TUGAS 1

MANAGEMEN PRODUKSI
Peramalan

Dosen Pengampu : Enny Supartini, Dra., MS.

Disusun Oleh :

Riska Tiana (140610210002)

Silma Minnatika (140610210014)

PROGRAM STUDI STATISTIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS PADJADJARAN
2023
 NOMOR 4.6

The monthly sales for Telco Batteries, Inc., were as follows :

Month Sales
January 20
February 21
March 15
April 14
May 13
June 16
July 17
August 18
September 20
October 20
November 21
December 23

Data ditambah rata-rata NPM : (2+14)/2=8

Month Sales
January 28
February 29
March 23
April 22
May 21
June 24
July 25
August 26
September 28
October 28
November 29
December 31

a) Plot the monthly sales data

b) Forecast January sales using each of the following:
i) Naïve method
ii) A 3-month moving average.
iii) A 6-month weighted average using .1, .1, .1, .2, and .3, with the heaviest weight
applied to the most recent months.
iv) Exponential smoothing using an 𝛼 = .3 and a September forecast of 18.
v) A trend projection.
c) With the given, which method would allow you to forecast next March’s sales ?
 JAWABAN

a) Plot data penjualan bulanan

Monthly Sales
35 31
28 29 28 28 29
30 25 26
23 24
25 22 21
20
Sales

15
10
5
0

Month

b) Forecast January sales using each of the following:

i) Naïve Method
Pendekatan naive adalah Teknik peramalan yang mengasumsikan permintaan periode berikutnya
sama dengan permintaan pada periode terakhir.
Naïve
Method
Month Sales (Peramalan)
January 28 -
February 29 28
March 23 29
April 22 23
May 21 22
June 24 21
July 25 24
August 26 25
September 28 26
October 28 28
November 29 28
December 31 29
January 31

Karena naive method merupakan peramalan yang sederhana, maka hasil peramalan sales pada
bulan Januari selanjutnya akan sama dengan sales aktual pada bulan Desember yaitu 31 sales.
• Mengukur Error peramalan :
- Mean Absolute Deviation (MAD)
∑𝑛𝑖=1 |𝐴𝑖 − 𝐹𝑖 |
𝑀𝐴𝐷 =
𝑛
Keterangan :
𝐴𝑖 : data aktual ke-i
𝐹𝑖 : data peramalan ke-i
𝑛 : banyak periode
Hitung manual :
∑𝑛𝑖=1 |𝐴𝑖 − 𝐹𝑖 | |29 − 28| + |23 − 29| + ⋯ + |31 − 29|
𝑀𝐴𝐷 = = = 1.72
𝑛 11

MAD
Deviasi
Month Sales Peramalan Absolut
February 29 28 1
March 23 29 6
April 22 23 1
May 21 22 1
June 24 21 3
July 25 24 1
August 26 25 1
September 28 26 2
October 28 28 0
November 29 28 1
December 31 29 2
Jumlah Deviasi Absolut 19
MAD 1.727272727

- Mean Square Error (MSE) :

∑𝑛𝑖=1(𝐴𝑖 − 𝐹𝑖 )2
𝑀𝑆𝐸 =
𝑛
Keterangan :
𝐴𝑖 : data aktual ke-i
𝐹𝑖 : data peramalan ke-i
𝑛 : banyak periode
Hitung manual :

∑𝑛𝑖=1(𝐴𝑖 − 𝐹𝑖 )2 (29 − 28)2 + (23 − 29)2 + ⋯ + (31 − 29)2

𝑀𝑆𝐸 = = = 5.36
𝑛 11
 MSE
Month Sales Peramalan (Kesalahan)^2
February 29 28 1
March 23 29 36
April 22 23 1
May 21 22 1
June 24 21 9
July 25 24 1
August 26 25 1
September 28 26 4
October 28 28 0
November 29 28 1
December 31 29 4
Jumlah 59
MSE 5.363636364

- Mean Absolute Percent Error (MAPE) :

[∑𝑛𝑖=1 100|𝐴𝑖 − 𝐹𝑖 |]/𝐴𝑖
𝑀𝐴𝑃𝐸 =
𝑛
Keterangan :
𝐴𝑖 : data aktual ke-i
𝐹𝑖 : data peramalan ke-i
𝑛 : banyak periode
Hitung manual :
100|29 − 28| 100|23 − 29| 100|31 − 29|
[∑𝑛𝑖=1 100|𝐴𝑖 − 𝐹𝑖 |]/𝐴𝑖 [ 29 + 23 + ⋯+ 31 ]
𝑀𝐴𝑃𝐸 = = = 6.93
𝑛 11

MAPE
Month Sales Peramalan MAPE 100 (Kesalahan/Aktual)
February 29 28 3.448275862
March 23 29 26.08695652
April 22 23 4.545454545
May 21 22 4.761904762
June 24 21 12.5
July 25 24 4
August 26 25 3.846153846
September 28 26 7.142857143
October 28 28 0
November 29 28 3.448275862
December 31 29 6.451612903
Jumlah 76.23149145
MAPE 6.930135586
 • Kesimpulan
Berdasarkan peramalan dengan Naive Method diperoleh peramalan untuk sales bulan
Januari selanjutnya adalah 31 sales. Dengan nilai kesalahan peramalan sebagai berikut
- MAD = 1.72
- MSE = 5.36
- MAPE = 6.93

ii) A 3-month moving average.

Rata-rata bergerak adalah suatu métode peramalan yang menggunakan rata-rata periode terakhir
data untuk meramalkan periode berikutnya.
• Rumusan :
∑𝑛𝑖=1 𝐷𝑖
𝑀𝐴 =
𝑛
Keterangan :
𝐷𝑖 : demand pada periode ke-i
𝑛 : periode moving average

Month Sales Rata-rata bergerak 3 bulanan

January 28 -
February 29 -
March 23 -
April 22 (28+29+23)/3 = 26.66666667
May 21 (29+23+22)/3 = 24.66666667
June 24 (23+22+21)/3 = 22
July 25 (22+21+24)/3 = 22.33333333
August 26 (21+24+25)/3 = 23.33333333
September 28 (24+25+26)/3 = 25
October 28 (25+26+28)/3 = 26.33333333
November 29 (26+28+28)/3 = 27.33333333
December 31 (28+28+29)/3 = 28.33333333
January (28+29+31)/3 = 29.33333333

Jadi untuk perkirakan penjualan bulan Januari menggunakan metode Rata-rata bergerak (Moving
Average) adalah sebanyak 29.3333 dibulatkan menjadi 29 penjualan (sales).

• Mengukur Error peramalan :

- Mean Absolute Deviation (MAD)
∑𝑛𝑖=1 |𝐴𝑖 − 𝐹𝑖 |
𝑀𝐴𝐷 =
𝑛
 Keterangan :
𝐴𝑖 : data aktual ke-i
𝐹𝑖 : data peramalan ke-i
𝑛 : banyak periode
Hitung manual :
∑𝑛𝑖=1 |𝐴𝑖 − 𝐹𝑖 | |22 − 26.667| + |21 − 24.667| + ⋯ + |31 − 28.33|
𝑀𝐴𝐷 = = = 2.74
𝑛 9

MAD
Month Sales Peramalan Deviasi Absolut
April 22 26.66666667 4.666667
May 21 24.66666667 3.666667
June 24 22 2
July 25 22.33333333 2.666667
August 26 23.33333333 2.666667
September 28 25 3
October 28 26.33333333 1.666667
November 29 27.33333333 1.666667
December 31 28.33333333 2.666667
Jumlah Deviasi Absolut 24.66667
MAD 2.740741

- Mean Square Error (MSE) :

∑𝑛𝑖=1(𝐴𝑖 − 𝐹𝑖 )2
𝑀𝑆𝐸 =
𝑛
Keterangan :
𝐴𝑖 : data aktual ke-i
𝐹𝑖 : data peramalan ke-i
𝑛 : banyak periode
Hitung manual :

∑𝑛𝑖=1(𝐴𝑖 − 𝐹𝑖 )2 (22 − 26.667)2 + (21 − 24.667)2 + ⋯ + (31 − 28.33)2

𝑀𝑆𝐸 = = = 8.345679
𝑛 9

MSE
Month Sales Peramalan (Kesalahan)^2
April 22 26.66666667 21.77778
May 21 24.66666667 13.44444
June 24 22 4
July 25 22.33333333 7.111111
August 26 23.33333333 7.111111
September 28 25 9
 October 28 26.33333333 2.777778
November 29 27.33333333 2.777778
December 31 28.33333333 7.111111
Jumlah 75.11111
MSE 8.345679

- Mean Absolute Percent Error (MAPE) :

[∑𝑛𝑖=1 100|𝐴𝑖 − 𝐹𝑖 |]/𝐴𝑖
𝑀𝐴𝑃𝐸 =
𝑛
Keterangan :
𝐴𝑖 : data aktual ke-i
𝐹𝑖 : data peramalan ke-i
𝑛 : banyak periode
Hitung manual :
100|22 − 26.667| 100|21 − 24.667| 100|31 − 28.33|
[∑𝑛𝑖=1 100|𝐴𝑖 − 𝐹𝑖 |]/𝐴𝑖 [ + + ⋯+ ]
22 21 31
𝑀𝐴𝑃𝐸 = =
𝑛 9
= 10.99387

MAPE
MAPE
Month Sales Peramalan 100(Kesalahan/Aktual)
April 22 26.66666667 21.21212
May 21 24.66666667 17.46032
June 24 22 8.333333
July 25 22.33333333 10.66667
August 26 23.33333333 10.25641
September 28 25 10.71429
October 28 26.33333333 5.952381
November 29 27.33333333 5.747126
December 31 28.33333333 8.602151
Jumlah 98.94479
MAPE 10.99387

• Kesimpulan
Berdasarkan peramalan dengan Moving Average diperoleh peramalan untuk sales bulan
Januari selanjutnya adalah 29.333 sales. Dengan nilai kesalahan peramalan sebagai berikut
- MAD = 2.74
- MSE = 8.345679
- MAPE = 10.99387
iii) A 6-month weighted average using .1, .1, .1, .2, and .3, with the heaviest weight applied
to the most recent months.

Dalam hal ini pemberian bobot (𝑤𝑖 ) yang berbeda untuk masing-masing periode,
∑𝑛𝑖=1 𝑤𝑖 𝐷𝑖
𝑊𝑀𝐴 = 𝑛
∑𝑖=1 𝑤𝑖
Dengan,
𝐷𝑖 = demand pada periode i
𝑤𝑖 = bobot pada periode i
Rata-rata bergerak dnegan pembobotan

BOBOT (𝒘𝒊 ) Periode

0.1 Periode 6 bulan yang lalu
0.1 Periode 5 bulan yang lalu
0.1 Periode 4 bulan yang lalu
0.2 Periode 3 bulan yang lalu
0.2 Periode 2 bulan yang lalu
0.3 Periode akhir
Jml = 1

Month Sales Rata-rata bergerak 6 bulanan

January 28 -
February 29 -
March 23 -
April 22 -
May 21 -
June 24 -
July 25 [(0.3×24)+(0.2×21)+(0.2×22)+(0.1×23)+(0.1×29)+(0.1×28)]/1=23.8
August 26 [(0.3×25)+(0.2×24)+(0.2×21)+(0.1×22)+(0.1×23)+(0.1×29)]/1=23.9
September 28 [(0.3×26)+(0.2×25)+(0.2×24)+(0.1×21)+(0.1×22)+(0.1×23)]/1=24.2
October 28 [(0.3×28)+(0.2×26)+(0.2×25)+(0.1×24)+(0.1×21)+(0.1×22)]/1=25.3
November 29 [(0.3×28)+(0.2×28)+(0.2×26)+(0.1×25)+(0.1×24)+(0.1×21)]/1=26.2
December 31 [(0.3×29)+(0.2×28)+(0.2×28)+(0.1×26)+(0.1×25)+(0.1×24)]/1=27.4
January [(0.3×31)+(0.2×29)+(0.2×28)+(0.1×28)+(0.1×26)+(0.1×25)]/1=28.6

Jadi untuk perkirakan penjualan bulan Januari menggunakan metode Pembobotan rata-rata
bergerak adalah sebanyak 28.6 dibulatkan menjadi 29 penjualan (sales).
Mengukur Error peramalan :

- Mean Absolute Deviation (MAD)

 ∑𝑛𝑖=1 |𝐴𝑖 − 𝐹𝑖 |
𝑀𝐴𝐷 =
𝑛
Keterangan :
𝐴𝑖 : data aktual ke-i
𝐹𝑖 : data peramalan ke-i
𝑛 : banyak periode
Hitung manual :
∑𝑛𝑖=1 |𝐴𝑖 − 𝐹𝑖 | |25 − 23.8| + |26 − 23.9| + ⋯ + |31 − 27.4|
𝑀𝐴𝐷 = = = 2.7
𝑛 6
MAD
Month Sales Peramalan Deviasi Absolut
July 25 23.8 1.2
August 26 23.9 2.1
September 28 24.2 3.8
October 28 25.3 2.7
November 29 26.2 2.8
December 31 27.4 3.6
Jumlah Deviasi Absolut 16.2
MAD 2.7

- Mean Square Error (MSE) :

∑𝑛𝑖=1(𝐴𝑖 − 𝐹𝑖 )2
𝑀𝑆𝐸 =
𝑛
Keterangan :
𝐴𝑖 : data aktual ke-i
𝐹𝑖 : data peramalan ke-i
𝑛 : banyak periode
Hitung manual :

∑𝑛𝑖=1(𝐴𝑖 − 𝐹𝑖 )2 (25 − 23.8)2 + (26 − 23.9)2 + ⋯ + (31 − 27.4)2

𝑀𝑆𝐸 = = = 8.0633
𝑛 6
MSE
Month Sales Peramalan (Kesalahan)^2
July 25 23.8 1.44
August 26 23.9 4.41
September 28 24.2 14.44
October 28 25.3 7.29
November 29 26.2 7.84
December 31 27.4 12.96
Jumlah 48.38
MSE 8.063333
- Mean Absolute Percent Error (MAPE) :
[∑𝑛𝑖=1 100|𝐴𝑖 − 𝐹𝑖 |]/𝐴𝑖
𝑀𝐴𝑃𝐸 =
𝑛
Keterangan :
𝐴𝑖 : data aktual ke-i
𝐹𝑖 : data peramalan ke-i
𝑛 : banyak periode
Hitung manual :
100|25 − 23.8| 100|26 − 23.9| 100|31 − 27.4|
[∑𝑛𝑖=1 100|𝐴𝑖 − 𝐹𝑖 |]/𝐴𝑖 [ + 26 + ⋯+ 31 ]
25
𝑀𝐴𝑃𝐸 = =
𝑛 6
= 9.559881

MAPE
MAPE
Month Sales Peramalan 100(Kesalahan/Aktual)
July 25 23.8 4.8
August 26 23.9 8.076923
September 28 24.2 13.57143
October 28 25.3 9.642857
November 29 26.2 9.655172
December 31 27.4 11.6129
Jumlah 57.35928
MAPE 9.559881

• Kesimpulan
Berdasarkan peramalan dengan Moving Average dengan pembobotan diperoleh peramalan
untuk sales bulan Januari selanjutnya adalah 28.6 atau dibulatkan menjadi 29 sales. Dengan
nilai kesalahan peramalan sebagai berikut
- MAD = 2.7
- MSE = 8.063
- MAPE = 9.559881

iv) Exponential smoothing using an 𝜶 =. 𝟑 and a September forecast of 18.

Exponential Smoothing merupakan metode peramalan rata-rata bergerak dengan pembobotan

dimana titik data dibobotkan oleh fungsi eksponensial.
Dengan 𝐹𝑡 = 𝑝𝑟𝑒𝑑𝑖𝑘𝑠𝑖 𝑢𝑛𝑡𝑢𝑘 𝑝𝑒𝑟𝑖𝑜𝑑𝑒 𝑡
𝐹𝑡 = 𝐹𝑡−1 + 𝛼(𝐴𝑡−1 − 𝐹𝑡−1 )
𝐹𝑡−𝑖 = prediksi untuk periode sebelumnya
𝐴𝑡−𝑖 = permintaan actual periode sebelumnya
𝛼 = konstanta pembobotan (0 ≤ 𝛼 ≤ 1)
 Month Sales Peramalan
September 28 18
October 28 21
November 29 23.1
December 31 24.87
January 26.709

Jadi untuk perkirakan penjualan bulan Januari menggunakan metode Exponential Smoothing
adalah sebanyak 26.709 dibulatkan menjadi 27 penjualan (sales).
• Mengukur Error peramalan :
- Mean Absolute Deviation (MAD)
∑𝑛𝑖=1 |𝐴𝑖 − 𝐹𝑖 |
𝑀𝐴𝐷 =
𝑛
Keterangan :
𝐴𝑖 : data aktual ke-i
𝐹𝑖 : data peramalan ke-i
𝑛 : banyak periode
Hitung manual :
∑𝑛𝑖=1 |𝐴𝑖 − 𝐹𝑖 | |28 − 18| + |28 − 21| + ⋯ + |31 − 24.87|
𝑀𝐴𝐷 = = = 7.2575
𝑛 4
MAD
Deviasi
Month Sales Peramalan Absolut
September 28 18 10
October 28 21 7
November 29 23.1 5.9
December 31 24.87 6.13
Jumlah Deviasi Absolut 29.03
MAD 7.2575

- Mean Square Error (MSE) :

∑𝑛𝑖=1(𝐴𝑖 − 𝐹𝑖 )2
𝑀𝑆𝐸 =
𝑛
Keterangan :
𝐴𝑖 : data aktual ke-i
𝐹𝑖 : data peramalan ke-i
𝑛 : banyak periode
Hitung manual :

∑𝑛𝑖=1(𝐴𝑖 − 𝐹𝑖 )2 (28 − 18)2 + (28 − 21)2 + ⋯ + (31 − 24.87)2

𝑀𝑆𝐸 = = = 55.346725
𝑛 4
 MSE
Month Sales Peramalan (Kesalahan)^2
September 28 18 100
October 28 21 49
November 29 23.1 34.81
December 31 24.87 37.5769
Jumlah 221.3869
MSE 55.346725

- Mean Absolute Percent Error (MAPE) :

[∑𝑛𝑖=1 100|𝐴𝑖 − 𝐹𝑖 |]/𝐴𝑖
𝑀𝐴𝑃𝐸 =
𝑛
Keterangan :
𝐴𝑖 : data aktual ke-i
𝐹𝑖 : data peramalan ke-i
𝑛 : banyak periode
Hitung manual :
100|28 − 18| 100|28 − 21| 100|31 − 24.87|
[∑𝑛𝑖=1 100|𝐴𝑖 − 𝐹𝑖 |]/𝐴𝑖 [ 28 + 28 + ⋯+ 31 ]
𝑀𝐴𝑃𝐸 = = = 25.2
𝑛 4
MAPE
MAPE
Month Sales Peramalan 100(Kesalahan/Aktual)
September 28 18 35.71428571
October 28 21 25
November 29 23.1 20.34482759
December 31 24.87 19.77419355
Jumlah 100.8333068
MAPE 25.20832671

• Kesimpulan
Berdasarkan peramalan dengan Exponential smoothing method diperoleh peramalan untuk
sales bulan Januari selanjutnya adalah 26.709 sales, dibulatkan menjadi 27 sales. Dengan
nilai kesalahan peramalan sebagai berikut
- MAD = 7.2575
- MSE = 55.3467
- MAPE = 25.2
v) A trend projection.
Proyeksi Tren adalan metode peramalan serangkaian waktu yang sesuai dengan garis tren
terhadap serangkaian titik-titik data masa lalu, kemudian diproyeksikan ke dalam peramalan masa
depan untuk peramalan jangka menengah atau jangka Panjang.
• Persamaan garis :
𝑌̂ = 𝑎 + 𝑏𝑋
Dengan
𝑌̂ = nilai variabel respon
𝑎 = intercept
𝑏 = koefisien arah regresi
𝑋 = variabel bebas
Dengan estimasi untuk 𝑎 dan 𝑏 sebagai berikut :
∑ 𝑥𝑦 − 𝑛𝑥̅ 𝑦̅
𝑏= 𝑑𝑎𝑛 𝑎 = 𝑦̅ − 𝑏𝑥̅
∑ 𝑥 2 − 𝑛𝑥̅ 2

Periode
Waktu
Month (x) Sales (Y) x^2 xy Peramalan
January 1 28 1 28 23.974359
February 2 29 4 58 24.37296
March 3 23 9 69 24.771562
April 4 22 16 88 25.170163
May 5 21 25 105 25.568765
June 6 24 36 144 25.967366
July 7 25 49 175 26.365967
August 8 26 64 208 26.764569
September 9 28 81 252 27.16317
October 10 28 100 280 27.561772
November 11 29 121 319 27.960373
December 12 31 144 372 28.358974
Jumlah 78 314 650 2098
Rata-rata 6.5 26.16667

Hitung manual :
n = 12
∑ 𝑥𝑦 − 𝑛𝑥̅ 𝑦̅ 2089 − (12)(6.5)(26.167)
𝑏= = = 0.398601
∑ 𝑥 2 − 𝑛𝑥̅ 2 650 − (12)(6.52 )
𝑎 = 𝑦̅ − 𝑏𝑥̅ = 26.167 − (0.398601)(6.5) = 23.57576
𝑌̂ = 𝑎 + 𝑏𝑋
̂ = 𝟐𝟑. 𝟓𝟕𝟓𝟕𝟔 + 𝟎. 𝟑𝟗𝟖𝟔𝟎𝟏𝑿
𝒀
Sales Januari selanjutnya = 23.57576 + 0.398601(13) = 𝟐𝟖. 𝟕𝟓𝟕𝟔
Jadi untuk perkirakan penjualan bulan Januari menggunakan metode Proyeksi Tren adalah
sebanyak 28.7576 dibulatkan menjadi 29 penjualan (sales).

• Mengukur Error peramalan :

- Mean Absolute Deviation (MAD)
∑𝑛𝑖=1 |𝐴𝑖 − 𝐹𝑖 |
𝑀𝐴𝐷 =
𝑛
Keterangan :
𝐴𝑖 : data aktual ke-i
𝐹𝑖 : data peramalan ke-i
𝑛 : banyak periode

Hitung Manual :
∑𝑛𝑖=1 |𝐴𝑖 − 𝐹𝑖 | |28 − 23.9744| + |29 − 24.373| + ⋯ + |31 − 28.359|
𝑀𝐴𝐷 = = = 2.26807
𝑛 12
MAD
Deviasi
Month Sales Peramalan Absolut
January 28 23.97436 4.025641
February 29 24.37296 4.62704
March 23 24.77156 1.771562
April 22 25.17016 3.170163
May 21 25.56876 4.568765
June 24 25.96737 1.967366
July 25 26.36597 1.365967
August 26 26.76457 0.764569
September 28 27.16317 0.83683
October 28 27.56177 0.438228
November 29 27.96037 1.039627
December 31 28.35897 2.641026
Jumlah Deviasi Absolut 27.21678
MAD 2.268065

- Mean Square Error (MSE) :

∑𝑛𝑖=1(𝐴𝑖 − 𝐹𝑖 )2
𝑀𝑆𝐸 =
𝑛
Keterangan :
𝐴𝑖 : data aktual ke-i
𝐹𝑖 : data peramalan ke-i
𝑛 : banyak periode
Hitung manual :
 ∑𝑛𝑖=1(𝐴𝑖 − 𝐹𝑖 )2 (28 − 23.97436)2 + (29 − 24.37296)2 + ⋯ + (31 − 28.35897)2
𝑀𝑆𝐸 = =
𝑛 12
= 7.245532

MSE
Month Sales Peramalan (Kesalahan)^2
January 28 23.97436 16.20579
February 29 24.37296 21.4095
March 23 24.77156 3.138431
April 22 25.17016 10.04993
May 21 25.56876 20.87361
June 24 25.96737 3.870529
July 25 26.36597 1.865867
August 26 26.76457 0.584565
September 28 27.16317 0.700284
October 28 27.56177 0.192044
November 29 27.96037 1.080824
December 31 28.35897 6.975016
Jumlah 86.94639
MSE 7.245532

- Mean Absolute Percent Error (MAPE) :

[∑𝑛𝑖=1 100|𝐴𝑖 − 𝐹𝑖 |]/𝐴𝑖
𝑀𝐴𝑃𝐸 =
𝑛
Keterangan :
𝐴𝑖 : data aktual ke-i
𝐹𝑖 : data peramalan ke-i
𝑛 : banyak periode

Hitung manual :
100|28 − 23.97436| 100|29 − 24.37296| 100|31 − 28.35897|
[∑𝑛𝑖=1 100|𝐴𝑖 − 𝐹𝑖 |]/𝐴𝑖 [ 28 + 29 + ⋯+ 31 ]
𝑀𝐴𝑃𝐸 = =
𝑛 12
= 8.955

MAPE
MAPE
Month Sales Peramalan 100(Kesalahan/Aktual)
January 28 23.97436 14.37729
February 29 24.37296 15.95531
March 23 24.77156 7.702442
April 22 25.17016 14.40983
May 21 25.56876 21.75602
June 24 25.96737 8.197358
 July 25 26.36597 5.463869
August 26 26.76457 2.940649
September 28 27.16317 2.988678
October 28 27.56177 1.565102
November 29 27.96037 3.584921
December 31 28.35897 8.519438
Jumlah 107.4609
MAPE 8.955076

• Kesimpulan
Berdasarkan peramalan dengan Proyeksi Tren diperoleh peramalan untuk sales bulan
Januari selanjutnya adalah 28.7576 dibulatkan menjadi 29 sales. Dengan nilai kesalahan
peramalan sebagai berikut
- MAD = 2.2680
- MSE = 7.24553
- MAPE= 8.9550

c) With the given, which method would allow you to forecast next March’s sales ?

Jawab :
Perlu dipilih metode peramalan terbaik untuk meramalkan sales pada bulan Maret selanjutnya.
Metode peramalan terbaik didapat dengan melihat nilai kesalahan peramalan, seperti Mean
Absolute Deviation (MAD), Mean Square Error (MSE), dan Mean Absolute Percent (MAPE) yang
terkecil..
Berdasarkan perhitungan diatas, dari 5 metode peramalan diperoleh nilai peramalan (MAD,
MSE, MAPE) sebagai berikut :

Kesalahan Peramalan
Metode MAD MSE MAPE
Naïve Method 1.72 5.36 6.93
3 Month Moving Average 2.74 8.345679 10.99387
6 Month Weighted Moving
Average 2.7 8.0633 9.559881
Exponential smoothing 7.2575 55.34673 25.2
Tren Projection 2.368 7.24553 8.8559

Dilihat dari perbandingan nilai MAD, MSE, dan MAPE pada tabel diatas, dapat disimpulkan
bahwa métode peramalan terbaik adalah Naive Method karena memiliki nilai kesalahan
peramalan (MAD,MSE,MAPE) lebih kecil dari métode lainnya. Sehingga yang cocok digunakan
untuk meramalkan sales di bulan Maret selanjutnya adalah Naive Method.
Berikut ini hasil peramalan untuk sales bulan Maret selanjutnya :
 Naïve
Month Sales Method
January 28
February 29
March 23
April 22 23
May 21 22
June 24 21
July 25 24
August 26 25
September 28 26
October 28 28
November 29 28
December 31 29
January 31
February 31
March 31

Karena Naïve method merupakan metode peramalan yang sederhana, maka hasil peramalan
sales di bulan maret selanjutnya akan sama dengan sales actual pada bulan Desember sebelumnya
yaitu 31 sales.
• Kesimpulan
Metode terbaik untuk meramalkan sales di pada bulan maret selanjutnya adalah Naïve
Method karena memiliki nilai kesalahan peramalan terkecil jika dibandingkan dengan metode
lain. Sehingga diperoleh hasil peramalan sales untuk bulan Maret selanjutnya adalah sebanyak 31
sales.
 NOMOR 4.41

Bus and subway ridership for the summer months in London, England, is believed to be tied
heavily to the number of tourists visiting the city. During the past 12 years, the following data have
been obtained:

Number of
Year Tourists Ridership
(summer months) (in millions) (in millions)
1 7 1.5
2 2 1.0
3 6 1.3
4 4 1.5
5 14 2.5
6 15 2.7
7 16 2.4
8 12 2.0
9 14 2.7
10 20 4.4
11 15 3.4
12 7 1.7

Data ditambah rata-rata NPM : 8

Number of
Year Tourists Ridership
(summer months) (in millions) (in millions)
1 15 9.5
2 10 9
3 14 9.3
4 12 9.5
5 22 10.5
6 23 10.7
7 24 10.4
8 20 10
9 22 10.7
10 28 12.4
11 23 11.4
12 15 9.7
a) Plot these data and decide if a linear model is reasonable.
Pernyataan “Bus and subway ridership for the summer months in London, England, is
believed to be tied heavily to the number of tourists visiting the city” menyatakan bahwa
penumpang bus dan kereta bawah tanah berkaitan dengan jumlah wisatawan yang
mengunjungi kota London. Sehingga dari pernyataan tersebut bisa didefinisikan bahwa
banyaknya jumlah wisatawan adalah variabel X atau variabel yang menentukan banyaknya
penumpang bus dan subway ridership yang merupakan varibel respon atau variabel Y.
Kemudian data dibuat plot terlebih dahulu untuk melihat model apa yang cocok digunakan
sebelum melakukan pemodelan. Didapat hasil plot sebagai berikut :

13

12
Ridership (in millions)

11

10

8
5 10 15 20 25 30
Number of Tourists (in millions)

Setelah melihat scatter plot diatas terlihat bahwa titik-titik data dalam scatter plot secara
kasar mengikuti pola garis lurus. Titik-titik data pada scatter plot diatas menyebar di sekitar
garis lurus, maka model linear dapat dianggap wajar dan cocok untuk data diatas.

b) Develop a regression relationship.

Berdasarkan scatter plot yang telah dibuat, data menunjukkan pola linear yang memadai,
maka bisa digunakan model linear sederhana yaitu regresi linear. Regresi linear memiliki
bentuk persamaan garis :
𝑌̂ = 𝑎 + 𝑏𝑋
Dimana,
𝑌̂ : nilai variabel respon (jumlah penumpang)
𝑎 : intercept
𝑏 : koefisien arah regresi
𝑋 : variabel bebas (jumlah wisatawan)

Dengan estimasi untuk a dan b sebagai berikut :

∑ 𝑥𝑦 − 𝑛𝑥̅ 𝑦̅
𝑏= 𝑎 = 𝑦̅ − 𝑏𝑥̅
∑ 𝑥 2 − 𝑛𝑥̅ 2
 Year X (tourists) Y (ridership) 𝒙𝟐 𝒙𝒚
1 15 9.5 225 142.5
2 10 9 100 90
3 14 9.3 196 130.2
4 12 9.5 144 114
5 22 10.5 484 231
6 23 10.7 529 246.1
7 24 10.4 576 249.6
8 20 10 400 200
9 22 10.7 484 235.4
10 28 12.4 784 347.2
11 23 11.4 529 262.2
12 15 9.7 225 145.5
Jumlah 228 123.1 4676 2393.7
Rata-rata 19 10.258

Penyelesaian :

∑ 𝑥𝑦 − 𝑛𝑥̅ 𝑦̅ 2393.7 − (12)(19)(10.258)

𝑏= = = 0.159302
∑ 𝑥 2 − 𝑛𝑥̅ 2 4676 − (12)(19)2
𝑎 = 𝑦̅ − 𝑏𝑥̅ = 10.258 − (0.159)(19) = 7.231589

Sehingga didapat persamaan regresi sebagai berikut :

𝑌̂ = 7.231589 + 0.159302𝑋

Persamaan diatas menunjukkan bahwa jumlah penumpang bus dan subway ketika tidak
ada satupun wisatawan yang datang ke Kota London adalah sebanyak 7.231589 orang (dalam
jutaan). Rata-rata perubahan jumlah penumpang bus dan subway ketika jumlah wisatawan
yang datang ke Kota London naik satu satuan (orang) adalah sebanyak 0.159302 (dalam
jutaan) orang.

c) What is expected ridership if 10 million tourists visit London in a year?

Penumpang bus dan kereta bawah tanah berkaitan dengan jumlah wisatawan yang
mengunjungi kota London. Ketika jumlah wisatawan sebanyak 10 million maka dapat
diperkirakan jumlah penumpang bus dan kereta bawah tanah dengan menggunakan model
regresi yang telah dibuat di poin b. dengan model :
𝑌̂ = 7.231589 + 0.159302𝑋
Maka didapat,
𝑌̂ = 7.231589 + 0.159302(10) = 8.824612
 Maka, berdasarkan hasil diatas dapat disimpulkan bahwa jumlah penumpang bus dan kereta
di Kota London ketika jumlah wisatawannya sebanyak 10 million adalah 8.824612 (dalam
jutaan) orang.

d) Explain the predicted ridership if there are no tourists at all.

Jumlah penumpang bus dan subway ketika tidak ada satupun wisatawan yang datang ke
Kota London adalah sebanyak 7.231589 orang (dalam jutaan). Dengan perhitungan sebagai
berikut :
𝑌̂ = 7.231589 + 0.159302(0) = 7.231589

e) What is the standard error of the estimate?

Menghitung standard error dari suatu model regresi bisa menggunakan rumus tersebut :
∑(𝑦 − 𝑦̂)2
𝑆𝐸 = √
𝑛−2

Year X (tourists) Y (ridership) Y (estimate) ̂ )𝟐

(𝒚𝒊 − 𝒚
1 15 9.5 9.62 0.015
2 10 9 8.82 0.031
3 14 9.3 9.46 0.026
4 12 9.5 9.14 0.127
5 22 10.5 10.74 0.056
6 23 10.7 10.90 0.038
7 24 10.4 11.05 0.429
8 20 10 10.42 0.174
9 22 10.7 10.74 0.001
10 28 12.4 11.69 0.501
11 23 11.4 10.90 0.254
12 15 9.7 9.62 0.006
Jumlah 228 123.1 123.1 1.66

∑(𝑦 − 𝑦̂)2 1.66

𝑆𝐸 = √ =√ = 0.407357
𝑛−2 12 − 2
Standard error ini mengukur sejauh mana data sebenarnya tersebar dari garis regresi. Semakin
kecil standard error, semakin baik model dalam menjelaskan data. Standard error diatas sudah
menunjukkan angka yang kecil sehingga model dapat dikatakan baik dalam menjelaskan data.

f) What is the model’s correlation coefficient and coefficient of determination?

Menghitung correlation coefficient dari suatu model regresi bisa menggunakan rumus tersebut
:
 ∑(𝑥𝑖 − 𝑥̅ )(𝑦𝑖 − 𝑦̅)
𝑟=
√∑(𝑥𝑖 − 𝑥̅ )2 ∑(𝑦𝑖 − 𝑦̅)2

Dan menghitung coefficient of determination dari suatu model regresi bisa menggunakan
rumus :
∑(𝑦𝑖 − 𝑦̂) 2
2 𝑖
R =1− 2
∑(𝑦𝑖 − 𝑦̅)
𝑖

Maka, dapat dihitung correlation coefficient dan coefficient of determination untuk model
regresi dari jumlah penumpang bus dan kereta bawah tanah yang telah didapat di poin d).

X Y
Year (tourists) (ridership) (𝒙𝒊 − 𝒙
̅)(𝒚𝒊 − 𝒚
̅) (𝒙𝒊 − 𝒙̅) 𝟐 ̅ )𝟐
(𝒚𝒊 − 𝒚
1 15 9.5 3.03 16 0.58
2 10 9 11.33 81 1.58
3 14 9.3 4.79 25 0.92
4 12 9.5 5.31 49 0.58
5 22 10.5 0.72 9 0.06
6 23 10.7 1.77 16 0.20
7 24 10.4 0.71 25 0.02
8 20 10 -0.26 1 0.07
9 22 10.7 1.32 9 0.20
10 28 12.4 19.28 81 4.59
11 23 11.4 4.57 16 1.30
12 15 9.7 2.23 16 0.31
Jumlah 228 123.1 54.80 344.00 10.39
Rata-rata 19 10.258 3.03

∑(𝑥𝑖 − 𝑥̅ )(𝑦𝑖 − 𝑦̅) 54.8

𝑟= = = 0.916666
√∑(𝑥𝑖 − 𝑥̅ )2 ∑(𝑦𝑖 − 𝑦̅)2 √(344)(10.39)

Nilai koefisien korelasi (r) dapat memiliki nilai antara -1 dan 1. Nilai r yang mendekati 1
menunjukkan korelasi positif sempurna (korelasi positif yang kuat) dan nilai r yang mendekati
-1 menunjukkan korelasi negatif sempurna (korelasi yang kuat).
Oleh karena itu nilai koefisien korelasi diatas termasuk korelasi yang kuat. Sehingga dapat
disimpulkan bahwa jumlah wisatawan yang datang ke Kota London dengan jumlah
penumpang bus dan busway memiliki hubungan atau keterkaitan yang kuat dan semakin
banyak jumlah wisatawan yang datang ke Kota London, akan semakin banyak juga jumlah
penumpang bus dan busway di Kota London (korelasi positif).
 X Y Y
Year (tourists) (ridership) (estimate) (𝒚𝒊 − 𝒚̂𝒊 )𝟐 (𝒚𝒊 − 𝒚̅𝒊 )𝟐
1 15 9.5 9.62 0.015 0.575
2 10 9 8.82 0.031 1.583
3 14 9.3 9.46 0.026 0.918
4 12 9.5 9.14 0.127 0.575
5 22 10.5 10.74 0.056 0.058
6 23 10.7 10.90 0.038 0.195
7 24 10.4 11.05 0.429 0.020
8 20 10 10.42 0.174 0.067
9 22 10.7 10.74 0.001 0.195
10 28 12.4 11.69 0.501 4.587
11 23 11.4 10.90 0.254 1.303
12 15 9.7 9.62 0.006 0.312
Jumlah 228 123.1 123.1 1.66 10.39
Rata-rata 19 10.258

∑(𝑦𝑖 − 𝑦̂) 2
𝑖 1.66
R2 = 1 − 2
= 1 − = 0.840276
∑(𝑦𝑖 − 𝑦̅)
𝑖 10.39

Koefisien determinasi (R2 ) digunakan untuk mengukur seberapa baik model regresi dapat
menjelaskan data atau cocok dengan data yang diamati. R-squared memberikan informasi
seberapa besar variasi dalam variabel Y dapat dijelaskan oleh model itu sendiri. Nilai R2
berkisar antara 0 hingga 1. R2 yang mendekati 1 menunjukkan bahwa model baik dalam
menjelaskan data.
Oleh karena itu, dapat disimpulkan berdasarkan hasil R2 pada model yang telah dibentuk
untuk jumlah penumpang bus dan kereta bawah tanah di Kota London sebesar 0.84 yang
berarti model baik dalam menjelaskan data karena nilai R2 mendekati 1.