Disusun Oleh:
M.Firdaus (1902240016)
Dosen Pengampu :
FAKULTAS TEKNIK
PENDAHULUAN
A.Latar Belakang
Peramalan deret waktu atau time series merupakan suatu metode analisis data yang
untuk melakukan suatu perkiraan atau peramalan pada masa yang akan datang
(Makridakis, dkk, 1998) Dalam peramalan time series membutuhkan sejumlah data yang
cukup banyak dan diamati dalam periode waktu yang relatif cukup panjang agar proses dan
Ada beberapa produk yang memiliki permintaan meningkat pada special event
seperti Lebaran, Natal, dan Tahun Baru. Seperti halnya tepung jeli yang merupakan bahan
tambahan yang diaplikasikan pada jenis makanan dan minuman seperti jelly cup, pudding,
sirup, dan lain-lain. Idul Fitri salah satu hari raya umat Islam yang diperingati setiap
berdasarkan peredaran bulan, sehingga menyebabkan permulaan awal puasa atau awal Idul
Fitri jatuh pada tanggal yang berbeda-beda setiap tahunnya berdasarkan penanggalan
tahun Masehi.
special event (libur sekolah, hari raya Idul Adha, Idul Fitri, dst) ini dilakukan pada
Smoothing Event Based, dan decomposition (Henifa, Wahyuningsih, 2014). Selain itu,
Coca Cola Bottling Indonesia. Peramalan akan dilakukan dengan mempehitungkan nilai
Tujuan penelitian ini adalah untuk menentukan estimasi permintaan tepung jeli
dengan menggunakan metode deret waktu dengan mempertimbangkan pengaruh special
event, seasonal, dan trend ditambah dengan pergeseran periode bulan Ramadhan pada
kalender Masehi. Oleh karena itu diperlukan metode peramalan yang dapat
memperhitungkan semua pengaruh tersebut serta faktor koreksi untuk adjustment hasil
ramalan pada periode Lebaran sehingga hasilnya sesuai dengan kondisi aktualnya.
B.Studi Pustaka
Yaitu metode peramalan yang fungsi dasarnya adalah untuk memprediksi adanya
dikoreksi dengan unsur musiman dan tren. Pada ramalan ini terdapat konstanta utama yaitu
konstanta pemulusan (α), konstanta trend (β) dan konstanta musiman (γ) yang nilainya
Lt = ) (4)
bt = ) + (1- ) (5)
St = + (6)
Ft+m = (7)
periode selanjutnya.
Metode Decomposition merupakan metode yang memecah suatu pola permintaan menjadi
komonen trend, musiman, dan siklis. selain ketiga unsur tadi juga terdapat unsur acak atau
random yang merupakan deviasi dari ketiga unsur utamanya. Berikut adalah persamaannya
(Model Multipikatif):
Dimana Yt adalah data runtun waktu pada periode ke t,Tt adalah Komponen tren pada
Forecast error untuk menguji ketepatan peramalan dan mevalidasi model peramalan
dengan menggunakan Mean Absolute Deviation (MAD) dan Mean Absolute Percentage
Error (MAPE) (Khair dkk, 2017). Dalam penelitian ini digunakan MAD Tujuseperti
tercantum pada Persamaan (9). Nilai MAD mengukur nilai error mutlak secara rata-rata
MAD = (9)
1.5 Uji Residual Identik, Independen, Distribusi Normal (IIDN)
1. Uji Residual Identik. Uji untuk melihat sebaran dari residual apakah identik yaitu
2. Uji Residual Independen. Uji ini menggunakan auto correlation function (ACF) dan
partial auto correlation function (PACF) yaitu jika semua lag berada pada garis kontrol,
3. Uji Distribusi Normal. Residual diuji berdistribusi normal dengan menggunakan uji
2017).
C. Metodologi Penelitian
1. Identifikasi Pola Permintaan, yaitu dengan plotting data untuk mengidentifikasi pola
permintaan maka nilai indeksnya lebih dari 1 sedangkan yang permintaanya di bawah
3. Penentuan Faktor Koreksi. Faktor koreksi digunakan untuk proses adjustment atas hasil
ramalan pada special event Lebaran dimana hari terjadinya Lebaran tidak sama dari
tahun ke tahun pada kelender Masehi. Dengan menghitung faktor ini maka hasil
a. Hitung tingkat permintaan tepung jeli pada bulan Ramadhan dengan periode
mingguan menggunakan data 2013 dan 2014 kemudian hitung rasionya.
b. Hitung pembagian rasio pada periode dimana terjadi bulan Ramadhan dengan
c. Faktor koreksi ini kemudian digunakan untuk adjustment hasi ramalan pada bulan
Ramadhan.
4. Peramalan. Metode Peramalan yang digunakan antara lain Linear Regression with
5. Pemilihan Metode Peramalan Terbaik. Pada tahap ini dilakukan pemilihan metode yang
terbaik dari hasil peramalan yang telah dilakukan dengan cara membandingkan
performansi dari masing-masing peramalan dan uji verifikasi dan validasi dengan
PEMBAHASAN
Pola musiman (seasonal) adalah pola dimana kenaikan dan penurunan permintaan
terjadi pada periode-periode tertentu dan selalu berulang pada periode berikutnya.
Sedangkan pola trend adalah pola dimana terjadi kencederungan peningkatan atau
penurunan pada pola permintaan dan Identifikasi pola trend ini digunakan untuk
menunjukkan bahwa terdapat pola musiman yaitu permintaan pada periode tertentu
berulang pada periode berikutnya (periodik) dan permintaannya cenderung meningkat (tipe
Tahap ini adalah untuk mengidentifikasi special event yang berpengaruh pada
permintaan tepung jeli. Special event yang dimaksud adalah periode dimana terjadi
lonjakan permintaan yang lebih tinggi dari rata-rata pemintaan bulanan. Proses identifikasi
ini juga untuk mengelompokkan periode apa saja yang termasuk pada kategori special
event dan non special event. Berdasarkan Gambar 2, terlihat bahwa terdapat dua kelompok
special event yang memberikan pengaruh signifikan pada lonjakan permintaan. Kelompok
pertama adalah periode 5, 6, dan 7 yang merupakan periode special event Lebaran
sedangkan kelompok kedua adalah periode 11 dan 12 yang merupakan periode special
Faktor koreksi diperlukan sebagai koefisien adjustment hasil ramalan karena selalu
bergesernya periode bulan Ramadhan pada kalender Masehi. Perhitungan faktor koreksi
berdasarkan rasio penjualan selama bulan ramadhan dapat dilihat pada Tabel 1.
Lebaran tahun 2015 berlangsung pada tanggal 17 Juni. sehingga terdapat 10 hari
Ramadhan yang berada pada bulan Juni dan 11 hari Ramadhan yang terjadi pada bulan Juli
Efektif
berdasarkan nilai indeks musimannya (lihat Tabel 3). Nilai di atas 1 menunjukkan terjadi
pemintaan bulanan.
Kelompok Keterangan
Kelompo Periode Indeks
Indeks
kPeriode (Bulan) Musiman
Musiman
1 0,65
3 0,79 Special
≤1 4 0,72 Event
Lebaran
8 0,65
Periode sebelum
2 9 0,70 Special Event Natal
10 0,80 dan Tahun Baru
5 1,28
Periode
3 6 1,33 Special Event
≥1 7 1,79 Lebaran
dan Tahun
Baru
menggunakan tiga metode yaitu Linear Regression with Seasona.l pada dasarnya adalah
persamaan linear kemudian dikoreksi dengan faktor musiman, metode Winters (α=0.9,
β=0.1, γ=0.1) dan Decomposition. Pemiihan metode peramalan terbaik pada penelitian ini
adalah berdasarkan nilai MAD yang terendah dan lolos uji kelayakan model seperti pada
Tabel 4.
Winters’ Method
Linear Regression
Uji α=0.9, β=0.1, Decomposition
With Seasonal
γ=0.1
MAD 6.674 4.739 4.722
Valid
Normal
Berdasarkan Tabel 4, ramalan dengan nilai MAD terendah dan lolos uji kelayakan
model adalah metode Decomposition sehingga metode ini yang akan digunakan sebagai
bahan perencanaan untuk tahun 2015. Dengan nilai MAD yang tidak jauh berbeda yaitu
selisih 17, metode winters juga dapat digunakan untuk peramalan dengan pola data yang
Adjustment Hasil Ramalan Periode bulan Ramadhan dengan Faktor Koreksi Hasil
ramalan dengan metode Decomposition periode Ramadhan harus dikoreksi agar hasilnya
sesuai dengan kondisi aktua pada kalender Masehi. berdasarkan Tabel maka puncak
permintaan yang sebelumnya terjadi pada bulan Juni maka setelah dikoreksi bergeser pada
bulan Juli. Hal ini karena rasio permintaan lebih tinggi pada bulan Juni.
(kg)
Akurasi peramalan perusahaan yang rendah karena tidak memperhitungkan pengaruh special
event, seasonal, dan trend. Perbandingan akurasi peramalan metode usulan dan metode
perusahaan saat ini bahwa metode usulan mampu menaikkan akurasi sebesar 8,1% menjadi
Special event adalah periode dimana terjadi lonjakan. Besarnya lonjakan tersebut
berpengaruh pada pola permintaan tepung jeli tersebut. Analisis dilakukan dengan
musiman maka didapatkan dua kelompok indeks musiman yaitu periode special event lebaran
dan special event Natal & Tahun Baru. Berdasarkan Tabel 6, special event Lebaran
PENUTUP
Kesimpulan
1. Metode peramalan yang sesuai dengan karakteristik pola permintaan tepung jeli dimana
terdapat pengaruh special event, seasonal, dan trend adalah Decomposition dengan
akurasi peramalan sebesar 94,77% atau naik sebesar 8,1% dari akurasi peramalan
2. Periode special event yang berpengaruh pada peningkatan permintaan adalah sebagai
berikut:
Lebaran dengan 3 periode (Mei, Juni, dan Juli) dengan rata-rata indeks musimannya
1,68
Natal dan Tahun Baru dengan 2 periode (November dan Desember) dengan rata- rata
3. Faktor Koreksi berdasarkan rasio penjualan pada bulan Ramadhan dapat digunakan
untuk adjustment hasil ramalan periode special event Lebaran yang tanggal
Henifa, Siti Lukmatul , dan Wahyuningsih, Nuri. 2014. Peramalan Penjualan Avtur dengan
33872-1210100064-paper.pdf
Indrasetianingsih, Artanti, Damayanti, Ika , dan Susanto, Teguh. 2017. "Analisis ARIMA
229.
Khair, Ummul, Fahmi, Hasanul, Hakim, Sarudin Al, and Rahim, Robbi. 2017.
Makridakis, Spyros , Wheelwright, Steven C., McGee, Victor E. , and Hyndman, Rob J.
1998. Forecasting: Methods and Applications. 3rd Ed. John Wiley and Sons.
Putra, Ilsan Nur, Pujawan, Nyoman, dan Arvitrida, Niniet Indah. 2009. Peramalan dan
http://digilib.its.ac.id/public/ITS-Undergraduate-12954-Paper.pdf.