Dokumen tersebut membahas metode peramalan kuantitatif yaitu metode siklis dan musiman. Metode siklis memprediksi pola data yang berulang dalam jangka panjang akibat faktor ekonomi, sedangkan metode musiman memprediksi pola data berulang dalam periode tertentu seperti hari atau bulan akibat faktor musiman. Dokumen ini juga menjelaskan cara verifikasi peramalan menggunakan Theil's U, Tracking Signal, dan Moving Range Chart.

1. Peramalan Permintaan:
Peramalan Kuantitatif
(lanjutan)
& Verifikasi Peramalan
UNIVERSITAS ESA UNGGUL
KAMPUS HARAPAN INDAH
KELAS PARALEL 2020
Perancangan dan Pengendalian Produksi EU201

2. 1. Rogers Malau 20200201033
2. Sri Laras Setiasih 20200201065
3. Arief Rahmanto 20200201067
4. Suharlistiyono 20200201069
KELOMPOK
3

3. OUTLINE
PERAMALAN
KUANTITATIF
TOLAK UKUR
KESALAHAN
VERIFIKASI
RAMALAN
1
3
2

4. PERAMALAN KUANTITATIF
METODA
SIKLIS
METODA
MUSIMAN
P

5. METODA SIKLIS
Siklis adalah fluktuasi seperti gelombang di sekitar tren,
atau bisa disebut sebagai pola data musiman dalam
jangka panjang yang berulang biasanya setiap lima sampai
sepuluh tahun (Firdaus, 2006). Menurut Raharja, dkk (2010)

6. Menurut Raharja, dkk (2010) pola data siklus terjadi jika
terdapat data yang dipengaruhi oleh fluktuasi ekonomi
jangka panjang seperti yang berhubungan dengan siklus
bisnis.
Sedangkan menurut Makridakis (1999) pola data siklis
terjadi jika variasi data bergelombang pada durasi lebih
dari satu tahun dipengaruhi oleh faktor politik, perubahan
ekonomi yang dikenal dengan siklus usaha.
Kesimpulannya pola data siklis merupakan pergerakan
data yang membentuk gelombang di dekitar tren, dengan
durasi lebih dari satu tahun akibat siklis bisnis atau
perubahan ekonomi. Penjualan produk dengan pola siklis
contohnya mobil dan baja.

7. Metoda Siklis

8. Pola Siklis
0
20
40
60
80
100
120
0 10 20 30
Permintaan Aktual

9. METODA MUSIMAN
Menurut Makridakis (1999) pola data musiman terbentuk
akibat faktor musiman, seperti cuaca dan liburan. Pola data
musiman merupakan fluktuasin data yang berulang setiap
beberapa periode tertentu, seperti hari, minggu bahkan
bulan, (Firdaus, 2006).

10. Sedangkan menurut Raharja, dkk (2010) pola data musiman
terjadi jika suatu deret data yang dipengaruhi oleh factor
musiman (misalnya kuartal tahunan tertentu, bulanan,
atau harian).
Sehingga kesimpulannya pola data musiman terjadi
akibat faktor musiman sehingga fluktuasi data
menunjukkan pengulangan pada periode-periode
tertentu. Penjualan produk jenis ini adalah seperti
penjualan jas hujan dan AC.

11. Metoda Musiman
Permintaan Musiman
0
5
10
15
20
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
Hari
Jumlah
Permintaan
Permintaan Masa Lalu

12. Prosedur Metoda Musiman:
1. Plot data dan tentukan jumlah musiman dalam satu siklus
2. Hitung rata-rata tiap siklus
3. Hitung indeks tiap musim pada tiap siklus dan hitung rata-rata
indeks musiman
4. Hilang unsur musim dari data dan hitung rata-rata tiap siklus
5. Tentukan trend siklus
6. Hitung nilai ramalan tiap siklus
7. Hitung nilai ramalan tiap perioda melalui perkalian indeks
musiman dan nilai ramalan tiap siklus

13. TOLAK UKUR
KESALAHAN RAMALAN
Ukuran kesalahan peramalan merupakan selisih antara
hasil peramalan dengan nilai sebenarnya sebuah penjualan.
Terdapat beberapa macam metode peramalan, yang masing-
masing metode memiliki kelebihan dan kekurangan.
Pemilihan metode yang tepat dapat dilakukan dengan
mengamati besarnya selisih nilai actual pengamatan dengan
hasil peramalannya tersebut.

14. Metode Pengukuran Kesalahan Peramalan (Forecast Evaluation)
1. Rata-rata Kuadrat Kesalahan (Mean Square Error)
MSE dihitung dengan menjumlahkan kuadrat semua kesalahan peramalan pada setiap periode dan
membaginya dengan jumlah periode peramalan. Pendekatan ini menghasilkan kesalahan yang moderat
lebih disukai oleh suatu peramalan yang menghasilkan kesalahan yang sangat besar.
2. MAE (Mean Absolute Error)
MAE adalah rata-rata selisih mutlak nilai sebenarnya (aktual) dengan nilai prediksi (peramalan). MAE
digunakan untuk mengukur keakuratan suatu model statistik dalam melakukan prediksi atau peramalan.
MAE bersama dengan MAPE (Mean Absolute Percentage Error) merupakan ukuran keakuratan yang paling
sering digunakan dalam analisis deret waktu (time series).
3. Rata–rata Persentase Kesalahan Absolut (Mean Absolute Persentage Error)
MAPE merupakan ukuran kesalahan relatif, MAPE biasanya lebih berarti bila dibandingkan dengan MAD
karena MAPE menyatakan persentase kesalahan hasil peramalan terhadap permintaan aktual selama
periode tertentu yang akan memberikan informasi persentase kesalahan terlalu tinggi atau terlalu rendah

16. VERIVIKASI RAMALAN
1. Verifikasi Ramalan dengan Theil’s U
2. Verifikasi Ramalan dengan Tracking Signal
3. Verifikasi dan Pengendalian Ramalan dengan
Moving Range Chart

17. Verifikasi Ramalan
dengan Theil’s U
Perhitungan ini digunakan untuk mengetahui perbandingan
antara pendekatan naif dengan perhitungan peramalan
formal. Digunakan untuk mengetahui apakah metoda
ramalan terpilih sudah lebih baik dari metoda Naive (F(t)=X(t-
1)). Ada tiga nilai interpretasi dari hasil perhitungan ini, yaitu:
● U=1, metoda naïf sama baiknya dengan teknik ramalan
yang dievaluasi
● U< 1, teknik peramalan yang dievaluasi lebih baik dari
metoda naïf
● U > 1, metoda naïf lebih baik

19. CONTOH PERHITUNGAN STATISTIK U DARI THEIL

20. VERIFIKASI RAMALAN
DENGAN TRACKING
SIGNAL
Tracking Signal adalah rasio antara kumulatif error (selisih
nilai ramalan dengan nilai aktual)/RSFE (Running Sum of the
Forecast Error) terhadap MAD (Mean Absolute Deviation).

21. Dengan interpretasi sebagai berikut:
● Nilai Tracking Signal positif Data aktual > Data peramalan
● Nilai Tracking Signal negatif Data aktual < Data peramalan
Nilai Tracking Signal yang baik akan didapat jika nilai RSFE
kecil dan Pusat atau titik tengah Tracking Signal mendekati
nol. Sementara batas bawah dan batas atas digunakan ± 4
MAE untuk kebutuhan besar dan ± 8 MAE untuk kebutuhan
kecil/sedikit.
Tracking Signal positif artinya permintaan aktual lebih
besar dari nilai hasil peramalan, dan sebaliknya jika nilai
Tracking Signal negatif artinya permintaan aktual lebih
kecil dari pada nilai hasil peramalan.

22. TS(t) = RSFE(t)/MAE(t)
TS(t) : Tracking Signal perioda t
RSFE : Running Sum Forecast Error perioda t
MAE(t) : Mean Absolute Error perioda t
Batas-batas kendali :
1. Batas Kendali Atas (Upper Control Limit) = 3 s/d 8 MAE
2. Batas Kendali Bawah (Lower Control Limit) = -(3 s/d 8) MAE
Plot data TS ke peta kendali

23. CONTOH PERHITUNGAN TRACKING SIGNAL

24. HASIL PLOT NILAI TRACKING SIGNAL

25. VERIFIKASI & PENGENDALIAN
RAMALAN DENGAN MOVING
RANGE CHART
Untuk membandingkan data yang diamati (data aktual) dan
untuk memverifikasi apakah metoda yang dipilih layak untuk
digunakan melakukan peramalan maka digunakan MRC
(Moving Range Chart)
MR(t) = |e(t) – (e(t-1)|

27. KONDISI OUT OF CONTROL

28. CONTOH PERHITUNGAN MOVING RANGE CHART

29. Moving Range Chart
-400
-300
-200
-100
0
100
200
300
400
1 2 3 4 5 6 7 8
MR
Perioda
Nilai MR
UCL
2 UCL/3
UCL/3
CL
-LCL/3
-2 LCL/3
-3 LCL/3

30. TERIMA
KASIH