Professional Documents
Culture Documents
MANAGEMEN PRODUKSI
Peramalan
Disusun Oleh :
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
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
Monthly Sales
35 31
28 29 28 28 29
30 25 26
23 24
25 22 21
20
Sales
15
10
5
0
Month
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
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
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
Jadi untuk perkirakan penjualan bulan Januari menggunakan metode Rata-rata bergerak (Moving
Average) adalah sebanyak 29.3333 dibulatkan menjadi 29 penjualan (sales).
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
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
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
Jadi untuk perkirakan penjualan bulan Januari menggunakan metode Pembobotan rata-rata
bergerak adalah sebanyak 28.6 dibulatkan menjadi 29 penjualan (sales).
Mengukur Error peramalan :
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
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
• 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).
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
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
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
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.
Penyelesaian :
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.
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
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.