I. FORECASTING PERMINTAAN KERIPIK BIJI NANGKA PT

JACKFRUIT

A. Metode Forecasting dengan model moving average dengan rentang

waktu 3 bulan

Pada peramalan permintaan keripik biji nangka ini menggunakan aplikasi QM

for Windows dengan data yang ada adalah time series. Berikut langkah kerjanya:

1. Membuka aplikasi QM For Windows, klik Module dan centang forecasting.

2. Pilih file, kemudian new dan klik time series analysis

3. Pilih metode peramalan yang digunakan. Jika memilih model moving

average maka klik pada tulisan tersebut.

4. Input data permintaan yang sudah terjadi, lalu klik slove

5. Akan muncul data Januari 2016, kemudian pada data next period bisa

diisikan dengan data bulan selanjutnya dengan menambah kolom baru di

layar kerja. Mengulangi perintah yang sama sampai bulan April.

- Januari 2016

- Februari 2016

- Maret 2016

- April 2016

6. Setelah sampai akhir april di forecast maka akan muncul grafik berikut

yang menunjukkan realita dan forecasenya.

B. Metode Weighted Moving Average 3 bulan (WMA3) dengan bobot

0,5;0,33;0,17 menggunakan bobot 3 untuk periode waktu terbaru

Selain model moving average, ada metode weighted moving averages yang

menggunakan bobot 0,5;0,33;0,17 dengan bobot tertinggi diletakkan pada waktu

terbaru. Cara yang dilakukan sama dengan metode moving average tetapi harus

mengisikan bobot pada kolom yang tersedia.

Mengisi periode yang ditentukan selama 3 bulan. Setelah terisi klik perintah solve. Januari 2016

Februari 2016

Maret 2016

April 2016

Hasil grafik forecasting bulan Januari 2016-Apri 2016

C. Metode Weighted Moving Average 3 bulan (WMA3) dengan bobot 3,2,

1 menggunakan bobot 3 untuk periode waktu terbaru

Selain model moving average, ada metode weighted moving averages yang

menggunakan bobot 3,2,1 dengan bobot tertinggi diletakkan pada waktu terbaru.

Cara yang dilakukan sama dengan metode metode weighted moving averages

tetapi harus mengisikan bobot pada kolom yang tersedia.

JANUARI 2016

Februari 2016

Maret 2016

April 2016

Hasil grafik forecasting bulan Januari 2016-Apri 2016 dengan metode weighted moving average dengan bobot 3, 2, 1

D. Metode Exponential Smoothing α = 0.3

Cara menggunakan metode ini sama dengan metode yang lain, hanya

mengganti menjadi exponential smooting dengan α = 0.3 pada worksheet

Februari 2016

Maret 2016

April 2016

Hasil forecasting menggunakan metode exponential smooting

E. Metode Exponential Smoothing α = 0.5

Cara menggunakan metode ini sama dengan metode yang lain, hanya

mengganti menjadi exponential smooting dengan α = 50 pada worksheet

Exponential smoothing α = 0.5 Forcasting 50

Februari 2016

Maret 2016

i

April 201

Hasil forecasting Januari-April 2016

F. Perbandingan Forecasting dengan Beberapa Metode

Metode MAD MSE MAPE

Moving Average 6,167 80,037 12,38%

Weighted Moving

Dengan Bobot

0,5;0,33;0,17

5,909 68,781 11,756%

Weighted Moving

Average 3 bulan

dengan bobot 3,2, 1

5,917 68,824 11,77%

Exponential

Smoothing α = 0.3

9,488 119,57 20,107

Exponential

Smoothing α = 0.5

8,4416 111,788 17,426%

MAD (Mean Absolute Deviation)

MSE (Mean Squared Error)

MAPE (Mean Absolute Percent)

Dari hasil forecasting menggunakan lima metode di atas, hasil peramalan

yang paling valid dan akurat menggunakan metode Weighted Moving dengan

bobot 0,5;0,33;0,17. Hal ini dikarenakan angka yang ditunjukan oleh indicator

MAD, MSE, MAPE menunjukkan angka terkecil. Dan menurut Freddy Rangkuti

(2005:70) menyatakan keharusan untuk membandingkan perhitungan yang

memiliki nilai MAD paling kecil, karena semkain kecil nilai MAD, berarti

semakin kecil pula perbedaan antara hasil forecasting dan nilai aktual.

Sumber:

Rangkuti, Freddy. 2005. Teknik mengukur dan Strategi Meningkatkan Kepuasan

Pelanggan. Jakarta. Gramedia Utama

FORECASTING SIRUP JAGUNG PT MAIZE WAY MELALUI APLIKASI EVIEWS

A. Cara Kerja Forecasting melalui Eviews1. Membuka layar kerja

2. Klik create a new Eviews workfile, lalu date specification diisi dengan montly dan start date serta end date diisi sesuai data.

3. Klik object lalu new object

4. Pilih new object dengan type object adalah series dan mengisi name of object dengan “sales”

5. Klik ikon sales

6. Mengisikan data yang tersedia dengan mengklik edit

7. Klik view, lalu unit root test

8. Jika nilai probability lebih dari 5%, maka di unit root test diganti first

different sampai nilai probability kurang dari 5%.

9. Setelah nilai probabilitu sesuai dengan harapan, maka klik workfile structure. Lalu menambah end date sampai tahun dan bulan yang akan diramalkan.

10. Lalu menetukan autocorrelation dan partial correlation dengan melihat garis yang melewati tanda. Dan pada kasus ini masing-masing terdapat 1 garis.

D. Hasil Intepretasi dari Forecasting Eviews

Hasil peramalan dari data tersebut untuk bulan MAret 2016 sampai januari

2017 sebagai berikut:

Pada Bulan Maret 2016 Diaramalkan Jumlah Permintaan Sirup Jagung

Sebesar 1751 Unit,

Bulan April 2016 Sebesar 1763 Unit,

Bulan Mei 2016 Sebesar 1776 Unit,

Bulan Juni 2016 1789 Unit,

Bulan Juli 2016 Sebesar 1801 Unit,

Bulan Agustus 2016 Sebesar 1814 Unit,

Bulan September 2016 Sebesar 1827 Unit,

Bulan Oktober 2016 Sebesar 1839,

Bulan November 2016 Sebesar 1852 Unit,

Bulan Desember 2016 Sebesar 1865 Unit Dan;

Pada Bulan Januari 2017 Sebesar 1878 Unit.