laporan modul 3-fix!.pdf

ii

KATA PENGANTAR

Puji syukur kami sampaikan ke hadirat Tuhan Yang Maha Esa yang telah memberikan

rahmat dan anugerah-Nya kepada kami, sehingga kami bisa menyelesaikan laporan

praktikum Perancangan Teknik Industri (PTI) Modul 3- Forecasting dengan baik.

Laporan ini disusun untuk melengkapi tugas praktikum Perancangan Teknik

Industri yang dilaksanakan pada Hari Senin, 20 Oktober 2014 di Laboratorium

Optimasi dan Perencanaan Sistem Industri (OPSI) Teknik Industri Universitas

Diponegoro.

Dibutuhkan kerjasama untuk menyelesaikan laporan ini. Baik kerjasama dari

kami (antar anggota kelompok 17) dan kerjasama dengan pihak-pihak lain yang ikut

membantu dalam menyelesaikan laporan ini. Untuk itu kami ingin mengucapkan

terimakasih kepada :

1. Ibu Sri Hartini, selaku dosen pengampu dari mata kuliah Perencanaan dan

Pengendalian Produksi yang telah menyampaikan berbagai ilmu

2. Kak Diva Permatasari, selaku asisten kelompok 17 dan segenap asisten

Laboratorium Optimasi dan Perencanaan Sistem Industri (OPSI) yang telah

membimbing kami dalam penyusunan laporan Modul 3, Praktikum PTI ini.

3. Segenap teman-teman praktikan Perancangan Teknik Industri yang telah

membantu dalam banyak hal.

4. Serta pihak-pihak yang telah membantu yang tidak bisa kami sebutkan satu per

satu.

Namun, dalam penyusunan laporan ini kami menyadari masih banyak

kekurangan. Untuk itu, kami mengharapkan kritik dan saran untuk penyusunan laporan

yang lebih baik lagi. Semoga laporan ini bermanfaat bagi penyusun maupun pembaca.

Semarang, 11 November 2014

Penyusun

iii

DAFTAR ISI

KATA PENGANTAR .............................................................................................. ii

DAFTAR ISI ............................................................................................................. iii

DAFTAR TABEL .................................................................................................... vi

DAFTAR GAMBAR ................................................................................................ ix

BAB I PENDAHULUAN ......................................................................................... 1

1.1 Latar Belakang ............................................................................................. 1

1.2 Perumusan Masalah ..................................................................................... 1

1.3 Tujuan Penulisan .......................................................................................... 2

1.4 Pembatasan Masalah .................................................................................... 2

1.5 Sistematika Penulisan .................................................................................. 2

BAB II TINJAUAN PUSTAKA .............................................................................. 4

2.1 Peramalan .................................................................................................... 4

2.1.1 Definisi Peramalan .............................................................................. 4

2.1.2 Macam-Macam Peramalan ................................................................. 5

2.1.3 Tahapan Dalam Peramalan ................................................................. 8

2.2 Metode-Metode Deret Waktu (Time Series) ................................................ 10

2.3 Metode-Metode Kausal ................................................................................ 15

2.4 Pemilihan Metode Peramalan ...................................................................... 16

2.5 Validasi Model Peramalan ........................................................................... 18

2.6 Ekonometrika ............................................................................................... 21

BAB III METODOLOGI PRAKTIKUM .............................................................. 23

BAB IV PENGUMPULAN DAN PENGOLAHAN DATA .................................. 25

4.1 Pengumpulan Data ......................................................................................... 25

4.2 Pengolahan Data............................................................................................. 27

4.2.1 Plot Data ................................................................................................ 27

4.2.2 Konversi Data........................................................................................ 28

4.2.3 Peramalan .............................................................................................. 33

4.2.3.1 Data Pola Konstan ................................................................ 33

iv

1. Metode MA (Moving Average) .......................................... 33

a. SMA (Single Moving Average) .................................... 33

b. CMA (Centered Moving Average) ............................... 54

c. DMA (Double Moving Average) ................................. 71

d. WMA (Weighted Moving Average) ............................. 89

2. Metode ES (Exponential Smoothing) ................................. 109

a. Metode SES (Single Exponential Smoothing) ............. 109

b. Metode DES (Double Exponential Smoothing) ........... 119

4.2.3.2 Data Pola Linier ................................................................... 128

1. Metode Exponential Smoothing ............................................ 128

2. Metode Linier Regression ..................................................... 157

3. Metode Box Jenkins / ARIMA .............................................. 168

4.2.4 Pemilihan Metode Peramalan Dengan Metode Terkecil .................. 182

4.2.5 Validasi ............................................................................................... 184

4.2.6 Hasil Peramalan .................................................................................. 193

BAB V ANALISIS .................................................................................................... 200

5.1 Analisis Pola Data Konstan ............................................................................ 200

5.1.1 Analisis Semua Metode Peramalan ................................................... 200

a. Metode SMA (Single Moving Average) ...................................... 200

b. Metode CMA (Centered Moving Average) ................................. 201

c. Metode DMA (Double Moving Average) ................................... 201

d. Metode WMA (Weighted Moving Average) ............................... 202

e. Metode SES (Single Exponential Smoothing) ............................. 203

f. Metode DES (Double Exponential Smoothing) .......................... 204

5.1.2 Analisis Metode Terbaik .................................................................. 204

5.1.3 Analisis Validasi ............................................................................. 205

5.2 Analisis Pola Data Linier ............................................................................... 206

5.2.1 Analisis Semua Metode Terbaik ........................................................ 206

a. Metode SEST (Single Exponential Smoothing with Trend) ........ 206

b. Metode DEST (Double Exponential Smoothing with Trend) ..... 206

c. Metode Linier Regression ........................................................... 207

v

d. Metode Box-Jenkins / ARIMA .................................................. 207

5.2.2 Analisis Metode Terbaik .................................................................... 208

5.2.3 Analisis Validasi ................................................................................. 208

BAB VI PENUTUP .................................................................................................. 210

6.1 Kesimpulan .................................................................................................... 210

6.2 Saran ............................................................................................................... 211

DAFTAR PUSTAKA

vi

DAFTAR TABEL

Tabel 2. 1 Rentang Waktu dalam Peramalan .................................................................... 6

Tabel 4. 1 Jumlah Demand Setiap Produk ..................................................................... 25

Tabel 4. 2 Jumlah Demand Pada Data Konstan .............................................................. 28

Tabel 4. 3 Jumlah Data Pada Data Linier ....................................................................... 30

Tabel 4. 4 Perhitungan Forecasting Manual Metode 3-SMA ......................................... 34

Tabel 4. 5 Perhitungan error Forecasting Metode 3-SMA ........................................... 39

Tabel 4. 6 Output Software WinQSB Metode 3-SMA ................................................... 39

Tabel 4. 7 Perhitungan Manual Forecasting Metode 5-SMA ......................................... 44

Tabel 4. 8 Perhitungan error Forecasting Metode 5-SMA ............................................. 49

Tabel 4. 9 Output Software WinQSB Metode 5-SMA ................................................... 50

Tabel 4. 10 Perhitungan Manual Forecasting Metode 3-CMA ....................................... 55

Tabel 4. 11 Perhitungan error Forecasting Metode 3-CMA .......................................... 60

Tabel 4. 12 Output Software SPSS Metode 3-CMA....................................................... 60

Tabel 4. 13 Perhitungan Manual Forecasting Metode 5-CMA ....................................... 63

Tabel 4. 14 Perhitungan error Forecasting Metode 5-CMA .......................................... 68

Tabel 4. 15 Output Software SPSS Metode 5-CMA....................................................... 69

Tabel 4. 16 Perhitungan Manual Forecasting Metode 3-DMA....................................... 72

Tabel 4. 17 Perhitungan error Forecasting Metode 3-DMA .......................................... 77

Tabel 4. 18 Output Software SPSS Metode 3-DMA ...................................................... 77

Tabel 4. 19 Perhitungan Manual Forecasting Metode 5-DMA....................................... 81

Tabel 4. 20 Perhitungan error Forecasting Metode 5-DMA .......................................... 86

Tabel 4. 21 Output Software SPSS Metode 5-DMA ...................................................... 86

Tabel 4. 22 Perhitungan Manual Forecasting Metode 3-WMA ...................................... 90

Tabel 4. 23 Perhitungan error Forecasting Metode 3-WMA ......................................... 95

Tabel 4. 24 Output Software WinQSB Metode 3-WMA ................................................ 95

Tabel 4. 25 Perhitungan Manual Forecasting Metode 5-WMA .................................... 100

Tabel 4. 26 Perhitungan error Forecasting Metode 5-WMA ....................................... 105

Tabel 4. 27 Output Software WinQSB Metode 5-WMA .............................................. 105

Tabel 4. 28 Perhitungan Manual Forecasting Metode SES .......................................... 110

vii

Tabel 4. 29 Perhitungan error Forecasting Metode SES .............................................. 115

Tabel 4. 30 Output Software WinQSB Metode SES .................................................... 115

Tabel 4. 31 Perhitungan Manual Forecasting Metode DES .......................................... 120

Tabel 4. 32 Perhitungan error Forecasting Metode DES ............................................. 125

Tabel 4. 33 Output Software WinQSB Metode DES .................................................... 125

Tabel 4. 34 Perhitungan Manual Forecasting Metode SEST ........................................ 130

Tabel 4. 35 Perhitungan error Forecasting Metode SEST ........................................... 141

Tabel 4. 36 Output Software WinQSB Metode SEST .................................................. 142

Tabel 4. 37 Perhitungan error Forecasting WinQSB Metode SEST ............................ 145

Tabel 4. 38 Perhitungan Manual Forecasting Metode DEST ....................................... 148

Tabel 4. 39 Perhitungan error Forecasting Metode DEST ........................................... 153

Tabel 4. 40 Output Software WinQSB Metode DEST ................................................. 153

Tabel 4. 41 Perhitungan Manual Forecasting Metode Regresi Linier .......................... 158

Tabel 4. 42 Perhitungan error Forecasting Metode Regresi Linier .............................. 163

Tabel 4. 43 Output Software WinQSB Metode Regresi Linier .................................... 163

Tabel 4. 44 Rekap Perbandingan Model ARIMA ......................................................... 171

Tabel 4. 45 Residual Test of Histogram Normality Test AR 2 ..................................... 172

Tabel 4. 46 Correlogram of Residuals AR 1 ................................................................. 173

Tabel 4. 47 Hasil Forecasting Output Software E-views .............................................. 173

Tabel 4. 48 Grafik Hasil Forcasting dengan Software E-views ................................... 176

Tabel 4. 49 Perhitungan Manual Forecasting Metode ARIMA .................................... 177

Tabel 4. 50 Perhitungan error Forecasting Metode ARIMA ....................................... 182

Tabel 4. 51 Rekapan U-theil Setiap Metode Pola Data Konstan .................................. 182

Tabel 4. 52 Rekapan U-theil Setiap Metode Pola Data Linier ...................................... 183

Tabel 4. 53 Perhitungan Validasi Konstan dengan Metode Peta Kendali .................... 184

Tabel 4. 54 Rekap Perhitungan Validasi Konstan dengan Metode Peta Kendali ......... 185

Tabel 4. 55 Uji T Data Konstan .................................................................................... 187

Tabel 4. 56 Uji F Data Konstan .................................................................................... 188

Tabel 4. 57 Perhitungan Validasi Linier dengan Metode Peta Kendali ........................ 188

Tabel 4. 58 Rekap Perhitungan Validasi Linier dengan Metode Peta Kendali ............. 190

Tabel 4. 59 Uji F Data Linier ........................................................................................ 193

viii

Tabel 4. 60 Hasil Peramalan Data Pola Konstan (Metode 3-CMA) ............................. 193

Tabel 4. 61 Hasil Peramalan Data Pola Linier (Metode Linier Regresi) ..................... 196

ix

DAFTAR GAMBAR

Gambar 2. 1 Bagan Teknik Peramalan ............................................................................. 6

Gambar 2. 2 Pola data konstan .......................................................................................... 9

Gambar 2. 3 Pola Data Linier ........................................................................................... 9

Gambar 2. 4 Pola data Musiman ....................................................................................... 9

Gambar 2. 5 Pola data Siklus .......................................................................................... 10

Gambar 2. 6 Pola data random ........................................................................................ 10

Gambar 3. 1 Flowchart Metodologi Praktikum ............................................................. 23

Gambar 4. 1 Plot Data Romelu ...................................................................................... 27

Gambar 4. 2 Plot Data Verona ........................................................................................ 27

Gambar 4. 3 Plot Data Angelo ........................................................................................ 28

Gambar 4. 4 Grafik X(t) dan F(t) Metode 3SMA dengan Perhitungan Manual ............. 37

Gambar 4. 5 Output WinQSB-Grafik X(t) dan F(t) Metode 3SMA ............................... 43

Gambar 4. 6 Grafik X(t) dan F(t) Metode 5 SMA dengan Perhitungan Manual ............ 47

Gambar 4. 7 Output WinQSB-Grafik X(t) dan F(t) Metode 5-SMA .............................. 53

Gambar 4. 8 Grafik X(t) dan F(t) Metode 3 CMA dengan Perhitungan Manual............ 58

Gambar 4. 9 Grafik X(t) dan F(t) Metode 5 CMA dengan Perhitungan Manual............ 66

Gambar 4. 10 Grafik X(t) dan F(t) Metode 3-DMA dengan Perhitungan Manual ......... 75

Gambar 4. 11 Grafik X(t) dan F(t) Metode 5-DMA dengan Perhitungan Manual ......... 84

Gambar 4. 12 Grafik X(t) dan F(t) Metode 3-WMA dengan Perhitungan Manual ........ 93

Gambar 4. 13 Output WinQSB-Grafik X(t) dan F(t) Metode 3-WMA .......................... 98

Gambar 4. 14 Grafik X(t) dan F(t) Metode 5-WMA dengan Perhitungan Manual ...... 103

Gambar 4. 15 Output WinQSB-Grafik X(t) dan F(t) Metode 5-WMA ........................ 108

Gambar 4. 16 Grafik X(t) dan F(t) Metode SES dengan Perhitungan Manual ............. 113

Gambar 4. 17 Grafik X(t) dan F(t) Metode DES dengan Perhitungan Manual ............ 123

Gambar 4. 18 Output WinQSB-Grafik X(t) dan F(t) Metode DES .............................. 128

Gambar 4. 19 Grafik X(t) dan F(t) Metode SEST dengan Perhitungan Manual .......... 139

Gambar 4. 20 Output WinQSB-Grafik X(t) dan F(t) Metode SEST ............................ 146

Gambar 4. 21 Output WinQSB-Grafik X(t) dan F(t) Metode DEST ............................ 157

Gambar 4. 22 Grafik X(t) dan F(t) Metode Regresi Linier dengan Perhitungan Manual

....................................................................................................................................... 161

x

Gambar 4. 23 Output WinQSB-Grafik X(t) dan F(t) Metode Regresi Linier ............... 167

Gambar 4. 24 Output Software Eviews Linier Regression ........................................... 167

Gambar 4. 25 Output E-views untuk Uji Stasioneritas ................................................. 168

Gambar 4. 26 Correlogram of Demand......................................................................... 169

Gambar 4. 27 Kotak Dialog EquationAR 1 .................................................................. 170

Gambar 4. 28 Kotak Dialog EquationAR 2 .................................................................. 171

Gambar 4. 29 Peta Moving Range Konstan .................................................................. 186

Gambar 4. 30 Peta Moving Range Linier ..................................................................... 191

Gambar 4. 31 Uji T Data Linier .................................................................................... 192

Laporan Praktikum Perancangan Teknik Industri

Modul 3: Forecasting

Kelompok 17

Program Studi Teknik Industri

Universitas Diponegoro 1

BAB I

PENDAHULUAN

1.1 Latar Belakang

Forecasting atau peramalan sangatlah penting dalam melakukan perancangan

proses produksi.peramalan dapat didefinisikan sebagai perkiraan terhadap sesuatu yang

akan terjadi di masa yang akan datang.

Forecasting atau peramalan merupakan aktivitas pertama dalam penentuan jadwal

produksi di masa depan. Peramalan yang dilakukan didasarkan pada jumlah

permnintaan (demand) terhadap suatu produk yang kemudian akan dijadikan sebagai

target produksi untuk masa yang akan datang. Hasil dari peramalan yang diperoleh

dapat digunakan sebagai dasar untuk membuat keputusan-keputusan dalam suatu proses

produksi.

Perusahaan Honmada Tamiya yang merupakan perusahaan multinasional yang

bergerak di bidang manufaktur yakni proses produksi mainan akan membuka cabang di

Indonesia yang bernama PT.Tamiya Racing Indonesia, dengan menggunakan supplier

lokal. Aktivitas utama produksi PT.Racing Tamiya Indonesia direncanakan pada sistem

perakitan / assembly dengan 3 jenis produk yakni Romelu, Verona, dan Angelo. Dengan

pangsa pasar yang sangat luas, produksi Tamiya 4WD ini ditargetkan untuk dapat

memenuhi demand lokal dan nasional. Untuk dapat mengetahui demand di masa yang

akan datang PT. Tamiya Racing Indonesia perlu melakukan forecasting yang

didasarkan demand masa lalu. Dengan melakukan forecasting, PT.Tamiya Racing

Indonesia dapat menentukan banyaknya produk yang harus dihproduksi serta

menentukan jadwal produksi yang tepat.

1.2 Perumusan Masalah

Pada Modul 3 forecasting ini akan dibahas tentang manfaat serta posisi

forecasting dalam memproduksi tamiya. Di dalam modul ini juga dilakukan proses

forecasting untuk mngetahui demand di masa yang akan datang. Hasil ramalan yang

diperoleh akan dapat membantu proses perencanaan dan pengendalian produksi

tamiya oleh PT.Racing Indonesia.



Kelompok 17



1.3 Tujuan Penulisan

Adapun tujuan penulisan laporan modul 3 adalah sebagai berikut :

1. Agar praktikan mampu mengetahui manfaat dan posisi forecasting dalam

sistem industri.

2. Agar praktikan mampu memahami metode-metode dan teknik dalam proses

forecasting.

3. Agar praktikan mampu mengiplementasikan metode dan teknik forecasting

dalam bidang industri.

1.4 PembatasanMmasalah

PT.Tamiya Racing Indonesia akan membuat peramalan terhadap demand yang

akan datang yang didasarkan oleh demand masa lalu. Dalam melakukan

peramalan ini digunakan beberapa metode, seperti Moving Average (MA),

Exponential Smoothing (ES), dan Box Jenkins(ARIMA), Linier Regression yang

disesuaikan dengan pola data masa lalu baik konstan maupun linier. Dalam

melakukan perhitungan peramalan, dapat digunakan beberapa software, seperti

Microsoft Excel, WinQSB, dan E-views.

1.5 Sistematika Penulisan

Adapun sistematika penulisan laporan praktikum modul 3 adalah sebagai berikut:

BAB I PENDAHULUAN

Berisi tentang latar belakang, perumusan masalah, tujuan penelitian,

pembatasan masalah dan sistematika penulisan.

BAB II TINJAUAN PUSTAKA

Berisi tentang definisi peramalan, macam-macam peramalan, tahapan

dalam peramalan, metode-metode deret waktu (time series), metode-

metode kausal, pemilihan metode peramalan, validasi model peramalan

dan ekonometrika.

BAB III METODOLOGI PRAKTIKUM

Berisi tentang flowchart metodologi praktikum.

BAB IV PENGUMPULAN DAN PENGOLAHAN DATA



Kelompok 17



Berisi tentang data-data yang akan diolah dan dilakukan peramalan, plot

data, perhitungan dengan berbagai metode peramalan, serta hasil

peramalan.

BAB V ANALISIS

Berisi tentang analisis dari hasil pengolahan data yang telah dilakukan.

BAB VI PENUTUP

Berisi tentang kesimpulan dan saran.



Kelompok 17



BAB II

TINJAUAN PUSTAKA

2.1 Peramalan

2.1.1 Definisi Peramalan

Peramalan adalah suatu perkiraan tingkat permintaan yang diharapkan untuk

suatu produk atau beberapa produk dalam periode waktu tertentu di masa yang akan

datang. Oleh karena itu, peramalan pada dasarnya merupakan suatu taksiran, tetapi

dengan menggunakan cara-cara tertentu peramalan dapat lebih daripada hanya satu

taksiran. Dapat dikatakan bahwa peramalan adalah suatu taksiran yang ilmiah meskipun

akan terdapat sedikit kesalahan yang disebabkan oleh adanya keterbatasan kemampuan

manusia. Berikut merupakan definisi peramalan menurut para ahli

Menurut John E. Biegel (1999) ,Peramalan adalah kegiatan memperkirakan

tingkat permintaan produk yang diharapkan untuk suatu produk atau beberapa produk

dalam periode waktu tertentu di masa yang akan datang

Dalam peramalan (forecasting) tidak jarang terjadi kesalahan misalnya saja penjualan

sering tidak sama dengan nilai eksak yang diperkirakan. Sedikit variasi dari perkiraan

sering dapat diserap oleh kapasitas tambahan, sediaan penjadwalan permintaan.Tetapi,

variasi perkiraan yang besar dapat merusak operasi. Ada tiga cara untuk

mengakomodasi perkiraan, yaitu: yang pertama adalah mencoba mengurangi kesalahan

melakukan pemerakiraan yang lebih baik. Yang kedua adalah, membuat fleksibilitas

pada operasi dan yang terakhir adalah mengurangi waktu tunggu yang dibutuhkan

dalam prakiraan.Tetapi kemungkinan kesalahan terkecil adalah tujuan yang konsisten

dengan biaya prakiraan yang masuk akal.

Menurut Buffa (1996), peramalan atau forecasting diartikan sebagai penggunaan

teknik-teknik statistikdalam bentuk gambaran masa depan berdasarkan pengolahan

angka-angka historis. (Buffa S. Elwood, 1996)

Menurut Makridakis (1988), peramalan merupakan bagian integral dari kegiatan

pengambilan keputusanmanajemen.

Organisasi selalu menentukan sasaran dan tujuan, berusaha menduga faktor-faktor

lingkungan, lalu memilih tindakan yang diharapkan akan menghasilkan pencapaian

sasaran dan tujuan tersebut. Kebutuhan akan peramalan meningkat sejalan dengan usaha



Kelompok 17



manajemen untuk mengurangi ketergantungannya pada hal-hal yang belum pasti.

Peramalan menjadi lebih ilmiah sifatnya dalam menghadapi lingkungan

manajemen.Karena setiap organisasi berkaitan satu sama lain, baik buruknya ramalan

dapat mempengaruhi seluruh bagian organisasi. (Makridakis, 1988)

(Kusuma, 1999)

2.1.2 Macam-macam Peramalan

Pada umumnya peramalan dapat dibedakan dari beberapa segi tergantung dari

cara melihatnya. Apabila dilihat dari sifat penyusunannya,maka peramalan dapat

dibedakan atas dua macam, yaitu :

1. Dilihat dari Sifat Penyusunannya

a. Peramalan yang subjektif, yaitu peramalan yang didasarkan atas perasaan atau

intuisi dari orang yang menyusunnya. Dalam hal ini pandangan orang yang

menyusunnya sangat menentukan baik tidaknya hasil ramalan tersebut.

b. Peramalan yang objektif, yaitu peramalan yang didasarkan atas data yang relevan

pada masa lalu, dengan menggunakan teknik teknikdan metode metode dalam

penganalisaannya.

2. Dilihat dari Jangka Waktu Ramalan yang Disusun

a. Peramalan jangka pendek, yaitu peramalan yang dilakukan untuk

penyusunan hasil ramalan yang jangka waktunya satu tahun atau kurang. Peramalan

ini digunakan untuk mengambil keputusan dalam hal perlu tidaknya lembur,

penjadwalan kerja, dan lain-lain keputusan kontrol jangka pendek.

b. Peramalan jangka menengah, yaitu peramalan yang dilakukan

untukpenyusunan hasil ramalan yang jangka waktunya satu hingga lima tahun ke

depan Peramalan ini lebih mengkhususkan dibandingkan peramalan jangka

panjang, biasanya digunakan untuk menentukanaliran kas, perencanaan produksi,

dan penentuan anggaran.

c. Peramalan jangka panjang, yaitu peramalan yang dilakukan untuk

penyusunan hasil ramalan yang jangka waktunya lebih dari lima tahunyang akan

datang. Peramalan jangka panjang digunakan untuk pengambilan keputusan

mengenai perencanaan produk dan perencanaanpasar, pengeluaran biaya

perusahaan, studi kelayakan pabrik, anggaran,purchase order, perencanaan tenaga



Kelompok 17



kerja serta perencanaan kapasitaskerja.

(Kusuma, 1999)

Tabel 2. 1 Rentang Waktu dalam Peramalan

Rentang Waktu Tipe Keputusan Contoh

Jangka Pendek

( 3 6 bulan)

Operasional

Perencanaan Produksi,

Distribusi

Jangka Menengah

( 2 tahun)

Taktis

Penyewaan Lokasi dan

Peralatan

Jangka Panjang

(Lebih dari 2 tahun)

Strategis

Penelitian dan

Pengembangan untuk

akuisisi dan merger

Atau pembuatan produk

baru

3. Berdasarkan sifat ramalan yang telah disusun

Gambar 2. 1 Bagan Teknik Peramalan

(Render dan Stair, 2000)



Kelompok 17



1. Metode Kualitatif

Teknik ini digunakan apabila data masa lalu tidak tersedia atau walaupun tersedia

namun jumlahnya tidak mencukupi. Teknik kualitatif mengkombinasikan informasi

dengan pengalaman, penilaian, dan intuisi untuk menghasilkan pola-pola dan

hubungan yang mungkin dapat diterapkan dalam memprediksi masa yang akan

datang. Teknik-teknik kualitatif didasarkan atas pendekatan akal sehat (common

sense) dalam menyaring informasi ke dalam bentuk yang bermanfaat. Beberapa

metode yang tercakup dalam teknik-teknik kualitatif antara lain visionary, panel

consensus, brainstorming, antipatory survey, role playing, dan lain-lain.

Teknik kualitatif paling sesuai diterapkan dalam dua kondisi berikut :

1) Tidak terdapat atau kurangnya data kuantitatif yang berkualitas.

Misalnya, dalam peramalan peluang bagi produk atau pasar yang baru.

2) Terdapat data kuantitatif yang cukup, namun terdapat faktor-faktor

tertentu yang menyebabkan teknik kualitatif lebih sesuai untuk

diterapkan. Misalnya, meskipun terdapat data yang cukup mengenai

kondisi historis ekonomi Indonesia, kondisi-kondisi non ekonomi

(politik dan sebagainya) sangat mempengaruhi keadaan di masa depan.

Sedangkan keterbatasan-keterbatasannya antara lain :

1) Bukti-bukti empiris menunjukkan bahwa hasil yang berbeda dapat

timbul jika digunakan metode pengumpulan informasi yang berbeda.

2) Terdapat kemungkinan timbulnya penilaian-penilaian yang

overconfidence.

3) Adanya fenomena groupthink dimana pemikiran yang menyimpang

dari konsensus kelompok akan ditekan. Efek dari groupthink ini adalah

berkurangnya pendapat-pendapat kritis.

Beberapa model peramalan yang termasuk dalam peramalan kualitatif adalah sebagai

berikut:

1. Metode delphi

Sekelompok pakar mengisi kuesioner, Moderator menyimpulkan hasilnya dan

memformulasikan menjadi suatu kuesioner baru yang diisi kembali oleh kelompok



Kelompok 17



tersebut, demikian seterusnya. Hal ini merupakan proses pembelajaran dari

kelompok tanpa adanya tekanan atau intimidasi individu.

2. Market research

Merupakan metode peramalan berdasarkan hasil hasil dari survei pasar yang

dilakukan oleh tenaga-tenaga pemasar produk atau yang mewakilinya. Metode

ini akan menjaring informasi dari pelanggan atau pelanggan potensial

(konsumen) berkaitan dengan rencana pembelian mereka di masa mendatang.

Riset pasar tidak hanya akan membantu peramalan, tetapi juga untuk

meningkatkan desain produk dan perencanaan untuk produk-produk baru.

3. Life cycle analogy

Secara umum, hampir semua produk akan mengikuti product life cycle (PLC)

yang meliputi introduction, growth, maturity, dan decline. Berdasar pada

pengalaman produk yang sama pada periode yang lalu, seseorang dapat

membuat model yang sama dengan produk tersebut.

4. Panel consensus

Peramalan semata-mata berdasarkan pertimbangan manajemen, umumnya oleh

manajemen senior. Metode ini akan cocok dalam situasi yang sangat sensitif

terhadap intuisi dari suatu atau sekelompok kecil orang yang karena

pengalamannya mampu memberikan opini yang kritis dan relevan. Teknik akan

dipergunakan dalam situasi dimana tidak ada situasi dimana tidak ada alternatif

lain dari model peramalan yang dapat diterapkan. Bagaimanapun metode ini

mempunyai banyak keterbatasan, sehingga perlu dikombinasikan dengan metode

peramalan yang lain.

2. Metode Kuantitatif

Dalam teknik ini, pola historis data digunakan untuk mengekstrapolasi (meramalkan)

masa datang. Terdapat dua teknik kuantitatif yang utama : analisis deret waktu (time

series analysis) dan model struktural (structural model) atau model kausal

(Diktat kuliah Production planning and control, 2004)

2.1.3 Tahapan dalam Peramalan

Dalam peramalan, tahap-tahap yang harus dilakukan adalah :

1. Mengkonversikan data.



Kelompok 17



2. Plot data.

Ploting data harus dilakukan sebelum melakukan metode peramalan untuk

menentukan pola data yang terjadi. Dengan data yang ada diperoleh diagram

pencarnya. Ada beberapa tipe pola data :

Constant

Adalah pola data dimana fluktuasi random berharga konstan.

Gambar 2. 2 Pola data konstan

Trend(Linier)

Adalah gerakan ke atas atau ke bawah secara berangsur-angsur dari data.

Gambar 2. 3 Pola Data Linier

Seasonal (Musiman)

Adalah fluktuasi permintaan suatu produk dapat naik turun di sekitar garis trend

dan biasanya berulang tiap tahun.

Gambar 2. 4 Pola data Musiman




Kelompok 17



Cyclical (Siklus)

Adalah pola permintaan suatu produkyang mempunyai siklus berulang secara

periodik biasanya lebih dari satu tahun, sehingga pola ini untuk peramalan

jangka menengah dan panjang.

Gambar 2. 5 Pola data Siklus

Random (acak)

Adalah tanda dalam data yang disebabkan peluang dan situasi yang tidak biasa,

variabel acak mengikuti pola yang tidak dapat dilihat.

Gambar 2. 6 Pola data random


2.2 Metode-Metode Deret Waktu (Time Series)

Analisis data deret waktu didasarkan pada deret yang menggambarkan pola-pola

yang bervariasi sepanjang waktu, yang dapat dimodelkan untuk menentukan bagaimana

pola yang akan terjadi di masa yang akan datang. Beberapa metode analisis deret waktu

antara lain:

1. Metode Averaging

Digunakan dalam kondisi dimana setiap data pada waktu yang berbeda

memiliki bobot yang sama sehingga fluktuasi keacakan data dapat direndam

dengan rata-ratanya. Biasanya dipakai untuk peramalan jangka pendek.

Adapun metode-metode yang termasuk kedalam averaging adalah sebagai

berikut:



Kelompok 17



a. Simple Average

Rumus yang digunakan:

.........................................................................(1)

Dimana:

Xbar = F = Hasil ramalan

T = Periode

Xi = Demand pada periode t

b. Single Moving Average

Apabila data yang diperoleh stastioner, metode ini cukup baik untuk

meramalkan keadaan.


N

)x......xx(F Ntttt

111

t

1Ntt

txN

1

............................(2)

Dimana:

Xbar = F = Hasil ramalan

T = Periode

Xi = Demand pada periode t

c. Double Moving Average

Jika data tidak stasioner serta mengandung pola trend, maka dilakukan

moving average terhadap hasil dari single moving average.


N

X

'S

Nt

i

i

t

1

1

.........................................................................(3)

N

S

S

Nt

i

i

t

1

1

'

".........................................................................(4)



Kelompok 17



tttttt "S'S)"S'S('Sa 2 .....................................................(5)

)"S'S(N

b ttt

1

2

.................................................................(6)

m.baF ttmt .......................................................................(7)

d. Centered Moving Average

Perbedaan utama antara Single Moving Average dan Centered Moving

Average terletak pada pemilihan observasi yang digunakan. Single

Moving Average menggunakan data yang sedang diobservasi tambah

data sebelum observasi. Misalnya, menggunakan 6 periode moving

average, maka untuk SMA menggunakan data periode ke-6 dan 5 data

periode sebelumnya.

Sebaliknya untuk CMA, Center berarti rataan antara data sekarang

dengan menggunakan data sebelumnya dan data sesudahnya. Misalnya

untuk 4 periode moving average, maka SMA menggunakan data periode

4 ditambah data sebelumnya dan data sesudahnya(Makridakis, 1988).

L

YYYCMA

LttLt

t

2/)1(()2/1(( ................

...............................(8)

(Makridakis, 1988)

e. Weighted Moving Average

Formula untuk Weighted Moving Average (WMA):

ntnttt AwAwAwF .......2211 ............................. (9)

n

i

iw1

1

.......................................................................................... (10)

(Makridakis, 1988)



Kelompok 17



2. Metode Smoothing

Metode smoothing atau pemulusan digunakan pada kondisi dimana bobot

data pada periode yang satu tidak sama dengan data pada periode sebelumnya dan

membentuk fungsi eksponensial yang disebut exponential smoothing. Adapun

metode yang termasuk kedalam exponential smoothing adalah sebagai berikut:

a. Single Exponential Smoothing

Metode ini banyak memgurangi masalah penyimpangan data karena

kita tidak perlu lagi menyimpan data historis/masa lalu.Pengaruh besar

kecilnya a berlawanan arah dengan pengaruh memasukkan jumlah data

pengamatan. Metode ini selalu mengikuti trend dalam data yang asli jarena

yang dapat dilakukan tidak lebih dari mengatur ramalan di masa yang akan

datang dengan auatu persentase dari kesalahan terakhir. Untuk menentukan

agar a mendekati optimal maka memerlukan beberapa kali percobaan.


Ft+1 = Ft + x................................................................(11)

Dimana:

Ft+1 = Hasil peramalan untuk periode t + 1

a = Konstanta pemulusan

Xt = Data demand pada periode t

Ft = Periode sebelumnya.

b. Double Exponential Smoothing satu parameter dari Browns.

Dasarnya mirip dengan rata-rata bergerak linier, karena kedua nilai

pemulusan tunggal dan ganda tertinggal dari data yang sebenarnya jika

terdapat unsur trend. Rumus yang digunakan:

St = Xt + (1- )St-1 ..............................................................(12)

St = St + (1- )St-1 ............................................................(13)

ta = St + (St St) = 2 St - St ............................................(14)



Kelompok 17



ttt "S'S)(

b

1m.baF ttmt ..........................................(15)

c. Double Exponential Smoothing dua parameter dari Holt

Metode pemulusan eksponensial linier dari Holt pada dasarnya mirip

dengan Browns kecuali bahwa Holt tidak menggunakan rumus pemulusan

berganda secara langsung. Sebagai gantinya Holt memutuskan nilai trend

dengan parameter yang berbeda dari dua parameter yang digunakan dalam

deret yang asli. Ramalan dari pemulusan eksponensial linier Holt didapat

dengan menggunakan dua konstanta pemulusan dari 3 persamaan berikut:

St = aXt + (1-a)(St-1 + bt-1) ....................................(16)

b = (St St-1) + (1-)bt-1 ....................................(17)

Ft+m = St + btm .........................................................(18)

(Hartini, 2010)

3. Metode Holts Winters

Metode Holts Winters termasuk dalam metode Eksponensial Smoothing.

Metode ini sesuai untuk deret waktu dengan variasi trend dan musiman. Metode

ini bekerja dengan jalan mengestimasi secara terpisah smoothed everage, trend

dan faktor musiman. Ketiga komponen tersebut selanjutnya dikombinasikan

untuk menghasilkan nilai peramalan. Terdapat dua model multikatif dan adiktif.

Metode multikatif sesuai untuk deret waktu yang amplitudo pola musimannya

proporsional denagn tingkat rata-rata deret. Metode aditif sesuai digunakan

untuk pola musiman yang independen dari tingkat rataan deret. Kedua metode

ini menggunakan prosedur yang sama.

(Subagyo, 1986)

4. Metode Box-Jenkins (ARIMA)

ARIMA sering juga disebut metode runtun waktu Box-Jenkins.ARIMA

sangat baik ketepatannya untuk peramalan jangka pendek, sedangkan untuk

peramalan jangka panjang ketepatan peramalannya kurang baik. Biasanya akan

cenderung flat (mendatar/konstan) untuk periode yang cukup panjang. Model



Kelompok 17



Autoregresif Integrated Moving Average (ARIMA) adalah model yang secara

penuh mengabaikan independen variabel dalam membuat peramalan. ARIMA

menggunakan nilai masa lalu dan sekarang dari variabel dependen untuk

menghasilkan peramalan jangka pendek yang akurat. ARIMA cocok jika

observasi dari deret waktu (time series) secara statistik berhubungan satu sama

lain (dependent).Tujuan model ini adalah untuk menentukan hubungan statistik

yang baik antar variabel yang diramal dengan nilai historis variabel tersebut

sehingga peramalan dapat dilakukan dengan model tersebut.

Model time series yang sangat terkenal adalah model Autoregessive

Integrated Moving Average (ARIMA) yang dikembangkan oleh George E. P. Box

dan Gwilym M. Jenkins. Model time series ARIMA menggunakan teknik

korelasi. Identifikasi model bisa dilihat dari ACF dan PACF suatu deret waktu.

ARIMA sering juga disebut metode runtun waktu Box-Jenkins.ARIMA

sangat baik ketepatannya untuk peramalan jangka pendek, sedangkan untuk

peramalan jangka panjang ketepatan peramalannya kurang baik. Biasanya akan

cenderung flat (mendatar/konstan) untuk periode yang cukup panjang.

Model Autoregresif Integrated Moving Average (ARIMA) adalah model

yang secara penuh mengabaikan independen variabel dalam membuat peramalan.

ARIMA menggunakan nilai masa lalu dan sekarang dari variabel dependen untuk

menghasilkan peramalan jangka pendek yang akurat. ARIMA cocok jika

observasi dari deret waktu (time series) secara statistik berhubungan satu sama

lain (dependent)

(Subagyo, 1986)

2.3 Metode-Metode Kausal

Metode kausal adalam metode peramalan yang didasarkan atas penggunaan analisa

pola hubungan antara variabel-variabel lain yang mempengaruhinya selain waktu

(disebut koefisien korelasi sebab akibat).

Metode kausal terdiri atas:



Kelompok 17



a. Metode regresi dan korelasi

Adalah metode yang digunakan baik untuk jangka panjang maupun

untuk jangka pendek yang didasarkan atas persamaan dengan

menggunakan teknik least squares yang dianalisa secara statis.

b. Metode Ekonometri

Merupakan peramalan yang digunakan dalam jangka waktu panjang dan

jangka waktu pendek

c. Metode input dan output

Merupakan metode yang digunakan untuk peramalan jangka

panjang.Biasanya digunakan untuk menyusun trend ekonomi jangka

panjang.

(Subagyo, 1986)

2.4 Pemilihan Metode Peramalan

Dalam memilih metode peramalan yang akan digunakan didasarkan pada uji

verifikasi. Dimana uji verifikasi ini bertujuan untuk menghitung error dari metode yang

akan kita gunakan. Metode peramalan yang akan dipilih yakni petode peramalan yang

menghasilkan nilai error yang paling kecil. Adapun beberapa cara dalam

memperhitungkan error dalam metode peramalan antara lain :

Mean Absolute Deviation (MAD)

MAD merupakan rata rata kesalahan mutlak selama periode tertentu tanpa

memperhatikan apakah hasil permalan lebih besar atau lebih kecil juka

dibandingkan kenyataannya. MAD paling berguna ketika orang yang menganalisa

ingin mengukur kesalahan ramalan dalam unit yang sama sebagai deret asli. Secara

sistematik, MAD dirumuskan sebagai berikut :

.......................................................(19)

Kelebihan dalam MAD adalah ukuran kesalahan permalan yang digunakan lebih

sederhana dengan hanya menggunakan rata rata kesalahan mutlak selama periode

tertentu. Kekurangan yang diperoleh dari MAD yakni akurasi hasil peramalan



Kelompok 17



sangat kecil karena tidak memperhatikan apakah hasil peramalan lebih besar atau

lebih kecil dibandingkan kenyataannya.

Mean Squared Error (MSE)

Mean Squared Error (MSE) adalah metode ini digunakan untuk menghitung

kesalahan atau error peramalan pada setiap periode dan kemudian membaginya

dengan jumlah periode permalan. Kesalahan atau error merupakan selisih antara

data aktual dengan hasil peramalan. Kelebihan MSE yaitu sederhana dalam

perhitungan. Sedangkan kelemahan yang dimiliki MSE adalah akurasi hasil

peramalan sangat kecil karena tidak memperhatikan apakah hasil peramalan lebih

besar atau lebih kecil dibandingkan kenyataannya. MSE dirumuskan sebagai

berikut :

..............................(20)

Mean Absolute Percentage Error (MAPE)

Mean Absolute Percentage Error (MAPE) dihitung dengan menggunakan

kesalahan absolute pada tiap periode dibagi dengan nilai observasi yang nyata

untuk periode itu. Kemudian, merata-rata kesalahan persentase absolute tersebut.

Pendekatan ini berguna ketika ukuran atau besar variabel ramalan itu penting dalam

mengevaluasi ketepatan ramalan. MAPE mengindikasi seberapa besar kesalahan

dalam meramal yang dibandingkan dengan nilai nyata. Kelebihan dari MAPE yakni

menyatakan presentase kesalahan hasil peramalan terhadap permintaan aktual

selama periode tertentu yang akan memberikan informasi presentase kesalahan

terlalu tinggi atau terlalu rendah, sehingga akan lebih akurat. Sedangkan kelemahan

MAPE merupakan ukuran kesalahan relatif. MAPE dirumuskan sebagai berikut :

......................................(21)



Kelompok 17



Mean Percentage Error (MPE)

Mean Percentage Error (MPE) digunakan untuk menentukan apakah suatu

metode peramalan bias (peramalan tinggi atau rendah secara konsisten). MPE

dihitung dengan mencari kesalahan pada tiap periode dibagi dengan nilai nyata

untuk periode itu. Kemudian, merata-rata kesalahan persentase ini. Jika pendekatan

peramalan tak bias, MPE akan menghasilkan angka yang mendekati nol. Jika

hasilnya mempunyai presentase negatif yang besar, metode peramalannya dapat

dihitung. Jika hasilnya mempunyai persentase positif yang besar, metode peramalan

tidak dapat dihitung. MPE dapat dihitung dengan rumus sebagai berikut:

................................................(22)

Bagian dari keputusan untuk menggunakan teknik peramalan tertentu melibatkan

penentuan apakah teknik ini akan menghasilkan kesalahan peramalan yang dinilai

cukup kecil. Metode khusus yang digunakan dalam peramalan meliputi perbandingan

metode mana yang akan menghasilkan kesalahan-kesalahan ramalan yang cukup kecil.

Metode ini baik untuk memprediksi metode peramalan sehingga menghasilkan

kesalahan ramalan yang relatif kecil dalam dasar konsisten. Semakin kecil nilai-nilai

MAPE, MAD, MSE, MPE maka semakin kecil nilai kesalahannya. Oleh karena itu,

dalam menetapkan model yang akan digunakan dalam peramalan, pilihlah model

dengan nilai MAPE, MAD, MSE, MPE yang paling kecil.

(Hartini, 2011)

2.5 Validasi Model Peramalan

Langkah selanjutnya setelah dilakukannya peramalan yaitu untuk validasi

peramalan, yaitu untuk memvalidasikan bahwa data tersebut dapat dianggap layak

sebagai ramalan yang akan datang. Validasi adalah suatu langkah yang dilakukan untuk

membuktikan bahwa suatu proses atau metode dapat memberikan hasil yang konsisten

sesuai dengan yang diharapkan. Terdapat beberapa metode yang dapat digunakan dalam

validasi peramalan, antara lain :



Kelompok 17



Peta Moving Range

Menurut Hartini (2011:39) Peta moving dapat digunakan sebagai alat untuk

memperhatikan kestabilan suatu sistem akibat yang melatar belakangi fungsi

peramalan.

1n

MR

MR

n

1i

. ................................................(23)

n-1 = jumlah MR

UCL = + 2.66 MR

CL = 0

LCL = - 2.66 MR

Region A = + 1.77 MR

Region B = + 0.89 MR

Region C = CL = 0

Uji kondisi di luar kendali

Uji kondisi di luar kendali adalah :

1. Dari tiga titik berturut-turut. ada dua atau lebih titik yang berada di region A.

2. Dari lima titik berturut-turut. ada empat atau lebih titik yang berada di region

B.

3. Ada delapan titik berturut-turut titik yang berda di salah satu sisi (di atas atau

di bawah garis tengah).

4. Ada satu titik yang berada di luar UCL atau LCL.

Apabila terjadi kondisi di luar kendali, tindakan terhadap peramalan harus

dilakukan :

a. Merevisi peramalan dengan memasukkan data dan sistem sebab akibat baru.

b. Menunggu bukti lebih lengkap

Kedua tindakan di atas harus diambil hanya setelah mempertimbangkan

seluruh segi sistem sebab akibat. Tindakan yang diambil untuk mempengaruhi

sistem sebab akibat yang mempengaruhi permintaan adalah perubahan dalam



Kelompok 17



kebijaksanan pemasaran, misalnya perubahan kebijaksanaan periklanan, promosi

penjualan, tenaga penjualan, atau harga jual produk.

Tujuan moving range adalah untuk menguji kestabilan sistem sebab

akibatyang mempengaruhi permintaan. Jadi kegunaan moving range adalah :

a. Untuk melakukan verifikasi hasil peramalan terdahulu.

b. Untuk mengetahui apakah terjadiperubahan sistem sebab akibat yang

melatarbelakangi permintaan

(Hartini, 2011)

Peta Tracking Signal

Berkaitan dengan validasi peramalan, kita dapat menggunakan tracking

signal. Tracking signal adalah suatu ukuran bagaimana baiknya suatu ramalan

memperkirakan nilai nilai actual tracking signal dihitung sebagai Running

Sum Of The Forecast Errors (RSFE) dibagi dengan Mean Absolute Deviation

(MAD). Dengan rumus sebai berikut :

Tracking signal = MAD

RSFE

....................................................................(24)

Dimana,

MAD = n

errorsForecastdariabsolute(

.............................(25)

n = banyaknya periode data

Tracking signal yang positif menunjukan bahwa nilai aktual permintaan

lebih besar dari pada ramalan, sedangkan tracking signal yang negative berarti

nilai aktual permintaan lebih kecil daripada ramalan. Suatu tracking signal

disebut baik apabila memiliki RSFE yang rendah, dan mempunyai positive error

yang sama banyak atau seimbang dengan negative error, sehingga pusat dari

tracking signal mendekati nol. Apabila tracking signal telah dihitung, kita dapat

membangun peta control tracking signal sebagaimana halnya dengan petapeta



Kelompok 17



control dalam pengendalian proses statistical, yang memiliki batas control atau

(Upper Control Limit) dan batas control bawah (Lower control Limit).

Beberapa ahli dalam sistem peramalan seperti George Plossl dan Oliver

Wight, dua pakar production planning dan inventory control, menyarankan

untuk menggunakan nilai tracking signal maksimum 4, sebagai batas batas

pengendalian untuk tracking signal. Dengan demikian apabila tracking signal

telah berada diluar batasbatas pengendalian, model peramalan perlu ditinjau

kembali, karena akurasi peramalan tidak dapat diterima. Dan apabila tracking

signal berada didalam batasbatas pengendalian maka perhitungan dapat

dilanjutkan.

(Gasperz, 1998)

2.6 Ekonometrika

Ekonometrika merupakan ilmu yang membahas masalah pengukuran hubugan

ekonomi. Ekonometrika juga mencakup teori ekonomi, dan statistika dalam satu

kesatuan sistem yang bulat, menjadi suatu ilmu yang berdiri sendiri dan berlainan

dengan ilmu ekonomi, matematika , maupun statistika.

Ekonometrika terdiri dari 2 hal berikut :

Perumusan matematis mengenia teori ekonomi

Penggunaan prosedur statistika dan menerima atau menolak teori. Pada

dasarnya, berkenaan dengan ramalan secara kuantitatif, pengukuran, dan

pengujian hipotesis secara statistik

Ekonometri digunakan sebagai alat analisis yang bertujuan untuk menguji

kebenaran teorema-teorema teori ekonomi yang berupa hubungan antarvariabel

ekonomi dengan data empiri teorema-teorema yang bersifat apriori pada ilmu

ekonomi dinyatakan terlebih dahulu dalam bentuk matematik sehingga dapat

dilakukan pengujian terhadap teorema-teorema itu. Pembuatan model ekonometri

merupakan salah satu sumbangan ekonometrika disamping pembuatan prediksi

(peramalan atau forecasting) dan pembuatan berbagai keputusan alternatif yang



Kelompok 17



bersifat kuantitatif sehingga dapat mempermudah para pengambil keputusan untuk

menentukan kebijakan yang tepat.

(Yulianti,2010)



Kelompok 17



BAB III

METODOLOGI PRAKTIKUM

Mulai

Membuat Plot Data

Historis

Data Historis

Permintaan

Mengkonversi Data

Memilih Metode

Peramalan

Melakukan Peramalan

Data Waktu

Baku (Modul II)

Menghitung Error Tiap

Metode Peramalan

Memilih satu Metode

Peramalan dengan error

Terkecil

Melakukan Validasi Hasil

Peramalan

Valid?

Selesai

Gambar 3. 1 Flowchart Metodologi Praktikum



Kelompok 17



Praktikum modul 3 ini berjudul forecasting, hal yang dilakukan dalam praktikum

ini adalah melakukan forecasting dengan menggunakan data historis permintaan. Dari

data historis permintaan tersebut kita dapat melakukan plot data historis pemintaan.

Data historis yang digunakan harus mempunyai satuan yang sama. Untuk

mendapatkannya data dikalikan dengan faktor konversi yang representatif. Dalam

praktikum modul 3 ini kita menggunakan waktu baku, sehingga satuannya adalah jam

produksi. Setelah mengkonversikan data kita memilih metode peramalan sesuai dengan

pola datanya. Ada banyak metode peramalan yang bisa digunakan dalam meramal data

historis. Metode yang digunakan tergantung dari pola datanya. Dari tiap metode yang

digunakan kita menghitung error dari tiap metode peramalan tersebut. Perhitungan

dilakukan untuk melihat apakah errornya berada dalam batas kontrol atau tidak. Jika

nilai error berada dalam batas kontrol, maka metode dinyatakan valid. Tetapi jika ada

nilai error yang melewati batas dan tidak bisa dikendalikan, maka harus dicari metode

lainnya yang lebih tepat.



Kelompok 17



BAB IV

PENGUMPULAN DAN PENGOLAHAN DATA

4.1 Pengumpulan Data

Dalam Modul 3 Forecasting ini data yang digunakan adalah data

historis dari permintaan yang terdapat pada bagian Departemen Logistic.

Data yang digunakan merupakan data pada permintaan periode Juli 2010

sampai dengan Juni 2014 yang ditampilkan pada tabel berikut ini :

Tabel 4. 1 Jumlah Demand Setiap Produk

Tahun Periode Jenis Produk

Total Romelu Verona Angelo

2010

Juli 4794 5900 7013 17707

Agustus 4768 5885 7036 17689

September 4826 5900 7152 17878

Oktober 4836 5930 7198 17964

November 4826 5869 7625 18320

Desember 4812 5902 7205 17919

2011

Januari 4813 5872 7654 18339

Februari 4814 5886 7708 18408

Maret 4786 5924 7722 18432

April 4811 5927 7743 18481

Mei 4811 5908 7766 18485

Juni 4792 5906 7784 18482

Juli 4768 5870 7814 18452

Agustus 4788 5923 7849 18560

September 4791 5936 7939 18666

Oktober 4827 5855 7954 18636

November 4821 5890 7956 18667

Desember 4779 5881 8064 18724



Kelompok 17



Lanjutan Tabel 4. 1 Jumlah Demand Setiap Produk



2012

Januari 4775 5895 8006 18676

Februari 4833 5843 8127 18803

Maret 4848 5901 8132 18881

April 4851 5872 8176 18899

Mei 4790 5919 8334 19043

Juni 4798 5867 8466 19131

Juli 4814 5925 8523 19262

Agustus 4816 5898 8590 19304

September 4759 5885 8630 19274

Oktober 4803 5853 8689 19345

November 4809 5862 8785 19456

Desember 4807 5900 8790 19497

2013

Januari 4804 5963 8929 19696

Februari 4812 5878 8885 19575

Maret 4769 5919 8947 19635

April 4806 5971 8960 19737

Mei 4839 5940 8963 19742

Juni 4838 5904 9001 19743

Juli 4839 5893 9079 19811

Agustus 4780 5957 9122 19859

September 4788 5858 9124 19770

Oktober 4800 5896 9207 19903

November 4772 5889 9230 19891

Desember 4827 5945 9276 20048

2014 Januari 4814 5932 9261 20007

Februari 4836 5924 9378 20138



Kelompok 17



Lanjutan Tabel 4. 1 Jumlah Demand Setiap Produk



2014

Maret 4822 5891 9514 20227

April 4811 5893 9518 20222

Mei 4836 5891 9705 20432

Juni 4766 5891 9797 20454

4.2 Pengolahan data

4.2.1 Plot Data

1. Romelu

Gambar 4. 1 Plot Data Romelu

2. Verona

Gambar 4. 2 Plot Data Verona

4700

4750

4800

4850

4900

1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46

De

man

d

Periode

Plot Data Romelu

Romelu

5750

5800

5850

5900

5950

6000

1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46

De

man

d

Periode

Plot Data Verona

Verona



Kelompok 17



3. Angelo

Gambar 4. 3 Plot Data Angelo

4.2.2 Konversi Data

Konversi data dilakukan untuk mengagregasi data agar dapat menghemat

waktu dan biaya peramalan. Dalam mengagregasi data pola data dari tiap-tiap

jenis produk harus sama atau setipe. Teknik dalam melakukan agregesi

forecasting ini adalah menjumlahkan semua data menjadi satu data yang akan

mewakili data tersebut. Ketiga produk Tamiya ini, yakni Romelu, Verona dan

Angeloi memiliki perbandingan waktu baku yang sama yaitu 1:1:1:1, oleh karena

itu untuk mengkonversi data tersebut dapat dilihat pada tabel berikut :

Plot data konstan

Tabel 4. 2 Jumlah Demand Pada Data Konstan


Total Romelu Verona

2010

Juli 4794 5900 10694

Agustus 4768 5885 10653

September 4826 5900 10726

Oktober 4836 5930 10766

November 4826 5869 10695

0

2000

4000

6000

8000

10000

12000

1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46

De

man

d

Periode

Plot Data Angelo

Angelo



Kelompok 17



Lanjutan Tabel 4. 2 Jumlah Demand Pada Data Konstan


Total Romelu Verona

2010 Desember 4812 5902 10714

2011

Januari 4813 5872 10685

Februari 4814 5886 10700

Maret 4786 5924 10710

April 4811 5927 10738

Mei 4811 5908 10719

Juni 4792 5906 10698

Juli 4768 5870 10638

Agustus 4788 5923 10711

September 4791 5936 10727

Oktober 4827 5855 10682

November 4821 5890 10711

Desember 4779 5881 10660

2012

Januari 4775 5895 10670

Februari 4833 5843 10676

Maret 4848 5901 10749

April 4851 5872 10723

Mei 4790 5919 10709

Juni 4798 5867 10665

Juli 4814 5925 10739

Agustus 4816 5898 10714

September 4759 5885 10644

Oktober 4803 5853 10656

November 4809 5862 10671

Desember 4807 5900 10707



Kelompok 17



Lanjutan Tabel 4. 2 Jumlah Demand Pada Data Konstan


Total Romelu Verona

2013

2013

Januari 4804 5963 10767

Februari 4812 5878 10690

Maret 4769 5919 10688

April 4806 5971 10777

Mei 4839 5940 10779

Juni 4838 5904 10742

Juli 4839 5893 10732

Agustus 4780 5957 10737

September 4788 5858 10646

Oktober 4800 5896 10696

November 4772 5889 10661

Desember 4827 5945 10772

2014

Januari 4814 5932 10746

Februari 4836 5924 10760

Maret 4822 5891 10713

April 4811 5893 10704

Mei 4836 5891 10727

Juni 4766 5891 10657

Plot data linier

Tabel 4. 3 Jumlah Data Pada Data Linier

Data Purchasing Departemen Logistik

Tahun Periode

Jenis

Produk Total

Angelo

2010 Juli 7013 7013

Agustus 7036 7036



Kelompok 17



Lanjutan Tabel 4. 3 Jumlah Data Pada Data Linier

Tahun Periode

Jenis

Produk Tahun

Angelo

2010

September 7152 7152

Oktober 7198 7198

November 7625 7625

Desember 7205 7205

2011

Januari 7654 7654

Februari 7708 7708

Maret 7722 7722

April 7743 7743

Mei 7766 7766

Juni 7784 7784

Juli 7814 7814

Agustus 7849 7849

September 7939 7939

Oktober 7954 7954

November 7956 7956

Desember 8064 8064

2012

Januari 8006 8006

Februari 8127 8127

Maret 8132 8132

April 8176 8176

Mei 8334 8334

Juni 8466 8466

Juli 8523 8523

Agustus 8590 8590

2012 September 8630 8630



Kelompok 17



Lanjutan Tabel 4. 3 Jumlah Data Pada Data Linier

Tahun Periode

Jenis

Produk Total

Angelo

2012

Oktober 8689 8689

November 8785 8785

Desember 8790 8790

2013

Januari 8929 8929

Februari 8885 8885

Maret 8947 8947

April 8960 8960

Mei 8963 8963

Juni 9001 9001

Juli 9079 9079

Agustus 9122 9122

September 9124 9124

Oktober 9207 9207

November 9230 9230

Desember 9276 9276

2014

Januari 9261 9261

Februari 9378 9378

Maret 9514 9514

April 9518 9518

Mei 9705 9705

Juni 9797 9797



Kelompok 17



4.2.3 Peramalan

4.2.3.1 Data Pola Konstan

1. Metode MA (Moving Average)

a. SMA (Single Moving Average)

3 SMA

o Manual

F(t) = 1+++1

3

F(4) = 10694+10653 +10726

3

= 10691

Error = X(t) F(t)

Error (4) = 10766 10691

= 75

|Error| = 75

PE =

x 100 %

= 75

10766x 100 %

= 0.697

|PE| = 0.697

Pembilang = +1+1

2

= 1069110766

10726

2

= 0.000049

Penyebut = +1

2

= 1076610726

10726

2

= 0.0000139

Galat Relatif = 1

= 1065310694

10653

= -0.0385

Absolut Galat Relatif = 0.00385



Kelompok 17



Tabel 4. 4 Perhitungan Forecasting Manual Metode 3-SMA

T X(t) F(t) Error Error^2 | Error| PE |PE| Pembilang Penyebut Galat

Relatif

| Galat

Relatif |

1 10694

2 10653 -0.00385 0.0038487

3 10726 0.000049 0.0000139 0.00681 0.0068059

4 10766 10691 75.00 5625.00 75.00 0.697 0.697 0.000003 0.0000435 0.00372 0.0037154

5 10695 10715 -20.00 400.00 20.00 -0.187 0.187 0.000002 0.0000032 -0.00664 0.0066386

6 10714 10729.0 -15.00 225.00 15.00 -0.140 0.140 0.000014 0.0000073 0.00177 0.0017734

7 10685 10725.0 -40.00 1600.00 40.00 -0.374 0.374 0.000000 0.0000020 -0.00271 0.0027141

8 10700 10698.0 2.00 4.00 2.00 0.019 0.019 0.000001 0.0000009 0.00140 0.0014019

9 10710 10699.67 10.33 106.78 10.33 0.096 0.096 0.000014 0.0000068 0.00093 0.0009337

10 10738 10698.33 39.67 1573.44 39.67 0.369 0.369 0.000000 0.0000031 0.00261 0.0026076

11 10719 10716.00 3.00 9.00 3.00 0.028 0.028 0.000005 0.0000038 -0.00177 0.0017726

12 10698 10722.33 -24.33 592.11 24.33 -0.227 0.227 0.000056 0.0000315 -0.00196 0.001963

13 10638 10718.33 -80.33 6453.44 80.33 -0.755 0.755 0.000006 0.0000471 -0.00564 0.0056402

14 10711 10685.00 26.00 676.00 26.00 0.243 0.243 0.000017 0.0000022 0.00682 0.0068154

15 10727 10682.33 44.67 1995.11 44.67 0.416 0.416 0.000001 0.0000176 0.00149 0.0014916

16 10682 10692.00 -10.00 100.00 10.00 -0.094 0.094 0.000000 0.0000074 -0.00421 0.0042127

17 10711 10706.67 4.33 18.78 4.33 0.040 0.040 0.000019 0.0000227 0.00271 0.0027075

18 10660 10706.67 -46.67 2177.78 46.67 -0.438 0.438 0.000002 0.0000009 -0.00478 0.0047842

19 10670 10684.33 -14.33 205.44 14.33 -0.134 0.134 0.000000 0.0000003 0.00094 0.0009372

20 10676 10680.33 -4.33 18.78 4.33 -0.041 0.041 0.000057 0.0000468 0.00056 0.000562

21 10749 10668.67 80.33 6453.44 80.33 0.747 0.747 0.000005 0.0000059 0.00679 0.0067913

22 10723 10698.33 24.67 608.44 24.67 0.230 0.230 0.000000 0.0000017 -0.00242 0.0024247

23 10709 10716.00 -7.00 49.00 7.00 -0.065 0.065 0.000034 0.0000169 -0.00131 0.0013073

24 10665 10727.00 -62.00 3844.00 62.00 -0.581 0.581 0.000014 0.0000481 -0.00413 0.0041256

25 10739 10699.00 40.00 1600.00 40.00 0.372 0.372 0.000001 0.0000054 0.00689 0.0068908

26 10714 10704.33 9.67 93.44 9.67 0.090 0.090 0.000033 0.0000427 -0.00233 0.0023334

27 10644 10706.00 -62.00 3844.00 62.00 -0.582 0.582 0.000016 0.0000013 -0.00658 0.0065765

28 10656 10699.00 -43.00 1849.00 43.00 -0.404 0.404 0.000000 0.0000020 0.00113 0.0011261

29 10671 10671.33 -0.33 0.11 0.33 -0.003 0.003 0.000022 0.0000114 0.00141 0.0014057

30 10707 10657.00 50.00 2500.00 50.00 0.467 0.467 0.000069 0.0000314 0.00336 0.0033623

31 10767 10678.00 89.00 7921.00 89.00 0.827 0.827 0.000005 0.0000511 0.00557 0.0055726

32 10690 10715.00 -25.00 625.00 25.00 -0.234 0.234 0.000010 0.0000000 -0.00720 0.007203



Kelompok 17



Lanjutan Tabel 4. 4 Perhitungan Forecasting Manual Metode 3-SMA


Relatif

| Galat

Relatif |

33 10688 10721.33 -33.33 1111.11 33.33 -0.312 0.312 0.000034 0.0000693 -0.00019 0.0001871

34 10777 10715.00 62.00 3844.00 62.00 0.575 0.575 0.000032 0.0000000 0.00826 0.0082583

35 10779 10718.33 60.67 3680.44 60.67 0.563 0.563 0.000000 0.0000118 0.00019 0.0001855

36 10742 10748.00 -6.00 36.00 6.00 -0.056 0.056 0.000010 0.0000009 -0.00344 0.0034444

37 10732 10766.00 -34.00 1156.00 34.00 -0.317 0.317 0.000002 0.0000002 -0.00093 0.0009318

38 10737 10751.00 -14.00 196.00 14.00 -0.130 0.130 0.000072 0.0000718 0.00047 0.0004657

39 10646 10737.00 -91.00 8281.00 91.00 -0.855 0.855 0.000001 0.0000221 -0.00855 0.0085478

40 10696 10705.00 -9.00 81.00 9.00 -0.084 0.084 0.000009 0.0000107 0.00467 0.0046746

41 10661 10693.00 -32.00 1024.00 32.00 -0.300 0.300 0.000096 0.0001084 -0.00328 0.003283

42 10772 10667.67 104.33 10885.44 104.33 0.969 0.969 0.000011 0.0000058 0.01030 0.0103045

43 10746 10709.67 36.33 1320.11 36.33 0.338 0.338 0.000010 0.0000017 -0.00242 0.0024195

44 10760 10726.33 33.67 1133.44 33.67 0.313 0.313 0.000019 0.0000191 0.00130 0.0013011

45 10713 10759.33 -46.33 2146.78 46.33 -0.432 0.432 0.000011 0.0000007 -0.00439 0.0043872

46 10704 10739.67 -35.67 1272.11 35.67 -0.333 0.333 0.000000 0.0000046 -0.00084 0.0008408

47 10727 10725.67 1.33 1.78 1.33 0.012 0.012 0.000029 0.0000426 0.00214 0.0021441

48 10657 10714.67 -57.67 3325.44 57.67 -0.541 0.541

-0.00657 0.0065685

49 10696.00

50 10696.00

51 10696.00

52 10696.00

53 10696.00

54 10696.00

55 10696.00

56 10696.00

57 10696.00

58 10696.00

59 10696.00

60 10696.00

61 10696.00

62 10696.00

63 10696.00

64 10696.00



Kelompok 17



Lanjutan Tabel 4. 4 Perhitungan Forecasting Manual Metode 3-SMA


Relatif

| Galat

Relatif |

65 10696.00

66 10696.00

67 10696.00

68 10696.00

69 10696.00

70 10696.00

71 10696.00

72 10696.00

73 10696.00

74 10696.00

75 10696.00

76 10696.00

77 10696.00

78 10696.00

79 10696.00

80 10696.00

81 10696.00

82 10696.00

83 10696.00

84 10696.00

85 10696.00

86 10696.00

87 10696.00

88 10696.00

89 10696.00

90 10696.00

91 10696.00

92 10696.00

93 10696.00

94 10696.00

95 10696.00

96 10696.00



Kelompok 17



Gambar 4. 4 Grafik X(t) dan F(t) Metode 3SMA dengan Perhitungan Manual

Uji Kesalahan Peramalan

= -16.33

2 = 90662.78

|| = 1610.33

Uji Kesalahan Peramalan

MSE =

2=1

= 90662.78

45

= 2014.728

MAD =

=1

= 1610.33

45

= 35.79

CFE = =1

= -16.33

MAPE = ||

= 15,033

45

10550

10600

10650

10700

10750

10800

1 6 11 16 21 26 31 36 41 46 51 56 61 66 71 76 81 86 91 96

De

man

d

Periode

Grafik X(t) dan F(t) Metode 3SMA dengan Perhitungan Manual

X(t)

F(t)



Kelompok 17



= 0.334

ME = =1

= 16.33

45

= -0.36

MAE =

=1

= 1610.33

45

= 35.79

SSE = 2

= 90662,78

SDE = 2

= 90662,78

45

= 44,89

MPE =

= 0.208

45

= -0.0046

NF1 = Galat R

x 100%

= 0.16839

47

= 0.358274

U-theil =

= 0.000742

0.0008346

= 0.94291



Kelompok 17



Tabel 4. 5 Perhitungan error Forecasting Metode 3-SMA

Metode Eror

CFE -16.33

MAD 35.79

MSE 2014.73

MPE -0.0046

MAPE 0.334

ME -0.36

MAE 35.79

SSE 90662.78

SDE 44.89

NF1 0.3583

U-theil 0.94291

o Software WinQSB

Tabel 4. 6 Output Software WinQSB Metode 3-SMA

10-22-

2014 Actual

Data

Forecast by

3 SMA

Forecast

Error CFE MAD MSE

MAPE

(%)

Tracking

Signal R-sqaure

Month

1 10694

2 10653

3 10726

4 10766 10691 75 75 75 5625 0,7 1 1

5 10695 10715 -20 55 47,5 3012,5 0,44 1,16 0,71

6 10714 10729 -15 40 36,67 2083,33 0,34 1,09 0,47

7 10685 10725 -40 0 37,5 1962,5 0,35 0 0,22

8 10700 10698 2 2 30,4 1570,8 0,28 0,07 0,27

9 10710 10699,67 10,33 12,33 27,06 1326,8 0,25 0,46 0,31

10 10738 10698,33 39,67 52 28,86 1362,03 0,27 1,8 0,37

11 10719 10716 3 55 25,63 1192,91 0,24 2,15 0,38

12 10698 10722,33 -24,33 30,67 25,48 1126,15 0,24 1,2 0,33

13 10638 10718,33 -80,33 -49,67 30,97 1658,87 0,29 -1,6 0,18



Kelompok 17



Lanjutan Tabel 4.6 Output Software WinQSB Metode 3-SMA

10-22-

2014 Actual

Data

Forecast by

3 SMA

Forecast

Error CFE MAD MSE

MAPE

(%)

Tracking

Signal R-sqaure

Month

14 10711 10685 26 -23,67 30,52 1569,52 0,29 -0,78 0,22

15 10727 10682,33 44,67 21 31,69 1604,99 0,3 0,66 0,28

16 10682 10692 -10 11 30,03 1489,22 0,28 0,37 0,28

17 10711 10706,67 4,33 15,33 28,19 1384,19 0,26 0,54 0,28

18 10660 10706,67 -46,67 -31,33 29,42 1437,1 0,27 -1,06 0,24

19 10670 10684,33 -14,33 -45,67 28,48 1360,12 0,27 -1,6 0,25

20 10676 10680,33 -4,33 -50 27,06 1281,22 0,25 -1,85 0,28

21 10749 10668,67 80,33 30,33 30,02 1568,56 0,28 1,01 0,3

22 10723 10698,33 24,67 55 29,74 1518,03 0,28 1,85 0,3

23 10709 10716 -7 48 28,6 1444,58 0,27 1,68 0,31

24 10665 10727 -62 -14 30,19 1558,83 0,28 -0,46 0,31

25 10739 10699 40 26 30,64 1560,71 0,29 0,85 0,3

26 10714 10704,33 9,67 35,67 29,72 1496,91 0,28 1,2 0,3

27 10644 10706 -62 -26,33 31,07 1594,71 0,29 -0,85 0,25

28 10656 10699 -43 -69,33 31,55 1604,88 0,29 -2,2 0,24

29 10671 10671,33 -0,33 -69,67 30,35 1543,16 0,28 -2,3 0,27

30 10707 10657 50 -19,67 31,07 1578,6 0,29 -0,63 0,33

31 10767 10678 89 69,33 33,14 1805,11 0,31 2,09 0,3

32 10690 10715 -25 44,33 32,86 1764,42 0,31 1,35 0,31

33 10688 10721,33 -33,33 11 32,88 1742,64 0,31 0,33 0,32

34 10777 10715 62 73 33,82 1810,42 0,32 2,16 0,28

35 10779 10718,33 60,67 133,67 34,66 1868,86 0,32 3,86 0,26

36 10742 10748 -6 127,67 33,79 1813,32 0,32 3,78 0,3

37 10732 10766 -34 93,67 33,79 1793,99 0,32 2,77 0,38

38 10737 10751 -14 79,67 33,23 1748,33 0,31 2,4 0,41

39 10646 10737 -91 -11,33 34,83 1929,8 0,33 -0,33 0,4

40 10696 10705 -9 -20,33 34,14 1879,83 0,32 -0,6 0,4

41 10661 10693 -32 -52,33 34,08 1857,31 0,32 -1,54 0,39

42 10772 10667,67 104,33 52 35,88 2088,8 0,33 1,45 0,38

43 10746 10709,67 36,33 88,33 35,89 2069,58 0,34 2,46 0,37

44 10760 10726,33 33,67 122 35,84 2046,75 0,33 3,4 0,37



Kelompok 17




10-22-

2014 Actual

Data

Forecast by

3 SMA

Forecast

Error CFE MAD MSE

MAPE

(%)

Tracking

Signal R-sqaure

Month

45 10713 10759,33 -46,33 75,67 36,09 2049,13 0,34 2,1 0,41

46 10704 10739,67 -35,67 40 36,08 2031,06 0,34 1,11 0,43

47 10727 10725,67 1,33 41,33 35,29 1984,94 0,33 1,17 0,43

48 10657 10714,67 -57,67 -16,33 35,79 2014,73 0,33 -0,46 0,41

49

10696

50

10696

51

10696

52

10696

53

10696

54

10696

55

10696

56

10696

57

10696

58

10696

59

10696

60

10696

61

10696

62

10696

63

10696

64

10696

65

10696

66

10696

67

10696

68

10696

69

10696

70

10696

71

10696

72

10696

73

10696

74

10696

75

10696



Kelompok 17




10-22-

2014 Actual

Data

Forecast by

3 SMA

Forecast

Error CFE MAD MSE

MAPE

(%)

Tracking

Signal R-sqaure

Month

76

10696

77

10696

78

10696

79

10696

80

10696

81

10696

82

10696

83

10696

84

10696

85

10696

86

10696

87

10696

88

10696

89

10696

90

10696

91

10696

92

10696

93

10696

94

10696

95

10696

96

10696

CFE

-16,33

MAD

35,79

MSE

2014,73

MAPE

0,33

Trk.Signal

-0,46

R-sqaure

0,41

m=3



Kelompok 17



Gambar 4. 5 Output WinQSB-Grafik X(t) dan F(t) Metode 3SMA

5 SMA

o Manual

F(t) = 2+ 1+++1+ +2

5

F(6) = 10694+10653 +10726 +10766 +10695

5

= 10706.8

Eror = X(t) F(t)

Eror (4) = 10714 10706,8

= 7.2

|Error| = 7.2

PE =

x 100 %

= 7.2

10714x 100 %

= 0.067

|PE| = 0.0672

Pembilang = +1+1

2

= 10706 .810714

10695

2

= 0.00000045

Penyebut = +1

2

= 1071410695

10695

2

= 0.00000316

Galat Relatif = 1



Kelompok 17



= 1065310694

10653

= -0.038

Absolut Galat Relatif = 0.0038

Tabel 4. 7 Perhitungan Manual Forecasting Metode 5-SMA


Relatif

| Galat

Relatif |

1 10694

2 10653 -0.0038 0.0038

3 10726 0.0068 0.0068

4 10766 0.0037 0.0037

5 10695

-0.0066 0.0066

6 10714 10706.8 7.20 51.84 7.20 0.0672 0.067 0.00000580 0.00000733 0.0018 0.0018

7 10685 10710.8 -25.80 665.64 25.80 -0.2415 0.241 0.00000259 0.00000197 -0.0027 0.0027

8 10700 10717.2 -17.20 295.84 17.20 -0.1607 0.161 0.00000003 0.00000087 0.0014 0.0014

9 10710 10712.0 -2.00 4.00 2.00 -0.0187 0.019 0.00001206 0.00000683 0.0009 0.0009

10 10738 10700.8 37.20 1383.84 37.20 0.3464 0.346 0.00000080 0.00000313 0.0026 0.0026

11 10719 10709.4 9.60 92.16 9.60 0.0896 0.090 0.00000134 0.00000384 -0.0018 0.0018

12 10698 10710.4 -12.40 153.76 12.40 -0.1159 0.116 0.00004915 0.00003146 -0.0020 0.0020

13 10638 10713.0 -75.00 5625.00 75.00 -0.7050 0.705 0.00000096 0.00004709 -0.0056 0.0056

14 10711 10700.6 10.40 108.16 10.40 0.0971 0.097 0.00000598 0.00000223 0.0068 0.0068

15 10727 10700.8 26.20 686.44 26.20 0.2442 0.244 0.00000239 0.00001760 0.0015 0.0015

16 10682 10698.6 -16.60 275.56 16.60 -0.1554 0.155 0.00000344 0.00000737 -0.0042 0.0042

17 10711 10691.2 19.80 392.04 19.80 0.1849 0.185 0.00000996 0.00002267 0.0027 0.0027

18 10660 10693.8 -33.80 1142.44 33.80 -0.3171 0.317 .00000700 0.00000088 -0.0048 0.0048

19 10670 10698.2 -28.20 795.24 28.20 -0.2643 0.264 0.00000172 0.00000032 0.0009 0.0009

20 10676 10690.0 -14.00 196.00 14.00 -0.1311 0.131 0.00004201 0.00004676 0.0006 0.0006

21 10749 10679.8 69.20 4788.64 69.20 0.6438 0.644 0.00000769 0.00000585 0.0068 0.0068

22 10723 10693.2 29.80 888.04 29.80 0.2779 0.278 0.00000156 0.00000170 -0.0024 0.0024

23 10709 10695.6 13.40 179.56 13.40 0.1251 0.125 0.00001423 0.00001688 -0.0013 0.0013

24 10665 10705.4 -40.40 1632.16 40.40 -0.3788 0.379 0.00001053 0.00004814 -0.0041 0.0041

25 10739 10704.4 34.60 1197.16 34.60 0.3222 0.322 0.00000008 0.00000542 0.0069 0.0069



Kelompok 17



Lanjutan Tabel 4.7 Perhitungan Manual Forecasting Metode 5-SMA


Relatif

| Galat

Relatif |

26 10714 10717.0 -3.00 9.00 3.00 -0.0280 0.028 0.00003795 0.00004269 -0.0023 0.0023

27 10644 10710.0 -66.00 4356.00 66.00 -0.6201 0.620 0.00001288 0.00000127 -0.0066 0.0066

28 10656 10694.2 -38.20 1459.24 38.20 -0.3585 0.358 0.00000140 0.00000198 0.0011 0.0011

29 10671 10683.6 -12.60 158.76 12.60 -0.1181 0.118 0.00000433 0.00001138 0.0014 0.0014

30 10707 10684.8 22.20 492.84 22.20 0.2073 0.207 0.00006847 0.00003140 0.0034 0.0034

31 10767 10678.4 88.60 7849.96 88.60 0.8229 0.823 0.00

laporan modul 3-fix!.pdf

Documents