Laporan Praktikum Perancangan Teknik Industri Modul 5: Peramalan Kelompok 3 Pr ogr am St udiTek ni kI ndust r i Page 1Fakultas Teknik Universitas Diponegoro BAB I PENDAHULUAN 1.1 Latar belakang Hampirseluruhkegiatanmanusiasenantiasadiarahkanpadakondisiwaktu yangakandatang,yangkeberadaannyatidakdapatdiketahuisecarapasti.Halyang samajugaterjadipadakegiatanperusahaan.Suatuperusahaanmelakukankegiatan untuk mencapai sesuatu pada waktu yang akan datang serta memperhitungkan kondisi yang mungkinterjadidimasayangakandatang.Kondisipadawaktuyangakandatangtidak dapatdiketahuisecarapastisehinggaperusahaanmautidakmauharusbekerjadengan orientasipadawaktuyangakandatangyangtidakpasti.Untukmeminimalkan ketidakpastianitudapatdilakukandenganmetodeatauteknikperamalan.Denganteknik peramalandapatdiidentifikasikanpolayangdapatdigunakanuntukmeramalkankondisi padawaktuyangakandatang,sehinggadarihasilperamalanitu,eksekutifperusahaan dapatmembuatperencanaanyangdiperlukanuntukdilaksanakanpadamasayangakan datang.Peramalandanperencanaanmerupakanhal-halyangberkaitandenganmasayang akan datang. Mata rantai proses manajemen adalah peramalan perencanaan dan pembuatan keputusan.danumumnyaperamalanmendahuluiperencanaan(yangterpenting).Syarat mutlak untuk manajemen yang efektif akan memberikan penghargaan peran forecasting itu sendiri. Berdasarkandefinisidankegunaanperamalanyangtelahdijabarkandiatasmaka PT.IndoSpellgoedyangmerupakansebuahperusahaanyangbergerakdibidang manufakturperlumembuatperamalangunamengantisipasidemandyangtakterduga. PeramalansangatdibutuhkanPTIndoSpellgoeddimanaterjadipeningkatandemand perusahaanyangbelumtertutupiolehperusahaan.Olehsebabituperusahaan membutuhkan peramalan ulang supaya perusahaan dapat memenuhi demand. Laporan Praktikum Perancangan Teknik Industri Modul 5: Peramalan Kelompok 3 Pr ogr am St udiTek ni kI ndust r i Page 2Fakultas Teknik Universitas Diponegoro 1.2 Tujuan Praktikum ini bertujuan agar mahasiswa mengetahui metode peramalan terbaik dengan meminimasi tingkat kesalahan eror terkecil. 1.3 Perumusan Masalah Melakukan peramalan dengan menggunakan metode SA (simple average), MA (moving average),DMA(doublemovingaverage),WMA(weightedmovingaverage),CMA, ES, Linear Regression, dan Box Jenskins/ARIMA dengan menggunakan software Qs, Minitab, Hohs Linear, dan E-Views. 1.4 Pembatasan Masalah dan Asumsi Pada praktikum modul 5 ini kami melakukan peralaman pada PT Indo Spellgoed. Data yang digunakan yaitu data historis dengan dua tipe produk yaitu Grade A dan Grade B. Peramalandilakukanselama4tahunmendatangdaribulanDesembertahun2006 sampaibulanNovembertahun2010denganmenggunakanmetodeSA(simple average),MA(movingaverage),DMA(doublemovingaverage),WMA(weighted movingaverage),CMA,ES,LinearRegression,danBoxJenskins/ARIMA.Dengan asumsi data berdistribusi normal dan eror berdistribusi normal. 1.5 Sistematika Penulisan BAB I PENDAHULUAN Berisitentanglatarbelakangperamalandengantujuandaripraktikum Modul 5 peramalan, dan sistematika penulisan. BAB IITINJAUAN PUSTAKA BerisitentangPeramalan,macam-macamPeramalan,analisisderetwaktu, verifikasidanvalidasi,modelkausal,timeseries,analisisregresi,danlain-lainnya. BAB IIIMETODOLOGI PRAKTIKUM Laporan Praktikum Perancangan Teknik Industri Modul 5: Peramalan Kelompok 3 Pr ogr am St udiTek ni kI ndust r i Page 3Fakultas Teknik Universitas Diponegoro Berisi tentang langkah-langkah praktikum. BAB IVPENGUMPULAN dan PENGOLAHAN DATA Berisi tentang data peramalan grade A dan grade B dari tahun 2006 sampai tahun2010,sertapengolahandatakonversigradeAdangradeBdengan menggunakanmetodeSA,MA,DMA,WMA,CMA,ES,Linear Regression,danARIMAyangdiolahdenganmenggunakansoftwareQs, Minitab, E-Views, dan Hohs Linear. BAB VANALISA BerisitentanganalisahasilperamalandatakonversigradeAdangradeB daritahun2006sampai2010yangdilakukandenganmetodeSA,MA, DMA, WMA, CMA, ES, Linear Regression, ARIMA dengan menggunakan software Qs, Minitab, E-Views, dan Hohs Linear. BAB VIPENUTUP Berisitentangkesimpulandansarandarihasilpraktikumyangtelah dilakukan.

Laporan Praktikum Perancangan Teknik Industri Modul 5: Peramalan Kelompok 3 Pr ogr am St udiTek ni kI ndust r i Page 4Fakultas Teknik Universitas Diponegoro BAB II TINJAUAN PUSTAKA 2.1 Ekonometrika Ekonometrikaadalahilmuyangmembahasmasalahpengukuranhubungan ekonomi.Dengandemikian,Ekonometrikaadalahilmuyangmencakupteoriekonomi, matematika, dan statistika dalam satu kesatuan sistem yang bulat, menjadi suatu ilmu yang berdirisendiridanberlainandenganilmuekonomi;matematika;maupunstatistika. Ekonometrikadigunakansebagaialatanalisisekonomiyangbertujuanuntukmenguji kebenaranteorama-teoramateoriekonomiyangberupahubunganantarvariabelekonomi dengan data empirik. Dalam ekonometri, permasalahan dipetakan berdasarkan teori (ekonomi)yang ada, dinyatakandenganpersamaanmatematikdandigunakankriteriastatistikuntuk menganalisispermasalahanyangada.Sebagaicontohadalahhargaminyakmentahdan permintaanminyakmentah.Berdasarkanteoriekonomi,denganasumsibarangnormal, hargaberbandingterbalikdenganpermintaandanberbandinglurusdenganpenawaran. Artinya, berdasarkan hukum permintaan, jika harga minyak mentah naik, maka permintaan minyakmentahakanmengalamipenurunan.Sebaliknya,jikahargaminyakmentahturun, makapermintaanakanminyakmentahmengalamikenaikan.Sedangkanberdasarkan hukumpenawaran,jikahargaminyakmentahnaikmakapenawaranminyakmentahakan mengalamikenaikan,dansebaliknyajikaterjadipenurunanharga.Akantetapi,teori ekonomitidakmenjelaskanlebihlanjutberapabesardampakkenaikanhargaterhadap perubahanpermintaan.Disini,ekonometriberperandalammemberikanukuranatas besarnya perubahan permintaan sebagai akibat dari perubahan harga.Berkaitan dengan ekonometri, peranmatematikaekonomi adalahmenyatakan teori ekonomidalambentukmatematikaataupersamaanmatematika.Tujuannyaadalahuntuk penyederhaanmasalah.Sepertidibahassebelumnya,ekonometriberusahamelakukan Laporan Praktikum Perancangan Teknik Industri Modul 5: Peramalan Kelompok 3 Pr ogr am St udiTek ni kI ndust r i Page 5Fakultas Teknik Universitas Diponegoro verifikasiempirisatasteoriekonomiyangberlaku.Danhaliniakanlebihmudahapabila permasalahan ekonomi dinyatakan dalam bentuk matematik.2.2 Peramalan Peramalan merupakan aktivitas pertama dalam penentuan jadwal produksi di masa depan. Peramalan didasarkan pada penentuan (prediksi) jumlah permintaan sebuah produk yang kemudian akan dijadikan sebagai target produksi. Peramalan adalah proses digunakan untuk memperkirakan berapa kebutuhan dimasa datangyangmeliputikebutuhandalamukuran,kuantitas,kualitas,waktudanlokasiyang dibutuhkan dalam rangkamemenuhi permintaanbarang ataupunjasa. Aktivitas peramalan merupakansuatufungsibisnisyangberusahamemperkirakanpenjualandanpenggunaan produk sehingga produk-produk itu dapat dibuat dalam kuantitas yang tepat.Peramalanadalahsuatubagiandarikegiatanmanajemensebagaidasarpembuatan keputusan.Suatuperusahaanmembanguntujuandanmencarifaktorlingkunganlalu menyeleksi tindakan yang diharapkan akan memberikan hasil pada pencapaian tujuannya. Peramalantidakterlaludibutuhkandalamkondisipermintaanpasaryangstabil, karena perubahan permintaannya relatif kecil, tetapi peramalan akan sangat dibutuhkan bila kondisi permintaan pasar bersifat komplek dan dinamis. Dalamkondisipasarbebas,permintaanpasarlebihbanyakbersifatkomplekdan dinamis, karena permintaan tersebut akan tergantung dari keadaan sosial, ekonomi, politik, aspekteknologi,produkpesaingdanproduksubstitusi.Olehkarenaitu,peramalanyang akuratmerupakaninformasiyangsangatdibutuhkandalampengambilankeputusanyang manajemen. Peramalan dan perencanaan merupakan hal-hal yang berkaitan dengan masa yang akandatang.Matarantaiprosesmanajemenadalahperamalan,perencanaan,dan pembuatankeputusan,danumumnyaperamalanmendahuluiperencanaan(yang terpenting).Syaratmutlakuntukmanajemenyangefektifakanmemberikanpenghargaan peran forecasting itu sendiri. Laporan Praktikum Perancangan Teknik Industri Modul 5: Peramalan Kelompok 3 Pr ogr am St udiTek ni kI ndust r i Page 6Fakultas Teknik Universitas Diponegoro Berdasarkan sifatnya peramalan dibagi menjadi dua, yaitu: 1.Kualitatif Teknikinidigunakanapabiladatamasalalutidaktersediaatauwalaupuntersedia namunjumlahnyatidakmencukupi.Teknikkualitatifmengkombinasikaninformasi dengan pengalaman, penilaian, dan intuisi untuk menghasilkan pola-pola dan hubungan yangmungkindapatditerapkandalammemprediksimasayangakandatang.Teknik-teknikkualitatifdidasarkanataspendekatanakalsehat(commonsense)dalam menyaring informasi ke dalam bentuk yang bermanfaat. Beberapametodeyangtercakupdalamteknik-teknikkualitatifantaralainvisionary, panel consensus, brainstorming, antipatory survey, role playing, dan lain-lain. Teknik kualitatif paling sesuai diterapkan dalam dua kondisi berikut : 1.Tidakterdapatataukurangnyadatakuantitatifyangberkualitas.Misalnya,dalam peramalan peluang bagi produk atau pasar yang baru. 2.Terdapatdatakuantitatifyangcukup,namunterdapatfaktor-faktortertentuyang menyebabkanteknikkualitatiflebihsesuaiuntukditerapkan.Misalnya,meskipun terdapatdatayangcukupmengenaikondisihistorisekonomiIndonesia,kondisi-kondisinonekonomi(politikdansebagainya)sangatmempengaruhikeadaandi masa depan. Sedangkan keterbatasan-keterbatasannya antara lain : 1.Bukti-buktiempirismenunjukkanbahwahasilyangberbedadapattimbuljika digunakan metode pengumpulan informasi yang berbeda. 2.Terdapat kemungkinan timbulnya penilaian-penilaian yang overconfidence. 3.Adanyafenomenagroupthinkdimanapemikiranyangmenyimpangdari konsensuskelompokakanditekan.Efekdarigroupthinkiniadalahberkurangnya pendapat-pendapat kritis. Laporan Praktikum Perancangan Teknik Industri Modul 5: Peramalan Kelompok 3 Pr ogr am St udiTek ni kI ndust r i Page 7Fakultas Teknik Universitas Diponegoro 2. 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. Peramalan yang baik mempunyai karakteristik sebagai berikut: 1.Akurasi Akurasidarisuatuhasilramalandiukurdengankebiasandankekonsistenan peramalantersebut.Hasilperamalandikatakanbiasbilaperamalantersebut terlalu tinggi atau terlau rendah dibandingkan dengan kenyataan yang sebenarnya terjadi.Hasilperamalandikatakankonsistenbilabesarnyakesalahanperamalan relatif kecil. 2.Biaya Biaya yang dibutuhkan dalam pembuatan suatu peramalan adalah tergantung dari jumlahitemyangdiramalkan.lamanyaperiodeperamalan.danmetode peramalanyang dipakai.Pemilihanmetode peramalanharus disesuaikan dengan dana yang tersedia dan tingkat akurasi yang diinginkan. 3.Kemudahan Penggunaanmetodeperamalanyangsederhana.mudahdibuat.danmudah diaplikasikanakanmemberikankeuntunganbagiperusahaan.Karenasangat percumabilaharusmenggunakanmetodeyangcanggih.tetapitidakdapat diaplikasikanpadasystemperusahaankarenaketerbatasandana.sumberdaya manusia. dan peralatan teknologi. (Nasution. Arman Hakim. Perencanaan dan Pengendalian Produksi. Hal .24) Beberapa sifat hasil peramalan yang harus dipertimbangkan adalah sebagai berikut: 1.Peramalan pasti mengandung kesalahan Artinyaperamalanhanyabisamengurangiketidakpastianyangterjadi.tetapi tidak dapat menghilangkan ketidakpastian tersebut. Laporan Praktikum Perancangan Teknik Industri Modul 5: Peramalan Kelompok 3 Pr ogr am St udiTek ni kI ndust r i Page 8Fakultas Teknik Universitas Diponegoro 2.Peramalan memberikan informasi tentang berapa ukuran kesalahan Karenaperamalanpastimengandungkesalahan.makaadalahpentingbagi peramal untuk menginformasikan berapa besar kesalahan yang mungkin terjadi. 3.Peramalan jangka pendek lebih akurat dari pada peramalan jangka panjang Halinidisebabkankarenapadaperamalanjangkapendek.faktor-faktoryang mempengaruhipermintaanrelatifmasihkonstan.sedangkansemakinpanjang periodeperamalan.makasemakinbesarpulakemungkinanterjadinyapeubah faktor-faktor yang mempengaruhi permintaan. (Nasution. Arman Hakim. Perencanaan dan Pengendalian Produksi. Hal .24) 2.2.1 Tahapan Peramalan Dalam peramalan, tahap-tahap yang harus dilakukan adalah : 1.Mengkonversikan data. 2.Plot data. Plotingdataharusdilakukansebelummelakukanmetodeperamalanuntuk menentukanpoladatayangterjadi.Dengandatayangadadiperolehdiagram pencarnya. Ada beberapa tipe pola data :Constant Adalah pola data dimana fluktuasi random berharga konstan. Gambar 2.1 Pola data konstan Laporan Praktikum Perancangan Teknik Industri Modul 5: Peramalan Kelompok 3 Pr ogr am St udiTek ni kI ndust r i Page 9Fakultas Teknik Universitas Diponegoro Trend(Linier) Adalah gerakan ke atas atau ke bawah secara berangsur-angsur dari data . Gambar2.2 Pola Linier Seasonal (Musiman) Adalahfluktuasipermintaansuatuprodukdapatnaikturundisekitar garis trend dan biasanya berulang tiap tahun. Gambar 2.3 Pola data Musiman Cyclical (Siklus) Adalahpolapermintaansuatuprodukyangmempunyaisiklusberulang secaraperiodikbiasanyalebihdarisatutahun,sehinggapolainiuntuk peramalan jangka menengahdan panjang. Gambar 2.4 Pola data Siklus Laporan Praktikum Perancangan Teknik Industri Modul 5: Peramalan Kelompok 3 Pr ogr am St udiTek ni kI ndust r i Page 10 Fakultas Teknik Universitas Diponegoro Random (acak) Adalah tanda dalam data yang disebabkan peluang dan situasi yang tidak biasa, variabel acak mengikuti pola yang tidak dapat dilihat. Gambar 2.5 Pola data random 3.Memilih alternatif metode yang sesuai dengan tipe data masa lalu. 4.Melakukan uji verifikasi atau error dari metode-metode yang digunakan. 5.Memilih metode yang terbaik, yang dipilih adalah yang memiliki error terkecil. Dan melakukan uji validasi metode dengan menggunakan peta Moving range. 6.Implementasi hasil peramalan. 7.Memantau keandalan hasil peramalan (Diktat kuliah Production planning and control, 2004) 2.2.2 Analisis Deret Waktu Analisisderetwaktudidasarkanpadaderetyangmenggambarkanpola-polayang bervariasi sepanjang waktu, yang dapat dimodelkan untuk menentukan bagaimana pola yangakanterjadidimasayangakandatang.Secaratradisional,jenis-jenisvariabel dibedakan dalam empat elemen. 1.Tren:merupakan kecenderungan jangka panjang dalam satu arah. 2.Variasi siklis:variasiinisecaranaturalmemilikisiklusyangdapat diidentifikasikan.Sebagaicontoh,dataekonomidapat dipengaruhi oleh siklus bisnis dalam suatu periode waktu yang bervariasi antara 5 sampai 7 tahun.3.Variasi Musiman:variasi yang memiliki pola tahunan. Laporan Praktikum Perancangan Teknik Industri Modul 5: Peramalan Kelompok 3 Pr ogr am St udiTek ni kI ndust r i Page 11 Fakultas Teknik Universitas Diponegoro 4.Variasi tak beraturan: merupakanresidualyangtertinggalsetelahsemuatipetrend berhasildiidentifikasikan.Jikasemuatipetrendtelahsecara penuh diperhitungkan dalam model, variasi tidak beraturan ini akan bersifat random. Terdapat beberapa jenis deret waktu, yaitu: 1.Stationary:tanpa trend 2.Dengan sebuah trend: terdapatsebuahpergerakankonsistennaikatauturun(tidak stabil pada posisi nilai rataan) 3.Trend musiman:pola teratur yang berulang setiap tahunnya (tidak stationer dalam variasi) 4.Trend musiman siklus:terdapat pola reguler yang memerlukan waktu lebih dari setahun untuk berulang (tidak stationer dalam rataan dan variansi) Beberapa metode analisis deret waktu antara lain: 1. Moving average Moving Average merupakan metode peramalan yang hanya sesuai untuk deret waktu yangbersifat stasioner. Metode ini sering digunakan untuk menghilangkan trend dan sifatmusimanpadasatusetdata,menganalisisderetresidualnyadankemudian menggabungkankembalivariasitrenddanseasonal.Efekrandomdapatdihilangkan denganmengambilrata-rataterhadapsejumlahpengamatan.Jenis-jenisnyaantara lain:simpleaverage,simplemovingaverage,doublemovingaverage,weigthed movingaverage,movingaveragewithliniertrend.MAdapatdinyatakandalam persamaan sebagai berikut :

MA = NA A AN t t t ) 1 ( 1...... + + + Laporan Praktikum Perancangan Teknik Industri Modul 5: Peramalan Kelompok 3 Pr ogr am St udiTek ni kI ndust r i Page 12 Fakultas Teknik Universitas Diponegoro Dimana : tA = Permintaan actual pada periode-t N= Jumlah data permintaan yang dilibatkan dalam perhitungan MA KarenadataaktualyangdipakaiuntukperhitunganMAberikutnyaselaludihitung dengan mengeluarkan data yang paling terdahulu. maka : tMA = 1 tMA + NA AN t t PemilihantentangbeberapanilaiNyangtepatadalahhalyangpentingdalam metodeini.semakinhalusperubahannilaiMAdariperiodekeperiode. Kebalikannya.semakinkecilnilaiN.makaperamalanakanlebihagresifdalam mengantisipasi perubahan data terbaru yang diperhitungkan. Bila permintaan berubah secara signifikan dari waktu ke waktu. maka ramalan harus cukup agresif dalammengantisipasi perubahan tersebut. sehingganilai Nyang kecil akanlebihcocokdipakai.Kebalikannya.bilapermintaancenderungsatbilselama jangka waktu yang panjang. maka sebaiknya dipakai nilai N yang besar. Kelemahan dari teknik MA ini sendiri adalah sebagai berikut : 1.PeramalanselaluberdasarkanpadaNdataterakhirtanpamempertimbangkan data-data sebelumnya. 2.Setiap data dianggapmemilikibobot yang sama. padahallebihmasuk akalbila data yanglebihbaru akanmempunyaibobot yang lebih tinggi karena data tersebut merepresantikankondisiyangterakhirterjadi.Kelemahaniniakandiatasidengan menggunakan teknik MA dengan pembobotan. 3.Diperlukanbiayayangcukupbesardalampenyimpanandanpemrosesan datanya.karenabilaNcukupbesarakanmembutuhkanmemoriyangcukupbesar dan proses komputasinya menjadi lama. (Nasution. Arman H. Perencanaan dan Pengendalian Produksi. Hal 29-32) Laporan Praktikum Perancangan Teknik Industri Modul 5: Peramalan Kelompok 3 Pr ogr am St udiTek ni kI ndust r i Page 13 Fakultas Teknik Universitas Diponegoro b. Metode Simple Average (SA) =+= =TiiiTXX F11 c. Metode Single Moving Average (SMA) =+= =TiiiTXX F11 d. Metode Double Moving Average (DMA) NX X X XSN t t tt1 2 1 1 '...+ + + + += NS S S SSN t t tt1'2'1'1'' '... + + + + += t t t t ttS S S S S a' ' ' ' ' ' '2 ) ( = + = ) (12' ' 't ttS SNb = m b a Ft t m t. + =+ e.Metode Weight Moving Average (WMA) ==tii i tX W WMA1. t tWMA F =+1 2. Exponential Smoothing Metodeinimenutupikekuraranganmovingaveragedalamhalperbedaaninformasi yang dihasilkan oleh pengamatan terdahulu dan pengamatan yang lebih baru. Hal ini menyebabkantimbulnyadoronganuntukmemberikanbobotyangtidaksamauntuk masing-masingpengamatan.Metodeexponentialsmoothingsecaraumum dirumuskan sebagai : Ramalan baru = ramalan lama +ox (pengamatan terakhir ramalan lama) Ft+1= Ft +o (xt + Ft) Laporan Praktikum Perancangan Teknik Industri Modul 5: Peramalan Kelompok 3 Pr ogr am St udiTek ni kI ndust r i Page 14 Fakultas Teknik Universitas Diponegoro o (alpha)dikenaldengankonstantapenghalusan(smoothingconstans).Begitusuatu nilaiodipilih, maka nilai ini terus dipertahankan konstan dan sebuah peramalan baru dapatdihitungpadasaatpengamatanterakhirdiperoleh.Nilaio inimempengaruhi stabilitasdansensitivitasperamalan.Padanilainol,sekalisebuahperamalanawal dibuat,nilaiperamalaninitidakakanpernahberubah.Padanilaisatu,peramalan tidak tidal lain adalah nilai pengamatan terbaru itu sendiri. Jadi,nilaio merupakantrade-offantarastabilitasdansensitivitas.Nilainyasecara umum dipilih dengan jalan menerapkannya pada data historis dan kemudian memilih nilai yang meminimasi mean squared error (MSE). Kekurangan metode ini adalah sulitnya untuk memilih nilai optimum tanpa membuat asumsi yang ketat mengenai perilaku deret dan waktu yang diperlukan dalam mencari nilaikonstantasmoothingrelatiflama.Jenis-jenisnyaantaralain:singleexponential smoothing,double exponential smoothing, triple exponential smoothing: Browns one parameter quadratic. a. Metode Browns Single Exponential Smoothing

1 1) 1 ( + + =t i tF X F b. Metode Double Exponential Smoothing : Browns One Parameter Linier 1' ') 1 ( + = tit S X S 1' ' ' ' ') 1 ( + = t i t S S S t t t t ttS S S S S a' ' ' ' ' ' '2 ) ( = + = ) (1' ' 't ttS S b = m b a Ft t m t. + =+ c. Metode Exponential Smoothing With Trend : Holts Two Parameter | |) 1 ( ) 1 ( ) () 1 ( + + =t t t tT F X F | |) 1 ( ) 1 ( ) ( ) () 1 ( + =t t t tT F F T ) ( ) ( ) (.t t h tT h F f + =+ Laporan Praktikum Perancangan Teknik Industri Modul 5: Peramalan Kelompok 3 Pr ogr am St udiTek ni kI ndust r i Page 15 Fakultas Teknik Universitas Diponegoro d. Metode Triple Exponential Smoothing : Browns One Parameter Quadratic 1' ') 1 ( + = tit S X S 1' ' ' ' ') 1 ( + = t i t S S S 1' ' ' ' ' ' ' ') 1 ( + = t i t S S S t t ttS S S a' ' ' ' ' '3 3 + = ] ) 3 4 ( ) 8 10 ( ) 5 6 [() 1 (' ' ' ' ' '22t t ttS S S b + = ) 2 () 1 (' ' ' ' ' '22t t ttS S S c + = 2.21. m c m b a Ft t t m t+ + =+ e.MetodeTripleExponentialSmoothing:WintersThreeParameterTrendandSeasonality ) )( 1 (1 11 + + =t ttitb SIXS 1 1) 1 ( ) ( + + =t t t tb S S b 1) 1 ( + =ttttISXI m t t t m tI m b S F+ ++ =1) . (f.Metode Dekomposisi (Diktat Kuliah Production Planning and Control. Hal 28-29) c. Box Jenkins (ARIMA) Metode Box Jenkins sering juga disebut ARIMA. ARIMA sangat baik ketepatannya untukperamalanjangkapendek,sedangkanuntukperamalanjangkapanjang ketepatanperamalannyakurangbaik.Biasanyaakancenderungflat (mendatar/konstan) untuk periode yang cukup panjang. Laporan Praktikum Perancangan Teknik Industri Modul 5: Peramalan Kelompok 3 Pr ogr am St udiTek ni kI ndust r i Page 16 Fakultas Teknik Universitas Diponegoro Model Autoregresif Integrated Moving Average (ARIMA) adalahmodelyang secara penuhmengabaikanindependenvariabledalammembuatperamalan.ARIMA menggunakannilaimasalaludansekarangdarivariabledependenuntuk menghasilkanperamalanjangkapendekyangakurat.ARIMAcocokjikaobservasi dari deret waktu (time series) secara statistik berhubungan satu sama lain (dependent). c Y Y Y Y K Yi t i t t t t+ + + + + + = ...3 3 2 2 1 1 Dimana : 1= parameter series K= konstanta 1e= error (Diktat Kuliah Production Planning and Control. Hal. 27) Laporan Praktikum Perancangan Teknik Industri Modul 5: Peramalan Kelompok 3 Pr ogr am St udiTek ni kI ndust r i Page 17 Fakultas Teknik Universitas Diponegoro Gambar 2.6 Skema Pendekatan Box-Jenkins Jika suatu deret memiliki sifat musiman, maka mula-mula data harus diturunkan untuk menghilangkan sifat musiman tersebut. Model-model tersebut adalah sebagai berikut : Laporan Praktikum Perancangan Teknik Industri Modul 5: Peramalan Kelompok 3 Pr ogr am St udiTek ni kI ndust r i Page 18 Fakultas Teknik Universitas Diponegoro White Noise Tidakterdapatautokorelasiantarpasanganpengamatandansemata-mata merupakan deret random. Moving Average Nilaideretpadawaktuttersusunataselemenrandomdanproporsidarielemen random pada waktu t j. Autoregressive Models (AR) Nilaideretpadawaktuttersusunataselemenrandomdanproporsipengamatan aktual pada waktu t j. ARMA Models Model-modelARMAinimeupakangabungandariMAdanAR.Model-modelini terlihatrumitdansifat-sifatstatistiknyasulituntukditurunkan.Namundemikian, terdapatalasan-alasanteoritisyangmenunjukkanbahwamodel-modelARMAini merupakan model yang paling menggambarkan kondisi di dunia nyata, terutama di lingkungan bisnis-ekonomi. Ketikamenggabungkanderet,jikamesing-masingkomponenadalahAR,maka penjumlahan deret akan ARMA. Jika beberapa deret adalah AR dan beberapa deret yang lain adalah MA, maka penjumlahan deret adalah MA - Musiman dan Model ARIMA Musimandidefinisikansebagaisuatupolayangberulang-ulangdalamselangwaktu yangtetap.Untukdatayangstasioner,factormusimandapatditentukandengan mengidentifikasikoefisienautokorelasipadaduaatautigatime-lagyangberbeda nyatadarinol.Autokorelasiyangsecarasignifikanberbedadarinolmenyatakan adanyasuatupoladalamdat.Untukmengenaliadanyafaktormusiman,seseorang harus melihat pada autokorelasi yang tinggi. Untuk menangani musiman, notasi umum yang singkat adalah: ARIMA (p,d,q) (P,D,Q)S Laporan Praktikum Perancangan Teknik Industri Modul 5: Peramalan Kelompok 3 Pr ogr am St udiTek ni kI ndust r i Page 19 Fakultas Teknik Universitas Diponegoro Dimana (p,d,q) = bagian yang tidak musiman dari model (P,D,Q) = bagian musiman dari model S = jumlah periode per musim

Istilah-Istilah dalam time Series: - Stasioneritas Suatuderetpengamatandikatakanstasionerapabilaprosestidakberubahseiring dengan perubahan waktu.Konsep Stasioneritas Stasioneritasberartibahwatidakterdapatpertumbuhanataupenurunan padadata.Datasecarakasarnyaharushorisontalsepanjangsumbuwaktu. Dengankatalain,fluktuasidataberadadisekitarsuatunilairataratayang konstan,tidaktergantungpadawaktudanvariansidarifluktuasitersebutyang pada intinya tetap konstan setiap waktu.Bentukvisualdarisuatuplotderetberkalaseringkalicukupuntuk meyakinkanparaperamalbahwadatatersebutstasioneratautidakstasioner. Demikianpuladenganplotautokorelasi,dapatdenganmudahmemperlihatkan ketidakstasioneran.Nilainilaiautokorelasidaridatastasionerakanturun sampai nol sesudah time lag kedua atau ketiga, sedangkan untuk data yang tidak stasioner, nilai nilai tersebut berbeda signifikan dari nol untuk beberapa periode waktu.Apabiladisajikansecaragrafik,autokorelasidatayangtidakstasioner memperlihatkansuatutrendsearahdiagonaldarikanankekiribersamadengan meningkatnyajumlahtimelag(selisihwaktu).Konsepstasioneritasdapat digambarkan secara praktis sebagai berikut : a.Apabila suatu data deret berkala diplotkan dan kebudian tidak terbukti adanya perubahannialitengahdariwaktukewaktu,makadapatdikatakanbahwa deret data tersebut stasioner pada nilai tengahnya ( mean ). Laporan Praktikum Perancangan Teknik Industri Modul 5: Peramalan Kelompok 3 Pr ogr am St udiTek ni kI ndust r i Page 20 Fakultas Teknik Universitas Diponegoro b.Apabilaplotderetberkalatidakmemperlihatkanadanyaperubahanvariansi yang jelas dari waktu ke waktu, maka dapat kita katakan bahwa data tersebut stasioner pada variansinya. Jikasuatuderetdatabukanmerupakandatayangstasioner,makasebelum melakukan pembuatan model deret berkala, maka perlu dilakukan pembedaan. ( Makridakis, Forecasting, Hal. 333, 351, 354 ) - Fungsi Autokorelasi (autocorrelation function, ACF) Autokorelasiadalahkorelasiantarderetpengamatansuatuderetwaktu,sedangkan fungsi autokorelasi (ACF) adalah plot autokorelasi-korelasi. - Partial Auto Correlation Function (PACF) Partialautocorrelationadalahkorelasiantarderetpengamatansuatuderetwaktu. Mengukur hubungan keeratan antar pengamatan suatu deret waktu. - Cross Correllation Digunakanuntukmenganalisistimeseriesmultivariatsehinggaadalebihdari2 time series yang akan dianalisis. - Proses White Noise Didefinisikansebagaideretvariabelacakyangindependen,identik,dan terdistribusi. - Analisis Tren Digunakan untuk menaksir model tren suatu data time series. - Rata-rata Bergerak (Moving Average) Salahsatumetodemembuatmodeltimeseries.DalamMovingaverage,datadi perhalusdenganmembuatrata-ratasecaraberurutandarisekelompokpengamatan pada jangka waktu tertentu. (Mengolah data statistik dengan mudah menggunakan Minitab14) Laporan Praktikum Perancangan Teknik Industri Modul 5: Peramalan Kelompok 3 Pr ogr am St udiTek ni kI ndust r i Page 21 Fakultas Teknik Universitas Diponegoro 2.2.3 Model Kausal Modelkausalterdiriatasteknik-teknikperamalanyangmenggunakaninformasi atassatuataubeberapafaktor(variabel)untukmemprediksifaktorlainnyadengan memanfaatkanpengetahuanatashubunganantarvariabel-variabeltersebut.Teknik utamadalammodel-modelkausaliniadalahanalisisregresi,baikregresisederhana maupun majemuk. -Penggunaan Model-Model Kausal Padadasarnyamodel-modelkausaldapatdigunakanmanakalapergerakandalam suatuvariabeldianggapdisebabkanolehpergerakanpadavariabel-veriabelyang lain.Akibatnya,prosespengidentifikasianveriabel-variabelmanjadiprsesyang kritis.Pedomanberikutmenggambarkankapanpemodelankausalsesuaiuntuk diterapkan : 1.Padasaatterdapatalasan-alasanyangprioriuntukmenganggapbahwasatu variabel adalah dipengaruhi oleh variabel yang lain. Misalnya, terdapat alasan yang kuat untuk mempercayai bahwa periklanan akan mempengaruhi tingkat penjualan. 2.Padasaatsebuahindikatorutamadapatteridentifikasikan.Misalnya,tingkat kelahiranbayisaatinidapatdigunakanuntukmeramalkankebutuhanakanbusana balita untuk beberapa tahun ke depan. 3. Horison waktu peramalan yang relevan. Dalam jangka pendek, delay antara efek kausal dan waktu data dikumpulkan dapat diabaikan. Namun dalam jangka panjang terdapat kemungkinan bahwa efek kausal telah bergeser. - Analisis Regresi Analisisregresididasarkanpadaasumsibahwaterdapathubunganantaraduaatau lebih variabel. Secara umum, analisis regresi dapat dilakukan dalam langkah-langkah berikut: Laporan Praktikum Perancangan Teknik Industri Modul 5: Peramalan Kelompok 3 Pr ogr am St udiTek ni kI ndust r i Page 22 Fakultas Teknik Universitas Diponegoro 1.Lakukanplotdatauntukmenginvestigasiapakahtampakterdapathubungan tertentu. 2.Tentukan metode regresi yang sesuai 3.Lakukanestimasiterhadapgarisregresiyangsebenarnyadenganjalan mengestimasi parameter-parameter garis regresi yang ada. 4.Hitungresidualatauperbedanantaranilaikausalvariabeldannilaietimasihasil regresi. 5.Pilih metode regresi dengan jumlah kuadrat residual yang kecil. Residual dapat timbul karena hubungan antara variabel tidak eksak. Tidak eksaknya hubunganinidisebabkankarenaadanyafaktor-faktorlainyangmempengaruhi. Faktor-faktor ini antara lain : 1.Penghilanganbeberapavariabeldaripersamaankarenavariabel-variabeltersebut tidak diketahui, random, tidak signifikan atau tidak dapat diukur. 2.Kerandoman yang timbul dari perilaku manusia 3.Hubungan tidak sepenuhnya linear 4.Kesalahan kesalahan dalam agregasi 5.Kesalahan kesalahan dalam pengukuran - Beberapa Jenis Analisis Regresi1.Regresi Sederhana Padaregresisederhanahanyadiperhitungkansatuvariabelbebas.Contohregresi sederhana antara lain : a.Regresi Konstan ^ ^a ) t ( Y = b.Regresi Linier Sederhana t b a ) t ( Y^ ^ ^+ = c.Regresi Polinom Kuadratis 2t c t b a ) t ( Y^ ^ ^ ^+ + = Laporan Praktikum Perancangan Teknik Industri Modul 5: Peramalan Kelompok 3 Pr ogr am St udiTek ni kI ndust r i Page 23 Fakultas Teknik Universitas Diponegoro d.Regresi Eksponensial bt^ ^a ) t ( Y = 2.Regresi Berganda (Multiple Regression) Padaregresibergandadiperhitungkanlebihdarisatuvariabelbebas.Cotohregresi bergandayangumumdigunakanadalahregresilinierberganda(MultipleLinier Regression) yang dapat dilihat pada lampiran. 3.Regresi Trigonometri Rumus umum regresi trigonometri adalahtNsin v tNcos u a ) t ( Y^ ^ ^ ^t+t+ =2 2 Goodness of Fit Kebaikansuaidaripersamaanregresiterhadaphasilpengamatansebenarnyadapat diukurdenganmenggunakankoefisiendeterminasi.Totalvariasidaripengamatan aktual Y ditetapkan sebagai jumlah kuadrat perbedaan antara nilai-nilai aktual (xi) yang ada dengan nilai rataannya ( x ). Rumusan kebaikan suai sebagai berikut : xy xxxyS SSr22= = =nii i xy) y y )( x x ( S1 = =nii xx) x x ( S12 = =nii yy) y y ( S12 Koefisien determinasimengukur proporsi dari deviasi totalyang dapat dijelaskan oleh regresi. Laporan Praktikum Perancangan Teknik Industri Modul 5: Peramalan Kelompok 3 Pr ogr am St udiTek ni kI ndust r i Page 24 Fakultas Teknik Universitas Diponegoro - Masalah - Masalah dalam Regresi 1.Multikolinearitas Variabel-variabeleksplanatorisbiasanyamemilikikorelasiyangtinggi.Halinisering terjadidalamderetwaktukarenaadanyakecenderungandata-dataekonomibergerak bersamaansepanjangwaktu.Multikolinearitasmenyebabkankemampuansuatu variabel dalam menjelaskan fenomena yang ada menjadi bias. 2.Autokorelasi Autokorelasiterjadiapabilaasumsiinitidakdapatterpenuhi.Autokorelasi menyebabkanbanyakujistatistikyanguntukmenentukansignifikansivariabelseperti ujiFdantmenjaditidakvalid.Lebihlanjut,metode-metodeestimasikuadratterkecil menjaditidakefisien.Adanyaautokorelasidapatdiujidenganmenggunakanstatistik Durbin-Watson. 2.3 Pemilihan dan Evaluasi Metode-metode Peramalan Terdapatduakelompokkarakteristikyangdapatdigunakansebagaikerangkadasar untuk menilai kesesuaian suatu model untuk diterapkan : 1.Situasi Berdasarkansituasiyangada,harusdiperhatikanhal-halantaralain:horisonwaktu, detil yang dibutuhkan, jumlah item yang akan diramal, tujuan dilakukannyaperamalan {kontrol vs perencanaan}, kekonstanan, dan prosedur perencanaan yang ada saat ini. 2.Metode Berdasarkanmetodeyangada,harusdiperhatikanhal-halantaralain:horisonwaktu, pola data, biaya,keakuratan, dan daya tarik intuitif. Mula-mulaterdapatpilihanapakahakandigunakanmetodekuantitatifataumetode kualitatif. Dalam peramalanbisnis,metode-metode kualitatiflebihsesuai untuk peramalan jangka panjangyangberkaitan denganidentifikasi perubahanyangmungkin terjadi dalam pola-poladanhubungan-hubunganyangsudahmapansertajugapadakeadaandimana Laporan Praktikum Perancangan Teknik Industri Modul 5: Peramalan Kelompok 3 Pr ogr am St udiTek ni kI ndust r i Page 25 Fakultas Teknik Universitas Diponegoro terdapatketidakpastianyangtinggiataukurangnyadata.Peramalankuantitatifbiasanya lebihbaikdalamjangkawaktupendekataumenengah,yangkebutuhanperamalannya adalahuntukperencanaanproduksidanpenjadwalanpersoneldalamjangkapendekserta untuk penentuan anggaran dalam jangka menengah. Jikametodekuantitatifyangdipilih,selanjutnyaterdapatpilihanantaramodelkausal atauderetwaktu.Metodekausallebihsesuaidimanaterdapathubunganantarvariabel yang dapat diidentifikasikan denganmudah dan terdapat sedikitvariabeleksternal.Ketika variabeltersebutdipengaruhiolehlebihbanyakfaktor,metodederetwaktulebihsesuai. Deretwaktulebihefektifketikabanyakperamalandibutuhkandalamhorisonjangka pendek sebagaimana yang sering dijumpai dalam dunia bisnis. Setelahditentukanmetode-metodemanayangdiperkirakansesuaidanparameter-parametermodeltelahpuladitetapkan,makauntukmenentukanmetodeterbaikyang nantinya akan dipakai diperlukan suatu evaluasi. Terdapat tiga atribut penilaian : 1.Kesesuaian terhadap data historis. 2.Landasan statistik dan teoritis yang dapat dipertanggungjawabkan. 3.Kesesuaian dengan situasi yang sedang dihadapi. 2.3.1 Kesesuaian terhadap Data Historis Setiapmetodeperamalancenderungmemilikierror.Besarnyaerrorpadaperiode ke-i (ei) dinyatakan dengan : ei=Xi Fi Dimana: ei=kesalahan pada periode ke-i Xi=data aktual periode ke-i Fi=nilai peramalam periode ke-i Ada beberapa rumus untuk mengukur error. Rumus-rumus tersebut antara lain : Mean Error:ME=n / ei Laporan Praktikum Perancangan Teknik Industri Modul 5: Peramalan Kelompok 3 Pr ogr am St udiTek ni kI ndust r i Page 26 Fakultas Teknik Universitas Diponegoro Mean Absolute Error:MAE=n / ei Sum of Square Error:SSE= 2eiMean Squared Error:MSE=n / ei2 Standard Deviation of Error:SDE=2 1 12/ ) n /( ei Percentage Error:PEi=(ei/Xi)*100% Mean Percentage Error:MPE= PEi / n Mean Absolute Percentage:MAPE = |PEi| / n Suatu metode dapat dipih berdasarkan ukuran error terkecil. 2.3.2 Uji Kesalahan Peramalan (Uji Verifikasi) Uji kesalahan peramalan atau uji verifikasi dilakukan terhadap metode peramalan untuk menentukan metode peramalan yang terpilih. -Mean Square Error (MSE) MSEdihitungdenganmenjumlahkankuadratsemuakesalahanperamalanpada setiap periode dan membaginya dengan jumlah periode peramalan. neMSEn1 i2i ==MSEinimemilikikelebihanyaitusederhanadalamperhitunganSedangkan kelemahanyangdimilikiadalahakurasihasilperamalansangatkecilkarenatidak memperhatikanapakahhasilperamalanlebihbesarataulebihkecildibandingkan kenyataannya. -Standar Deviation Error (SDE)

( ) 1 - neSDEn1 i2i ==Laporan Praktikum Perancangan Teknik Industri Modul 5: Peramalan Kelompok 3 Pr ogr am St udiTek ni kI ndust r i Page 27 Fakultas Teknik Universitas Diponegoro Kelebihan yang dimiliki SDE adalah sederhana dan kekurangannya adalah akurasi hasilperamalansangatkecilkarenahanyamenggunakanstandardeviasikesalahan peramalan.kesalahan peramalan. -Mean Absolute Percentage Error (MAPE) ( )x100%XF XPEii ii= nPEMAPEi =MAPE memiliki kelebihan yaitu menyatakan persentase kesalahan hasil peramalan terhadappermintaanaktualselamaperiodetertentuyangakanmemberikaninformasi persentasekesalahanterlalutinggiatauterlalurendah,sehinggaakanlebihakurat. Sebaliknya,kelemahanyangdimilikiadalahMAPEmerupakanukurankesalahan relatif. -U-Theil dan Batting 2i1 i 1 iXX FPembilang

=+ + 2ii 1 iXX XPenyebut

=+ = PenyebutPembilangTheil UStatistikinimemungkinkansuatuperbandinganrelatifantarametodeperamalan formaldenganpendekatannaifdanjugamengkuadratkankesalahanyangterjadi sehinggakesalahanyangbesardiberikanlebihbanyakbobotdaripadakesalahanyang kecil.Karakteristikyangditimbulkandalammenggunakanstatistik-UdariTheil sebagai ukuran ketepatan adalah mengenai interpretasi yang intuitif. Laporan Praktikum Perancangan Teknik Industri Modul 5: Peramalan Kelompok 3 Pr ogr am St udiTek ni kI ndust r i Page 28 Fakultas Teknik Universitas Diponegoro -Mean Forecast Error (MFE) ( )nenF XMFEn1 iii i===Kelebihan yang terdapat pada MFE adalah sangat efektif untuk mengetahui apakah suatuhasilperamalanselamaperiodetertentuterlalutinggiatauterlalurendah.Dan kekurangannyaadalahbilahasilperamalantidakbias,makanilainyaakanmendekati nol. -Mean Average Deviation (MAD) MADmerupakanrata-ratakesalahanmutlakselamaperiodetertentutanpa memperhatikanapakahhasilperamalanlebihbesarataulebihkecildibandingkan kenyataannya. Secara sistematik, MAD dirumuskan sebagai berikut : nenF XMADn1 iii i===Kelebihan dalam MAD adalah ukuran kesalahan peramalan yang digunakan lebih sederhanadenganhanyamenggunakanrata-ratakesalahanmutlakselamaperiode tertentu.KekuranganyangdidapatdariMADadalahakurasihasilperamalansangat kecilkarenatidakmemperhatikanapakahhasilperamalanlebihbesarataulebihkecil dibandingkan kenyataannya. -Cumulative Forecast Error (CFE) Kesalahan peramalan = permintaan ramalan Secara sistematis dapat dituliskan sebagai berikut :CFE = =niie1 Dimana e = kesalahan peramalan (forecast error) Laporan Praktikum Perancangan Teknik Industri Modul 5: Peramalan Kelompok 3 Pr ogr am St udiTek ni kI ndust r i Page 29 Fakultas Teknik Universitas Diponegoro CFEmemilikikelebihanyaituukurankesalahanperamalanyangdigunakan denganmenjumlahkanerrorperamalan.Dankekurangannyaadalahakurasihasil peramalansangatkecilkarenahanyamenggunakanjumlaherrorperamalansebagai ukuran kesalahan 2.3.3 Validasi Merupakansebuahtahapanuntukmengujiapakahmetodeataumodelperamalan yangdigunakanapakahsesuaidengankondisiyangnyataatutidak.dalamperamalan, dalamvalidasidaptdilakukandengandisesuaikandenganmetodeperamalanyang digunakan.Untukbeberapametodeyangumumyangselamainitelahbanyak digunakan,ujivalidasiperamalandapatdikerjakandenganpembuatanpetamoving range.akantetapiuntukbeberapametodeperamalanyanglainsepertiARIMA,uji validasidilakukandenganmelakuakanpengujiankelayakanmodelmelaluipengujian nilai parameter yang dihasilkan, nilai chi square, dan pengujian nilai p value. 1 nMRMRn1 i= = n-1= jumlah MR UCL = + 2.66 MR CL = 0 LCL = - 2.66 MR Region A = + 1.77 MR Region A = - 1.77 MR Region B = + 0.89 MR Region B = - 0.89 MR Region C = CL = 0 Laporan Praktikum Perancangan Teknik Industri Modul 5: Peramalan Kelompok 3 Pr ogr am St udiTek ni kI ndust r i Page 30 Fakultas Teknik Universitas Diponegoro Validasi Eror Dilakukan untuk menjaminbahwametode peramalanyang terpilihmemiliki eror yang terkontrol.Metodeyangdigunakanpadadasarnyadenganmenggunakanpetakendali individu MR. Validasi hasil peramalan Validasihasil peramalan dilakukan untukmengetahui apakah terdapat perbedaanyang signifikanantarahasilyangdigunakanberlandaskanpadastatistikaparametrik,yakni: uji t berpasangan, uji F, dan uji chi-square. 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.Adadelapantitikberturut-turuttitikyangberdadisalahsatusisi(diatasataudi bawah garis tengah). (Arman Hakim Nasution. hal 51) 4.Ada satu titik yang berada di luar UCL atau LCL. (Amitava Mitra.hal 176). MOVING RANGE-600-400-20002004006000 1 2 3 4 5 6 7 8 9 10 11 12 13 14PERIODEERRORCL UCL LCL REG A+REG A- REG B+ REG B- Gambar 2.7 Peta Moving Range Laporan Praktikum Perancangan Teknik Industri Modul 5: Peramalan Kelompok 3 Pr ogr am St udiTek ni kI ndust r i Page 31 Fakultas Teknik Universitas Diponegoro Region A adalah daerah di atas + 1.77 MR dan di bawah - 1.77 MR Region B adalah daerah di atas + 0.89 MR dan di bawah - 0.89 MR UCL/ Batas Kontrol Atas = + 2.66 MR LCL/ Batas Kontrol Bawah = - 2.66 MR (Diktat KuliahProduction Planning and Control. hal.34) Akantetapi,untukbeberapametodeperamalanyanglainsepertiARMAmaupun ARIMA, ujivalidasi dilakukan denganmelakukan pengujian kelayakanmodelmelalui pengujian parameter yang dihasilkan, nilai chi square, dan pengujian nilai p-value. 2.4 Manfaat PeramalanAktivitasperamalanmerupakansuatufungsibisnisyangberusahamemperkirakan penjualandanpenggunaanproduksehinggaproduk-produkitudapatdibuatdalam kuantitasyangtepat.Dengandemikianperamalanmerupakansuatudugaanterhadap permintaanyangakandatangberdasarkanpadabeberapavariabelperamal,misalnya berdasarkandataderetwaktuhistoris.Peramalandapatmenggunakanteknik-teknik peramalanyangbersifatformalmaupuninformal. Aktivitas peramalaninibiasa dilakukan olehDepartemenPemasarandanhasil-hasildariperamalaniniseringdisebutsebagai ramalan penjualan (sales forecast). Berdasarkanpenjelasandiatas,kitadapatmengenalduasumberutamayang berkaitan dengan informasi permintaan produk, yaitu:(1) ramalan terhadap produk independent demand yang bersifat tidak pasti (uncertain), dan(2) pesanan-pesanan (orders) yang bersifat pasti (certain). Pesanan-pesananyangbersifatpastiiniantaralain:pesananpelanggan(customer orders),alokasitertentuuntukareageografis(geographicareaallocations),serviceor spare parts and samples, distribution center demands (or branch warehouse demands), dan lain-lain. Laporan Praktikum Perancangan Teknik Industri Modul 5: Peramalan Kelompok 3 Pr ogr am St udiTek ni kI ndust r i Page 32 Fakultas Teknik Universitas Diponegoro Bagianpenjualanbiasanyamelakukanperencanaan(salesplanning)berdasarkan hasil-hasilramalanpenjualan(salesforecast),sehinggainformasiperamalanbermanfaat bagi Production Planning and Inventory Control (PPIC). Dalam industri manufaktur dikenal adanya dua jenis permintaan yang sering disebut sebagaiindependentdemanddandependentdemand,yangmerupakansalahsatukonsep terpentingdalammasterplanning.Dependentdemanddidefinisikanterhadapmaterial, parts,atauprodukyangterkaitlangsungdenganatauditurunkandaristruktusbillof material untuk produk akhir atau untuk item tertentu. Permintaan dari bill of material harus dihitung dan tidak boleh diramalkan.Sebaliknya,independentdemanddidefinisikansebagaipermintaanterhadap material, parts, atau produk, yangbebas atau tidak terkaitlangsung dengan strukturbill of material untuk produk akhir atauitem tertentu. Permintaan untuk produk akhir,parts atau produkyangdigunakanuntukpercobaanpengujianprodukitu,dansukucadang(spare parts)untukpemeliharaan,digolongkankedalamindependentdemand.Produkyang tergolongindependentdemandmerupakanobyekuntukperamalan.Padabeberapaarea berikut, peramalan memegang peranan penting, yaitu : 1. Penjadwalan sumber-sumber yang ada (Scheduling existing resources) Penggunaanyangefisiendarisumber-sumberyangada,membutuhkanjadwal produksi,transportasi,kas,personel,dansebagainya.Peramalanpadatingkat permintaanuntukproduk,material,tenagakerja,finansialataujasaadalahinput yang penting untuk penjadwalan. 2. Mendapatkan sumber tambahan (Acquiring additional resources) Lead time untukmendapatkansumber tambahanpada bahanbaku, sewa karyawan baru,ataumembeliperalatandanmesin-mesin,dapatbervariasidarihanya beberapaharihinggabeberapatahun.Peramalandibutuhkanuntukmenentukan kebutuhan sumber-sumber di masa yang akan datang. 3.Menentukansumber-sumberdayayangdiinginkan(Determiningwhatresources are desired) Laporan Praktikum Perancangan Teknik Industri Modul 5: Peramalan Kelompok 3 Pr ogr am St udiTek ni kI ndust r i Page 33 Fakultas Teknik Universitas Diponegoro Semua organisasi atau perusahaan harus menentukan sumber apa yang mereka ingin untukdimilikipadajangkapanjang.Keputusansepertiinibergantungpadapasar, faktorlingkungandanpembangunanfinansialinternal,manusia,produk,dan sumber-sumber teknologi. Penentuan ini semua membutuhkan peramalan yang baik dan manajer yang dapat menginterpretasikan prediksi dan membuat keputusan yang tepat. PerencanaandanPengendalianProduksidapatdiartikansebagaiprosesuntuk merencanakandanmengendalikanaliranmaterialyangmasuk,mengalirdankeluardari sistemproduksi/operasisehinggapermintaanpasardapatdipenuhidenganjumlahyang tepat, waktu penyerahan yang tepat, dan biaya produksi yang minimum. 2.5 Fungsi Peramalan dalam Perencanaan dan Pengendalian Produksi PerencanaanProduksidilakukandengantujuanmenentukanarahawaldari tindakan-tindakanyangharusdilakukandimasadatang,dankapanharusmelakukan. Karena perencanaan ini berkaitan dengan masa mendatang, maka perencanaan disusun atas dasarperkiraanperkiraan(ramalan)yangdibuatberdasarkandatamasalaludengan menggunakanbeberapaasumsi.Fungsiperamalandalamperencanaandanpengendalian produksi tampak pada gambar 2.1.Peramalanadalahsuatubagiandarikegiatanmanajemensebagaidasarpembuatan keputusan.Suatuperusahaanmembanguntujuandanmencarifaktorlingkunganlalu menyeleksi tindakan yang diharapkan akan memberi hasil pada pencapaian tujuannya. Laporan Praktikum Perancangan Teknik Industri Modul 5: Peramalan Kelompok 3 Pr ogr am St udiTek ni kI ndust r i Page 34 Fakultas Teknik Universitas Diponegoro Gambar 2. 8 Skema Proses Perencanaan dan Pengendalian Produksi Karenaperamalandanperencanaankeduanyamengenaihal-halyangberkaitan denganmasayangakandatang,sangatpentinguntukmengintegrasikankeduafungsiini dalam suatu perusahaan. Dalamsudutpandangprosesmanajemen,matarantaiantaraperamalan, perencanaan dan pembuatan keputusandapat diringkas dalam gambar 2.8. Elemen-elemen pentingdarigambaraniniadalahlingkunganperamalanumumnyamendahului perencanaan.Bagaimanapunjuga,terdapatsejumlahinteraksipentingantaratigahalini dan kegiatan lain yang berhubungan dengannya. Laporan Praktikum Perancangan Teknik Industri Modul 5: Peramalan Kelompok 3 Pr ogr am St udiTek ni kI ndust r i Page 35 Fakultas Teknik Universitas Diponegoro Gambar 2. 9 Mata Rantai Peramalan, Perencanaan dan Pembuatan Keputusan Syaratmutlakuntukmanajemenyangefektifpadasistemperamalandansumber-sumberperamalanadalahpenghargaanterhadapperanforecastingdalammanajemenitu sendiri, yaitu :a.mengurangibesarnyaketidakpastiandimasadatangyangdihadapioleh manajemen.b.secaraefektifdapatmemperluasjangkauanpilihanbagiparamanajer.Sistem forecastingdapatdigunakansebagaialatuntukevaluasipilihan.Sebagaicontoh, efekdariperubahanharga,programpemasaran,pergantiangeografisdalampola W i shes and aspi r at i ons ofm anagementForecasting Available resource Constrain Planning Goal s, obj ect i ve, st r et egi es and deci si ons Resource allocations and commitment Implementation and Control policies Laporan Praktikum Perancangan Teknik Industri Modul 5: Peramalan Kelompok 3 Pr ogr am St udiTek ni kI ndust r i Page 36 Fakultas Teknik Universitas Diponegoro distribusidanlain-lainnyadapatdistimulasikandenganmenambahkanobyek pembuatan keputusan manajemen. 2.6 Jenis jenis Peramalan Berdasarkan teknik yang digunakan peramalan secara garis besar dapat dikelompokkan menjadi 2, yaitu: - Qualitative Technique/Teknik Kualitatif (Judgemental Forecasting)/Subyektif -Quantitative Technique/Teknik Kuntitatif/Obyektif Perberdaabanatarakeduamacamperamalaninididasarkanpadacaramendapatkan nilai-nilai ramalan. Peramalan subyektif lebih menekankan pada keputusan-keputusan hasil diskusi, pendapat pribadi seseorang, dan infuisi yang meskipun kelihatannya kurang ilmiah tetapidapatmemberikanhasilyangbaik.Sedangkanperamalanobyektifmerupakan prosedurperamalanyangmengikutiaturab-aturanmatematisdanstatistikdalam menunjukkanhubunganpermintaandengansatuataulebihvariabelyang mempengaruhinya.Selainitupermalanobjektifjugamengasumsikanbahwatingkat keeratan dan macam dari hubungan antara variabel-variabel bebas dengan permintaan yang terjadi pada masa lalu akan berulang juga pada masa yang akan datang.

2.7 Unsur unsur Forecasting Menurut Redfield, ada 4 unsur dalam proses Forecasting, yaitu: 1.Menentukan rangka dasar forecasting 2.Mengadakan estimasi keadaan business pada waktu yang akan dating 3.Memperbandingkan hasil hasil senyatanya dengan yang diestimasikan 4.Memperbaiki forecast. (Business Forecasting, Gunawan Adisaputro, hal 11) Laporan Praktikum Perancangan Teknik Industri Modul 5: Peramalan Kelompok 3 Pr ogr am St udiTek ni kI ndust r i Page 37 Fakultas Teknik Universitas Diponegoro BAB III METODOLOGI PRAKTIKUM 3.1Flowchart Gambar 3.1 Flowchart Praktikum Laporan Praktikum Perancangan TeknikIndustri Modul 5 Peramalan Kelompok 3 Program Studi Teknik Industri38Universitas Diponegoro 2010 BAB IV PENGUMPULAN DAN PENGOLAHAN DATA 4.1Pengumpulan Data - YEAR 2006 KESELURUHAN GRADE Tabel 4.1 Data Historis Permintaan Tahun 2006 DESCRIPTIONYEAR 2005 YEAR 2006 TOTALJANFEBMARAPRMAYJUNJULAUGSEPOCTNOVDEC GRADE A3.542GRADE B8.317TOTAL11.859 Laporan Praktikum Perancangan TeknikIndustri Modul 5 Peramalan Kelompok 3 Program Studi Teknik Industri39Universitas Diponegoro 2010 - YEAR 2007 KESELURUHAN GRADE Tabel 4.2 Data Historis Permintaan Tahun 2007 DESCRIPTIONYEAR 2006 YEAR 2007 TOTALJANFEBMARAPRMAYJUNJULAUGSEPOCTNOVDEC GRADE A 45173721487049274930396544155128511152355237549157547 GRADE B 79528062807982617792733677367845776190179068907497983 TOTAL 124691178312949131881272211301121511297312872142521430514565155.53 - YEAR 2008 KESELURUHAN GRADE Tabel 4.3 Data Historis Permintaan Tahun 2008 DESCRIPTIONYEAR 2007 YEAR 2008 TOTALJANFEBMARAPRMAYJUNJULAUGSEPOCTNOVDEC GRADE A 55415295563154405477550355266140619360356002632369106 GRADE B 915188278916867583538361847389479160861784788527104485 TOTAL 146921412214547141151383013864139991508715353146521448014850173.59 Laporan Praktikum Perancangan TeknikIndustri Modul 5 Peramalan Kelompok 3 Program Studi Teknik Industri40Universitas Diponegoro 2010 - YEAR 2009 KESELURUHAN GRADE Tabel 4.4 Data Historis Permintaan Tahun 2009 DESCRIPTION YEAR 2008 YEAR 2009TOTAL JANFEBMARAPRMAYJUNJULAUGSEPOCTNOVDECGRADE A6910663925991574256876105600460095931599165256539659873514 GRADE B104485930189669344918193759676969996109617966892659391113093 TOTAL173,591156931495715086148681548015680157081554115608161931580415989186,607 -YEAR 2010 KESELURUHAN GRADE Tabel 4.5 Data Historis Permintaan Tahun 2010 DESCRIPTION YEAR 2009 YEAR 2010TOTAL JANFEBMARAPRMAYJUNJULAUGSEPOCTNOVDECGRADE A7315464635718644571056715742268216924705778179054 GRADE B1130939387954599249472101171014898541025498001015410330 TOTAL186,6071585015263163691657716832175701667517178168571797119384 Laporan Praktikum Perancangan TeknikIndustri Modul 5 Peramalan Kelompok 3 Program Studi Teknik Industri41Universitas Diponegoro 2010 4.2 Pengolahan Data 4.2.1 Plot Data Tabel 4.6 Tabel Data Historis Grade A dan Grade B GRADE AGRADE B PERIODE DATA HISTORIS PERIODE DATA HISTORIS 1354218317 2451727952 3372138062 4487048079 5492758261 6493067792 7396577336 8441587736 9512897845 105111107761 115235119017 125237129068 135491139074 145541149151 155295158827 165631168916 175440178675 185477188353 195503198361 205526208473 216140218947 226193229160 236035238617 246002248478 256323258527 266392269301 275991278966 285742289344 295687299181 306105309375 316004319676 326009329699 335931339610 345991349617 356525359668 366539369265 376598379391 386463389387 395718399545 Laporan Praktikum Perancangan TeknikIndustri Modul 5 Peramalan Kelompok 3 Program Studi Teknik Industri42Universitas Diponegoro 2010 406445409924 417105419472 4267154210117 4374224310148 446821449854 4569244510254 467057469800 4778174710154 4890544810330 Gambar 4.1 Plot Data Grade A Gambar 4.2 Plot Data Grade B Laporan Praktikum Perancangan TeknikIndustri Modul 5 Peramalan Kelompok 3 Program Studi Teknik Industri43Universitas Diponegoro 2010 4.2.2Konversi Data Tabel 4.7 Konversi Data PERIODE Jumlah Data Konversi 1486930.5 2511977.1 3483810.0 4531685.9 5541499.3 6522365.3 7464019.1 8498920.1 9532671.4 10528524.3 11585187.1 12587363.3 13598038.9 14603253.5 15579849.3 16597299.8 17579561.9 18567859.8 19569255.8 20574798.9 21619472.2 22630394.2 23601611.1 24594548.8 25609741.0 26644354.6 27614134.4 28619431.2 29610480.1 30635608.8 31643820.8 32644970.5 33638113.5 34640864.5 35664884.6 36648912.2 37656508.3 38650801.0 39626698.8 40672111.1 41680651.6 Laporan Praktikum Perancangan TeknikIndustri Modul 5 Peramalan Kelompok 3 Program Studi Teknik Industri44Universitas Diponegoro 2010 42691121.9 43721424.2 44684675.5 45705328.7 46692148.4 47737889.3 48795907.0 4.2.3 Peramalan A.Metode SA Perhitungan QS Tabel 4.8 Output QS Metode SA Laporan Praktikum Perancangan TeknikIndustri Modul 5 Peramalan Kelompok 3 Program Studi Teknik Industri45Universitas Diponegoro 2010 Lanjutan Tabel 4.8 Output QS Metode SA Tabel 4.9 Output QS Nilai Error Metode SA Laporan Praktikum Perancangan TeknikIndustri Modul 5 Peramalan Kelompok 3 Program Studi Teknik Industri46Universitas Diponegoro 2010 Gambar 4.3 Grafik Output QS Metode SA Perhitungan Manual Tabel 4.10 Perhitungan Manual Metode SA periodedemandperamalanerrorCFEMADMSEMAPE 1486930.5 2511977.1486930.525046.625046.6025046.6627332171.64.892132 3483810499453.8-15643.99402.7420345.23436031263.64.062802 4531685.9494239.237446.7246849.4626045.73758106455.35.056206 5541499.3503600.937898.3884747.8429008.89927651643.25.541852 6522365.3511180.611184.7495932.5825444.06767141014.24.861716 7464019.1513044.7-49025.646906.9429374.3210398697415.812336 8498920.1506041-7120.9839785.9726195.27898560966.35.185899 9532671.4505150.927520.4767306.4326360.92880912844.75.183474 10528524.3508208.720315.5887622.0125689.22828891707.55.034625 11585187.1510240.374946.82162568.8330614.9813077050905.811895 12587363.3517053.670309.65232878.4834223.5816382270826.371758 13598038.9522912.875126.11308004.5937632.1319720359016.887618 14603253.5528691.774561.8382566.3940472.8722479917747.308566 15579849.3534017.645831.76428398.1540855.6522374602257.351103 16597299.853707360226.81488624.9642147.0623301141047.533241 17579561.9540837.238724.71527349.6741933.1622782071827.480021 18567859.8543115.124744.69552094.3640922.0821802126187.296345 19569255.8544489.824766.02576860.3840024.5220931650237.132693 20574798.9545793.329005.65605866.0339444.5820272788457.022879 21619472.2547243.672228.65678094.6841083.7821867637687.25472 22630394.255068379711.15757805.8242923.1823851972517.511383 23601611.1554306.347304.85805110.6843122.3523784950627.527367 24594548.855636338185.8843296.4842907.7123384802907.479336 25609741557954.151786.92895083.4043277.6823527888457.521583 26644354.6560025.6106501.4979412.4344919.7425431326907.744214 27614134.456326950012.661030277.8745148.4225448311787.764916 28619431.2565152.953457.081084556.1545486.5625596941537.801868 29610480.1567091.442596.821127944.8445411.6425355114447.777062 30635608.8568587.666256.681194966.0946156.7926029713097.872488 31643820.8570821.672260.131267965.2947051.5426938350657.988019 32644970.5573176.471078.831339759.3647849.6927732077678.089418 33638113.557542062000.61402452.8548313.5628093723178.143649 Laporan Praktikum Perancangan TeknikIndustri Modul 5 Peramalan Kelompok 3 Program Studi Teknik Industri47Universitas Diponegoro 2010 Lanjutan Tabel 4.10 Perhitungan Manual Metode SA 34640864.5577319.862872.811465997.5648775.1128466013238.197341 35664884.6579188.785043.711551693.4049861.0129788712108.335326 36648912.2581637.266641.551618968.4550358.5530230729588.393384 37656508.3583505.972386.51691970.8550987.5530871362168.469117 3865080158547964722.771757292.8751374.9731190235208.511497 39626698.858719838917.321796793.6751062.4930780048288.453379 40672111.1588210.883331.81880693.9951904.4931795755668.556705 41680651.6590308.389788.981971037.2852865.4633041339358.674614 42691121.9592511.898069.312069647.3853981.1834607148438.811041 43721424.2594859.7126036.62196211.8955709.3537597115619.018961 44684675.559780386356.822283084.3556434.0838477839359.104291 45705328.7599777.4105047.32388635.6157550.3840135404139.237485 46692148.460212389532.72478661.0358272.0441044523159.321244 47737889.3604080.1133327.22612470.2259914.1644044620009.512827 48795907606927.1188508.22801450.1862660.2450706101589.815617 49 610864.1650 610864.1651 610864.1652 610864.1653 610864.1654 610864.1655 610864.1656 610864.1657 610864.1658 610864.1659 610864.1660 610864.1661 610864.1662 610864.1663 610864.1664 610864.1665 610864.1666 610864.1667 610864.1668 610864.1669 610864.1670 610864.1671 610864.1672 610864.1673 610864.1674 610864.1675 610864.1676 610864.1677 610864.1678 610864.1679 610864.16Laporan Praktikum Perancangan TeknikIndustri Modul 5 Peramalan Kelompok 3 Program Studi Teknik Industri48Universitas Diponegoro 2010 Lanjutan Tabel 4.10 Perhitungan Manual Metode SA 80 610864.1681 610864.1682 610864.1683 610864.1684 610864.1685 610864.1686 610864.1687 610864.1688 610864.1689 610864.1690 610864.1691 610864.1692 610864.1693 610864.1694 610864.1695 610864.1696 610864.16jumlah610864.2 2801450.18 Tabel 4.11 Perhitungan Manual Nilai Error Metode SA CFEMADMSEMAPE 2801450.1862660.2450706101589.815617 Contoh perhitungan : Peramalan ke 49 =16 . 61086448610864.2= =nis datahistor MSE =50706101584734.79 23831867741= =nr squareerro CFE = 2801450.18 =error MAPE = 9.81561747461.31= =nPE MAD = 62660.24472945031.11= =nerror Laporan Praktikum Perancangan TeknikIndustri Modul 5 Peramalan Kelompok 3 Program Studi Teknik Industri49Universitas Diponegoro 2010 Gambar 4.4 Grafik Perhitungan Manual Metode SA B.Metode MA 3-MA Perhitungan QS Tabel 4.12 Output QS Metode 3-MA Laporan Praktikum Perancangan TeknikIndustri Modul 5 Peramalan Kelompok 3 Program Studi Teknik Industri50Universitas Diponegoro 2010 Lanjutan Tabel 4.12 Output QS Metode 3-MA Laporan Praktikum Perancangan TeknikIndustri Modul 5 Peramalan Kelompok 3 Program Studi Teknik Industri51Universitas Diponegoro 2010 Lanjutan Tabel 4.12 Output QS Metode 3-MA Tabel 4.13 Output QS Nilai Error Metode 3-MA Gambar 4.5 Grafik Output QS Metode 3-MA Laporan Praktikum Perancangan TeknikIndustri Modul 5 Peramalan Kelompok 3 Program Studi Teknik Industri52Universitas Diponegoro 2010 Perhitungan Minitab Moving Average for data historis Datadata historis Length48 NMissing0 Moving Average Length3 Accuracy Measures MAPE4 MAD 22890 MSD 892143349 data TimehistorisMAPredict Error Dec 486931 ** * Jan 511977 ** * Feb 483810494239* * Mar 531686509158 494239 37446.7 Apr 541499518998 509158 32341.6 May 522365531850 5189983366.9 Jun 464019509295 531850-67831.1 Jul 498920495102 509295-10374.5 Aug 532671498537 495102 37569.9 Sep 528524520039 498537 29987.4 Oct 585187548794 520039 65148.5 Nov 587363567025 548794 38569.0 Dec 598039590196 567025 31014.0 Jan 603254596219 590196 13057.1 Feb 579849593714 596219-16369.3 Mar 597300593468 5937143585.9 Apr 579562585570 593468-13905.6 May 567860581574 585570-17710.5 Jun 569256572226 581574-12318.0 Jul 574799570638 5722262573.1 Aug 619472587842 570638 48834.0 Sep 630394608222 587842 42551.9 Oct 601611617159 608222 -6610.7 Nov 594549608851 617159-22610.4 Dec 609741601967 608851 889.6 Jan 644355616215 601967 42387.6 Feb 614134622743 616215 -2080.4 Mar 619431625973 622743 -3312.1 Apr 610480614682 625973-15493.3 May 635609621840 614682 20926.9 Jun 643821629970 621840 21980.8 Jul 644971641467 629970 15000.6 Aug 638114642302 641467 -3353.2 Sep 640865641316 642302 -1437.1 Oct 664885647954 641316 23568.4 Nov 648912651554 647954 958.0 Dec 656508656768 6515544954.5 Jan 650801652074 656768 -5967.4 Laporan Praktikum Perancangan TeknikIndustri Modul 5 Peramalan Kelompok 3 Program Studi Teknik Industri53Universitas Diponegoro 2010 Feb 626699644669 652074-25375.0 Mar 672111649870 644669 27441.7 Apr 680652659821 649870 30781.3 May 691122681295 659821 31301.4 Jun 721424697733 681295 40129.3 Jul 684676699074 697733-13057.1 Aug 705329703809 6990746254.8 Sep 692148694051 703809-11661.1 Oct 737889711789 694051 43838.4 Nov 795907741982 711789 84118.2 Forecasts PeriodForecast Lower Upper Dec 741982683440800523 Jan 741982683440800523 Feb 741982683440800523 Mar 741982683440800523 Apr 741982683440800523 May 741982683440800523 Jun 741982683440800523 Jul 741982683440800523 Aug 741982683440800523 Sep 741982683440800523 Oct 741982683440800523 Nov 741982683440800523 Dec 741982683440800523 Jan 741982683440800523 Feb 741982683440800523 Mar 741982683440800523 Apr 741982683440800523 May 741982683440800523 Jun 741982683440800523 Jul 741982683440800523 Aug 741982683440800523 Sep 741982683440800523 Oct 741982683440800523 Nov 741982683440800523 Dec 741982683440800523 Jan 741982683440800523 Feb 741982683440800523 Mar 741982683440800523 Apr 741982683440800523 May 741982683440800523 Jun 741982683440800523 Jul 741982683440800523 Aug 741982683440800523 Sep 741982683440800523 Oct 741982683440800523 Nov 741982683440800523 Dec 741982683440800523 Jan 741982683440800523 Feb 741982683440800523 Mar 741982683440800523 Apr 741982683440800523 May 741982683440800523 Jun 741982683440800523 Jul 741982683440800523 Aug 741982683440800523 Sep 741982683440800523 Laporan Praktikum Perancangan TeknikIndustri Modul 5 Peramalan Kelompok 3 Program Studi Teknik Industri54Universitas Diponegoro 2010 Oct 741982683440800523 Nov 741982683440800523 Mont hdata historisDec Dec Dec Dec Dec Dec Dec Dec800000750000700000650000600000550000500000450000Mov ing Av erageLength 3Accur acyMeasur esMAPE 4MAD 22890MSD 892143349VariableForecasts95.0%PIActualFitsMoving Average Plot for data historis Gambar 4.6 Moving Average plot Output Minitab Metode 3-MA Perhitungan Manual Tabel 4.13 Perhitungan Manual Metode 3-MA periodedemandPeramalanerrorCFEMSEMADMAPE 1486930.5 2511977.1 3483810 4531685.9494239.2237446.7237446.721402256838.837446.727.043015 5541499.3509157.6932341.5969788.311224117749.034894.166.507808 6522365.3518998.43366.9273155.23819857216.124385.084.553390 7464019.1531850.18-67831.15324.1131765158122.235246.597.069586 8498920.1509294.55-10374.5-5050.381433652520.230272.176.071547 9532671.4495101.4837569.932519.521429959997.831488.466.235141 10528524.3498536.8329987.4962507.011354144191.931274.036.154951 11585187.1520038.5965148.53127655.51715417592.435508.356.777200 12587363.3548794.2738569.03166224.61690101173.035848.426.753785 13598038.9567024.9131013.99197238.61617277792.635364.986.597002 14603253.5590196.4413057.08210295.61485751387.633336.996.194042 Laporan Praktikum Perancangan TeknikIndustri Modul 5 Peramalan Kelompok 3 Program Studi Teknik Industri55Universitas Diponegoro 2010 15579849.3596218.57-16369.3193926.41384268143.231923.015.913123 16597299.8593713.913585.907197512.31278775111.229743.235.504448 17579561.9593467.55-13905.7183606.61201245974.328611.985.282655 18567859.8585570.35-17710.5165896.11142073806.927885.215.138400 19569255.8581573.84-12318153578.11080177514.226912.264.952492 20574798.9572225.852573.093156151.21017027119.825480.554.687501 21619472.2570638.1948834.03204985.21093012399.826777.964.865038 22630394.2587842.3342551.85247537.11130783308.027608.174.964249 23601611.1608221.78-6610.66240926.41076429183.926558.294.770978 24594548.8617159.17-22610.42183161049514888.526370.304.724881 25609741608851.37889.6333219205.71001845641.225212.084.516746 26644354.6601966.9742387.61261593.31036404926.325958.854.606379 27614134.4616214.79-2080.37259512.9993401719.124963.914.428561 28619431.2622743.33-3312.17256200.7954104470.124097.844.272807 29610480.1625973.39-15493.3240707.4926640550.123766.904.206079 30635608.8614681.8920926.91261634.3908540370.523661.714.172240 31643820.8621840.0121980.79283615.1893348035.223601.684.145164 32644970.5629969.8915000.59298615.7870302158.223305.094.082427 33638113.5641466.69-3353.23295262.5841666892.022640.033.963862 34640864.5642301.58-1437.1293825.4814582968.321956.063.843229 35664884.6641316.1423568.44317393.8806485730.722006.453.833902 36648912.2647954.17958.0667318351.9782074584.021368.623.722197 37656508.3651553.774954.573323306.4759794384.420885.853.634917 38650801656768.39-5967.39317339.1739103393.520459.613.557260 39626698.8652073.86-25375.1291964736458707.220596.153.570920 40672111.1644669.3727441.77319405.7736907135.620781.173.584758 41680651.6649870.3130781.31350187.1742448770.221044.333.609431 42691121.9659820.5131301.41381488.5748534136.621307.333.633011 43721424.2681294.8940129.31421617.8770079814.521777.883.681249 44684675.5697732.58-13057.1408560.7755455607.821565.183.637975 45705328.7699073.876254.807414815.5738400060.121200.653.572471 46692148.4703809.46-11661403154.5724390287.920978.803.528571 47737889.3694050.8743838.39446992.8751604252.521498.333.583400 48795907711788.7984118.25531111.1892143725.622889.893.738632 49 741981.5750 741981.5751 741981.5752 741981.5753 741981.5754 741981.5755 741981.5756 741981.5757 741981.5758 741981.5759 741981.5760 741981.5761 741981.57Laporan Praktikum Perancangan TeknikIndustri Modul 5 Peramalan Kelompok 3 Program Studi Teknik Industri56Universitas Diponegoro 2010 62 741981.5763 741981.5764 741981.5765 741981.5766 741981.5767 741981.5768 741981.5769 741981.5770 741981.5771 741981.5772 741981.5773 741981.5774 741981.5775 741981.5776 741981.5777 741981.5778 741981.5779 741981.5780 741981.5781 741981.5782 741981.5783 741981.5784 741981.5785 741981.5786 741981.5787 741981.5788 741981.5789 741981.5790 741981.5791 741981.5792 741981.5793 741981.5794 741981.5795 741981.5796 741981.57 Tabel 4.14 Perhitungan Manual Nilai Error Metode 3-MA CFEMSEMADMAPE 531111.1892143725.622889.893.738632 Contoh perhitungan : Peramalan ke 49 =741981.5732225944.71348 47 46= =+ + X X X Perhitungan ke 48 : Laporan Praktikum Perancangan TeknikIndustri Modul 5 Peramalan Kelompok 3 Program Studi Teknik Industri57Universitas Diponegoro 2010 MSE =6 892143725.452 40146467653= =nr squareerro CFE = 531111.1 =error MAPE = 3.73863245168.23= =nPE MAD = 22889.89451030044.83= =nerror Gambar 4.7 Grafik Perhitungan Manual Metode 3-MA Laporan Praktikum Perancangan TeknikIndustri Modul 5 Peramalan Kelompok 3 Program Studi Teknik Industri58Universitas Diponegoro 2010 5-MA Perhitungan QS Tabel 4.15 Output QS Metode 5-MA Laporan Praktikum Perancangan TeknikIndustri Modul 5 Peramalan Kelompok 3 Program Studi Teknik Industri59Universitas Diponegoro 2010 Lanjutan Tabel 4.15 Output QS Metode 5-MA Tabel 4.16 Output QS Nilai Error Metode 5-MA Laporan Praktikum Perancangan TeknikIndustri Modul 5 Peramalan Kelompok 3 Program Studi Teknik Industri60Universitas Diponegoro 2010 Gambar 4.8 Grafik Output QS Metode 5-MA Perhitungan Minitab Moving Average for data historis Datadata historis Length48 NMissing0 Moving Average Length5 Accuracy Measures MAPE4 MAD 23050 MSD 979934642 data TimehistorisMAPredict Error Dec 486931 ** * Jan 511977 ** * Feb 483810 ** * Mar 531686 ** * Apr 541499511181* * May 522365518268 511181 11184.7 Jun 464019508676 518268-54248.4 Jul 498920511698 508676 -9755.8 Aug 532671511895 511698 20973.5 Sep 528524509300 511895 16629.3 Oct 585187521864 509300 75887.1 Nov 587363546533 521864 65498.9 Dec 598039566357 546533 51505.7 Jan 603254580473 566357 36896.5 Feb 579849590738 580473-624.1 Mar 597300593161 5907386561.4 Apr 579562591601 593161-13599.1 May 567860585565 591601-23740.9 Jun 569256578765 585565-16309.1 Jul 574799577755 578765 -3966.4 Aug 619472582190 577755 41717.0 Sep 630394592356 582190 48204.5 Laporan Praktikum Perancangan TeknikIndustri Modul 5 Peramalan Kelompok 3 Program Studi Teknik Industri61Universitas Diponegoro 2010 Oct 601611599106 5923569254.9 Nov 594549604165 599106 -4557.6 Dec 609741611153 6041655576.0 Jan 644355616130 611153 33201.1 Feb 614134612878 616130 -1995.5 Mar 619431616442 6128786553.2 Apr 610480619628 616442 -5961.9 May 635609624802 619628 15980.5 Jun 643821624695 624802 19019.0 Jul 644971630862 624695 20275.4 Aug 638114634599 6308627251.2 Sep 640865640676 6345996265.8 Oct 664885646531 640676 24209.0 Nov 648912647549 6465312381.4 Dec 656508649857 6475498959.2 Jan 650801652394 649857 944.4 Feb 626699649561 652394-25695.3 Mar 672111651006 649561 22550.1 Apr 680652657354 651006 29645.3 May 691122664277 657354 33767.7 Jun 721424678402 664277 57147.3 Jul 684676689997 6784026274.0 Aug 705329696640 689997 15331.8 Sep 692148698940 696640 -4492.0 Oct 737889708293 698940 38949.6 Nov 795907723190 708293 87613.8 Forecasts PeriodForecast Lower Upper Dec 723190661835784544 Jan 723190661835784544 Feb 723190661835784544 Mar 723190661835784544 Apr 723190661835784544 May 723190661835784544 Jun 723190661835784544 Jul 723190661835784544 Aug 723190661835784544 Sep 723190661835784544 Oct 723190661835784544 Nov 723190661835784544 Dec 723190661835784544 Jan 723190661835784544 Feb 723190661835784544 Mar 723190661835784544 Apr 723190661835784544 May 723190661835784544 Jun 723190661835784544 Jul 723190661835784544 Aug 723190661835784544 Sep 723190661835784544 Oct 723190661835784544 Nov 723190661835784544 Dec 723190661835784544 Jan 723190661835784544 Feb 723190661835784544 Mar 723190661835784544 Apr 723190661835784544 May 723190661835784544 Laporan Praktikum Perancangan TeknikIndustri Modul 5 Peramalan Kelompok 3 Program Studi Teknik Industri62Universitas Diponegoro 2010 Jun 723190661835784544 Jul 723190661835784544 Aug 723190661835784544 Sep 723190661835784544 Oct 723190661835784544 Nov 723190661835784544 Dec 723190661835784544 Jan 723190661835784544 Feb 723190661835784544 Mar 723190661835784544 Apr 723190661835784544 May 723190661835784544 Jun 723190661835784544 Jul 723190661835784544 Aug 723190661835784544 Sep 723190661835784544 Oct 723190661835784544 Nov 723190661835784544 Mont hdata historisDec Dec Dec Dec Dec Dec Dec Dec800000750000700000650000600000550000500000450000Mov ing Av erageLength 5AccuracyMeasur esMAPE 4MAD 23050MSD 979934642Var iableForecasts95.0% PIActualFitsMoving Average Plot for data historis Gambar 4.9 Grafik Output Minitab Metode 5-MA Perhitungan Manual Tabel 4.17 Perhitungan Manual Metode 5-MA periodedemandperamalanerrorCFEMSEMADMAPE 1486930.5 2511977.1 3483810 4531685.9 5541499.3 6522365.3511180.611184.74411184.74125098498.311184.72.141173 Laporan Praktikum Perancangan TeknikIndustri Modul 5 Peramalan Kelompok 3 Program Studi Teknik Industri63Universitas Diponegoro 2010 7464019.1518267.5-54248.472-43063.73153399760632716.616.916087 8498920.1508675.9-9755.856-52819.58105439064625063.025.262523 9532671.4511697.920973.448-31846.1490076436524040.634.931244 10528524.351189516629.3-15216.84775918215.722558.364.574268 11585187.150930075887.09260670.26160640696831446.495.973224 12587363.3521864.465498.912126169.2198979275536311.126.712956 13598038.9546533.251505.664177674.8207267283838210.446.950390 14603253.556635736896.516214571.3199363728938064.446.857708 15579849.3580473.4-624.112213947.2179431251234320.416.182701 16597299.8590738.46561.388220508.6163510699431796.865.720501 17579561.9593161-13599.072206909.6151425930730280.385.439329 18567859.8591600.7-23740.892183168.7144113397229777.345.342517 19569255.8585564.9-16309.032166859.6135719472628815.325.165550 20574798.9578765.3-3966.396162893.2126776389827158.734.867183 21619472.2577755.341716.96204610.2129729770128068.624.983876 22630394.2582189.748204.44252814.6135767242729253.085.140514 23601611.1592356.29254.924262069.6128700471528142.074.940394 24594548.8599106.5-4557.66257511.9122036090226900.784.720719 25609741604165.15575.948263087.8116089741625834.544.530407 26666527611153.555373.516318461.4115810773526185.334.560036 27614134.4620564.4-6429.996312031.4110564747825085.794.367531 28619431.2617312.52118.696314150.1105944298424280.034.223636 29610480.1620876.5-10396.392303753.7101678054323516.774.088342 30635608.8624062.711546.072315299.7986324442.823215.324.025377 31643820.8629236.314584.512329884.3962301274.123053.933.984173 32644970.5624695.120275.428350159.7941886152.122951.023.953042 33638113.5630862.37251.196357410.9910125212.522390.313.852446 34640864.5634598.76265.756363676.6880095367.221834.293.753317 35664884.6640675.624208.976387885.6870294672.321913.453.749575 36648912.2646530.82381.48390267.1842403600.521283.383.640460 37656508.36475498959.292399226.4818586891.520898.263.569342 38650801649856.6944.38400170.879380825420293.593.465578 39626698.8652394.1-25695.348374475.4789880096.820452.473.484240 40672111.164956122550.152397025.6781840932.720512.403.480551 41680651.6651006.329645.32426670.9784535490.120766.103.504853 42691121.9657354.233767.744460438.6794149680.521117.493.542180 43721424.2664276.957147.308517585.9859193499.722065.643.657424 44684675.5678401.56273.968523859.9838172196.521660.733.587140 45705328.7689996.915331.804539191.782309449721502.513.551804 46692148.4696640.4-4491.964534699.7803511161.421087.613.481004 47737889.3698939.738949.516573649.3820500533.721512.903.523801 48795907708293.287613.828661263.1979935006.323050.133.697854 49 723189.7850 723189.7851 723189.7852 723189.7853 723189.78Laporan Praktikum Perancangan TeknikIndustri Modul 5 Peramalan Kelompok 3 Program Studi Teknik Industri64Universitas Diponegoro 2010 54 723189.7855 723189.7856 723189.7857 723189.7858 723189.7859 723189.7860 723189.7861 723189.7862 723189.7863 723189.7864 723189.7865 723189.7866 723189.7867 723189.7868 723189.7869 723189.7870 723189.7871 723189.7872 723189.7873 723189.7874 723189.7875 723189.7876 723189.7877 723189.7878 723189.7879 723189.7880 723189.7881 723189.7882 723189.7883 723189.7884 723189.7885 723189.7886 723189.7887 723189.7888 723189.7889 723189.7890 723189.7891 723189.7892 723189.7893 723189.7894 723189.7895 723189.7896 723189.78Tabel 4.18 Perhitungan Manual Nilai Error Metode 5-MA CFEMSEMADMAPE 661263.1979935006.323050.133.697854 Laporan Praktikum Perancangan TeknikIndustri Modul 5 Peramalan Kelompok 3 Program Studi Teknik Industri65Universitas Diponegoro 2010 Contoh perhitungan : Peramalan ke 49 =723189.7853615948.9548 47 46 45 44= =+ + + + X X X X X Perhitungan ke 48 : MSE =3 979935006.433 42137205275= =nr squareerro CFE = 661263.1 =error MAPE = 3.69785443159.05= =nPE MAD = 23050.1343991155.65= =nerror Gambar 4.10 Grafik Perhitungan Manual Metode 5-MA Laporan Praktikum Perancangan TeknikIndustri Modul 5 Peramalan Kelompok 3 Program Studi Teknik Industri66Universitas Diponegoro 2010 7-MA Perhitungan QS Tabel 4.19 Output QS Metode 7-MA Laporan Praktikum Perancangan TeknikIndustri Modul 5 Peramalan Kelompok 3 Program Studi Teknik Industri67Universitas Diponegoro 2010 Lanjutan Tabel 4.19 Output QS Metode 7-MA Tabel 4.20 Output QS Nilai Error Metode 7-MA Laporan Praktikum Perancangan TeknikIndustri Modul 5 Peramalan Kelompok 3 Program Studi Teknik Industri68Universitas Diponegoro 2010 Gambar 4.11 Grafik Output QS Metode 7-MA Perhitungan Minitab Moving Average for data historis Datadata historis Length48 NMissing0 Moving Average Length7 Accuracy Measures MAPE 4 MAD26285 MSD 1154221861 data TimehistorisMAPredict Error Dec 486931 ** * Jan 511977 ** * Feb 483810 ** * Mar 531686 ** * Apr 541499 ** * May 522365 ** * Jun 464019506041* * Jul 498920507754 506041 -7120.9 Aug 532671510710 507754 24917.6 Sep 528524517098 510710 17814.1 Oct 585187524741 517098 68089.2 Nov 587363531293 524741 62622.4 Dec 598039542103 531293 66746.0 Jan 603254561994 542103 61150.0 Feb 579849573555 561994 17855.2 Mar 597300582788 573555 23744.4 Apr 579562590079 582788 -3226.1 May 567860587604 590079-22219.3 Jun 569256585017 587604-18348.0 Jul 574799581697 585017-10218.1 Aug 619472584014 581697 37775.2 Laporan Praktikum Perancangan TeknikIndustri Modul 5 Peramalan Kelompok 3 Program Studi Teknik Industri69Universitas Diponegoro 2010 Sep 630394591235 584014 46380.2 Oct 601611591851 591235 10376.4 Nov 594549593992 5918512698.2 Dec 609741599975 593992 15749.5 Jan 644355610703 599975 44380.0 Feb 614134616322 6107033431.4 Mar 619431616316 6163223108.9 Apr 610480613472 616316 -5836.4 May 635609618328 613472 22137.2 Jun 643821625367 618328 25492.4 Jul 644971630400 625367 19603.2 Aug 638114629508 6304007713.4 Sep 640865633327 629508 11356.0 Oct 664885639820 633327 31557.5 Nov 648912645311 6398209091.8 Dec 656508648296 645311 11197.6 Jan 650801649294 6482962504.7 Feb 626699646683 649294-22594.7 Mar 672111651540 646683 25427.8 Apr 680652657224 651540 29111.5 May 691122660972 657224 33898.0 Jun 721424671331 660972 60452.1 Jul 684676675355 671331 13344.5 Aug 705329683145 675355 29973.8 Sep 692148692494 6831459003.9 Oct 737889701891 692494 45394.8 Nov 795907718356 701891 94015.6 Forecasts PeriodForecast Lower Upper Dec 718356651769784944 Jan 718356651769784944 Feb 718356651769784944 Mar 718356651769784944 Apr 718356651769784944 May 718356651769784944 Jun 718356651769784944 Jul 718356651769784944 Aug 718356651769784944 Sep 718356651769784944 Oct 718356651769784944 Nov 718356651769784944 Dec 718356651769784944 Jan 718356651769784944 Feb 718356651769784944 Mar 718356651769784944 Apr 718356651769784944 May 718356651769784944 Jun 718356651769784944 Jul 718356651769784944 Aug 718356651769784944 Sep 718356651769784944 Oct 718356651769784944 Nov 718356651769784944 Dec 718356651769784944 Jan 718356651769784944 Feb 718356651769784944 Mar 718356651769784944 Apr 718356651769784944 Laporan Praktikum Perancangan TeknikIndustri Modul 5 Peramalan Kelompok 3 Program Studi Teknik Industri70Universitas Diponegoro 2010 May 718356651769784944 Jun 718356651769784944 Jul 718356651769784944 Aug 718356651769784944 Sep 718356651769784944 Oct 718356651769784944 Nov 718356651769784944 Dec 718356651769784944 Jan 718356651769784944 Feb 718356651769784944 Mar 718356651769784944 Apr 718356651769784944 May 718356651769784944 Jun 718356651769784944 Jul 718356651769784944 Aug 718356651769784944 Sep 718356651769784944 Oct 718356651769784944 Nov 718356651769784944 Mont hdata historisDec Dec Dec Dec Dec Dec Dec Dec800000750000700000650000600000550000500000450000Moving Av er ageLength 7Accur acyMeasuresMAPE 4MAD 26285MSD 1154221861VariableFor ecasts95.0% PIActualFitsMoving Average Plot for data historis Gambar 4.12 Grafik Output Minitab Metode 7-MA Perhitungan Manual Tabel 4.21 Perhitungan Manual Metode 7-MA periodedemandperamalanerrorCFEMSEMADMAPE 1486930.5 2511977.1 3483810 4531685.9 5541499.3 Laporan Praktikum Perancangan TeknikIndustri Modul 5 Peramalan Kelompok 3 Program Studi Teknik Industri71Universitas Diponegoro 2010 6522365.3 7464019.1 8498920.1506041-7120.9771-7120.97750708315.477120.981.427278 9532671.4507753.824917.554317796.58335796413.516019.273.052563 10528524.3510710.117814.174335610.75329645877.516617.573.158558 11585187.1517097.968089.2114103699.96140626958629485.485.277784 12587363.3524740.962622.3657166322.33190932780736112.866.354548 13598038.9531292.966745.9629233068.29233361043241218.377.155591 14603253.5542103.461150.0714294218.36253442769044065.767.581466 15579849.3561994.117855.2343312073.60225747540240789.447.018694 16597299.8573555.423744.4114335818.01206928892138895.556.680538 17579561.9582788-3226.1429332591.87186340082935328.616.068149 18567859.8590079.1-22219.326310372.54173888243034136.865.872210 19569255.8587603.8-18347.954292024.59162202951332821.125.651455 20574798.9585017-10218.074281806.51150528947631082.425.353472 21619472.258169737775.2319581.71149969492331560.485.406650 22630394.258401446380.2029365961.91154312347632548.465.536696 23601611.1591234.710376.4486376338.36145340767731162.715.298451 24594548.8591850.62698.22857379036.59136834136929488.335.013473 25609741593991.615749.4429394786.03130610267928725.054.878445 26666527599974.666552.3943461338.43134102274329549.004.984185 27614134.4613870.5263.957143461602.39127456034628243.124.762913 28619431.2619489.8-58.657143461543.73121432722527046.254.560007 29610480.1619484-9003.8714452539.86116067886926082.174.396190 30635608.8616639.118969.72471509.58113152134825910.654.356479 31643820.8621495.922324.9086493834.49111145221525893.224.339940 32644970.5628534.716435.7314510270.22108236557225641.624.287919 33638113.5633567.54545.92857514816.15104302446324952.074.169490 34640864.5629508.511356.0229526172.17100917019624448.514.080694 35664884.663332731557.5429557729.71100869549324702.414.104466 36648912.2639820.49091.85714566821.57976763299.424164.114.011246 37656508.3645310.711197.6486578019.22948384100.523731.903.934393 38650801648296.32504.66580523.88917993430.323047.153.819892 39626698.8649293.5-22594.731557929.15905259944.623033.013.813187 40672111.1646683.325427.8714583357.02897421056.723105.583.812281 41680651.6651540.129111.54612468.56895952253.923282.233.825950 42691121.965722433897.9629646366.52903184243.423585.533.856773 43721424.2660972.160452.0514706818.57979608306.724609.603.982406 44684675.567133113344.5720163.07957945262.724305.143.927450 45705328.7675354.929973.8750136.8795637903724454.323.935928 46692148.4683144.59003.87143759140.74933935207.924058.153.868362 47737889.3692494.545394.7629804535.51962103940.124591.573.925452 48795907701891.494015.6686898551.17115422203826284.844.117817 49 718356.4350 718356.4351 718356.4352 718356.43Laporan Praktikum Perancangan TeknikIndustri Modul 5 Peramalan Kelompok 3 Program Studi Teknik Industri72Universitas Diponegoro 2010 53 718356.4354 718356.4355 718356.4356 718356.4357 718356.4358 718356.4359 718356.4360 718356.4361 718356.4362 718356.4363 718356.4364 718356.4365 718356.4366 718356.4367 718356.4368 718356.4369 718356.4370 718356.4371 718356.4372 718356.4373 718356.4374 718356.4375 718356.4376 718356.4377 718356.4378 718356.4379 718356.4380 718356.4381 718356.4382 718356.4383 718356.4384 718356.4385 718356.4386 718356.4387 718356.4388 718356.4389 718356.4390 718356.4391 718356.4392 718356.4393 718356.4394 718356.4395 718356.4396 718356.43 Laporan Praktikum Perancangan TeknikIndustri Modul 5 Peramalan Kelompok 3 Program Studi Teknik Industri73Universitas Diponegoro 2010 Tabel 4.22 Perhitungan Manual Nilai Error Metode 7-MA CFEMSEMADMAPE 898551.17115422203826284.844.117817 Contoh perhitungan : Peramalan ke 49 = 718356.4375028495.01748 47 46 45 44 43 42= =+ + + + + + X X X X X X X Perhitungan ke 48 : MSE =1154222038410 47323103547= =nr squareerro CFE = 898551.17 =error MAPE = 4.11781741168.87= =nPE MAD = 26284.84411077678.47= =nerror Gambar 4.13 Grafik Perhitungan Manual Metode 7-MA Laporan Praktikum Perancangan TeknikIndustri Modul 5 Peramalan Kelompok 3 Program Studi Teknik Industri74Universitas Diponegoro 2010 C.Metode DMA 3x3-DMA -Perhitungan Manual Tabel 4.23 Perhitungan Manual Metode 3x3-DMA Periode Actual DataPeramalan Forcast ErrorCFEMADMSE MAPE (%) 1486930,5 2511977,1 3483810 4531685,9 5541499,3 6522365,3507465,114900,21814900,2214900,22222016489,832,85 7464019,1520002,09-55983,03-41082,835441,621678058006,707,46 8498920,1520047,71-21127,65-62210,530670,301267497884,966,38 9532671,4512082,0720589,309-41621,228150,051056603323,855,75 10528524,3500977,6227546,698-14074,528029,38997046770,775,65 11585187,1504558,9780628,15366553,736795,841914355493,977,00 12587363,3522456,5664906,736131460,440811,682242716754,907,58 13598038,9545285,9252752,976184213,442304,352310236714,287,73 14603253,5568671,8834581,644218795,141446,272186420427,417,51 15579849,3584479,98-4630,656214164,437764,711969922681,766,84 16597299,8593376,313923,5111218087,934688,231792238250,646,28 17579561,9594466,68-14904,78203183,133039,611661397768,665,97 18567859,8590917,27-23057,47180125,732271,761574493861,385,82 19569255,8586870,58-17614,74162510,931224,831484192804,515,63 20574798,9579790,01-4991,071157519,829475,911386907336,945,31 21619472,2574812,6344659,593202179,430424,891424880583,175,43 22630394,2576902,1253492,056255671,531781,781509381725,785,61 23601611,1588900,7712710,351268381,830722,261434502353,545,41 24594548,8604407,76-9858,962258522,929624,191364117973,675,22 25609741611410,77-1669,773256853,128226,471296051482,144,97 26644354,6609325,8435028,762291881,928550,391292763991,694,99 27614134,4609011,055123,3733297005,227485,521235195126,364,80 28619431,2613641,75789,4556302794,726542,221182948285,894,64 29610480,1621643,84-11163,76291630,925901,451138851675,504,52 30635608,8621132,8714475,927306106,925444,431101679706,604,43 31643820,8620831,7622989,036329095,925349,991079634170,034,40 32644970,5622163,9322806,549351902,425255,791058912114,554,36 Laporan Praktikum Perancangan TeknikIndustri Modul 5 Peramalan Kelompok 3 Program Studi Teknik Industri75Universitas Diponegoro 2010 33638113,5631092,27021,26358923,724604,551022854470,894,25 34640864,5637912,722951,7578361875,523857,91987884071,004,12 35664884,6641694,823189,776385065,223835,63972880124,974,10 36648912,2643857,35054,9422390120,223229,81942321167,423,99 37656508,3646941,369566,98399687,222802,84915733853,013,91 38650801652092,11-1291,109398396,122150,97888034856,323,80 39626698,8653465,34-26766,56371629,522286,72882988202,173,81 40672111,1651170,5420940,6392570,122248,26870288788,633,79 41680651,6648871,1831780,44424350,522513,05874169554,693,82 42691121,9651453,439668,522464019,122976,71893072854,703,87 43721424,2663661,957762,296521781,423892,12957373116,103,98 44684675,56796165059,5044526840,923409,23933481461,473,89 45705328,7692700,4512628,231539469,123139,71914131230,453,84 46692148,4700205,3-8056,884531412,222771,83893418600,123,78 47737889,3698978,0738911,193570323,423156,10908196275,523,81 48795907703216,3792690,669663014,124773,191086879155,133,99 49 715940,4150 715940,4151 715940,4152 715940,4153 715940,4154 715940,4155 715940,4156 715940,4157 715940,4158 715940,4159 715940,4160 715940,4161 715940,4162 715940,4163 715940,4164 715940,4165 715940,4166 715940,4167 715940,4168 715940,4169 715940,4170 715940,41Laporan Praktikum Perancangan TeknikIndustri Modul 5 Peramalan Kelompok 3 Program Studi Teknik Industri76Universitas Diponegoro 2010 71 715940,4172 715940,4173 715940,4174 715940,4175 715940,4176 715940,4177 715940,4178 715940,4179 715940,4180 715940,4181 715940,4182 715940,4183 715940,4184 715940,4185 715940,4186 715940,4187 715940,4188 715940,4189 715940,4190 715940,4191 715940,4192 715940,4193 715940,4194 715940,4195 715940,4196 715940,41 Tabel 4.24 Perhitungan Manual Nilai Error Metode 3x3-DMA CFEMADMSEMAPE 66301424773,191086879155,133,99 Laporan Praktikum Perancangan TeknikIndustri Modul 5 Peramalan Kelompok 3 Program Studi Teknik Industri77Universitas Diponegoro 2010 Plot3x3 DM A0 .02 00 00 0 .04 00 00 0 .06 00 00 0 .08 00 00 0 .010 00 00 0 .0Dec-06Jun-07Dec-07Jun-08Dec-08Jun-09Dec-09Jun-10Dec-10Jun-11Dec-11Jun-12Dec-12Jun-13Dec-13Jun-14Pe r iodeNilaiAct ua lDa t aPer amal a n Gambar 4.14 Grafik Perhitungan Manual Metode 3x3-DMA 5x5-DMA Perhitungan Manual: Tabel 4.25 Perhitungan Manual Metode 5x5-DMA Periode Actual DataPeramalan Forcast ErrorCFEMADMSE MAPE (%) 1486931 2511977 3483810 4531686 5541499 6522365 7464019 8498920 9532671 10528524512343,416180,916180,916180,92261822327,383,06 11585187511967,2973219,889400,844700,382811483238,477,79 12587363512686,6674676,616407754692,473733189172,199,43 13598039520258,1277780,824185860464,554312354282,3810,32 14603254531189,9472063,631392262784,354488515476,7510,65 15579849544905,6234943,734886558144,243943939953,539,88 16597300561193,336106,538497254996,003566760089,039,33 Laporan Praktikum Perancangan TeknikIndustri Modul 5 Peramalan Kelompok 3 Program Studi Teknik Industri78Universitas Diponegoro 2010 17579562575452,624109,2838908148635,163123025855,608,25 18567860584466,11-1660637247545076,402806664028,567,66 19569256588307,68-1905235342342473,942562294886,447,23 20574799587966,06-1316734025639809,692345120175,876,78 21619472585369,4334102,837435939334,112246610205,496,67 22630394583175,184721942157839940,642245304340,536,74 23601611583326,2818284,843986338393,802108806555,116,47 24594549586034,68514,244837736401,831973052226,696,14 25609741591114,5418626,546700335290,861871420522,065,94 26644355597794,1846560,451356435953,781888858872,946,02 27614134604582,229552,252311634487,031788991406,615,77 28619431608686,5810744,653386033237,421700910068,485,56 29610480612153,69-1673,653218731659,231616004613,245,29 30635609615246,3320362,555254931121,291558796310,995,20 3164382161797625844,857839430881,451518303470,095,14 32644970619689,0225281,560367630637,971480079502,685,09 33638113623285,8814827,661850329979,211427570243,034,97 34640864626917,2213947,363245029337,931378248474,874,86 35664885631126,6933757,966620829507,931369069497,234,87 36648912635472,4813439,867964828912,811325053113,164,77 37656508640043,2816465,169611328468,251287411866,294,69 38650801643842,156958,8570307227726,541244688201,134,56 39626699647401,23-2070268237027492,411217484978,394,52 40672111649178,3122932,870530227345,321195176261,244,48 41680652650073,4230578,273588127446,351187046581,554,48 42691122652034,4439087,577496827799,111197373379,234,52 43721424654918,566505,784147428937,541292245002,144,66 44684676660119,9824555,586602928812,341272551535,804,63 45705329668207,1637121,590315129043,151275480871,024,64 46692148677333,9714814,491796528658,591246939979,084,58 47737889685651,0952238,297020329279,111285937002,394,64 48795907694454,35101453107165631129,711516878320,004,85 49 70341250 70341251 70341252 70341253 703412Laporan Praktikum Perancangan TeknikIndustri Modul 5 Peramalan Kelompok 3 Program Studi Teknik Industri79Universitas Diponegoro 2010 54 70341255 70341256 70341257 70341258 70341259 70341260 70341261 70341262 70341263 70341264 70341265 70341266 70341267 70341268 70341269 70341270 70341271 70341272 70341273 70341274 70341275 70341276 70341277 70341278 70341279 70341280 70341281 70341282 70341283 70341284 70341285 70341286 70341287 70341288 70341289 70341290 70341291 703412Laporan Praktikum Perancangan TeknikIndustri Modul 5 Peramalan Kelompok 3 Program Studi Teknik Industri80Universitas Diponegoro 2010 92 70341293 70341294 70341295 70341296 703412 Tabel 4.26 Perhitungan Manual Nilai Error Metode 5x5-DMA CFEMADMSEMAPE 107165631129,711516878320,004,85 Plot5x5 DM A0.010 0000.020 0000.030 0000.040 0000.050 0000.060 0000.070 0000.080 0000.090 0000.0Dec-06May-07Oct-07Mar-08Aug-08Jan-09Jun-09Nov-09Apr-10Sep-10Feb-11Jul-11Dec-11May-12Oct-12Mar-13Aug-13Jan-14Jun-14Nov-14Pe r iodeNilaiAct ualDat aPer amal an Gambar 4.15 Grafik Perhitungan Manual Metode 5x5-DMA 7x7-DMA Perhitungan Manual: Tabel 4.27 Perhitungan Manual Metode 7x7-DMA Periode Actual DataPeramalan Forcast ErrorCFEMADMSEMAPE