Nama : Natasya Fajrianti Nuraini

Prodi/Semester : Manajemen Agroindustri/4

NIM : D41191589

Golongan :D

Mata Kuliah : Sistem Pendukung Keputusan

Praktikum Forecasting

 Data Hasil Analisis Forecasting Untuk Penjualan

Minggu Penjualan (unit) moving average (n=3) exponential smoothing ( α=0,9)

1 1.022   1.022
2 768   793,4
3 1.008 932,6666667 986,54
4 1.122 966 1108,454
5 819 983 847,9454
6 1.350 1097 1299,79454
7 1.066 1078,333333 1089,379454
8 1.022 1146 1028,737945
9 1.009 1032,333333 1010,973795
10 1.410 1147 1370,097379
11 1.115 1178 1140,509738
12 1.033 1186 1043,750974
13 1.303 1150,333333 1277,075097
14 1.223 1186,333333 1228,40751
15 1.203 1243 1205,540751
16 1.198 1208 1198,754075
17 1.600 1333,666667 1559,875408
18 1.350 1382,666667 1370,987541
19 1.338 1429,333333 1341,298754
20 1.278 1322 1284,329875
21 1.234 1283,333333 1239,032988
22 1.349 1287 1338,003299
23 1.554 1379 1532,40033
24 1.440 1447,666667 1449,240033
25 1.425 1473 1427,424003
26 1.727 1530,666667 1697,0424
 27 1.645 1599 1650,20424
28 2.143 1838,333333 2093,720424
29 2.050 1946 2054,372042
30 2.003 2065,333333 2008,137204
31   1.351 200,8137204
       
       

[error] error^2 APE moving average exponential smoothing

0 0 0 #N/A #N/A
25,4 645,16 3,307291667 #N/A 1.022
21,46 460,5316 2,128968254 932,6666667 996,6
13,546 183,494116 1,207308378 966 997,74
28,9454 837,8361812 3,534236874 983 1010,166
50,20546 2520,588214 3,718922963 1097 991,0494
23,379454 546,5988693 2,193194559 1078,333333 1026,94446
6,7379454 45,39990821 0,659290157 1146 1030,850014
1,97379454 3,895864886 0,195618884 1032,333333 1029,965013
39,90262055 1592,219126 2,829973088 1147 1027,868511
25,50973795 650,74673 2,287868874 1178 1066,08166
10,75097379 115,5834375 1,040752545 1186 1070,973494
25,92490262 672,1005759 1,98963182 1150,333333 1067,176145
5,407509738 29,24116157 0,442151246 1186,333333 1090,75853
2,540750974 6,455415511 0,211201245 1243 1103,982677
0,754075097 0,568629252 0,062944499 1208 1113,88441
40,12459249 1609,982923 2,507787031 1333,666667 1122,295969
20,98754075 440,4768668 1,554632648 1382,666667 1170,066372
3,298754075 10,88177845 0,246543653 1429,333333 1188,059735
6,329875408 40,06732267 0,495295415 1322 1203,053761
5,032987541 25,33096359 0,407859606 1283,333333 1210,548385
10,99670125 120,9274383 0,815174295 1287 1212,893546
21,59967012 466,5457495 1,389940162 1379 1226,504192
9,240032988 85,37820961 0,641668957 1447,666667 1259,253773
2,424003299 5,875791992 0,170105495 1473 1277,328395
29,95759967 897,457778 1,734661243 1530,666667 1292,095556
5,204240033 27,08411432 0,316367175 1599 1335,586
49,279576 2428,47661 2,299560242 1838,333333 1366,5274
4,3720424 19,11475475 0,213270361 1946 1444,17466
5,13720424 26,3908674 0,256475499 2065,333333 1504,757194
      2026,5 1554,581475
16,54744816 483,8136999 1,295289895    
MAD MSE MAPE    
2,500

2,000

1,500 Penjualan
Moving average
1,000 Exponential
smoothing

500

0
1 4 7 10 13 16 19 22 25 28

Moving Average
2,500
2,000
1,500
Actual
Value

1,000
Forecast
500
0
1 5 9 13 17 21 25 29

Data Point

Exponential Smoothing
2,500
2,000
1,500
Actual
Value

1,000
Forecast
500
0
1 5 9 13 17 21 25 29

Data Point

Penjelasan:
 Grafik moving average pada data penjualan menunjukkan pola siklis. Hal ini
dipengaruhi tingkat penjualan yang mengalami fluktuasi ekonomi jangka panjang.
Rata-rata grafik bergerak menggunakan sejumlah data actual permintaan yang baru
untuk memebangkitkan nilai ramalan untuk permintaan di masa yang akan datang.
Grafik di atas bergerak meningkat ke atas secara perlahan dan berjangka waktu yang
lama atau bisa dibilang stabil namun meningkat.

Untuk grafik exponential smoothing, grafik tersebut menunjukkan pola siklis

juga. Grafik diatas menggunakan konstanta pemulus (α) yang diperkirakan tepat.
Nilai konstanta pemulusan menggunakan nilai α = 0,9. Nilai α tersebut membantu
data yang tidak stabil menjadi stabil dari waktu ke waktu.

Pada data hasil analisis forecasting pada data penjualan didapat data MAD,
MSE dan MAPE sebagai berikut:

MAD : 16.5
MSE : 483.8
MAPE : 1.29529

 Data Hasil Analisis Forecasting Untuk Biaya Iklan

 Minggu Biaya iklan ($) Moving Average Exponential smoothing

1 6.000   6.000
2 4.500   4650
3 6.600 5700 6405
4 7.000 6033,333333 6940,5
5 5.500 6366,666667 5644,05
6 9.000 7166,666667 8664,405
7 7.500 7333,333333 7616,4405
8 6.500 7666,666667 6611,64405
9 5.800 6600 5881,164405
10 8.000 6766,666667 7788,116441
11 6.500 6766,666667 6628,811644
12 7.000 7166,666667 6962,881164
13 6.500 6666,666667 6546,288116
14 5.650 6383,333333 5739,628812
15 6.000 6050 5973,962881
16 8.500 6716,666667 8247,396288
17 7.400 7300 7484,739629
18 8.500 8133,333333 8398,473963
19 4.500 6800 4889,847396
20 6.000 6333,333333 5888,98474
21 8.000 6166,666667 7788,898474
22 9.000 7666,666667 8878,889847
23 9.500 8833,333333 9437,888985
24 9.800 9433,333333 9763,788898
25 7.000 8766,666667 7276,37889
26 10.200 9000 9907,637889
27 9.400 8866,666667 9450,763789
28 9.800 9800 9765,076379
29 11.000 10066,66667 10876,50764
30 10.000 10266,66667 10087,65076
31   7000 1008,765076
       

Error Error^2 APE Moving average2 Exponential smoothing 3

0 0 0 #N/A #N/A
150 22500 3,333333333 #N/A 6000
195 38025 2,954545455 5700 5850
59,5 3540,25 0,85 6033,333333 5925
144,05 20750,4025 2,619090909 6366,666667 6032,5
335,595 112624,004 3,728833333 7166,666667 5979,25
116,4405 13558,39004 1,55254 7333,333333 6281,325
111,64405 12464,3939 1,717600769 7666,666667 6403,1925
81,164405 6587,660639 1,399386293 6600 6412,87325
 211,8835595 44894,64279 2,648544494 6766,666667 6351,585925
128,8116441 16592,43964 1,981717601 6766,666667 6516,427333
37,11883559 1377,807956 0,53026908 7166,666667 6514,784599
46,28811644 2142,589724 0,712124868 6666,666667 6563,306139
89,62881164 8033,323877 1,586350649 6383,333333 6556,975525
26,03711884 677,9315573 0,433951981 6050 6466,277973
252,6037119 63808,63526 2,971808375 6716,666667 6419,650176
84,73962881 7180,804691 1,145130119 7300 6627,685158
101,5260371 10307,53621 1,194423966 8133,333333 6704,916642
389,8473963 151980,9924 8,663275473 6800 6884,424978
111,0152604 12324,38804 1,85025434 6333,333333 6645,98248
211,101526 44563,8543 2,638769075 6166,666667 6581,384232
121,1101526 14667,66906 1,345668362 7666,666667 6723,245809
62,11101526 3857,778217 0,653800161 8833,333333 6950,921228
36,21110153 1311,243874 0,369501036 9433,333333 7205,829105
276,3788898 76385,29075 3,948269855 8766,666667 7465,246195
292,362111 85475,60396 2,866295206 9000 7418,721575
50,7637889 2576,962263 0,540040307 8866,666667 7696,849418
34,92362111 1219,659311 0,356363481 9800 7867,164476
123,4923621 15250,3635 1,122657837 10066,66667 8060,448028
87,65076379 7682,656393 0,876507638 10266,66667 8354,403226
      10.500 8518,962903
132,2999803 26745,40916 1,886368467    
MAD MSE MAPE    

12,000

10,000

8,000

6,000 Biaya iklan

Moving avarage
4,000 Exponential smoothing

2,000

0
1 4 7 10 13 1 6 1 9 2 2 25 28
 Moving Average
12,000
10,000
8,000
6,000 Actual
Value

4,000
2,000 Forecast
0
1 4 7 10 13 1 6 1 9 2 2 25 28

Data Point

Exponential Smoothing
12,000
10,000
8,000
6,000 Actual
Value

4,000
2,000 Forecast
0
1 4 7 1 0 1 3 1 6 1 9 2 2 25 28

Data Point

Penjelasan:

Grafik pada moving average menunjukkan pola grafik pola musiman. Hal ini
terjadi bila nilai data dipengaruhi oleh faktor musiman. Faktor musiman sendiri bisa
berasal dari kuartal tertentu seperti hari-hari pada minggu tertentu. Pola pada grafik
menunjukkan kenaikan yang cukup drastic kemudian mengalami penurunan.

Grafik exponential smoothing pada biaya iklan menunjukkan pola trend. Pola
trend ini terjadi bila ada kenaikan atau penurunan sekuler jangka panjang dalam data.

Pada data hasil analisis forecasting pada biaya iklan memperoleh data MAD,
MSE dan MAPE sebagai berikut:

MAD : 132.3
MSE : 26745.4
MAPE : 1.886368
 Metode Regresi Linier Sederhana

Minggu Penjualan (Y) Biaya iklan X2 Y2 XY

(X)
1 1.022 6.000 36.000.000 1.044.484 6132000
2 768 4.500 20.250.000 589.824 3456000
3 1.008 6.600 43.560.000 1.016.064 6652800
4 1.122 7.000 49.000.000 1.258.884 7854000
5 819 5.500 30.250.000 670.761 4504500
6 1.350 9.000 81.000.000 1.822.500 12150000
7 1.066 7.500 56.250.000 1.136.356 7995000
8 1.022 6.500 42.250.000 1.044.484 6643000
9 1.009 5.800 33.640.000 1.018.081 5852200
10 1.410 8.000 64.000.000 1.988.100 11280000
11 1.115 6.500 42.250.000 1.243.225 7247500
12 1.033 7.000 49.000.000 1.067.089 7231000
13 1.303 6.500 42.250.000 1.697.809 8469500
14 1.223 5.650 31.922.500 1.495.729 6909950
15 1.203 6.000 36.000.000 1.447.209 7218000
16 1.198 8.500 72.250.000 1.435.204 10183000
17 1.600 7.400 54.760.000 2.560.000 11840000
18 1.350 8.500 72.250.000 1.822.500 11475000
19 1.338 4.500 20.250.000 1.790.244 6021000
20 1.278 6.000 36.000.000 1.633.284 7668000
21 1.234 8.000 64.000.000 1.522.756 9872000
22 1.349 9.000 81.000.000 1.819.801 12141000
23 1.554 9.500 90.250.000 2.414.916 14763000
24 1.440 9.800 96.040.000 2.073.600 14112000
25 1.425 7.000 49.000.000 2.030.625 9975000
26 1.727 10.200 104.040.000 2.982.529 17615400
27 1.645 9.400 88.360.000 2.706.025 15463000
28 2.143 9.800 96.040.000 4.592.449 21001400
29 2.050 11.000 121.000.000 4.202.500 22550000
30 2.003 10.000 100.000.000 4.012.009 20030000
n=30 39807 226650 1.802.862.500 56.139.041 314305250
SUMMARY OUTPUT

Regression Statistics
Multiple R 0,782489774
R Square 0,612290246
Adjusted R Square 0,598443469
Standard Error 214,3811795
Observations 30

ANOVA
  df SS MS
Regression 1 2032272,577 2032272,577
Residual 28 1286860,123 45959,29012
Total 29 3319132,7  

  Coefficients Standard Error t Stat

Intercept 194,8933544 174,6750437 1,115748135
X Variable 1 0,149835426 0,022532542 6,649734754

F Significance F
44,2189723 3,24597E-07

   

Lower Upper
P-value Lower 95% Upper 95% 95,0% 95,0%
0,2740144 -162,9122527 552,6989614 -162,912 552,699
3,24597E-07 0,103679607 0,195991246 0,10368 0,195991