PERENCANAAN & PENGENDALIAN PRODUKSI (P3)

Chapter 4

Kulsum
LSiPro – FT Untirta
2016

Kulsum_LsiPro
 Tujuan Pembelajaran
• Mahasiswa mampu memahami dan
melakukan tentang peramalan produksi.

Kulsum_LsiPro
 Faktor Yang Mempengaruhi Peramalan

• Permintaan suatu produk sangat dipengaruhi oleh

faktor lingkungan yang saling berinteraksi dalam pasar
yang berada di luar kendali perusahaan.
• Faktor lingkungan yang mempengaruhi peramalan :
1. Kondisi umum bisnis dan ekonomi
2. Reaksi dan tindakan pesaing
3. Tindakan pemerintah
4. Kecenderungan pasar
5. Siklus hidup produk
6. Gaya dan mode
7. Perubahan permintaan konsumen
8. Inovasi teknologi
 Tipe-tipe peramalan
Kualitatif
Karakteristik berdasarkan
pertimbangan dan
pendapat manusia;
subyektif
Kelebihan memperhitungkan
perkembangan terakhir
dalam lingkungan dan
informasi dari dalam
Kelemahan ramalan yang bias dan
akurasi yang rendah
7/22/2018 SUPPLY CHAIN MANAGEMENT
Kuantitatif
berdasarkan data kuantitatif
dan matematis
konsisten dan obyektif;
dapat mempertimbangkan
banyak informasi dan data
sekaligus
data kuantitatif mungkin
tidak dapat diperoleh.
Hanya sebagian data yang
dimasukkan
4
 Metode peramalan
• Kualitatif: Bersifat subjektif;
memanfaatkan intuisi dan opini
serta pengalaman pribadi;
digunakan jika data historis yang
tersedia sedikit
• Time Series: hanya
menggunakan data permintaan
terdahulu (data historis)
– Static
– Adaptive
7/22/2018
• Causal: metode ini mencari
keterkaitan antara permintaan
dan faktor lingkungan tertentu
(misalnya tingkat suku bunga)
untuk membuat peramalan
• Simulasi
– Mengkombinasikan time
series dan metode causal
– Meniru pilihan konsumen
yang memberikan kenaikan
pada permintaan
5 SUPPLY CHAIN MANAGEMENT
 Pendekatan dalam Peramalan
Tinjauan Metode Kualitatif
1. Keputusan dari pendapat juri eksekutif
2. Metode Delphi
3. Gabungan dari tenaga penjualan
4. Survei pasar konsumen

Tinjauan Metode Kuantitatif

1. Pendekatan Naif (Naïve Model)
2. Rata-rata bergerak (moving averages) time-series
3. Penghalusan Eksponensial (exponential smoothing)
4. Proyeksi Tren(trend projection)
5. Regresi Linear asosiatif

STIE PUTRA BANGSA

 Jenis-jenis Ramalan

• Pendapat – menggunakan masukan

secara subjektif
• Serial waktu – menggunakan data
historis dan mengasumsikan masa
depan akan sama dengan masa lalu
• Model Asosiatif (Associative Model)–
menggunakan variabel-variabel untuk
meramalkan masa depan

3-7
 Teknik-Teknik Peramalan
• 1. Teknik Kualitatif :
Teknik ini adalah subyektif atau “judgmental” atau
berdasarkan pada estimasi dan pendapat-pendapat. Berbagai
sumber pendapat yang baik bagi peramalan kondisi bisnis
adalah sebagai berikut :
– Para eksekutif
– Orang-orang bagian penjualan
– Para langganan
– Para ahli berbagai bidang, misal : konsultan manajemen
 Teknik Kualitatif
• Metode Delphi, merupakan teknik yang
mempergunakan prosedur sistematik untuk
mendapatkan suatu konsensus pendapat-pendapat
dari suatu kelompok ahli. Proses delphi dilakukan
dengan meminta kepada para anggota kelompok untuk
memberikan serangkaian ramalan-ramalan melalui
tanggapan mereka terhadap daftar pertanyaan.
Kemudian hasilnya diformulasikan dan dibagikan lagi
kepada kelompok.
• Riset pasar, teknik ini secara khusus ditujukan untuk
meramal permintan dan penjualan produk baru.
 Teknik Kualitatif
• Analogi historik, peramalan dilakukan dengan
menggunakan pengalaman-pengalaman
historis dari suatu produk yang sejenis.
• Konsensus panel, gagasan yang didiskusikan
kelompok akan menghasil-kan ramalan-
ramalan lebih baik daripada dilakukan oleh
seseorang.
 PENDEKATAN DALAM PERAMALAN
2. Peramalan kuantitatif : peramalan yang
menggunakan model matematis yang
beragam dengan data masa lalu dan
variabel sebab-akibat untuk peramalan
permintaan.
 Persyaratan Penggunaan
Metode Kuantitatif:

1. Tersedia informasi tentang masa lalu.

2. Informasi tersebut dapat di kuantitatifkan dalam
bentuk data numerik.
3. Dapat diasumsikan bahwa beberapa aspek pola
masa lalu akan terus berlanjut di masa mendatang.
• Model Deret Waktu : teknik peramalan yg
menggunakan sejumlah data masa lalu untuk
membuat peramalan.
• Model asosiatif (hubungan sebab akibat)
seperti regresi linear, menggabungkan banyak
variabel atau faktor yg mungkin
mempengaruhi kuantitas yg sedang di-
ramalkan. Sebagai contoh, model asosia-tif
dari penjualan mesin pemotong rumput
mungkin memasukkan faktor spt adanya
perumahan baru, anggaran iklan, dan harga
pesaing.
 PERAMALAN DERET WAKTU
• Mengasumsikan bahwa sejarah permintaan masa lalu adalah
indikator yang baik untuk permintaan di masa yang akan
datang
• Paling sesuai jika situasi lingkungan stabil dan pola
permintaan dasar tidak bervariasi secara signifikan dari satu
tahun ke tahun berikutnya
• Metode yang paling sederhana dan dapat menjadi titik acuan
awal untuk meramalkan permintaan

14
 PERAMALAN DERET WAKTU
• Deret waktu didasarkan pada urutan dari titik-
titik data yg berjarak sama dalam waktu
(mingguan, bulanan, kuartalan, dll).
• Menganalisis deret waktu berarti membagi
data masa lalu menjadi komponen-komponen,
kemudian memproyeksikan-nya ke masa
depan.
 PENDEKATAN NAIF
• Pendekatan naif adalah teknik peramalan yg
mengasumsikan permintaan periode
berikutnya sama dengan permintaan pada
periode terakhir. Dengan kata lain, jika
penjualan sebuah produk (mis: telpon
gemgam Motorolla) adalah 68 unit pada bulan
Januari, kita dapat meramalkan pen-jualan
pada bulan Februari akan sama, yaitu
sebanyak 68 unit juga.
• Pendekatan naif ini merupakan model
peramalan objektif yg paling efektif dan
efisien dari segi biaya. Paling tidak pen-
dekatan naif memberikan titik awal untuk
perbandingan dengan model lain yang lebih
canggih.
Kulsum_LsiPro
 Pola data metode deret berkala (1)

1. Pola horisontal (H) terjadi bilamana data berfluktuasi disekitar

nilai rata-rata yg konstan. Suatu produk yg penjualannya tdk
meningkat atau menurun selama waktu tertentu termasuk
jenis ini. Pola khas dari data horizontal atau stasioner seperti
ini dapat dilihat dalam Gambar 1.1.
2. Pola musiman (S) terjadi bilamana suatu deret dipengaruhi
oleh faktor musiman (misalnya kuartal tahun tertentu,
bulanan, atau hari-hari pada minggu tertentu). Penjualan dari
produk seperti minuman ringan, es krim, dan bahan bakar
pemanas ruang semuanya menunjukkan jenis pola ini. Untuk
pola musiman kuartalan dapat dilihat Gambar 1.2.
Musiman : adalah pola data yg berulang pada kurun waktu
tertentu, seperti :harian, mingguan, bulanan, atau kuartal.
Pola data metode deret berkala (2)

3. Pola siklis (C) terjadi bilamana datanya dipengaruhi oleh

fluktuasi ekonomi jangka panjang seperti yang
berhubungan dengan siklus bisnis. Contoh: Penjualan
produk seperti mobil, baja, dan peralatan utama lainnya.
Jenis pola ini dapat dilihat pada Gambar 1.3.
pola dalam data yg terjadi setiap beberapa tahun.
Siklus ini biasa nya terkait pada siklus bisnis dan me
rupakan satu hal penting dlm analisis dan perencanaan
bisnis jangka pendek. Memprediksi siklus bisnis sulit
dilakukan karena adanya pengaruh kejadian
politik ataupun kerusuhan internasional.
Pola data metode deret berkala (2)

4. Pola trend (T) terjadi bilamana terdapat kenaikan atau

penurunan sekuler jangka panjang dalam data. Contoh:
Penjualan banyak perusahaan, GNP dan berbagai indikator
bisnis atau ekonomi lainnya. Jenis pola ini dapat dilihat pada
Gambar 1.4.
5. Pola Variasi Acak
merupakan satu titik khusus dalam data, yang disebabkan
oleh peluang dan situasi yang tidak bisa
Time-Series

STIE PUTRA BANGSA

 Metode Moving Averages

• Terdapat 2 pendekatan moving average:

– Single Moving Average (rata-rata bergerak sederhana)
– Weighted Moving Average (rata-rata bergerak tertimbang)
 Simple Moving Averages

• Metode Simple Moving Averages mempunyai 2

sifat khusus:
– Untuk membuat forecast diperlukan data masa lalu selama
jangka waktu tertentu.
– Semakin panjang moving averages, maka akan menghasilkan
moving averages yang semakin halus.
 Simple Moving Averages

Metode rata-rata bergerak sederhana memprediksi

dengan cara mencari rata-rata dari data n periode
sebelumnya.
Sehingga:
X t  X t -1  ... X t -n 1
St 1 
n

St+1 = Forecast untuk periode ke t+1

Xt = Data periode t
n = Jangka waktu moving averages.
 Simple Moving Averages

Misal:
Untuk mendapatkan angka perkiraan dengan menggunakan
metode rata-rata bergerak 3 bulan , maka perkiraan data
berikutnya sebesar rata-rata 3 bulan sebelumnya.

Untuk mendapatkan angka perkiraan dengan menggunakan

metode rata-rata bergerak 5 bulan , maka perkiraan data
berikutnya sebesar rata-rata 5 bulan sebelumnya.
 Simple Moving Averages

• Contoh: Peramalan penjualan bulan April dengan

metode peramalan rata-rata bergerak 3 bulan
adalah:
Penjualan Januari : 20.000 kg
Februari : 21.000 kg
Maret : 19.000 kg
X 3  X: 2?  X1
April
S4 
3
19.000  21.000  20.000
S4 
3
S4  20.000
 Weighted Moving Averages

• Metode rata-rata bergerak tertimbang memprediksi

dengan cara memberikan bobot kepada data n periode
sebelumnya, kemudian membaginya dengan jumlah
bobot.
• Bobot terbesar diberikan ke data 1 (satu) periode
sebelumnya
 Weighted Moving Averages

Misal:
Untuk mendapatkan angka perkiraan dengan
menggunakan metode rata-rata bergerak tertimbang n
bulan, maka perkiraan data berikutnya adalah:

∑ (bobot untuk periode n) * (permintaan dalam periode n)

WMA =
∑ bobot
 Weighted Moving Averages

Cara memberikan bobot:

Bulan Permint Bobot Periode
Misal terdapat data permintaan aan
seperti dalam tabel, untuk Januari 20
prediksi permintaan pada bulan Pebruari 24 1 3 bln lalu
Mei, maka pembobotannya Maret 21 2 2 bln lalu
adalah sebagai berikut : April 19 3 bln lalu
Mei ?

Sehingga: (3 x 19) + (2 x 21) + (1 x 24)

Perkiraan bl Mei = = 20,5
3+2+1
 Akurasi Peramalan

• MAE (Mean Absolute Error)

Mean Absolute Error (MAE) adalah rata-rata absolute
dari kesalahan meramal, tanpa menghiraukan tanda
positif atau negatif.

– E = kesalahan
– Xt = data aktual
– St = data hasil peramalan
– n = jumlah periode
 Akurasi Peramalan

• MSE (Mean Square Error)

• MSE dihitung dengan menjumlahkan kuadrat semua
kesalahan peramalan pada setiap periode dan
membaginya dengan jumlah periode peramalan.
• Rumus matematisnya adalah :

 t t
X  S 2

E
n
– E = kesalahan
– Xt = data aktual
– St = data hasil peramalan
– n = jumlah periode
 Contoh Soal Simple Moving Averages

Contoh soal:
Tahun 2014 Permintaan
• Sebuah perusahaan memiliki
data permintaan selama Januari 20
tahun 2014 seperti disajikan Februari 21
Maret 19
pada tabel. Hitung berapa
April 17
kira-kira permintaan pada Mei 22
bulan Januari 2015, dan Juni 24
berapa perkiraan kesalahan Juli 18
akurasinya apabila Agustus 23
menggunakan metode rata- September 20
rata bergerak 3 bulan dan Oktober 25
rata-rata bergerak 5 bulan ? November 22
Desember 24
 Contoh Soal Simple Moving Averages

Contoh soal:
Tahun 2014 Permintaan
• Sebuah perusahaan memiliki
data permintaan selama Januari 20
tahun 2014 seperti disajikan Februari 21
Maret 19
pada tabel. Hitung berapa
April 17
kira-kira permintaan pada Mei 22
bulan Januari 2015, dan Juni 24
berapa perkiraan kesalahan Juli 18
akurasinya apabila Agustus 23
menggunakan metode rata- September 20
rata bergerak 3 bulan dan Oktober 25
rata-rata bergerak 5 bulan ? November 22
Desember 24
 Jawaban rata2 bergerak 3 bulan (1)

• Mencari forecast Tahun 2014 Permintaan Forecast 3

bulan
untuk rata-rata Januari 20 -
bergerak 3 bulan. Februari 21 -
Maret 19 -
• Hasilnya sbb  April 17 20.00
Mei 22 19.00
Juni 24 19.33
Juli 18 21.00
Agustus 23 21.33
September 20 21.67
Oktober 25 20.33
November 22 22.67
Desember 24 22.33
Jawaban rata2 bergerak 3 bulan (2)

• Mencari Mean Absolute Error & Mean Square

Error untuk rata-rata bergerak 3 bulan, dengan
cara sbb:
Tahun 2014 Permintaan Forecast Error
Absolut
Error
Error 2

Januari 20 - - - -
Februari 21 - - - -
Maret 19 - - - -
April 17 20,00 -3,00 3,00 9,00
Mei 22 19,00 3,00 3,00 9,00
Juni 24 19,33 4,67 4,67 21,78
Juli 18 21,00 -3,00 3,00 9,00
Agustus 23 21,33 1,67 1,67 2,78
September 20 21,67 -1,67 1,67 2,78
Oktober 25 20,33 4,67 4,67 21,78
November 22 22,67 -0,67 0,67 0,44
Desember 24 22,33 1,67 1,67 2,78
Jumlah : 24,00 79,33
Jawaban rata2 bergerak 3 bulan (3)

– Mean Absolute Error 

– Mean Squared Error 


 t t
X  S 2

E
n
Jawaban rata2 bergerak 3 bulan (4)

– Prediksi permintaan pada bulan Januari 2015 dengan

metode rata-rata bergerak 3 bulan adalah:

– Dengan MAE sebesar 2,67 dan MSE sebesar 8,81

Jawaban rata2 bergerak 5 bulan (1)

• Mencari forecast untuk Tahun 2014 Permintaan Forecast

rata-rata bergerak 5 5 bulan
bulan. Januari 20 -
Februari 21 -
• Hasilnya sbb 
Maret 19 -
April 17 -
Mei 22 -
Juni 24 19.80
Juli 18 20.60
Agustus 23 20.00
September 20 20.80
Oktober 25 21.40
November 22 22.00
Desember 24 21.60
Jawaban rata2 bergerak 5 bulan (2)

• Mencari Mean Absolute Error & Mean Square

Error untuk rata-rata bergerak 5 bulan, dengan
cara sbb:
Tahun 2014 Permintaan Forecast Error
Absolut
Error
Error 2

Januari 20 - - - -
Februari 21 - - - -
Maret 19 - - - -
April 17 - - - -
Mei 22 - - - -
Juni 24 19,80 4,20 4,20 17,64
Juli 18 20,60 -2,60 2,60 6,76
Agustus 23 20,00 3,00 3,00 9,00
September 20 20,80 -0,80 0,80 0,64
Oktober 25 21,40 3,60 3,60 12,96
November 22 22,00 0,00 0,00 0,00
Desember 24 21,60 2,40 2,40 5,76
Jumlah : 16,60 52,76
Jawaban rata2 bergerak 5 bulan (3)

– Mean Absolute Error 

– Mean Squared Error 


 t t
X  S 2

E
n
Jawaban rata2 bergerak 5 bulan (4)

– Prediksi permintaan pada bulan Januari 2015 dengan

metode rata-rata bergerak 5 bulan adalah:

– Dengan MAE sebesar 2,37 dan MSE sebesar 7,54

Kesimpulan

» Jadi, prediksi permintaan pada bulan Januari 2015

adalah:

Metode MA Hasil Prediksi MAE MSE

Rata2 bergerak 3 bln 23,67 2,67 8,81
Rata2 bergerak 5 bln 22,8 2,37 7,54
 Contoh Soal Weighted Moving Averages

Contoh soal:
Tahun 2014 Permintaan
• Dengan data yang sama
dengan soal sebelumnya, Januari 20
hitung berapa kira-kira Februari 21
Maret 19
permintaan pada bulan
April 17
Januari 2015, dan berapa Mei 22
perkiraan kesalahan Juni 24
akurasinya apabila Juli 18
menggunakan metode rata- Agustus 23
rata bergerak tertimbang 3 September 20
bulan dan rata-rata bergerak Oktober 25
tertimbang 5 bulan ? November 22
Desember 24
Jawaban rata2 bergerak tertimbang 3 & 5 bulan (1)

Forecast 3 Absolut Forecast Absolut

Tahun 2014 Permintaan Error Error 2 Error Error 2
bln Error 5 bln Error
Januari 20 - - - - - - - -
Februari 21 - - - - - - - -
Maret 19 - - - - - - - -
April 17 19,83 -2,83 2,83 8,03 - - - -
Mei 22 18,33 3,67 3,67 13,44 - - - -
Juni 24 19,83 4,17 4,17 17,36 19,80 4,20 4,20 17,64
Juli 18 22,17 -4,17 4,17 17,36 21,20 -3,20 3,20 10,24
Agustus 23 20,67 2,33 2,33 5,44 20,33 2,67 2,67 7,11
September 20 21,50 -1,50 1,50 2,25 21,33 -1,33 1,33 1,78
Oktober 25 20,67 4,33 4,33 18,78 21,07 3,93 3,93 15,47
November 22 23,00 -1,00 1,00 1,00 22,27 -0,27 0,27 0,07
Desember 24 22,67 1,33 1,33 1,78 22,27 1,73 1,73 3,00
Jumlah : 25,33 85,44 17,33 55,32
Jawaban rata2 bergerak tertimbang 3 & 5 bulan (2)

• MAE & MSE untuk rata-rata bergerak

tertimbang 3 dan 5 bulan adalah :
Jawaban rata2 bergerak 3 bulan (3)

– Prediksi permintaan pada bulan Januari 2015 dengan

metode rata-rata bergerak tertimbang 3 bulan
adalah:

– Dengan MAE sebesar 2,81 dan MSE sebesar 9,49

Jawaban rata2 bergerak 5 bulan (4)

– Prediksi permintaan pada bulan Januari 2015 dengan

metode rata-rata bergerak tertimbang 5 bulan
adalah:

– Dengan MAE sebesar 2,48 dan MSE sebesar 7,90

Kesimpulan

» Jadi, prediksi permintaan pada bulan Januari 2015

adalah:

Metode MA Hasil Prediksi MAE MSE

Rata2 bergerak 23,50 2,81 9,49
tertimbang 3 bln
Rata2 bergerak 23,07 2,48 7,90
tertimbang 5 bln
 Membandingkan Metode
• Perbandingan error antara 3 bulan dan 5 bulan
moving average :
Metode MA Hasil Prediksi MAE MSE
Rata2 bergerak 3 bln 23,67 2,67 8,81
Rata2 bergerak 5 bln 22,8 2,37 7,54
Rata2 bergerak tertimbang 3 23,50 2,81 9,49
bln
Rata2 bergerak tertimbang 5 23,07 2,48 7,90
bln

• Berdasarkan perbandingan tersebut, moving

average dengan jangka waktu lebih lama,
penyimpangan pada hasil peramalannya akan lebih
kecil.
 Kelemahan Moving Averages

• Rata-rata bergerak sederhana dan tertimbang efektif

dalam menghaluskan fluktuasi pada permintaan yang
tak terduga guna menghasilkan estimasi yang stabil.
• Kelemahan teknik rata-rata bergerak:
– Meningkatkan ukuran n (jml periode yang dirata-ratakan) bisa
menghaluskan fluktuasi dengan lebih baik, tetapi kurang
sensitif untuk perubahan nyata dalam data
– Karena merupakan rata-rata, maka akan selalu berada dalam
tingkat masa lalu dan tidak akan memprediksi perubahan ke
tingkat yang lebih tinggi atau lebih rendah.
Kulsum_LsiPro
 Asumsi-asumsi Regresi Linear
• Variasi-variasi di sekitar garis adalah acak
• Penyimpangan-penyimpangan di sekitar garis
didistribusikan secara normal
• Prediksi-prediksi dibuat hanya dalam jangkauan nilai
yang diteliti
• Untuk hasil terbaik:
– Selalu tandai data untuk membuktikan linearitasnya
– Memeriksa data bergantung waktu
– Hubungan kecil bisa menyatakan bahwa variabel-
variabel lain juga penting
3-54
 Akurasi Ramalan
• Kesalahan (Error) – perbedaan antara nilai aktual dan
nilai ramalan
• Mean Absolute Deviation (MAD)
– Rata-rata kesalahan mutlak (Average absolute error)
• Mean Squared Error (MSE)
– Rata-rata kesalahan berpangkat (Average of squared error)
• Mean Absolute Percent Error (MAPE)
– Rata-rata persentase kesalahan mutlak (Average absolute
percent error)

3-55
 MAD, MSE, and MAPE

 Actual  forecast
MAD =
n
2
 ( Actual  forecast)
MSE =
n -1

 Actual  forecast / Actual*100)

MAPE =
n
3-56
 MAD, MSE dan MAPE
• MAD
– Mudah dihitung
– Menimbang (menghitung) kesalahan secara linear
• MSE
– Kesalahan dipangkatkan dua
– Beban lebih untuk kesalahan (erorr) yang lebih besar
• MAPE
– Menempatkan kesalahan-kesalahan (errors)
berdasarkan penyebabnya
3-57
 Contoh

Period Actual Forecast (A-F) |A-F| (A-F)^2 (|A-F|/Actual)*100

1 217 215 2 2 4 0.92
2 213 216 -3 3 9 1.41
3 216 215 1 1 1 0.46
4 210 214 -4 4 16 1.90
5 213 211 2 2 4 0.94
6 219 214 5 5 25 2.28
7 216 217 -1 1 1 0.46
8 212 216 -4 4 16 1.89
-2 22 76 10.26

MAD= 2.75
MSE= 10.86
MAPE= 1.28

3-58
 Pengawasan Ramalan
• Grafik Pengawasan (Control Chart)
– Alat untuk mengawasi kesalahan-kesalahan
ramalan secara visual
– Digunakan untuk menemukan ketidak-
serempangan dalam kesalahan-kesalahan
• Kesalahan-kesalahan peramalan berada
dalam kendali jika
– Semua kesalahan berada dalam batas kendali
– Muncul dengan tidak berbentuk, seperti tren
atau siklus

3-59
 Sumber-sumber kesalahan ramalan
• Model peramalan mungkin tidak cukup
• Variasi-variasi yang tak beraturan
• Kesalahan penggunaan teknik peramalan

3-60
 Memilih teknik peramalan
• Tidak ada teknik yang berfungsi di setiap situasi
• Dua faktor yang paling penting
– Biaya
– Akurasi
• Faktor lain termasuk ketersediaan dari:
– Data historis (masa lalu)
– Komputer
– Waktu yang dibutuhkan untuk mengumpulkan dan
menganalisa data
– Cakrawala ramalan (forecast horizon)
3-61
Kulsum_LsiPro
 NEXT
PERAMALAN-3

Kulsum_LsiPro
TERIMAKASIH

Kulsum_LsiPro
Kulsum_LsiPro
Kulsum_LsiPro
 Akurasi Peramalan

• Pengukuran akurasi peramalan dapat dilakukan

dengan beberapa cara, antara lain :
1. MAE (Mean Absolute Error) = Rata-rata Kesalahan Absolut
2. MSE (Mean Square Error) = Rata-Rata Kuadrat Kesalahan
3. MAD (Mean Absolute Deviation) = Rata-rata Deviasi Mutlak
4. MFE (Mean Forecast Error) = Rata-Rata Kesalahan Peramalan
5. MAPE (Mean Absolute Percentage Error) = Rata-Rata Persentase
Kesalahan Absolut