variasi
musim. Karena itu, perlu dipisahkan terlebih dahulu pengaruh musim dan trend
dari data. Yang pertama dipisahkan adalah variasi musiman dengan cara
menghitung indeks musimnya. Hal ini dapat dilakukan dengan metode moving
average (MA) dengan jumlah periode sebanyak data seasonal yang ada. Misalnya
data dalam bulanan, maka dilakukan MA-12 bulan karena 1 tahun ada 12 bulan.
Jika data dalam triwulan (kuartal) maka dapat digunakan MA-4. Proses MA ini
akan menghilangkan komponen musim (S) dari data. Sedangkan untuk
menghilangkan komponen random (I) dapat dilakukan dengan proses center
moving average (CMA), dimana data MA yang telah terbentuk diproses dengan
melakukan rata-rata setiap dua data MA yang berurutan.
Langkah-langkah untuk melakukan peramalan dengan menggunakan
Metode Dekomposisi:
1) Hitunglah indeks musim dengan menggunakan moving average-12 bulan
(MA-12) untuk data yang panjang musimannya adalah 12 dan menggunakan
center moving average (CMA) untuk data kuartal.
2) Hilangkan pengaruh musiman dari data dengan melakukan deseasonalize data
dengan cara membagi setiap nilai dengan indeks musimnya
3) Tentukan persamaan garis trend dengan menggunakan deseasonalized data
4) Ramalkan periode yang akan datang dengan menggunakan garis trend
5) Kalikan hasil peramalan dari garis trend dengan indek musim
Apabila data observasi memiliki pengaruh musim yang panjangnya per tiga
bulan atau kuartal, maka indeks musim dapat ditentukan dengan menghitung
centered moving average (CMA) atau rata-rata bergerak yang terpusat. Cara
menghitung indeks musim dengan menggunakan CMA meliputi langkah-langkah
berikut ini:
a) Hitung CMA untuk setiap observasi
b) Hitung rasio musim (seasonal ratio) = data observasi/CMA
96
c) Rata-ratakan rasio musim untuk mendapatkan indeks musim (seasonal

indices)
d) Jika indeks musim tidak bisa ditambahkan ke jumlah musim, kalikan setiap
indeks dengan (jumlah musim)/(jumlah indeks)

Kasus Fear Man Co. Fear Man Co. adalah perusahaan yang menjual kipas angin
dimana penjualan selama 3 tahun terakhir per empat bulan (kuartal) tersaji pada
Tabel 13.1. Fear Man ingin mengetahui apakah ada pengaruh musim pada data
penjualan tersebut, sehingga ia dapat melakukan peramalan penjualan produk
pada tahun mendatang dengan menggunakan metode dekomposisi!
Tabel 13.1 Data Penjualan Kipas Angin Tahun 2011-2013

Penjualan Kipas
Tahun Kuartal
Angin
2011 1 108
2 125
3 150
4 141
2012 1 116
2 134
3 159
4 152
2013 1 123
2 142
3 168
4 165
97
13.4 Petunjuk Kerja

a) Plot data ke dalam diagram scatter serta tampilkan data dalam format per
kuartal untuk mengetahui pola data!
b) Hitung Centered Moving Average (CMA) dan Rasio Musim!
c) Hitung Penjualan Unseasonal!
d) Tentukan persamaan Regresi untuk penjualan unseasonal
e) Berdasarkan persamaan regresi tersebut, hitung ramalan penjualan unseasonal
f) Hitung Ramalan Penjualan Seasonal!
g) Hitung ramalan penjualan Tahun 2014 untuk setiap kuartal
h) Lakukan analisis kesalahan peramalan dengan menghitung MAD, MSE,
MAPE
98
13.5 Lembar Kerja

b) Hitung Rata-rata Penjualan Kipas Angin Tahun 2011-2013
Penjualan
Kuartal Rata-rata
Tahun Tahun Tahun
2011 2012 2013
Rata-rata
99
Berdasarkan diagram scatter dan tabel di atas, pola dari data penjualan kipas
angin pada Fear Man Co. adalah:
...................................................................................................................................
...................................................................................................................................
...................................................................................................................................
Karena,
...................................................................................................................................
...................................................................................................................................
...................................................................................................................................
...................................................................................................................................
...................................................................................................................................
...................................................................................................................................
c) Hitung Centered Moving Average (CMA) dan Rasio Musim
Tahun Kuartal Penjualan CMA Rasio Musim
2011 1 108
2 125
3 150
4 141
2012 1 116
2 134
3 159
4 152
2013 1 123
2 142
3 168
4 165
100
d) Perhitungan Indeks Musim (Seasonal Indices) berdasarkan Rasio Musim

Rasio Musim
Tahun
Kuartal 1 Kuartal 2 Kuartal 3 Kuartal 4
- -
Tahun 2011
Tahun 2012
Tahun 2013 - -
Indeks Musim
e) Perhitungan Penjualan Unseasonal
Periode Indeks Penjualan

Tahun Kuartal Penjualan
(x) Musim Unseasonal
2011 1 1 108
2 2 125
3 3 150
4 4 141
2012 1 5 116
2 6 134
3 7 159
4 8 152
2013 1 9 123
2 10 142
3 11 168
4 12 165
101
Apa yang dimaksud dengan Penjualan Unseasonal?

..................................................................................................................................
..................................................................................................................................
..................................................................................................................................
f) Dengan menggunakan software add-in data analysis, tentukan persamaan

Regresi untuk penjualan unseasonal
g) Perhitungan Ramalan Penjualan Unseasonal
Periode Ramalan
Penjualan
Tahun Kuartal (x) Penjualan Penjualan
Unseasonal
Unseasonal
2011 1 1 108
2 2 125
3 3 150
4 4 141
2012 1 5 116
2 6 134
3 7 159
4 8 152
2013 1 9 123
2 10 142
3 11 168
4 12 165
102
h) Perhitungan Ramalan Penjualan Seasonal
Periode Ramalan Ramalan

Indeks
Tahun Kuartal (x) Penjualan Penjualan Penjualan
Musim
Unseasonal Seasonal
2011 1 1 108
2 2 125
3 3 150
4 4 141
2012 1 5 116
2 6 134
3 7 159
4 8 152
2013 1 9 123
2 10 142
3 11 168
4 12 165
i) Peramalan Penjualan Tahun 2014 untuk setiap kuartal
Periode Ramalan Ramalan

Indeks
Kuartal (x) Penjualan Penjualan
Musim
Unseasonal Seasonal
1 13
2 14
3 15
4 16
103
j) Menghitung Kesalahan Peramalan

Ramalan Kesalahan (error)
Penjualan
Periode Penjualan Seasonal 𝒆𝒕 |𝒆𝒕 | 𝒆𝒕 𝟐 (|𝒆𝒕 |⁄𝒀𝒕 ) %
1 108
2 125
3 150
4 141
5 116
6 134
7 159
8 152
9 123
10 142
11 168
12 165
Total
MAD
MSE
MAPE
104
Praktikum 14
Analisis Regresi untuk Data Time-Series
14.1 Tujuan
yang akan datang menggunakan analisis regresi untu data time series yang
memiliki pengaruh trend dan musim.
14.2 Kajian Teori

Selain menggunakan metode dekomposisi, kita dapat menggunakan analisis
regresi berganda (multiple regression analysis) untuk melakukan peramalan
dimana komponen trend dan musiman terdapat pada data time-series. Salah satu
dari variabel independen dalam model adalah waktu dan variabel independen
yang lain adalah variable dummy untuk menunjukkan musiman pada data.
Model dasar yang digunakan adalah model dekomposisi aditif (additive
decomposition model) yang diekspresikan sebagai berikut:
𝑌 =𝑎+𝑏 𝑋 +𝑏 𝑋 +𝑏 𝑋 +𝑏 𝑋
dimana:
X1 = periode waktu
X2 = 1 jika kuartal 2, 0 jika bukan
Untuk membandingkan hasil peramalan dengan metode analisis regresi

dengan metode dekomposisi, kita dapat melakukan analisis kesalahan peramalan
(error) dengan menghitung nilai MAD, MSE dan MAPE setiap metode, dan pilih
metode dengan nilai error yang lebih kecil.
105
Praktikum 14 Analisis Regresi untuk Data Time-Series

Kasus 1: Kasus Fear Man Co.
Fear Man Co. adalah perusahaan yang menjual kipas angin dimana penjualan
selama 3 tahun terakhir per empat bulan (kuartal) tersaji pada Tabel 14.1. Fear
Man menduga ada pengaruh musim pada data penjualan tersebut, sehingga ia
dapat melakukan peramalan penjualan produk pada tahun mendatang dengan
menggunakan analisis regresi.
Tabel 14.1 Data Penjualan Kipas Angin Tahun 2011-2013

Penjualan Kipas
Tahun Kuartal
Angin
2011 1 108
2 125
3 150
4 141
2012 1 116
2 134
3 159
4 152
2013 1 123
2 142
3 168
4 165
Kasus 2: Kasus Hal Comforta

Hal Comforta yang menjual AC ingin meramalkan penjualan produknya di tahun
2014 yang akan datang berdasarkan data penjualan 4 tahun terakhir. Data aktual
tersaji pada Tabel 14.2. Hal menduga ada pengaruh trend dan musim pada data
sehingga ia akan menggunakan analisis regresi untuk meramalkan penjualannya.
106
Tabel 14.2 Data Penjualan AC Tahun 2010-2013
Tahun Kuartal Penjualan AC
2010 1 14
2 26
3 23
4 12
2011 1 19
2 28
3 25
4 18
2012 1 22
2 34
3 28
4 21
2013 1 24
2 36
3 30
4 20
14.4 Petunjuk Kerja

a) Plot data ke dalam diagram scatter serta tampilkan data dalam format per
kuartal untuk mengetahui pola data!
b) Hitung ramalan penjualan produk berdasarkan persamaan regresi yang
diperoleh!
c) Lakukan analisis kesalahan peramalan dengan menghitung MAD, MSE,
MAPE
107
14.5 Lembar Kerja

Kasus 1: Kasus Fear Man Co.
b) Hitung Rata-rata Penjualan Kipas Angin Tahun 2011-2013
Penjualan
Kuartal Rata-rata
Tahun Tahun Tahun
2011 2012 2013
Rata-rata
108
Berdasarkan diagram scatter dan tabel di atas, pola dari data penjualan kipas
angin pada Fear Man Co. adalah:
...................................................................................................................................
...................................................................................................................................
...................................................................................................................................
Karena,
...................................................................................................................................
...................................................................................................................................
...................................................................................................................................
...................................................................................................................................
...................................................................................................................................
...................................................................................................................................

c) Ramalan Penjualan Kipas Angin pada kuartal 1Tahun 2014 adalah:
d) Ramalan Penjualan Kipas Angin pada kuartal 2Tahun 2014 adalah:
e) Ramalan Penjualan Kipas Angin pada kuartal 3Tahun 2014 adalah:
109
f) Ramalan Penjualan Kipas Angin pada kuartal 4Tahun 2014 adalah:
g) Menghitung Kesalahan Peramalan

Ramalan
Periode Kipas
Penjualan
Angin 𝒆𝒕 |𝒆𝒕 | 𝒆𝒕 𝟐 (|𝒆𝒕 |⁄𝒀𝒕 ) %
1 108
2 125
3 150
4 141
5 116
6 134
7 159
8 152
9 123
10 142
11 168
12 165
Total
MAD
MSE
MAPE
110
Kasus 2: Kasus Hal Comforta.

b) Hitung Rata-rata Penjualan AC Tahun 2010-2013
Penjualan
Kuartal Rata-rata
Tahun Tahun Tahun Tahun
2010 2011 2012 2013
Rata-rata
111
Berdasarkan diagram scatter dan tabel di atas, pola dari data penjualan AC pada
Hal Comforta adalah:
...................................................................................................................................
...................................................................................................................................
...................................................................................................................................
Karena,
...................................................................................................................................
...................................................................................................................................
...................................................................................................................................
...................................................................................................................................
...................................................................................................................................
...................................................................................................................................

c) Ramalan Penjualan AC pada kuartal 1 Tahun 2014 adalah:
d) Ramalan Penjualan AC pada kuartal 2 Tahun 2014 adalah:
e) Ramalan Penjualan AC pada kuartal 3 Tahun 2014 adalah:
112
f) Ramalan Penjualan AC pada kuartal 4 Tahun 2014 adalah:
g) Menghitung Kesalahan Peramalan

Periode
AC Penjualan
𝒆𝒕 |𝒆𝒕 | 𝒆𝒕 𝟐 (|𝒆𝒕 |⁄𝒀𝒕 ) %
1 14
2 26
3 23
4 12
5 19
6 28
7 25
8 18
9 22
10 34
11 28
12 21
13 24
14 36
15 30
16 20
Total
MAD
MSE
MAPE
113
Daftar Pustaka
Anderson, David R. et al. 2008. An Introduction to Management Science:

Quantitative Approaches to Decision Making. 12th edition. South-Western.
Beckman, S.L., D.B. Rosenfield. 2008. Operations Strategy: Competing in the 21st
Century. McGraw-Hill. New York.
Brown, S., Lamming, S., Bessant, J., and Jones, P. 2005. Strategic Operations
Management. Elsevier Butterworth-Heinemann
Chase, Richard B., Nicholas J. Aquilano and F. Robert Jacobs. 2006. Operations
Management for Competitive Advantage. 11th edition. McGraw-Hill.
Hanke, John E. and Wichern, Dean W. 2005. Business Forcasting. Eight Edition.
Prentice Hall Inc., New York.
Harijono Sugiarto. 2000. Peramalan Bisnis. PT. Gramedia Pustaka Utama, Jakarta.
Heizer, Jay and Render, Barry. 2008. Operations Management. 9th edition. Prentice
Hall, New Jersey, USA.
Hoshmand, A. Reza. 2010. Business Forecasting: A Practical Approach. 2nd Ed.

Routledge.UK
Kumar, S. A. and Suresh, N. 2009. Operations Management. New Age

International (P) Limited, Publisher, New Delhi
Lerbin R. Aritonang, 2002. Peramalan Bisnis. Ghalia Indonesia, Jakarta.
Lincolin Arsyad. 2001. Peramalan Bisnis. Edisi Pertama. BPFE UGM, Yogyakarta.
Makridakis, Spyros. Steven C. Wheelwright, dan Victor E. McGee. 1999. Metode

dan Aplikasi Peramalan, Terjemahan, Jilid 1 dan 2. Binarupa Aksara, Jakarta.
Render, Barry., Ralph M. Stair, Jr., Michael E. Hanna. 2009. Quantitative Analysis
for Management. 11th ed. Pearson Prentice Hall.
Russell, Roberta S. & Taylor III, Bernard W.2009. Operations Management: Along
the Supply Chain. 6th edition. John Wiley & Sons, New Jersey
Singgih Santoso,. 2009. Business Forecasting. PT Elex Media Komputindo.

Jakarta.
Taha, Hamdy A. 2007. Operations Research: An Introduction. 8th ed. Pearson

Prentice Hall. 2007
Taylor III, Bernard W. 2007. Introduction to Management Science. Ninth Edition.

Prentice Hall Inc., New York.
Weida, Nancy C., Ronny Richardson, Andrew Vazsonyi. 2001.Operations Analysis

Using Microsoft Excel. Duxbury Thomson Learning.

Modul Peramalan Bisnis 2019

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Modul Peramalan Bisnis 2019

Diunggah oleh

Hak Cipta:

Format Tersedia

PERAMALAN BISNIS

Analisis Kasus dengan Microsoft Excel

Pengerjaan dan penyelesaian setiap pembahasan dapat dilakukan secara manual

Padang, Maret 2014

KATA PENGANTAR ...................................................................................... i

DAFTAR ISI .................................................................................................... ii

Pendahuluan: Apa itu Peramalan dalam Bisnis................................................. 1

Praktikum 1 Eksplorasi Pola Data Time-Series............................................... 4

Praktikum 2 Mengukur Kesalahan Peramalan ................................................ 12

Praktikum 3 Peramalan dengan Metode Naïve dan Rata-rata Sederhana......... 19

Praktikum 4 Peramalan dengan Metode Rata-rata Bergerak ........................... 25

Praktikum 5 Peramalan dengan Metode Rata-rata Bergerak yang Berbobot ... 30

Praktikum 6 Peramalan dengan Metode Pemulusan Eksponensial .................. 41

Praktikum 7 Peramalan dengan Metode Pemulusan Eksponensial Ganda ....... 50

Praktikum 8 Peramalan dengan Metode Proyeksi Trend................................. 56

Praktikum 9 Peramalan dengan Analisis Regresi Sederhana........................... 62

Praktikum 10 Peramalan dengan Analisis Regresi Berganda ............................ 73

Praktikum 11 Variabel Dummy dalam Peramalan Regresi serta Memilih

Persamaan Regresi Terbaik ....................................................... 81

Praktikum 12 Variasi Musim pada Peramalan Time Series ............................... 89

Praktikum 13 Dekomposisi pada Peramalan Time Series ................................. 95

Praktikum 14 Analisis Regresi untuk Data Time Series .................................. 105

1.1 Pengertian Peramalan (Forecasting)

1.2 Memilih Metode Peramalan

Dalam memilih sebuah metode peramalan, perlu dipertimbangkan beberapa

Model Model Model

Moving Analisis Regresi Metode

Exponential Analisis Regresi Nominal Group

Proyeksi Trend Sales Force

Gambar 1.1 Teknik Peramalan

2.2 Kajian Teori

Eksplorasi Pola Data Time-Series

Sumber: Heizer & Render (2009)

1. Melihat Tampilan Grafik Data

2. Analisis otokorelasi (autocorrelation analysis)

2.3 Kasus untuk Kerja

Tabel 1.1 Data Penjualan CD Player Toko Elektronik Buset

2.4 Petunjuk Kerja

2.5 Lembar Kerja

c) Menghitung koefisien otokorelasi lag 1

t Yt Yt - 1 (𝒀𝒕 − 𝒀) (𝒀𝒕 𝟏 − 𝒀) (𝒀𝒕 − 𝒀)𝟐 (𝒀𝒕 − 𝒀)(𝒀𝒕 𝟏 − 𝒀)

Nilai Yt rata-rata = 𝒀 adalah:

Nilai koefisien otokorelasi pertama (𝑟 ) adalah:

d) Menghitung nilai koefisien otokorelasi kedua (r ) adalah:

t Yt Yt - 2 (𝒀𝒕 − 𝒀) (𝒀𝒕 𝟐 − 𝒀) (𝒀𝒕 − 𝒀)𝟐 (𝒀𝒕 − 𝒀)(𝒀𝒕 𝟐 − 𝒀)

Nilai koefisien otokorelasi kedua (𝑟 ) adalah:

Berdasarkan nilai koefisien otokorelasi pertama (𝑟 ) dan kedua (𝑟 ), maka

2.2 Kajian Teori

Tujuan menghitung kesalahan peramalan adalah memperoleh peramalan

Rumus umum menghitung error adalah:

𝑒 = kesalahan peramalan pada periode waktu t

𝑌 = nilai aktual pada periode waktu t

𝑌 = nilai peramlan pada periode waktu t

Ada 3 cara yang dapat digunakan untuk mengevaluasi teknik peramalan

1. Mean Absolute Deviation (MAD)

Rumus menghitung MAD:

2. Mean Square Error (MSE)

dijumlahkan dan dibagi dengan jumlah observasi. Pendekatan ini menghukum

3. Mean Absolute Percentage Error (MAPE)

Rumus menghitung MAPE:

Ketiga pengukuran kesalahan peramalan tersebut sangat berguna untuk

b) Untuk mengukur kegunaan atau reliabilitas suatu teknik peramalan

2.3 Kasus untuk Kerja

= × + 1 − ×