FORECASTING Shaffan A. I.

(02111640000009)
M. Darma S. A. (02111640000014)
Zulfan F. (02111640000178)
SIMPLE MOVING AVERAGE
SIMPLE MOVING AVERAGE
Pengertian Moving Average atau Rata-rata bergerak adalah metode peramalan
yang menghitung rata-rata suatu nilai runtut waktu dan kemudian digunakan untuk
memperkirakan nilai pada periode selanjutnya. Moving Average atau Rata-rata
Bergerak diperoleh melalui penjumlahan dan pencarian nilai rata-rata dari sejumlah
periode tertentu, kemudian menghilangkan nilai terlamanya dan menambah nilai
baru.
SIMPLE MOVING AVERAGE
Metode Moving Average ini lebih baik digunakan untuk menghitung data yang
bersifat stabil atau data yang tidak berfluktuasi dengan tajam (data yang
perubahan naik dan turunnya sangat drastis). Hal ini dikarenakan data pada setiap
periode diberikan bobot yang sama sehingga tidak dapat mewakilkan periode-
periode tertentu yang bersifat khusus ataupun data periode terakhir yang biasanya
dinilai sebagai data yang terbaik dalam mengambarkan kondisi terkini. Oleh karena
itu, munculah Metode-metode Moving Average yang lain untuk mencoba
mengatasinya, metode moving average yang lain diantaranya adalah Metode
Weighted Moving Average (Rata-rata Bergerak Berbobot) atau disingkat dengan
WMA dan Metode Exponential Smoothing (Metode Penghalusan Bertingkat).
SIMPLE MOVING AVERAGE
Moving Average = (n1 + n2 + n3 +…)/n

n1 = Data periode pertama

n2 = Data periode kedua
n3 = Data periode ketiga
n = Jumlah periode rata-rata bergerak
SIMPLE MOVING AVERAGE
Perusahaan PT. ZZYY yang bergerak di bidang manufakturing Ponsel ingin
meramalkan penjualan Ponsel untuk bulan April dan Mei dengan menggunakan data
bulanannya yang dimulai dari bulan Januari. Periode Rata-rata bergeraknya adalah
3 bulan. Berikut ini adalah cara dan hasil perhitungannya.
SIMPLE MOVING AVERAGE
Perkiraan Penjualan untuk bulan April adalah :
MA April = (22.500 + 37.750 + 30.000) / 3
MA April = 90.000 / 3
MA April = 30.000
Jadi perkiraan penjualan ponsel pada bulan April adalah sekitar 30.000 unit.
WEIGHTED MOVING AVERAGE
WEIGHTED MOVING AVERAGE
memperkirakan pergerakan rata-rata aritmetika yang dihitung dengan melakukan
pembobotan dari beberapa periode sebelumnya yang digunakan dalam menghitung
perkiraan demand
Contoh Soal
EXPONENTIAL SMOOTHING
EXPONENTIAL SMOOTHING
Peramalan dengan Exponential Smoothing (Penghalusan Eksponensial) –
Exponential smoothing atau dalam bahasa Indonesia disebut dengan Penghalusan
Eksponensial adalah suatu metode peramalan rata-rata bergerak yang memberikan
bobot secara eksponensial atau bertingkat pada data-data terbarunya sehingga
data-data terbaru tersebut akan mendapatkan bobot yang lebih besar. Dengan
kata lain, semakin baru atau semakin kini datanya, semakin besar pula bobotnya.
Hal ini dikarenakan data yang terbaru dianggap lebih relavan sehingga diberikan
bobot yang lebih besar. Parameter penghalusan (smoothing) biasanya dilambangkan
dengan α (alpha).
Peramalan dengan Exponential Smoothing (Penghalusan Eksponensial)
Metode Peramalan Exponential Smoothing atau Penghalusan eksponensial (Penghalusan
bertingkat) ini banyak digunakan untuk meramalkan permintaan barang (demand) yang
perubahannya sangat cepat.
Cara Menghitung Exponential Smoothing
Peramalan dengan Exponential Smoothing atau Metode Penghalusan Eksponensial ini cukup
mudah, yaitu dengan memasukan prakiraan permintaan sekarang dengan data permintaan
nyata atau data permintaan aktual ke dalam rumus Exponential Smoothing. Berikut ini adalah
rumus untuk menghitung exponential smoothing :
Rumus Exponential Smoothing (Penghalusan Eksponensial)
Ft = Ft – 1 + α (Dt-1 – Ft-1)
Dimana :
Ft = Prakiraan Permintaan sekarang
Ft-1 = Prakiraan Permintaan yang lalu
α = Konstanta Eksponensial
Dt-1 = Permintaan Nyata
CONTOH KASUS CARA MENGHITUNG EXPONENTIAL
SMOOTHING
Sebuah perusahaan yang menjual Kalkulator ingin meramalkan permintaan produknya di pasar.
Metode yang digunakan adalah metode Penghalusan Eksponensial atau Exponential Smoothing.
Perusahaan tersebut menggunakan Konstanta α = 0,1. Prakiraan Permintaan atau demand untuk
bulan Januari adalah 10.000 unit. Namun pada kenyataannya, permintaan aktual pada bulan
Januari tersebut hanya sebanyak 9.000 unit. Berapakah prakiraan untuk bulan Februari?
Diketahui :
α = 0,1
Ft – 1 = 10.000 unit
Dt – 1 = 9.000 unit
Ft = ?
Jawaban :
Ft = Ft – 1 + α (Dt-1 – Ft-1)
Ft = 10.000 + 0,1 (9.000 – 10.000)
Ft = 10.000 + 0,1 (-1.000)
Ft = 10.000 + (-100)
Ft = 9.900
Jadi prakiraan permintaan untuk bulan Februari adalah 9.900 units.
UNTUK PRAKIRAAN PADA BULAN-BULAN SELANJUTNYA, KITA
DAPAT MENGHITUNG DENGAN CARA YANG SAMA. SILAKAN
LIHAT CONTOH BERIKUT INI :
PENENTUAN NILAI KONSTANTA PADA METODE
PERAMALAN EXPONENTIAL SMOOTHING
Nilai konstanta dapat ditentukan dengan cara trial dan error (coba-coba). Namun dapat juga menggunakan
rumus dibawah ini :
α= 2 / (n + 1)
Dimana :
Α = nilai Konstanta
n = jumlah periode waktu
Contoh :
Bila data terdiri dari 9 bulan, maka α dapat diperoleh dengan menggunakan perhitungan Sebagai berikut :
α= 2 / (n + 1)
α= 2 / (9 + 1)
α= 2 / 10
α= 0,2
Jadi nilai konstanta yang dapat kita gunakan adalah 0,2.
LINEAR REGRESSION ANALYSIS
ANALISIS REGRESI LINEAR SEDERHANA

Adalah Metode Statistik yang berfungsi untuk menguji sejauh mana hubungan sebab
akibat antara Variabel Faktor Penyebab (X) terhadap Variabel Akibatnya. Regresi
Linear Sederhana atau sering disingkat dengan SLR (Simple Linear Regression) juga
merupakan salah satu Metode Statistik yang dipergunakan dalam produksi untuk
melakukan peramalan ataupun prediksi tentang karakteristik kualitas maupun
Kuantitas.
CONTOH PENGGUNAAN ANALISIS REGRESI LINEAR
SEDERHANA DALAM PRODUKSI ANTARA LAIN :

Hubungan antara Lamanya Kerusakan Mesin dengan Kualitas Produk yang dihasilkan
Hubungan Jumlah Pekerja dengan Output yang diproduksi
Hubungan antara suhu ruangan dengan Cacat Produksi yang dihasilkan
MODEL PERSAMAAN REGRESI LINEAR SEDERHANA
ADALAH SEPERTI BERIKUT INI :
Y = a + bX

Dimana :

Y = Variabel Response atau Variabel Akibat (Dependent)

X = Variabel Predictor atau Variabel Faktor Penyebab (Independent)
a = konstanta
b = koefisien regresi (kemiringan); besaran Response yang ditimbulkan oleh Predictor.
Nilai-nilai a dan b dapat dihitung dengan menggunakan Rumus
dibawah ini :

a = (Σy) (Σx²) – (Σx) (Σxy)

n(Σx²) – (Σx)²

b = n(Σxy) – (Σx) (Σy)

n(Σx²) – (Σx)²
CONTOH KASUS ANALISIS REGRESI
LINEAR SEDERHANA
Seorang Engineer ingin mempelajari Hubungan antara Suhu Ruangan dengan Jumlah
Cacat yang diakibatkannya, sehingga dapat memprediksi atau meramalkan jumlah cacat produksi
jika suhu ruangan tersebut tidak terkendali. Engineer tersebut kemudian mengambil data selama
30 hari terhadap rata-rata (mean) suhu ruangan dan Jumlah Cacat Produksi.

Penyelesaiannya mengikuti Langkah-langkah dalam Analisis Regresi Linear Sederhana

adalah sebagai berikut :
Langkah 1 : Penentuan Tujuan
Tujuan : Memprediksi Jumlah Cacat Produksi jika suhu ruangan tidak terkendali
Langkah 2 : Identifikasikan Variabel Penyebab dan Akibat
Varibel Faktor Penyebab (X) : Suhu Ruangan,
Variabel Akibat (Y) : Jumlah Cacat Produksi
 Tanggal Rata-rata Suhu Ruangan Jumlah Cacat
1 24 10
2 22 5
3 21 6
4 20 3

Langkah 3 : Pengumpulan Data 5

6
22
19
6
4
Berikut ini adalah data yang 7 20 5

berhasil 8
9
23
24
9
11
dikumpulkan selama 30 hari 10 25 13

(berbentuk tabel) : 11
12
21
20
7
4
13 20 6
14 19 3
15 25 12
16 27 13
17 28 16
18 25 12
19 26 14
20 24 12
21 27 16
22 23 9
23 24 13
24 23 11
25 22 7
26 21 5
27 26 12
28 25 11
29 26 13
30 27 14
 Tanggal Rata-rata Suhu Ruangan (X) Jumlah Cacat (Y) X2 Y2 XY
1 24 10 576 100 240
2 22 5 484 25 110
3 21 6 441 36 126
Langkah 4 : Hitung X², Y², XY dan total 4 20 3 400 9 60
dari masing-masingnya 5 22 6 484 36 132

Berikut ini adalah tabel yang telah 6 19 4 361 16 76

7 20 5 400 25 100
dilakukan perhitungan X², Y², XY dan 8 23 9 529 81 207
totalnya : 9 24 11 576 121 264
10 25 13 625 169 325
11 21 7 441 49 147
12 20 4 400 16 80
13 20 6 400 36 120
14 19 3 361 9 57
15 25 12 625 144 300
16 27 13 729 169 351
17 28 16 784 256 448
18 25 12 625 144 300
19 26 14 676 196 364
20 24 12 576 144 288
21 27 16 729 256 432
22 23 9 529 81 207
23 24 13 576 169 312
24 23 11 529 121 253
25 22 7 484 49 154
26 21 5 441 25 105
27 26 12 676 144 312
28 25 11 625 121 275
29 26 13 676 169 338
30 27 14 729 196 378
Langkah 5 : Hitung a dan b berdasarkan rumus
Regresi Linear Sederhana

Menghitung Konstanta (a) :

a = (Σy) (Σx²) – (Σx) (Σxy)
n(Σx²) – (Σx)²
Langkah 6 : Buat Model Persamaan
a = (282) (16.487) – (699) (6.861) Regresi
30 (16.487) – (699)²
Y = a + bX
a = -24,38 Y = -24,38 + 1,45X

Menghitung Koefisien Regresi (b)

b = n(Σxy) – (Σx) (Σy)
n(Σx²) – (Σx)²
b = 30 (6.861) – (699) (282)
30 (16.487) – (699)²
b = 1,45
Langkah 7 : Lakukan Prediksi atau Peramalan terhadap Variabel Faktor Penyebab atau Variabel Akibat

I. Prediksikan Jumlah Cacat Produksi jika suhu dalam keadaan tinggi (Variabel X), contohnya : 30°C

Y = -24,38 + 1,45 (30)

Y = 19,12

Jadi Jika Suhu ruangan mencapai 30°C, maka akan diprediksikan akan terdapat 19,12 unit cacat yang dihasilkan
oleh produksi.

II. Jika Cacat Produksi (Variabel Y) yang ditargetkan hanya boleh 4 unit, maka berapakah suhu ruangan yang
diperlukan untuk mencapai target tersebut ?

4 = -24,38 + 1,45X
1,45X = 4 + 24,38
X = 28,38 / 1,45
X = 19,57

Jadi Prediksi Suhu Ruangan yang paling sesuai untuk mencapai target Cacat Produksi adalah sekitar 19,57°C