Laporan praktikum acara 1 p3

Data Penjualan Produk 1
LAPORAN PRAKTIKUM
PERENCANAAN DAN PENGENDALIAN PRODUKSI
ACARA 1
FORECASTING

NAMA : ARIF SUMAKNA
NIM : 11/318837/TP/10085
SHIFT : IV
CO ASS : MOH. HIDAYATULLAH
APRILIAN MEGASARI

LABORATORIUM SISTEM PRODUKSI
JURUSAN TEKNOLOGI INDUSTRI PERTANIAN
FAKULTAS TEKNOLOGI PERTANIAN
UNIVERSITAS GADJAH MADA
YOGYAKARTA
2013
BAB I.
PENDAHULUAN

Latar Belakang
Dalam suatu industri agro maupun manufaktur proses produksi berkaitan dengan perencanaan produksi sehingga produksi dalam suatu industri berjalan secara terarah dan terstruktur sesuai dengan penjadwalan. Keteraturan dalam produksi dapat meminimalisir biaya produksi karena keteraturan produksi dapat mengarahkan produksi dalam hal jumlah produksi, sehingga tidak terjadi penumpukan bahan jadi maupun bahan baku dalam proses produksi. Meminimalisir bahan jadi maupun bahan baku yang menumpuk digudang tentu saja dapat meminimalisir biaya berkaitan dengan pergudangan.
Salah satu metode yang dapat digunakan dalam proses perencanaan dan pengendalian produksi adalah dengan forecasting (peramalan). Peramalan adalah seni atau ilmu dalam memprediksikan kejadian yang akan datang. Dalam forecasting dapat dibedakan menjadi forecasting secara kualitatif yaitu forecasting hanya berdasarkan pendapat dan analisis deskriptif dan forecasting kuantitatif yaitu forecasting yang berhubungan dengan perhitungan secara matematis. Dalam praktikum perencanaan dan pengendalian produksi digunakan peramalan yang bersifat kuantitatif. Dalam peramalan kuantitatif terdapat berbagai macam metode yang digunakan yaitu salah satunya adalah dengan menggunakan bantuan program WinQSB. Program WinQSB merupakan program komputer yang dapat melakukan peramalan berkaitan dengan data-data berpola konstan, trend atau musiman, dengan masing-masing dari pola data tersebut menggunakan metode dalam WinQSB yang berbeda. Dalam pola-pola tersebut juga terdapat metode-metode yang ada yang dapat digunakan untuk melakukan peramalan data.
Dengan diadakan praktikum acara 1 perencanaan dan pengendalian produksi ini diharapkan kita dapat melakukan peramalan salah satunya dengan menggunakan program WinQSB dan kita sekaligus dapat memilih hasil peramalan dan metode peramalan yang paling benar.

Tujuan Praktikum
Mengajarkan mahasiswa untuk melakukan peramalan
Mengajarkan mahasiswa untuk memilih metode peramalan dengan benar
Manfaat
Praktikan dapat melakukan peramalan dengan menggunakan WinQSB
Praktikan dapat melakukan analisa terhadap hasil peramalan WinQSB
Praktikan dapat melakukan pemilihan terhadap metode peramalan yang paling benar
Praktikan dapat mengaplikasikan WinQSB dengan menggunakan data secara riil di lapangan

BAB II
TINJAUAN PUSTAKA

Peramalan adalah penggunaan data atau informasi untuk menentukan kejadian pada masa depan, dalam bentuk perhitungan atau prakiraan dari data yang lalu dan informasi lainnya untuk penelitian terlebih dahulu prakiraannya.
Menurut Hery prasetya dan Fitri Lukiastuti ( 2009 )
Peramalan merupakan suatu usaha untuk meramalkan keadaan dimasa yang akan datang melalui pengujian keadaan dimasa lalu.
Menurut Jay Heizer dan Barry Render ( 2006 )
Peramalan ( forecasting ) adalah seni atau ilmu untuk memperkirakan kejadian dimasa depan.
Menurut Tim pengembangan Laboratorium Manajemen Menengah ( 2008)
Forecasting diartikan sebagai kegiatan analisis untuk memperkirakan magnitude dan direction perubahan suatu variabel ekonomi bisnis ( permintaan barang dan jasa ) dimasa datang berdasarkan past data dan present data.
(Anonim 1, 2013)
Peramalan atau forecasting adalah sebuah metode sebagai alat bantu untuk melakukan suatu perencanaan yang efektif dan efisien, seperti peramalan terhadap tingkat permintaan suatu produk atau atau beberapa produk dan peramalanterhadap harga sembako dalam periode waktutertentu di masa yang akan datang (Falevy, 2013)
Peramalan (forecasting) adalah kegiatan memperkirakan apa yang terjadi pada masa yang akan datang berdasarkan data yang relevan pada masa lalu dan menempatkannya ke masa yang akan datang dengan suatu bentuk model matematis. Bisa juga merupakan prediksi intuisi yang bersifat subyektif,atau dengan menggunaan kombinasi model matematis yang disesuaikan dengan pertimbangan yang baik dari seorang manajer. Metode peramalan yang baik adalah yang memberikan hasil peramalan yang tidak berbeda dengan kenyataan yang terjadi.
Aktivitas peramalan merupakan suatu fungsi bisnis yang berusaha memperkirakan permintaan dan penggunaan produk sehingga produk-produk itu dapat dibuat dalam kuantitas yang tepat. Peramalan merupakan suatu dugaan terhadap permintaan yang akan datang berdasarkan pada beberapa variabel peramal, sering berdasarkan data deret waktu historis. Peramalan dapat menggunakan teknik-teknik peramalan yang bersifat formal maupun informal. Aktivitas peramalan ini biasa dilakukan oeh departemen pemasaran dan hasil-hasil dari peramalan ini sering disebut sebagai ramalan permintaan (Gaspersz, 2004).
Penggolongan pola data produk dapat dibedakan menjadi tiga, yaitu antara lain adalah data berpola konstan, trend dan musiman.
Data berpola konstan, yaitu apabila data berfluktuasi disekitar rata-rata secara stabil, Polanya berupa garis lurus mendatar. Pola seperti ini biasanya terdapat dalam jangka pendek atau menengah. Jarang sekali variable memiliki pola konstan secara jangka panjang.
Data berpola trend, yaitu apabila data memiliki kecenderungan, baik kecenderungan meningkat maupun kecenderungan menurun dari waktu ke waktu. Pola ini diakibatkan oleh bertambahnya populasi, perubahan pendapatan dan pengaruh budaya.
Data berpola musiman, yaitu apabila polanya merupakan gerakan yang berulang-ulang secara teratur dalam setiap periode tertentu, misalnya tahunan, triwulan, bulanan maupun mingguan. Pola ini biasanya berhubungan dengan factor iklim/cuaca atau factor yang dibuat oleh manusia seperti liburan dan hari besar. (Herjanto, 2013)

DAFTAR PUSTAKA
Gaspersz, V. 2004. Production Planning and Inventory Control. Jakarta : Gramedia Pustaka Utama.
Herjanto, Eddy. 2013. Manajemen Operasi Edisi Ketiga. Jakarta : Grasindo
Falevy, Marcelina Rizka. Dkk. 2013. Sistem Peramalan Harga Sembako Berbasis Moving Average Dengan Brew Platform Sebagai Mobile Interfaces. Dalam http www.eepisits.edu%2Fuploadta%2Fdownloadmk.php%3Fid%3D1343&e i=F4OUpLCNMjyrQe624D4Cg&usg=AFQjCNE4LcEYOFC5cVbUj4MGIn2RoX diakses pada 19 November 2013 pukul 19.40 WIB
Anonim. 2013. Forecasting (Peramalan). Dalam edwardferdinandonly.blogspot.com/2011/03/teori-peramalan.html diakses pada 19 November 2013 pukul 19.30 WIB

BAB III
METODE PRAKTIKUM

Alat dan Bahan
Program WinQSB
Data berpola konstan, trend dan musiman
Metode Praktikum
Data yang ada dimasukan dalam tabel Ms Excel ( 3 data )
Data-data tersebut diintepretasikan dalam bentuk line menggunakan menu Insert kemudian pilih Line
Dari hasil intepretasi dalam bentuk grafik tersebut dilakukan analisa apakah data termasuk dalam data konstan, trend atau musiman
Setelah mengetahui pola dari data dilakukan analisa peramalan meggunakan program WinQSB berdasarkan jenis pola data
Data konstan
Program WinQSB dibuka, kemudian memilih Forecasting and Linear Regression
Dalam menu File, pilih New Problem
Dalam new problem pilih Time Series Forecasting untuk Problem Type dan diketikan Peramalan dalam kolom Proble Title, Month dalam Time Unit dan 36 dalam Number of Time Units, kemudian klik OK
Masukan data berpola konstan dari Ms Excel
Lakukan analisis dengan memilih menu Solve and Analyze, kemudian dipilih Perform Forecasting
Dalam Forecasting method dipilih yang sesuai dengan pola data konstan, dalam hal ini dipilih Simple Average (SA), Method Parameters dipilih Assign values, dalam Search Criterion dipilih MAD dan Number of periods to forecast diisikan 6 kemudian diklik ok
Hasil peramalan diplotkan kedalam Excel dan dilakukan verifikasi tracking signal dengan batas ± 3
Hasil dilakukan analisa
Data trend
Dalam Forecasting Method dipilih yang sesuai dengan data berpola trend dalam hal ini dipilih Double Exponential smoothing with trend (DEST), Method parameter dipilih Search the best, dalam Search Criterion dipilih MAD dan Number of periods to forecast diisikan 6 kemudian diklik ok
Data musiman
Dalam Forecasting Method dipilih yang sesuai dengan data berpola musiman dalam hal ini dipilih Holt Winters Additive Algorithm (HWA), Method parameter dipilih Assign value, dalam Search Criterion dipilih MAD dan Number of periods to forecast diisikan 6 kemudian diklik ok

BAB IV
HASIL DAN PEMBAHASAN

Hasil
Grafik
Tabel forecasting
Grafik verifikasi
Pembahasan
Judul praktikum acara satu praktikum perencanaan dan pengendalian produksi adalah forecasting atau peramalan. Dalam praktikum ini memiliki tujuan mengajarkan mahasiswa untuk melakukan peramalan dengan bantuan komputer dan mengajarkan mahasiswa untuk memilih metode peramalan dengan benar.
Peramalan adalah adalah kegiatan yang dilakukan untuk menganalisis kejadian yang akan datang menggunakan data-data historis.Aktivitas peramalan merupakan salah satu usaha untuk memperkirakan permintaan dan penggunaan produk sehingga produk-produk itu dapat dibuat dalam kuantitas yang tepat.
Prosedur yang dilakukan dalam proses peramalan dalam praktikum ini adalah dengan memasukan terlebih dahulu data-data yang ada kedalam bentuk excel. Data-data tersebut dicek terlebih dahulu apakah termasuk kedalam data berpola konstan, trend atau musiman. Pengecekan data tersebut dapat dilakukan dengan mengintepretasikan data yang ada kedalam bentuk line grafik. Setelah diketahui pola data, masing-masing data satu persatu diolah ke dalam program WinQSB. Untuk data pertama dalam praktikum diketahui merupakan data berpola konstan, sehingga prosedurnya adalah dengan memasukan data tersebut ke dalam WinQSB kemudian mengolahnya dengan melakukan solve and analyze dan memilih Simple Average, memilih Assign Value pada method parameters, dan memilih MAD pada search criterion. Sedangkan karena kita membutuhkan peramalan untuk 6 bulan kedepan, maka Number of period to forcast diisiikan angka 6 kemudian klik Ok, maka tabel hasil perhitungan yang dilakukan oleh WinQSB dapat dilihat. Untuk data kedua merupakan data berpola trend, karena pola data dalam grafik line menunjukan pergerakan keatas secara simultan. Yang membedakan prosedur pengolahan data menggunakan WinQSB adalah pada solve and analyze, pada data berpola konstan yang dipilih adalah Double Exponential Smoothing With Trend (DEST) . Pada isian Method Parameters dipilih Search The Best, isian Search Criterion dipilih MAD. Pada isian Number of Periods to Forecast diisikan angka 6 lalu dipilih OK. Untuk data ketiga meunjukan pola data berupa data musiman, dalam pengolahan menggunakan WinQSB yang membedakan adalah yang dipilih dalam solve and analyze yaitu Holt-Winters Additive Algorithm. Pada isian Method Parameters dipilih Assign Values. Pada isian Search Criterion dipilih MAD. Pada isian Number of Periods to Forecast diisikan angka 6 lalu dipilih OK. Kemudian dari hasil yang diperoleh dilakukan verifikasi Hasil peramalan dilakukan verifikasi dengan cara data Tracking Signal diplotkan dalam suatu grafik dengan batas kontrol ± 3. Hasil peramalan dan verifikasi dianalisis.
Penggolongan pola data produk dapat dibedakan menjadi tiga, yaitu antara lain adalah data berpola konstan, trend dan musiman.
Data berpola konstan, yaitu apabila data berfluktuasi disekitar rata-rata secara stabil, Polanya berupa garis lurus mendatar. Pola seperti ini biasanya terdapat dalam jangka pendek atau menengah. Jarang sekali variable memiliki pola konstan secara jangka panjang.
Data berpola trend, yaitu apabila data memiliki kecenderungan, baik kecenderungan meningkat maupun kecenderungan menurun dari waktu ke waktu. Pola ini diakibatkan oleh bertambahnya populasi, perubahan pendapatan dan pengaruh budaya.
Data berpola musiman, yaitu apabila polanya merupakan gerakan yang berulang-ulang secara teratur dalam setiap periode tertentu, misalnya tahunan, triwulan, bulanan maupun mingguan. Pola ini biasanya berhubungan dengan factor iklim/cuaca atau factor yang dibuat oleh manusia seperti liburan dan hari besar.
Metode yang digunakan dalam praktikum ini adalah dengan menggunakan Simple Average (SA) untuk data yang berpola konstan, menggunakan metode Double Exponential Smoothing With Trend (DEST) untuk data berpola trend dan menggunakan metode Holt-Winters Additive Algorithm untuk data berpola musiman.
Dalam program WinQSB berkaitan dengan peramalan (forecasting) terdapat istilah-istilah antara lain adalah
MAD
MAD (Mean Average Deviation) adalah angka yang menunjukan rata-rata perbedaan antara perkiraan dan permintaan sebenarnya.

MAD=t=1n"et"n
MSE
MSE (Mean Squarred Error) adalah rata-rata kesalahan prediksi kuadrat dan kadang-kadang digunakan sebagai ukuran kesalahan perkiraan. Mean Square Error (MSE) atau rata – rata kuadrat kesalahan adalah pengestimasian nilai kesalahan dengan menjumlahkan kuadrat semua kesalahan peramalan pada setiap periode dan membaginya dengan jumlah periode peramalan. Nilai kesalahan peramalan adalah selisih dari nilai hasil prediksi dengan nilai sebenarnya yang dapat diketahui dengan rumusan di bawah ini :
MSE= t=1net2n
MAPE
MAPE (Mean Absolute Percentage Error) adalah ukuran yang paling umum kesalahan perkiraan. Fungsi MAPE terbaik bila tidak ada ekstrem untuk data (termasuk nol). merupakan ukuran kesalahan relative. MAPE menyatakan presentase kesalahan hasil peramalan terhadap permintaan actual selama periode tertentu yang akan memberikan informasi presentase kesalahan terlalu tinggi atau terlalu rendah.
MAPE= 100nt=1n"Dt-Ft"Dt

CFE
CFE (Cumulative of Forecast Error) adalah ukuran umum untuk perkiraan bias, model yang lebih baik akan memiliki CFE mendekati nol.
CFE= t-1n(et)n
Tracking Signal
Tracking signal adalah bagian untuk memantau setiap perkiraan yang telah dibuat dibandingkan dengan actuals, dan memperingatkan ketika ada keberangkatan tak terduga dari hasil dari perkiraan. Prakiraan dapat berhubungan dengan penjualan, persediaan, atau apapun yang berkaitan dengan kebutuhan masa depan organisasi. Tracking signal adalah indikator sederhana bahwa bias perkiraan hadir dalam model prediksi. Hal ini paling sering digunakan ketika validitas dari model peramalan mungkin diragukan.
Rumus manual untuk mencari Tracking Signal adalah Σ (at' ' 'ft) / MAD
Dalam proses verifikasi dilakukan pembuatan grafik dengan menambahkan UCL dan LCL. Dari ketiga data diketahui pola persebaran grafik LCL dan UCL. Untuk pola data konstan diakhir periode terjadi penurunan data sehingga diakhir periode banyak data yang melebihi batas LCL. Untuk data trend dan musiman hamper semua didalam batas LCL-UCL dan sedikit yang melewati batas LCL maupun UCL.
Dalam statistik , koefisien determinasi , dinotasikan R2 dan diucapkan R kuadrat , menunjukkan seberapa baik titik data sesuai garis atau kurva . Ini adalah elemen statistik yang digunakan dalam konteks model statistik yang tujuan utamanya adalah baik untuk prediksi hasil di masa depan atau pengujian hipotesis , berdasarkan informasi terkait lainnya . Ini memberikan ukuran seberapa baik hasil yang diamati direplikasi oleh model , sebagai proporsi dari total variasi hasil dijelaskan oleh model.
Smoothing constant alpha merupakan konstanta yang mempengaruhi hasil peramalan, jika nilai alpha mendekati 1 maka hasil peramalan akan mendekati data terbaru sedangkan jika nilai alpha mendekati 0 maka hasil peramalan mengikuti data yang sebelumnya. Smoothing constant beta merupakan koefisien yang mempengaruhi trend sedangkan smoothing constant gamma merupakan koefisien yang mempengaruhi pola data musiman.

BAB V
KESIMPULAN
Dari praktikum yang telah dilakukan dapat diambil kesimpulan, antara lain adalah sebagai berikut.
Peramalan dapat dilakukan dengan bantuan komputer, yaitu dengan menggunakan program WinQSB.
Dalam program WinQSB terdapat beberapa metode yang dapat dilakukan, metode-metode tersebut disesuaikan dengan pola persebaran data apakah musiman, trend maupun konstan. Untuk menentukan metode yang paling bagus, dipilih metode yang menghasilkan nilai MAD paling kecil.

LAMPIRAN HASIL
ACARA 1
FORECASTING

A. Produk 1

Periode
1
2
3
4
5
6
7
8
9
10
11
12

250
250
270
245
255
250
260
240
260
255
250
255
Periode
13
14
15
16
17
18
19
20
21
22
23
24

270
245
255
258
260
250
245
250
255
255
240
250
Periode
25
26
27
28
29
30
31
32
33
34
35
36

250
265
250
240
255
250
255
240
255
240
250
255

B. Produk 2

Periode
1
2
3
4
5
6
7
8
9
10
11
12

250
260
270
280
260
255
285
290
295
300
310
290
Periode
13
14
15
16
17
18
19
20
21
22
23
24

285
310
315
320
330
340
305
340
350
360
365
380
Periode
25
26
27
28
29
30
31
32
33
34
35
36

390
400
420
400
425
425
430
435
440
440
450
450

C. Produk 3
Periode
1
2
3
4
5
6
7
8
9
10
11
12

250
255
260
265
270
290
280
275
270
270
265
260
Periode
13
14
15
16
17
18
19
20
21
22
23
24

270
280
290
285
295
300
290
285
285
280
275
270
Periode
25
26
27
28
29
30
31
32
33
34
35
36

260
275
290
300
320
330
335
325
320
320
310
310

2. Tabel Forecast

A. Produk1 (Simple Average)

Forecast Result for Peramalan

11-14-2013
Month
Actual
Data
Forecast bySA
Forecast
Error
CFE
MAD
MSE
MAPE (%)
Tracking
Signal
R-square
1
250

2
250
250
0
0
0
0
0
0
0
3
270
250
20
20
10
200
3,703704
2
1
4
245
256,6667
-11,6667
8,333344
10,55555
178,7036
4,056436
0,789475
0,150794
5
255
253,75
1,25
9,583344
8,229164
134,4184
3,164876
1,164559
0,155258
6
250
254
-4
5,583344
7,383331
110,7347
2,851901
0,756209
0,105875
7
260
253,3333
6,666672
12,25002
7,263888
99,68632
2,803935
1,686427
0,145295
8
240
254,2857
-14,2857
-2,03571
8,267007
114,6
3,253713
-0,24624
5,94E-02
9
260
252,5
7,5
5,464294
8,171131
107,3062
3,207576
0,668732
6,07E-02
10
255
253,3333
1,666672
7,130966
7,448413
95,69195
2,9238
0,957381
6,37E-02
11
250
253,5
-3,5
3,630966
7,053572
87,34775
2,77142
0,51477
5,60E-02
12
255
253,1818
1,818176
5,449142
6,577627
79,70757
2,584292
0,828436
5,79E-02
13
270
253,3333
16,66667
22,11581
7,418381
96,21343
2,883338
2,981219
8,44E-02
14
245
254,6154
-9,61539
12,50043
7,587381
95,92438
2,963439
1,647529
4,96E-02
15
255
253,9286
1,071426
13,57185
7,121956
89,15463
2,781776
1,905636
5,11E-02
16
258
254
4
17,57185
6,913826
84,27766
2,699684
2,541553
5,83E-02
17
260
254,25
5,75
23,32185
6,841086
81,07671
2,669175
3,409086
7,04E-02
18
250
254,5882
-4,58824
18,73361
6,708566
77,54584
2,620123
2,792491
5,75E-02
19
245
254,3333
-9,33333
9,400284
6,854386
78,07724
2,686201
1,371426
3,99E-02
20
250
253,8421
-3,8421
5,558182
6,695845
74,74484
2,625708
0,830094
3,66E-02
21
255
253,65
1,350006
6,908188
6,428553
71,09873
2,520894
1,07461
3,73E-02
22
255
253,7143
1,285721
8,193909
6,183656
67,79179
2,424861
1,325091
3,80E-02
23
240
253,7727
-13,7727
-5,57881
6,528614
73,33252
2,575487
-0,85452
3,14E-02
24
250
253,1739
-3,17392
-8,75273
6,382758
70,58214
2,518708
-1,37131
3,27E-02
25
250
253,0417
-3,04167
-11,7944
6,243546
68,02671
2,464456
-1,88906
3,45E-02
26
265
252,92
12,08
0,285599
6,477004
71,1427
2,548218
4,41E-02
2,77E-02
27
250
253,3846
-3,38461
-3,09901
6,358066
68,84704
2,50228
-0,48741
2,77E-02
28
240
253,2593
-13,2593
-16,3583
6,613666
72,80856
2,614221
-2,47341
3,06E-02
29
255
252,7857
2,214279
-14,144
6,456544
70,38336
2,551868
-2,19065
2,92E-02
30
250
252,8621
-2,86208
-17,0061
6,332597
68,23882
2,50335
-2,68548
3,09E-02
31
255
252,7667
2,233337
-14,7727
6,195955
66,13045
2,449099
-2,38426
2,95E-02
32
240
252,8387
-12,8387
-27,6115
6,410238
69,31438
2,542659
-4,3074
3,64E-02
33
255
252,4375
2,5625
-25,049
6,289996
67,35352
2,494604
-3,98235
3,41E-02
34
240
252,5152
-12,5152
-37,5641
6,478637
70,05883
2,57703
-5,79815
0,043283
35
250
252,1471
-2,14706
-39,7112
6,351238
68,13387
2,526494
-6,25251
4,57E-02
36
255
252,0857
2,914291
-36,7969
6,253039
66,42984
2,486962
-5,88464
0,042426
37

252,1667

38

252,1667

39

252,1667

40

252,1667

41

252,1667

42

252,1667

CFE

-36,7969

MAD

6,253039

MSE

66,42984

MAPE

2,486962

Trk.Signal
-5,88464

R-square

0,042426

B. Produk 2 (DoubleExponential Smoothing with Trend)


11-14-2013
Month
Actual
Data
Forecast byDEST
Forecast
Error
CFE
MAD
MSE
MAPE (%)
Tracking
Signal
R-square
1
250

2
260
250
10
10
10
100
3,846154
1

3
270
260,4
9,600006
19,60001
9,800003
96,08006
3,700856
2

4
280
273,088
6,912018
26,51202
8,837341
79,9787
3,290096
3

5
260
285,5763
-25,5763
0,9357
13,02209
223,5211
4,926834
0,071855

6
255
266,1458
-11,1458
-10,2101
12,64683
203,6627
4,815649
-0,80733

7
285
254,8071
30,19287
19,98276
15,57117
321,6538
5,778706
1,283318

8
290
283,4469
6,553131
26,53589
14,28288
281,8381
5,27599
1,857881

9
295
295,6655
-0,66547
25,87042
12,5807
246,6637
4,64469
2,056357

10
300
302,1487
-2,14865
23,72177
11,42159
219,7696
4,208193
2,076924

11
310
306,9095
3,090546
26,81232
10,58848
198,7478
3,887069
2,532215

12
290
316,538
-26,538
0,274353
12,03844
244,7037
4,36561
2,28E-02

13
285
296,1885
-11,1885
-10,9142
11,96761
234,7437
4,328959
-0,91198

14
310
284,6266
25,37335
14,45917
12,99882
266,2101
4,625574
1,112345

15
315
308,0638
6,936249
21,39542
12,56578
250,6317
4,452461
1,702673

16
320
319,1872
0,812805
22,20822
11,78225
233,9669
4,172564
1,884888

17
330
325,8178
4,182159
26,39038
11,30724
220,4371
3,990986
2,333936

18
340
336,1724
3,827637
30,21802
10,86727
208,3321
3,822444
2,780646

19
305
347,2891
-42,2891
-12,071
12,61292
296,1117
4,380379
-0,95704

20
340
311,4795
28,52054
16,44949
13,45016
323,3385
4,591327
1,222996

21
350
337,8768
12,12323
28,57272
13,38382
314,5202
4,53495
2,134871

22
360
354,9328
5,067169
33,63989
12,98779
300,7657
4,386026
2,590117

23
365
367,9287
-2,92874
30,71115
12,53056
287,4844
4,223134
2,450901

24
380
373,9791
6,020935
36,73209
12,24753
276,5612
4,108409
2,999142

25
390
388,5451
1,454865
38,18695
11,79784
265,1261
3,952768
3,236776

26
400
399,9905
9,46E-03
38,19641
11,3263
254,521
3,794752
3,372364

27
420
410,3261
9,67392
47,87033
11,26275
248,3312
3,737389
4,250324
0,978066
28
400
430,7153
-30,7153
17,15506
11,98321
274,0755
3,883368
1,431591

29
425
411,7155
13,28448
30,43954
12,02969
270,5898
3,856311
2,530369

30
425
430,1701
-5,17007
25,26947
11,79315
262,1809
3,765282
2,142725

31
430
433,024
-3,02405
22,24542
11,50084
253,7464
3,663215
1,934243

32
435
436,7119
-1,71191
20,53351
11,18507
245,6555
3,557742
1,835796

33
440
440,9467
-0,94672
19,58679
10,86512
238,0068
3,453287
1,802722

34
440
445,5144
-5,51444
14,07236
10,70298
231,7159
3,38662
1,314807

35
450
445,0757
4,924316
18,99667
10,53302
225,614
3,319198
1,803535

36
450
454,0021
-4,00214
14,99454
10,34642
219,6255
3,249775
1,449248

37

454,9766

38

459,0312

39

463,0857

40

467,1402

41

471,1948

42

475,2493

CFE
14,99454

MAD
10,34642

MSE
219,6255

MAPE
3,249775

Trk.Signal
1,449248

R-square

Alpha=0,52

F(0)=250

F'(0)=250

C. Produk 3 (Holt-Winters Additive Algorithm)


11-14-2013
Month
Actual
Data
Forecast byHWA
Forecast
Error
CFE
MAD
MSE
MAPE (%)
Tracking
Signal
R-square
1
250

2
255
250
5
5
5
25
1,960784
1

3
260
258,393
1,606995
6,606995
3,303497
13,79122
1,28943
2

4
265
264,4835
0,51648
7,123474
2,374491
9,283061
0,924586
3

5
270
269,834
0,165985
7,289459
1,822365
6,969183
0,708808
4

6
290
274,9467
15,05334
22,3428
4,468561
50,89598
1,605208
5
0,657917
7
280
305,1618
-25,1618
-2,81903
7,91744
147,933
2,835402
-0,35605

8
275
278,087
-3,08704
-5,90607
7,227382
128,1611
2,59071
-0,81718

9
270
270,9922
-0,99216
-6,89822
6,447979
112,264
2,312804
-1,06983

10
270
265,3189
4,681122
-2,2171
6,251661
102,225
2,248465
-0,35464

11
265
268,4955
-3,49548
-5,71259
5,976044
93,22433
2,155524
-0,95591

12
260
261,1234
-1,12344
-6,83603
5,534898
84,86413
1,998848
-1,23508

13
270
255,3611
14,63892
7,802887
6,293566
95,65028
2,284096
1,23982

14
280
275,295
4,704956
12,50784
6,171366
89,99538
2,237653
2,026754

15
290
288,4878
1,512177
14,02002
5,838566
83,73047
2,115067
2,401278

16
285
299,514
-14,514
-0,49396
6,416927
92,19214
2,31357
-7,70E-02

17
295
284,6648
10,33521
9,841248
6,661819
93,10616
2,387938
1,477261

18
300
301,6783
-1,67825
8,162994
6,368669
87,79501
2,280378
1,281743

19
290
305,5394
-15,5394
-7,3764
6,878153
96,33266
2,45138
-1,07244

20
285
284,9944
5,62E-03
-7,37079
6,516441
91,26253
2,322464
-1,13111

21
285
279,9982
5,001801
-2,36899
6,440709
87,9503
2,294092
-0,36781

22
280
283,3924
-3,39243
-5,76141
6,295553
84,31022
2,242543
-0,91516

23
275
276,0903
-1,09033
-6,85175
6,058952
80,53197
2,158632
-1,13085

24
270
270,3504
-0,35043
-7,20218
5,810755
77,03593
2,070421
-1,23946

25
260
265,1126
-5,11264
-12,3148
5,781667
74,91522
2,066087
-2,12998

26
270
251,6432
18,3568
6,041977
6,284672
85,39749
2,255396
0,961383

27
290
274,1001
15,89987
21,94185
6,654488
91,83628
2,379524
3,297301

28
300
304,8898
-4,88977
17,05208
6,589128
89,32049
2,351761
2,587911

29
320
311,5716
8,428406
25,48048
6,654816
88,66754
2,361837
3,828879

30
330
337,2911
-7,29111
18,18938
6,676757
87,44315
2,356581
2,724283

31
335
342,3434
-7,34335
10,84602
6,698977
86,32587
2,351097
1,619057

32
325
342,3602
-17,3602
-6,51415
7,042887
93,26295
2,447564
-0,92493

33
320
320,5796
-0,57959
-7,09374
6,840909
90,35899
2,376738
-1,03696

34
320
315,1863
4,813721
-2,28001
6,779479
88,32301
2,3503
-0,33631

35
310
318,4529
-8,45285
-10,7329
6,828695
87,82677
2,361371
-1,57173

36
310
302,7168
7,283234
-3,44963
6,841682
86,83302
2,36103
-0,50421

37

307,6591

38

305,3183

39

302,9774

40

300,6366

41

298,2957

42

295,9549

CFE

-3,44963

MAD

6,841682

MSE

86,83302

MAPE

2,36103

Trk.Signal

-0,50421

R-square

c=1

Alpha=0,87

Beta=0,78

Gamma=1

F(0)=250

T(0)=0

S(1)=0

Tracking Signal Simple Average

Tracking Signal DEST

Tracking Signal HWA

Laporan praktikum acara 1 p3

Recommend Documents