Model time series dalam peramalan: model dengan memanfaatkan data lama untuk
memprediksi kebutuhan pada waktu yang akan datang.
Model asosiatif: memformulasikan kaitan antara kebutuhan dan variabel penentu
dalam sebuah fungsi dan memanfaatkan fungsi tersebut untuk memprediksi
kebutuhan pada waktu yang akan datang.
Trend
Per
mint Siklus
aan
Rata-rata
Moving average=
∑ permintaan n periode sebelumnya
n
1
Contoh:
2
Perbedaan ramalan moving average dan weighted moving average 4
bulan
40
Pe 30
rm
int
aa
n
2 4 6 8 10 12
Waktu
Exponential Smoothing
3
Contoh:
Ramalan untuk penjualan sebuah produk untuk bulan Januari = 150. Penjualan riil
pada bulan Januari = 180 unit. Tentukan dengan metode exponential smoothing
harga ramalan untuk permintaan bulan Februari. Smoothing constant α ditetapkan =
0,25.
Contoh:
Permintaan riil untuk bulan Januari sampai Desember ditunjukkan pada tabel.
Tentukan harga peramalan untuk bulan-bulan ini dengan metode exponential
smoothing dengan smoothing constant 0,20 dan 0,25. Ramalan bulan Januari = 22.
4
Desember 18 33,96
Contoh: ramalan bulan Januari diasumsikan = 20 dengan trend = 4 unit. α = 0,2 dan
β = 0,3.
Contoh perhitungan:
RT t =Rt + T t
RT Peb . =RPeb . +T Peb .
RT Peb . =24+ 4=28
Contoh: peramalan dengan trend untuk data pada tabel. Ramalan bulan Januari
diasumsikan = 20 dengan trend = 4 unit. α = 0,2 dan β = 0,3.
Ramalan dengan
Bulan Permintaan riil Ramalan, Rt Trend, Tt
trend, RTt
1 Januari 24 20 4 24
2 Pebruari 30 24 4 28
3 Maret 38 28,4 4,12 32,52
4 April 36 33,62 4,45 38,06
5 Mei 40 37,65 4,32 41,98
6 Juni 45 41,58 4,21 45,79
7 Juli 42 45,63 4,16 49,79
8 Agustus 48 48,23 3,69 51,92
9 September 52 51,14 3,46 54,59
5
1 Oktober
56 54,08 3,30 57,38
0
1 November
64 57,10 3,22 60,32
1
1 Desember
61,06 3,44 64,49
2
80
60
40
20
2 4 6 8 10 12
Kesalahan peramalan:
6
Kesalahan peramalan = permintaan riil – harga ramalan
Kesalahan peramalan = Pt – Rt
Rt =Rt −1+¿
(1) (2) α (Pt −1 −R t−1 ) (4) (5) (6)
(3)
Deviasi Deviasi Absolute percent
Ramalan α = mutlak kuadrat error
Bulan Permintaan
0,25
|( 2 ) −(3)| 2
|( 2 ) −(3)| 100|( 2 )− ( 3 )|/(2)
Januari 24 22,00 2,00 4,000 8,3333
Pebruari 26 22,50 3,50 12,250 13,4615
Maret 32 23,38 8,62 74,304 26,9375
April 34 25,53 8,47 71,741 24,9118
Mei 32 27,65 4,35 18,923 13,5938
Juni 45 28,74 16,26 264,388 36,1333
Juli 34 32,80 1,20 1,440 3,5294
Agustus 28 33,10 5,10 26,010 18,2143
September 42 31,83 10,17 103,429 24,2143
Oktober 22 34,37 12,37 153,017 56,2273
November 42 31,28 10,72 114,918 25,5238
Desember 18 33,96 15,96 254,722 88,6667
98,72 1099,14 339,747
MAD=
∑|Permintaan Riil−Ramalan|
n
MAD=
∑|P i−Ri|
n
98 , 72
MAD= =8 , 23
12
Mean squared error:
MSE=
∑ (Permintaan riil−ramalan)2
n
MSE=
∑ (Pi −R i)
2
n
1099 ,14
MSE= =91 ,59
12
7
Mean absolute percent error:
MAPE=
∑ 100|Permintaan Riil i−Ramalani|/ Permintaan Riili
n
MAPE=
∑ 100|Pi −R i|/ Pi
n
339,747
MAPE= =28 ,31 %
12
Peramalan dengan analisis regresi
Data kebutuhan angkutan kapal feri yang diperoleh selama 10 tahun ditunjukkan
pada tabel. Tentukan kebutuhan kapal feri untuk tahun 2023 dengan menggunakan
analisis regresi.
1 2 3 4 5 6 7 8 9 10
Tahun 2013 2014 2015 2016 2017 2018 2019 2020 2021 2022
Kebutuhan 120 142 156 168 180 202 225 240 268 282
Persamaan garis lurus
Y i=α + β X i +ϵ i
Y^i=a+b X i
S=∑ (Y i −Y^i)
2
∂S ∂S n ∑ XY −∑ X ∑ Y
=0 ; =0 ; b=
n ∑ X −¿ ¿ ¿¿
2
∂a ∂b
ϵ9
ϵ5
Yi
8
Y^i
X5 X9
Penyelesaian soal:
Tahun dinyatakan dengan angka 1 untuk tahun 2013 dan angka 10 untuk tahun
2022.
Analysis of Variance
D
Source F Adj SS Adj MS F-Value P-Value
Regression 1 26424,9 26424,9 855,09 0,000
Error 8 247,2 30,9
Total 9 26672,1
Model Summary
S R-sq R-sq(adj) R-sq(pred)
5,55905 99,07 98,96% 98,59%
%
Coefficients
SE
Term Coef Coef T-Value P-Value
Constant 99,87 3,80 26,30 0,000 9
Ramalan untuk tahun 2023 bisa diperoleh dengan memberi angka 11 pada variabel
tahun pada persamaan regresi
Kebutuhan = 99,87 + 17,90 × tahun
Penyelesaian:
Dengan analisis regresi untuk data tahun 1 sampai tahun ke 3 diperoleh persamaan
regresi:
y = 249,0 + 24,00 x
permintaan tahun ke 4, x = 4 diperoleh y = 345
10
11