Digital - 20310393-S43050-Peramalan Penjualan PDF

UNIVERSITAS INDONESIA
PERAMALAN PENJUALAN PRODUK SUSU BAYI DENGAN

METODE GREY SYSTEM THEORY DAN NEURAL NETWORK
SKRIPSI
LINDA STEPVHANIE
0806459085
FAKULTAS TEKNIK
PROGRAM STUDI TEKNIK INDUSTRI
DEPOK
JUNI 2012
Peramalan penjualan..., Linda Stepvhanie, FT UI, 2012

UNIVERSITAS INDONESIA
PERAMALAN PENJUALAN PRODUK SUSU BAYI DENGAN

METODE GREY SYSTEM THEORY DAN NEURAL NETWORK
HALAMAN JUDUL
SKRIPSI
Diajukan sebagai salah satu syarat untuk memperoleh gelar Sarjana Teknik
LINDA STEPVHANIE
0806459085
FAKULTAS TEKNIK
PROGRAM STUDI TEKNIK INDUSTRI
DEPOK
JUNI 2012
ii

HALAMAN PERNYATAAN ORISINALITAS
Skripsi ini adalah hasil karya saya sendiri,

dan semua sumber baik yang dikutip maupun yang dirujuk
telah saya nyatakan dengan benar.
Nama : Linda Stepvhanie

NPM : 0806459085
Tanda tangan :
Tanggal : 13 Juni 2012
iii

HALAMAN PENGESAHAN
Skripsi ini diajukan oleh :

NPM : 0806459085
Program Studi : Teknik Industri
Judul Skripsi : Peramalan Penjualan Produk Susu Bayi dengan
Metode Grey System Theory dan Neural Network
Telah berhasil dipertahankan di hadapan Dewan Penguji dan diterima

sebagai bagian persyaratan yang diperlukan untuk memperoleh gelar
Sarjana Teknik pada Program Studi Teknik Industri, Fakultas Teknik,
Universitas Indonesia.
DEWAN PENGUJI
Pembimbing : Ir. Isti Surjandari Ph.D ( )
Penguji : Ir. Amar Rachman, MEIM ( )
Penguji : Ir. Fauzia Dianawati, M.Si ( )
Penguji : Maya Arlini, S.T, M.T, M.BA ( )
Ditetapkan di : Depok
Tanggal : 22 Juni 2012
iv

KATA PENGANTAR
Puji syukur penulis ucapkan kepada Tuhan Yang Maha Esa, karena berkah
dan perlindungan-Nya, penulis dapat menyelesaikan skripsi ini tepat waktu dan
tanpa kendala. Penulisan skripsi ini ditujukan untuk memenuhi salah satu syarat
emndapatkan gelar Sarjana Teknik Departemen Teknik Industri pada Fakultas
Teknik Universitas Indonesia. Penulis sangat menyadari bahwa tanpa adanya
bimbingan dan bantuan dari berbagai pihak, akan sangat sulit bagi penulis untuk
dapat menyelesaikan skripsi ini. Oleh karena itu, penulis mengucapkan terima
kasih kepada:
1. Ibu Ir. Isti Surjandari, Ph.D, selaku dosen pembimbing skripsi yang selalu
membimbing, mengarahkan, memotivasi, manyarankan, memperbaiki dan
membantu setiap langkah penyusunan skripsi ini
2. Bapak Patno Sigit Panjaitan yang telah memberikan izin untuk
mempergunakan data perusahaan kepada penulis.
3. Bapak Djoko Sihono Gabriel, selaku dosen pembimbing akademis, dan dosen-
dosen lainnya, yang telah memberikan masukan dan ilmu selama penulis
melakukan pembelajaran.
4. Rendra Satya Wirawan yang telah bersedia meluangkan waktu untuk
membantu dan memberikan masukan selama proses pengerjaan skripsi.
5. Mariana, Ella, Anissa dan Irfan atas dukungan dalam proses pengerjaan skripsi.
6. Teman-teman satu bimbingan Bu Isti: Nike, Echa, Upi, Novi, Farid dan Anda
atas dukungan dan kerjasamanya pada proses pengerjaan skripsi ini.
7. Stephanie Rengkung, Shelly Apsari, Ricky Muliadi, Stefan Darmansyah, Alex
Justian, Jimmy Fong, Anton Hartawan dan teman-teman TIUI angkatan 2008
atas persahabatan dan kerjasamanya yang luar biasa selama 4 tahun yang
sangat mengesankan ini.
8. Keluarga besar tercinta, Mama, Papa, Lisa, Ievan dan Indra atas dukungan dan
dorongan moril yang tak ternilai.
9. Terakhir, pihak lain yang tak bisa disebutkan namanya satu per satu disini.

Akhir kata, penulis menyadari bahwa skripsi ini masih jauh dari sempurna.
Oleh karena itu, kritik dan saran yang membangun sangat penulis harapkan.
Selain itu penulis berharap skripsi ini dapat bermanfaat dan berkontribusi bagi
pengembangan ilmu pengetahuan.
Depok, 13 Juni 2012
Penulis
vi

HALAMAN PERNYATAAN PERSETUJUAN PUBLIKASI
TUGAS AKHIR UNTUK KEPENTINGAN AKADEMIS
Sebagai sivitas akademik Universitas Indonesia, saya yang bertanda tangan di

bawah ini:

NPM : 0806459085
Departemen : Teknik Industri
Fakultas : Teknik
Jenis Karya : Skripsi
demi pengembangan ilmu pengetahuan, menyetujui untuk memberikan kepada

Universitas Indonesia Hak Bebas Royalti Noneksklusif (Non-exclusive Royalty-
Free Right) atas karya ilmiah saya yang berjudul:
Peramalan Penjualan Produk Susu Bayi dengan Metode Grey System Theory
dan Neural Network
beserta perangkat yang ada (jika diperlukan). Dengan Hak Bebas Royalti
Noneksklusif ini Universitas Indonesia berhak menyimpan, mengalih
media/formatkan, mengelola dalam bentuk pangkalan data (database), merawat
dan mempublikasikan tugas akhir saya selama tetap mencantumkan nama saya
sebagai penulis/pencipta dan sebagai pemilik Hak Cipta.
Demikian pernyataan ini saya buat dengan sebenarnya.
Dibuat di : Depok
Pada tanggal : 13 Juni 2012
Yang Menyatakan
(Linda Stepvhanie)
vii

ABSTRAK

Program Studi : Teknik Industri
Judul : Peramalan Penjualan Produk Susu Bayi dengan Metode Grey
System Theory dan Neural Network
Berkembangnya ilmu pengetahuan dan teknologi yang semakin pesat disertai

dengan semakin ketatnya persaingan dalam dunia usaha mengakibatkan adanya
persaingan antar perusahaan dalam memberikan pelayanan kepada konsumen.
Oleh karena itu dibutuhkan suatu cara agar dapat menghasilkan barang dengan
tepat. Hal inilah yang menjadi peranan dari sebuah metode peramalan penjualan.
Terdapat banyak cara dalam melakukan peramalan, namun cara manakah yang
dapat memberikan hasil yang terbaik. Dalam penelitian ini, dibandingkan antara
metode Neural Network, Grey System Theory GM(1,1) dengan metode
tradisional. Dari enam belas jenis data yang digunakan menunjukan BPNN
memberikan hasil kesalahan yang lebih kecil dibandingkan dengan metode
lainnya.
Kata kunci:
Peramalan, penjualan, neural network, grey system theory, backpropagation
ABSTRACT
Name : Linda Stepvhanie

Study Program : Industrial Engineering
Title : Sales Forecasting of Baby Milk with Grey System Theory and
Neural Network
Now a days, a science and technology is growing rapidly make the competition
intensifies in the business world for providing services to consumers. Therefore
we need some way to produce goods with the correct amount. It was become the
rolle of a sales forecasting method. There are many methods in sales forecast.
However we don’t know which method can give the best result. In this research,
Neural Network, Grey System Theory GM(1,1) will be compared to the
traditional methods. Through sixteen kinds of data that is used, show that BPNN
provide results a smaller error than others.
Key words:
Forecasting, sales, neural network, grey system theory, back propagation
viii
Universitas Indonesia

DAFTAR ISI
HALAMAN JUDUL ............................................................................................ ii

HALAMAN PERNYATAAN ORISINALITAS ................................................ iii
HALAMAN PENGESAHAN ............................................................................. iv
KATA PENGANTAR.......................................................................................... v
HALAMAN PERNYATAAN PERSETUJUAN PUBLIKASI......................... vii
ABSTRAK ....................................................................................................... viii
DAFTAR ISI ....................................................................................................... ix
DAFTAR TABEL ............................................................................................... xi
DAFTAR GAMBAR.......................................................................................... xii
DAFTAR LAMPIRAN ..................................................................................... xiii
BAB 1 PENDAHULUAN..................................................................................... 1
1.1 Latar Belakang ................................................................................................ 1
1.2 Diagram Keterkaitan Masalah......................................................................... 3
1.3 Rumusan Masalah ........................................................................................... 3
1.4 Tujuan Penelitian............................................................................................. 3
1.5 Ruang Lingkup Penelitian ............................................................................... 5
1.6 Metodologi Penelitian ..................................................................................... 5
1.7 Sistematika Penulisan .................................................................................... 8
BAB 2 TINJAUAN LITERATUR....................................................................... 9

2.1 Penjualan (Sales) ............................................................................................. 9
2.1.1 Pengelolaan Penjualan ........................................................................ 9
2.1.2 Karakteristik Penjualan..................................................................... 10
2.2 Peramalan (Forecasting) ............................................................................... 12
2.2.1 Langkah-Langkah Peramalan ........................................................... 13
2.2.2 Prinsip Peramalan ..............................................................................14
2.2.3 Metode-Metode Peramalan............................................................... 25
2.3 Metode Deret Berkala ................................................................................... 17
2.3.1 Metode Moving Average................................................................... 17
2.3.2 Metode Weighted Moving Average................................................... 18
2.3.3 Metode Exponential Smoothing........................................................ 19
2.3.4 Metode Trend(Linear Regression).................................................... 22
2.3.5 Metode Seasonal Trend .................................................................... 22
2.3.5.1 Metode Seasonal.................................................................... 22
2.3.5.2 Metode Seasonal Trend ......................................................... 22
2.4 Metode Grey System Theory ......................................................................... 24
2.4.1 Model GM(1,1) ................................................................................. 24
2.4.2 Pengembangan Data Aktual Pada GM(1,1)...................................... 25
2.5 Metode Peramalan Artificial Neural Network............................................... 25
2.5.1 Perhitungan Input ANN .................................................................... 26
ix

2.5.2 Fungsi Aktivasi ................................................................................. 26
2.5.3 Backpropagation Network ................................................................ 28
2.6 Grey Back Propagation Neural Network ...................................................... 30
2.7 Pengukuran Hasil Peramalan......................................................................... 30
BAB 3 PENGUMPULAN DATA .......................................................................32

3.1 Data Penjualan Produk A .............................................................................. 32
3.2 Data Penjualan Produk B .............................................................................. 34
3.3 Data Penjualan Produk C .............................................................................. 36
3.4 Data Penjualan Produk D .............................................................................. 38
BAB 4 PENGOLAHAN DATA DAN ANALISIS..............................................41

4.1 Pengolahan Data............................................................................................ 41
4.1.1 Back Propagation Neural Network................................................... 41
4.1.2 Metode Tradisional ........................................................................... 41
4.2 Pengolahan Data dan Analisa........................................................................ 44
4.2.1 Pengolahan dan Analisa Masing-masing Produk ............................. 44
4.2.1.1 Produk A................................................................................ 44
4.2.1.2 Produk B ................................................................................ 48
4.2.1.3 Produk C ................................................................................ 51
4.2.1.4 Produk D................................................................................ 55
4.2.2 Analisa Keseluruhan Produk............................................................. 58
BAB 5 KESIMPULAN DAN SARAN................................................................60

5.1 Kesimpulan.................................................................................................... 60
5.2 Saran.............................................................................................................. 61
DAFTAR REFERENSI ......................................................................................62
x

DAFTAR TABEL
Tabel 2.1 Tipe Peramalan Berdasarkan Kegunaan ...........................................13

Tabel 2.2 Perbandingan Antara Grey System, Statistik & Probabilitas dan
Fuzzy Math ......................................................................................24
Tabel 4.1 Hasil Pengujian Produk A1 ................................................................45
Tabel 4.2 Hasil Pengujian Produk A2 (sambungan) ..........................................46
Tabel 4.3 Hasil Pengujian Produk A3 (sambungan) ..........................................47
Tabel 4.5 Hasil Pengujian Produk B1.................................................................48
Tabel 4.5 Hasil Pengujian Produk B1 (sambungan) ..........................................49
Tabel 4.8 Hasil Pengujian Produk B4 (sambungan) ..........................................51
Tabel 4.9 Hasil Pengujian Produk C1 ................................................................52
Tabel 4.10 Hasil Pengujian Produk C2...............................................................52
Tabel 4.10 Hasil Pengujian Produk C2 (sambungan) ........................................53
Tabel 4.11 Hasil Pengujian Produk C3 (sambungan) ........................................54
Tabel 4.13 Hasil Pengujian Produk D1...............................................................55
Tabel 4.13 Hasil Pengujian Produk D1 (sambungan) ........................................56
Tabel 4.14 Hasil Pengujian Produk D2 (sambungan) ........................................57
xi

DAFTAR GAMBAR
Gambar 1.1 Diagram Keterkaitan Masalah ....................................................... 4

Gambar 1.2 Diagram Alir Metodologi Penelitian .............................................. 7
Gambar 2.1 Pola Karakteristik Penjualan ........................................................11
Gambar 2.2 Variasi Karakteristik Penjualan....................................................17
Gambar 2.3 Metode-Metode Peramalan............................................................17
Gambar 2.4 Bobot Perhitungan Metode Exponential Smoothing .....................17
Gambar 2.5 Proses Transformasi Perhitugnan Pada Metode Seasonal Trend173
Gambar 2.5 Grafik (a)Fungsi Threshold (b)Fungsi Linear-piecewise
(c)Fungsi Sigmoid ...........................................................................27
Gambar 3.1 Data Histori Penjualan A1.............................................................32
Gambar 3.5 Data Histori Penjualan B1 .............................................................34
Gambar 3.9 Data Histori Penjualan C1.............................................................36
Gambar 3.10 Data Histori Penjualan C2 ...........................................................37
Gambar 3.13 Data Histori Penjualan D1 ...........................................................38
Gambar 4.1 Variable Editor...............................................................................42
Gambar 4.2 Proses Pemasukan Data untuk Training .......................................43
Gambar 4.3 Proses Penentuan Hidden Layer.....................................................43
Gambar 4.4 Proses Pemasukan Data untuk Testing .........................................44
xii

DAFTAR LAMPIRAN
Lampiran A Contoh Perhitungan Metode Tradisional.......................................64

Lampiran B Contoh Perhitungan Grey System Theory .......................................86
Lampiran C Hasil Peramalan dari Setiap Metode ..............................................89
xiii

BAB 1
PENDAHULUAN
1.1 Latar Belakang
Berkembangnya ilmu pengetahuan dan teknologi yang semakin pesat

disertai dengan semakin ketatnya persaingan dalam dunia usaha mengakibatkan
adanya persaingan antar perusahaan dalam memberikan pelayanan kepada
konsumen. Salah satu persoalan yang memegang peranan penting dalam
perusahaan yaitu persoalan mengenai peramalan.
Pencatatan data penjualan pada setiap periode berguna untuk melihat
gambaran penjualan perusahaan, apakah mengalami kenaikan ataupun penurunan.
Ramalan penjualan akan memberikan gambaran tentang kemampuan menjual di
waktu yang akandatang (Supranto, 2001). Data peramalan penjualan dapat
digunakan untuk dasar perencanaan produksi untuk mencegah terjadinya over
production maupun under production yang menyebabkan perusahaan kehilangan
kesempatan dalam menjual hasil produksinya. Hasil dari peramalan penjualan ini
dapat digunakan utnuk emnentukan atau merencanakan biaya-biaya lain dalam
perusahaan seperti biaya produksi, biaya promosi, dan lain sebagainya (Rini,
2005). Selain itu, peramalan penjualan juga mempengaruhi jumlah barang/bahan
baku yang dipesan oleh perusahaan dalam memproduksi. Sehingga dengan
peramalan yang memiliki tingkat akruasi tinggi, maka bahan baku yang
dipesanpun akan sesuai dengan kebutuhan. Selain itu peramalan penjualan juga
mempengaruhi jumlah barang jadi yang diproduksi. Kedua hal ini mempengaruhi
working capital dari sebuah perusahaan. Peramalan sangatlah berguna bagi
industri yang memiliki pangsa pasar yang besar (Peterson, 1993). Peterson juga
menunjukkan bahwa retailer besar lebih cenderung menggunakan metode time
series dalam melakukan peramalan, sedangkan retailer yang lebih kecil sering
menggunakan metode peramalan dengan perasaan (judgemental decision) dalam
meramal.
Metode yang digunakan untuk melakukan peramalan sangatlah beragam.
Salah satu metode yang sering dilakukan dalam peramalan permintaan adalah
1 Universitas Indonesia

2
dengan metode time series. Dalam metode time series sendiri terdapat beberapa
cara yang sering dipergunakan, seperti metode statistik yaitu moving average, dan
exponential smoothing. Namun sering kali metode ini memberikan hasil yang
kurang memuaskan terbukti dari tingkat akurasi yang masih rendah. Oleh karena
itu, dalam tugas akhir in akan dicoba utnuk melakukan peramalan time series
dalam penjualan dengan menggunakan metode baru yaitu Neural Network dan
Grey System Theory.
Neural Network merupakan suatu model matematis yang menyerupai cara
kerja otak biologis. Pada prinsipnya, Neural Networks banyak digunakan dalam
aplikasi bisnis yang membutuhkan pengenalan pola, prediksi, klasifikasi,
peramalan dan optimasi (Bennel, 2006). Sedangkan Grey Model Theory
merupakan suatu model yang dikembangkan oleh Julong Deng pada tahun 1982
yang digunakan untuk memecahkan masalah yang tidak pasti (uncertainty) seperti
pengambilan keputusan, prediksi, klasifikasi, pengenalan pola, optimasi dan
analisa sistem berdasarkan perhitungan matematis.
Dalam penelitian yang dilakukan oleh Kotsialos pada tahun 2005
dikatakan bahwa hasil prediksi yang dihasilkan dengan Neural Network memiliki
tingkat akurasi yang lebih tinggi dibandingkan dengna metode statistik klasik
terutama untuk peramalan jangka panjang. Selain itu, pada penelitian Khashei dan
Bijari (2010) yang berjudul An Artificial Neural Network (p,d,q) Model for
Timeseries Forecasting, dikatakan bahwa Neural Network memberikan hasil yang
lebih fleksibel sehingga dapat digunakan utnuk memecahkan masalah peramalan
dalam jangka waktu yang cukup panjang dengan tingkat akurasi yang tinggi.
Menurut Hill, O’Connor dan Remus (1996) Neural Network memberikan
hasil yang lebih baik dibandingkan dengan metode peramalan tradisional baik
dalam peramalan bulanan maupun dalam kuartal waktu tertentu.
Pada penelitian yang dilakukan oleh Thomassey (2010) dengan
membandingkan metode peramalan penjualan dengan menggunakan neural
network, fuzzy logic dan simulasi. Berdasarkan penelitian tersebut, disimpulkan
bahwa hasil yagn diperoleh dengan metode neural network, fuzzy logic dan
simulasi memiliki hasil dengan tingkat akurasi yang cukup tinggi, terbukti dari

3
tingkat kesalahan yang diperoleh menjadi lebih kecil dibandingkan dengan

peramalan penjualan sebelumnya yang menggunakan metode statistik biasa.
Selain itu, pada penelitian yang berjudul Chang dan Chuang (2009)
dikatakan bahwa Grey System Model GM(1,1) dapat digunakan untuk
memprediksi permintaan dalam rantai suplai dengan tingkat akurasi yang tinggi
(dengan mengesampingkan informasi-informasi yang kurang lengkap), sedangkan
untuk BP Neural Network dapat digunakan untuk memprediksi permintaan rantai
suplai dengan informasi yang nonlinear.
Oleh karena itu, pada penelitian kali ini dilakukan perbandingan
peramalan penjualan dengan mengunakan grey system theory dan neural network
untuk mengetahui metode peramalan terbaik untuk perusahaan susu bayi.
1.2 Diagram Keterkaitan Masalah
Berdasarkan apa yang telah dituliskan pada latar belakang, maka berikut
ini adalah diagram keterkaitan masalah tersebut pada gambar 1.1.
1.3 Rumusan Masalah
Pokok permasalahan yang akan dibahas yaitu diperlukannya metode

peramalan penjualan yang memiliki tingkat akurasi yang tinggi.
1.4 Tujuan Penelitian
Adapun tujuan penelitian ini adalah sebagai berikut:

1. Melakukan peramalan dengan metode back propagation neural network,
grey system theory GM(1,1) dan metode tradisional.
2. Membandingkan metode peramalan yang terbaik untuk produk susu yang
berbeda.

4
Gambar 1.1 Diagram Keterkaitan Masalah

5
1.5 Ruang Lingkup Penelitian
Ruang lingkup penelitian yang akan dilakukan dalam penelitian adalah

sebagai berikut ini:
1. Data yang digunakan adalah data historis dari penjualan susu bayi dengan
empat merk yang berbeda dari perusahaan yang sama.
2. Pengolahan data dilakukan dengan mengunakan metode peramalan deret
berkala (time series).
1.6 Metodologi Penelitian
Dalam melakukan penelitian, dilakukan beberapa langkah untuk

mendapatkan hasil. Adapun langkah-langkah yang akan dilakukan adalah sebagai
berikut:
1. Penentuan topik penelitian
Pada tahap ini akan ditetapkan topik utama yang menjadi fokus dalam
penelitian. Penentuan topik dilakukan berdasarkan latar belakang
permasalahan yang diangkat dalam penelitian, tinjauan terhadap
penelitian-penelitian yang telah dilakukan, diskusi dengan pembimbing
dan pihak terkait lainnya. Topik penelitian ini adalah peramalan penjualan
susu bayi berdasarkan data histori penjualan. Ruang lingkup adalah hasil
akhir dari penelitian juga ditetapkan pada tahap ini agar penelitian lebih
terarah dan sesuai dengan yang diharapkan.
2. Pendalaman dasar teori

Tahap berikutnya adalah melakukan pendalaman lebih lanjut mengenai
landasan teori yang akan digunakan dalam penelitian. Landasan teori ini
dapat berupa jurnal dari penelitian-penelitian yang telah dilakukan
sebelumnya, pengertian dasar dari tema yang akan diangkat hingga teori
dasar dari metode-metode yang akan digunakan untuk proses pengolahan
data. Beberapa landasan teori yang terkait dengan penelitian ini adalah
Neural Network, Grey System Theory, dan peramalan penjualan.

6
3. Pengumpulan data
Tahap pengumpulan data merupakan tahap penentuan kebutuhan data
dengan melakukan identifikasi data-data yang diperlukan untuk
menyelesaikan masalah ini. Secara umum, data yang dibutuhkan adalah
data histori penjualan.
4. Pengolahan data dan analisis (Prepare Data for Modelling)

Setelah semua data yang dibutuhkan telah terkumpul, tahap selanjutnya
adalah proses pengolahan data serta analisis terhadap hasil pengolahan
data. Proses pengolahan data terbagi menjadi dua kegiatan yaitu:
- Pembuatan model
Pada tahap ini, data yang telah dianalisa akan dibuat modelnya dengan
menggunakan neural network, grey system theory, dan metode
tradisional untuk memperoleh hasil peramalan beberapa periode
kedepan.
- Menjalankan model
Pada tahap ini, model yang diperoleh dijalankan untuk memperoleh
hasil peramalan beberapa periode kedepan yang kemudian dilakukan
perhitungan error atau kesalahan sehingga dapat mengukur tingkat
akurasi dari setiap model dengan menghitung relative error dari tiap
model.
5. Pembuatan kesimpulan
Setelah seluruh tahap telah dilakukan dengan baik maka dilakukan
pembuatan kesimpulan berdasarkan analisa yang telah dibuat.
Gambar dari metodologi penelitian dapat dilihat pada Gambar 1.2.

7
Gambar 1.2 Diagram Alir Metodologi Penelitian


8
1.7 Sistematika Penulisan
Sistematika yang digunakan dalam penulisan penelitian ini mengikuti

aturan standar baku penulisan tugas akhir mahasiswa. Penulisan tugas akhir ini
dibuat dalam lima bab yang memberikan gambaran sistematis sejak awal
penelitian hingga tercapainya tujuan penelitian. Adapun penjabaran kelima bab
tersebut adalah sebagai berikut ini:
1. Bab 1 Pendahuluan
Bab ini berisikan latar belakang, diagram keterkaitan masalah,
rumusan masalah, tujuan penelitian, batasan permasalahan, metodologi
penelitian, dan sistematikan penulisan.
2. Bab 2 Tinjauan Literatur
Bab ini berisikan teori dan tinjauan pustaka yang berhubungan dengan
penelitian yang dilakukan. Adapun sumber berasal dari buku,
penelitian terdahulu dan jurnal-jurnal ilmiah.
3. Bab 3 Pengumpulan Data
Bab ini berisikan data yang dipergunakan oleh dalam melakukan
penelitian. Proses pengumpulan yang dilakukan dengan cara
pengumpulan dokumen yang berasal dari database perusahaan.
4. Bab 4 Pengolahan Data dan Analisis
Bab ini berisikan mengenai pengolahan akan data yang telah diperoleh
beserta analisanya. Pengolahan dibagi menjadi uji parameter metode,
dan peramalan dengan metode yang telah ditentukan. Dari bab ini
dapat dilihat hasil analisis atas pengolahan data untuk penarikan
kesimpulan sesuai dengan tujuan penelitian.
5. Bab 5 Kesimpulan
Bab ini berisikan kesimpulan dan saran yang diberikan sebagai hasil
dari penelitian ini.

BAB 2
TINJAUAN LITERATUR
Pada bab ini akan dijelaskan literatur-literatur yang dipergunakan dalam

menuliskan tugas akhir. Adapun isi dari tinjauan literatur ini adalah mengenai
penjualan, peramalan, metode peramalan yang dipergunakan, dan perhitungan
kesalahan dari peramalan tersebut.
2.1 Penjualan (Sales)
Penjualan merupakan sebuah kegiatan yang bertujuan untuk mencari,

mempengaruhi dan memberi petunjuk kepada pembeli agar dapat menyesuaiakan
kebutuhannya dengan produk yang ditawarkan serta mengadakan perjanjian
menenai harga yang menguntungkan bagi kedua belah pihak (Moekjiat, 2000).
2.1.1 Pengelolaan Penjualan
Tujuan utama dari sebuah perusahaan yaitu melayani konsumen, dimana

tujuan akhir dari perusahaan adalah menjalankan kegiatan perusahaan agar dapat
bertemu dengan kebutuhan konsumen (Arnold & Chapman, 2004).
Pengelolaan penjualan merupakan suatu proses yang membantu
perusahaan untuk menjaga permintaan dan supply agar tetap seimbang. Pada
pengelolaan penjualan, bagian marketing akan mengembangkan perencanaan
penjualan untuk 3 hingga 18 bulan kedepan. Dengan mengembangkan
perencanaan penjualan berdasarkan agregat produk dan volume penjualan, maka
dapat ditemukan perencanaan akan permintaan barang. Pada umumnya kegiatan
pengelolaan penjualan berupa manajemen jangka pendek, menengah dan jangka
panjang.
Pada umumnya, kegiatan pengelolaan permintaan/penjualan (demand/
sales management) terdiri dari empat kegiatan utama (Wirawan, 2011) yaitu:
1. Peramalan permintaan/penjualan
Peramalan permintaan/ penjualan dilakukan perusahaan untuk
memproyeksikan jumlah permintaan/penjualan yang akan diterima oleh
perusahaan kedepannya. Peramalan permintaan/penjualan merupakan

10
kegiatan yang penting dalam sebuah bisnis industri. Hal ini disebabkan
peramalan permintaan dapat mempengaruhi proses kerja lainnya, seperti
pembelian bahan baku, dan perencanaan produksi. Oleh karena itu
diperlukan suatu cara peramalan yang memiliki tingkat akurasi yang
tinggi.
2. Proses pemesanan
Proses pemesanan dimulai dari ketika perusahaan menerima pesanan dari
konsumen. Untuk memenuhi pesanan konsumen tersebut dapat dilakukan
dengan mengambil ketersediaan barang yang ada atau melakukan proses
produksi untuk memenuhi permintaan tersebut. Oleh karena itu, sebuah
perusahaan harus mengetahui produk apa yang harus diproduksi, berapa
banyak, dan kapan produk tersebut harus diantarkan.
3. Jadwal pengantaran
Penjadwalan pengantaran merupakan suatu kegiatan pengiriman barang
yang harus dilakukan atas permintaan konsumen.
4. Konfirmasi antara perencanaan produksi dengan kondisi pasar.
2.1.2 Karakteristik Penjualan
Penjualan terhadap suatu produk tentunya akan berbeda-beda, sehingga

penjualan tersebut tentunya akan membentuk sebuah karakteristik tersendiri.
Apabila digambarkan dalam sebuah grafik, maka data historis akan menunjukkan
berbagai macam bentuk maupun pola dari tingkat penjualan yang ada (Arnold &
Chapman, 2004).
Pada umumnya penjualan akan memiliki pola karakteristik seperti berikut ini:
1. Tren (Trend)
Pola penjualan tren biasanya dialami oleh produk yang baru mengalami
masa kejayaan (prosperity) dan masih berkembang dalam suatu siklus
hidupnya. Pada masa seperti itu, biasanya produk akan menunjukkan
kecenderungan (tren) naik. Dan hal sebaliknya terjadi ketika produk sudah
mencapai masa dewasa (mature) dan sudah tidak bisa berkembang lagi,
maka lama kelamaan produk tersebut akan mengalami penurunan dan
cenderung menunjukan tren turun.

11
2. Musiman (Seasonality)
Pola musiman biasanya terbentuk oleh penjualan dengan produk yang
tingkat penjualannya dipengaruhi oleh cuaca, musim liburan, maupun hari-
hari besar. Dasar periode untuk penjualan musiman biasanya dalam
rentang waktu tahunan, akan tetapi bulanan dan mingguan juga bias
membentuk suatu pola penjualan musiman.
3. Acak (Random)
Pola acak biasanya terjadi pada produk yang tingkat penjualannya
diperngaruhi oleh banyak faktor dalam suatu periode tertentu. Variasi yang
terjadi mungkin akan sangat kecil, namun membentuk pola acak yang
tidak menentu.
4. Siklis (Cycle)
Pola siklis hampir mirip dengan pola penjualan musiman. Namun, pola
penjualan siklis terbentuk dalam satu rentang periode yang lebih panjang,
misalnya pola siklis tersebut terbentuk dalam rentang waktu beberapa
tahun maupun dekade.
Jika digambarkan secara grafik, pola-pola penjualan tersebut akan
memberikan gambaran seperti berikut ini:
Gambar 2.1 Pola Karakteristik Penjualan
(Sumber: Wirawan, 2011)


12
Selain itu penjulan juga dapat membentuk pola campuran seperti pada gambar 2.2.
Gambar 2.2 Variasi Karakteristik Penjualan
(Sumber: Lindeke, 2005)
2.2 Peramalan (Forecasting)
Peramalan adalah penggunaan data masa lalu dari sebuah variabel atau
kumpulan variabel untuk mengestimasi nilainya di masa yang akan datang
(Murahartawaty,2006). Peramalan memiliki peranan yang penting dalam sebuah
perusahaan, dikarenakan peramalan merupakan dasar dari sebuah perencanaan
produksi yang juga berkaitan dengan inventori. Oleh karena itu, pemilihan metode

13
peramalan yang tepat menjadi salah satu faktor yang penting dalam menentukan
peramalan.
Berikut ini merupakan tipe peramalan berdasarkan kegunaan (Alfatah,
1998):
Tabel 2.1 Tipe Peramalan Berdasarkan Kegunaan
tipe peramalan
tipe peramalan
berdasarkan jangkauan waktu peramalan
berdasarkan kegunaan
rincian hasil
output
waktu perencanaan fasilitas dan
maksimum yang
peramalan fasilitas waktu konstruksi ditambah
diharapkan
waktu pengembangan fasilitas
(volume dolar)
beberapa siklus pembuatan atau
volume produk
peramalan perencanaan paling sedikit satu siklus
sesuai dengan
produksi permintaan dengan penjualan
tipe yang dipilih
musiman
tenggang waktu (waktu tunggu)
satuan produk
peramalan produk ditambah paling sedikit satu
yang dijual
siklus pembuatan
2.2.1 Langkah-Langkah Peramalan
Dalam melakukan peramalan terdapat beberapa tahapan atau langkah-

langkah yang dilakukan. Adapaun tahapan perancangan peramalan secara ringkas
terdapat tiga tahapan yang harus dilalui dalam perancangan suatu metode
peramalan, yaitu :
1. Melakukan analisa pada data masa lampau. Langkah ini bertujuan untuk
mendapatkan gambaran pola dari data bersangkutan.
2. Memilih metode yang akan digunakan. Terdapat bermacam-macam
metode yang tersedia dengan keperluannya. Pemilihan metode dapat
mempengaruhi hasil ramalan. Hasil ramalan diukur dengan menghitung
error atau kesalahan terkecil. Oleh karena itu, tidak ada metode peramalan
yang pasti baik untuk semua jenis data.

14
3. Proses transformasi dari data masa lampau dengan menggunakan metode

yang dipilih. Apabila diperlukan maka diadakan perubahan sesuai
kebutuhannya.
2.2.2 Prinsip Peramalan
Pada dasarnya peramalan merupakan sebuah perdiksi yang tentunya tidak

memiliki akurasi 100%. Menurut Arnold dan Chapman (2004) terdapat empat
karakteristik peramalan. Adapun karakteristik atau prinsip peramalan tersebut
adalah sebagai berikut ini:
1. Peramalan biasanya salah. Peramalan mencoba untuk melihat masa depan

yang belum diketahui dan biasanya salah dalam beberapa asumsi atau
perkiraan. Kesalahan (error) harus diprediksi dan hal itu tidak dapat
dielakan.
2. Setiap peramalan seharusnya menyertakan estimasi kesalahan (error).

Oleh karena peramalan diprediksikan akan menemui kesalahan,
pertanyaan sebenarnya adalah “seberapa besar kesalahan tersebut”. Setiap
peramalan seharusnya menyertakan estimasi kesalahan yang dapat diukur
sebagai tingkat kepercayaan, dapat berupa persentase (plus atau minus)
dari peramalan sebagai rentang nilai minimum dan maksimum.
3. Peramalan akan lebih akurat untuk kelompok atau grup. Perilaku dari
individual item dalam sebuah grup adalah acak bahkan ketika grup
tersebut berada dalam keadaan stabil. Sebagai contoh, meramalkan secara
akurat seorang murid dalam suatu kelas lebih sulit daripada meramalkan
untuk rata-rata keseluruhan kelas. Dengan kata lain, peramalan lebih
akurat untuk dilakukan pada kelompok atau grup daripada individual item.
4. Peramalan lebih akurat untuk jangka waktu yang lebih dekat. Peramalan
untuk jangka panjang biasanya akan memilki tingkat kesalahan yang lebih
tinggi, dikarenakan tidak diketahui kejadian-kejadian yang akan terjadi
dimasa mendatang. Oleh karena itu, lebih baik meramalkan untuk jangka

15
yang lebih pendek dengan melakukan pendekatan situasi yang terjadi pada
saat peramalan dilakukan.
2.2.3 Metode-metode Peramalan

Dalam melakukan peramalan tedapat berbagai cara. Apabila dilihat berdasarkan
sifat-sifat peramalan, maka peramalan dibedakan atas dua macam (Makridakis &
Wheelwright, 1999):
1. Peramalan kualitatif
Beberapa model forecasting yang digolongkan sebagai model kualitatif
adalah :
a. Dugaan Manajemen (management estimate)
Merupakan metode forecasting dimana forecasting semata-mata
berdasarkan pertimbangan manajemen. Metode ini cocok dalam
situasi yang sangat sensitif terhadap intuisi dari satu atau sekelompok
kecil orang yang karena pengalamannya mampu memberikan opini
yang kritis dan relevan.
b. Riset Pasar (market research)
Merupakan merode forecasting berdasarkan hasil survey pasar yang
dilakukan oleh tenaga pemasar produk atau yang mewakilinya.
Metode ini menjaring informasi dari pelanggan yang berkaitan dengan
rencana pembelian produk di masa yang akan datang.
c. Metode Kelompok Terstruktur (structured groups methods)
Merupakan metode forecasting berdasarkan proses konvergensi dari
opini beberapa orang atau ahli secara interaktif dan membutuhkan
fasilisator untuk menyimpulkan hasil dari forecasting.
d. Analogi Historis (historical analogy)
Merupakan teknik forecasting berdasarkan pola data masa lalu dari
produk yang disamakan secara analogi.
2. Peramalan kuantitatif
Yaitu peramalan berdasarkan atas dasar kuantitatif pada masa lampau.
Metode peramalan kuantitatif sendiri dibadakan menjadi dua, yaitu metode
deret berkala dan metode kausal.

16
 Metode kausal
Metode peramalan kausal mengembangkan suatu model sebab-akibat
antara permintaan yang diramalkan dengan variabel-variabel lain yang
dianggap berpengaruh. Pada metode kausal ini dibagi menjadi tiga
bagian yaitu :
1. Metode korelasi regresi
Peramalan ini digunakan untuk :
 Peramalan penjualan
 Peramalan keuntungan
 Peramalan permintaan
 Peramalan keadaan ekonomi
Metode ini sangat cocok digunakan untuk peramalan jangka
pendek, data yang digunakan kumpulan dari data beberapa tahun.
2. Metode ekonometrik
 Peramalan penjualan menurut kelas produksi
 Peramalan keadaan ekonomi masyarakat yang meliputi
permintaan, harga, dan penawaran.
Metode ini sangat cocok untuk peramalan jangka pendek dan
panjang. Data yang digunakan merupakan kumpulan data
beberapa tahun.
3. Metode input output
 Peramalan penjualan perusahaan
 Peramalan produksi dari sektor dan sub sektor industri
Metode ini sangat cocok untuk peramalan jangka panjang. Data
yang digunakan merupakan kumpulan data 10-15 tahun.
 Metode deret berkala (Time Series), yaitu metode kuantitatif yang
didasarkan atas penggunaan analisa pola hubungan antar variabel yang
akan diperkirakan dengan variabel waktu. Penjualan/permintaan
dimasa lalu pada analisa deret waktu akan dipengaruhi keempat

17
komponen utama trend (tren), cycle (siklus), seasonal (musiman) dan

random (acak).
Berikut ini gambaran metode peramalan yang telah disebutkan diatas:
Gambar 2.3 Metode-Metode Peramalan
2.3 Metode Deret Berkala

Metode ini merupakan metode peramalan yang memperkirakan
penjualan/permintaan periode yang akan datang dengan menggunakan data
histori. Berikut ini merupakan metode yang termasuk dalam metode deret berkala:
2.3.1 Metode Moving Average
Metode moving average mengembangkan suatu model berdasarkan hasil
perhitungan rata-rata dari sebagian besar penelitian dengan menggunakan
persamaan:
Ft = (2.1)
dimana:
Ft = Hasil peramalan untuk periode t

18
N = jumlah data penelitian

= data histori penjualan/permintaan
, = data histori penjualan periode 2 hingga t-n
Keuntungan dari metode moving average yaitu:

- Mudah untuk dimengerti
- Mudah untuk dihitung
- Dapat diterapkan untuk peramalan yang stabil
Kekurangan dari metode moving average yaitu:
- Dibutuhkan beberapa/banyak data yang digunakan untuk menentukan
peramalan
- Hasil yang diperoleh merupakan trend data
- Mengabaikan hubungan antar data
Untuk mengatasi kekurangan pada metode moving average maka digunakan
pengembangan pada metode ini seperti memerikan pembobotan pada data yang
diolah(Weighted Moving Averages) ataupun mengubah data perhitungan ke model
eksponensial.
2.3.2 Metode Weighted Moving Average

Metode ini merupakan pengembangan dari metode moving average, dimana
adanya pembobotan nilai perhitungan sebelum melakukan perhitungan rata-rata
dari sebagian besar penelitian.
Berikut ini merupakan rumus untuk metode weighted moving average:
Ft = (2.2)
dimana:
Ft = Hasil peramalan untuk periode t
N = jumlah data penelitian
= data histori penjualan/permintaan
, = data histori penjualan periode 2 hingga n
w1 = bobot untuk data histori periode t-1

w2 ,...,wn = bobot untuk data histori periode 2 hingga t-n

19
dengan syarat bahwa jumlah bobot yang digunakan harus sama dengan 1.
1 (2.3)
2.3.3 Metode Exponential Smoothing

Metode ini merupakan metode peramalan yang menerapkan sistem
pembobotan pada data histori untuk melakukan peramalan. Besarnya bobot
berubah menurun secara eksponensial bergantung dari data histori (lihat gambar
2.3)
Gambar 2.4 Bobot Perhitungan Metode Exponential Smoothing

(Sumber: Lindeke, 2005)
Berdasarkan bobot yang digunakan, metode exponential smoothing terbagi
menjadi 3 jenis yaitu:
a. Metode single exponential smoothing
Metode ini memberikan bobot berdasarkan level (α). Berikut ini merupakan
persamaan dari metode single exponential smoothing (Jacob, 2009):
Ft = Ft-1 + α (At-1 – Ft-1) (2.4)
dimana,
Ft = hasil peramalan pada periode t
Ft-1 = hasil peramalan pada periode sebelumnya
At-1 = data aktual pada periode sebelumnya
α = tingkat respon yang diinginkan (bobot/ konstanta pemulusan)

20
b. Metode double exponential smoothing

Metode ini merupakan pengembangan dari single exponential smoothing
dimana menambahkan unsur trend pada bobot perhitungan, sehingga pada
double exponential smoothing, kita memberikan dua jenis bobot pada
perhitungan yaitu level (α) dan trend (ß). Berikut ini merupakanpersamaan
dalam perhitungan double exponentialsmoothing (Jacob, 2009):
FITt = Ft + Tt (2.5)
Ft = FITt-1 + α (At-1 – FITt-1) (2.6)
Tt = Tt-1 + ß (Ft – FITt-1) (2.7)
dimana,
Ft = peramalan berdasarkan level pada periode t
Tt = peramalan berdasarkan trend pada periode t
FITt = hasil peramalan berdasarkan level dan trend pada periode t
FITt-1 = hasil peramalan berdasarkan level dan trend pada periode
sebelumnya
At-1 = data aktual pada periode sebelumnya
α = bobot level
ß = bobot trend
c. Metode triple exponential smoothing
Metode triple exponential smoothing atau dapat juga dikenal dengan nama
Winter’s Method merupakan pengembangan dari double exponential
smoothing dimana dalam melakukan peramalan, digunakan tiga parameter
dengan bobot yang berbeda yaitu level (α), trend (ß), dan seasonal (ɣ).
Berdasarkan tipe musimannya, triple exponential smoothing terbagi menjadi
2 jenis yaitu multiplicative seasonal model dan additive seasonal model
(Raharja, 2010). Perbedaan antara multiplicative seasonal model dan additive
seasonal model yaitu pada multiplicative seasonal model kita mengalikan
hasil perhitungan level dan trend dengan perhitungan seasonal. Sedangkan
pada additive seasonal model, kita menambahkan hasil perhitungan level dan
trend dengan perhitungan seasonal.
Berikut ini merupakan persamaan triple exponential smoothing dengan
multiplicative seasonal model:

21
Ft = α (At / St-p) + (1- α).(Ft-1 + Tt-1) (2.8)

Tt = ß (Ft – Ft-1)+ (1-ß) Tt-1 (2.9)
St = ɣ (At / Ft) + (1-ɣ) St-p (2.10)
(2.11)
dimana,
St = peramalan berdasarkan seasonal pada periode t
At = data aktual pada periode t
Yt = hasil peramalan berdasarkan level, trend, dan seasonal pada
periode t
p = periode musiman (seasonal)
α = bobot level
ß = bobot trend
ɣ = bobot seasonal
Berikut ini merupakan persamaan triple exponential smoothing dengan
additive seasonal model :
Ft = α (At - St-p) + (1- α).(Ft-1 + Tt-1) (2.12)
Tt = ß (Ft – Ft-1)+ (1-ß) Tt-1 (2.13)
St = ɣ (At - Ft) + (1-ɣ) St-p (2.14)
(2.15)
dimana,
St = peramalan berdasarkan seasonal pada periode t
At = data aktual pada periode t
Yt = hasil peramalan berdasarkan level, trend, dan seasonal pada
periode t
p = periode musiman (seasonal)
α = bobot level
ß = bobot trend

22
ɣ = bobot seasonal
2.3.4 Metode Trend (Linear Regression)

Metode ini merupakan metode peramalan yang menggunakan metode
kuadrat terkecil yang membentuk trend garis lurus melalui persamaan :
Yi = a + bxi (2.16)
dimana,
Yi = hasil peramalan pada periode i
xi = periode i
a = konstanta yang menunjukan besarnya nilai y apabila x sama dengan 0
b = besaran perubahan nilai y setiap perubahan 1 periode x
dengan nilai a dan b diperoleh diperoleh melalui persamaan:
(2.17)
(2.18)
dimana,
xi= periode i
yi = data aktual pada periode i
n = banyaknya periode/data yang digunakan
2.3.5 Metode Seasonal Trend

2.3.5.1 Metode Seasonal
Metode ini merupakan metode yang meramalkan penjualan/permintan
periode selanjutnya dengan membagi periode yang disimulasikan menjadi empat
bagian untuk mencari index yang akan digunakan untuk menentukan peramalan
selanjutnya. Berdasarkan cara perhitungannya, metode seasonal terbagi menjadi
dua jenis yaitu multiplicative dan additive (Lurgio, 1997).
Berikut ini merupakan persamaan untuk metode multiplicative seasonal:
SFt+1 = Ft+1 St+1 (2.19)
St+1 = (2.20)
dimana,
SFt+1 = peramalan berdasarkan musiman

23
Ft+1 = peramalan yang disesuaikan tanpa musiman

St+1 = faktor musiman multiplicative
Yt+1-L = data aktual pada periode t+1-L
SA = rata-rata data aktual pada siklus musiman penuh
L = panjang periode musiman
Berikut ini merupakan persamaan untuk metode additive seasonal:
SFt+1 = Ft+1 + St+1 (2.21)
St+1 = Yt+1-L - SA (2.22)
dimana,
SFt+1 = peramalan berdasarkan musiman
Ft+1 = peramalan yang disesuaikan tanpa musiman
St+1 = faktor musiman additive
Yt+1-L = data aktual pada periode t+1-L
SA = rata-rata data aktual pada siklus musiman penuh
L = panjang periode musiman
2.3.5.2 Metode Seasonal Trend

Metode ini merupakan perpaduan metode trend dengan musiman. Pada
prinsipnya data aktual diolah menjadi data yang telah disesuakan dengan musim.
Kemudian deseasonalized data tersebut dihitung dengan metode trend (linear
regression) sehingga diperoleh persamaan linear untuk data tersebut, sehingga
dapat dilakukan peramalan data dengan metode linear. Hasil peramalan tersebut
nantinya diolah kembali dengan metode seasonal dengan cara mengalikan index
dengan data simulasi dari metode linear.
Gambar 2.5 Proses transformasi perhitungan pada metode seasonal trend


24
2.4 Metode Grey System Theory
Grey System Theory ditemukan oleh Julong Deng pada tahun 1982, yakni
merupakan suatu metodologi yang terpusat pada suatu masalah yang memiliki
sedikit sampel ataupun informasi yang sedikit. Grey System Theory merupakan
metode matematis yang digunakan untuk membantu memecahkan masalah yang
tidak pasti (uncertain problem) dengan sedikit data dan informasi yang sedikit.
Pada tabel 2.2 menunjukkan perbandingan antara grey system theory dengan fuzzy
math, dan statistik & probabilitas.
Tabel 2.2 Perbandingan antara grey system, statistik &probabilitas, dan fuzzy math
Statistik &
Grey System Probabilitas Fuzzy Math
Objek informasi yang ketidakpastian
penelitian sedikit stokastik kognitif
Landasan awal grey hazy sets cantor set fuzzy set
Metode cangkupan informasi pemetaan pemetaan
rangkaian sebaran
Prosedur penoperasian frekuensi cut set
Kebutuhan tujuan persebaran perluasan data
data persebaran apapun umum yang diketahui
Perhatian intensi intensi ekstensi
Tujuan data aktual data historis hasil yang kognitif
Karakteristik sedikit sampel banyak sampel pembelajaran
2.4.1 Model GM(1,1)

Metode grey system yang umumnya digunakan untuk meramalkan suatu
data kuantitatif seperti permintaan ataupun penjualan yaitu GM(1,1). Berikut ini
merupakan persamaan yang digunakan dalam GM(1,1):
x(0)(k) + ax(1)(k) = b (2.23)
x(1)(t) = (x(1)(1) – b/a ) e-at + (2.24)
x’(1)(k+1) = (x(0)(1) – b/a ) e-ak + , k = 1,2,...,n (2.25)
dimana,
x(0)(k) = data aktual pada periode k
x(1)(t) = 1-ago sequence (jumlah data aktual hingga periode t)
x’(1)(k+1) = hasil peramalan pada periode k

25
a = koefisien pengembangan
b = grey action quantity
2.4.2 Pengembangan Data Aktual Pada GM(1,1)

Apabila data aktual yang diolah memiliki range atau rentang data yang
cukup besar ataupun acak, maka sebelum data diolah dengan metode GM(1,1)
data dikonversikan terlebih dahulu. Adapun tujuan dari konversi data ini yaitu
untuk meningkatkan hasil akurasi peramalan. Berikut ini merupakan metode yang
digunakan untuk mengkonversi data aktual (Chang, 2009) yaitu:
a. Weakening operator
Merupakan konversi data aktual dengan menggunakan persamaan:
X(0)(k)d = (x(0)(k) + x(0)(k+1) + ... + x(0)(n)), k = 1,2,...,n (2.26)
b. Logarithm function conversion

Metode ini mengkonversi data aktual dengan mengakarkan data pada
setiap periode.
c. Power function conversion
Metode ini mengkonversi data aktual dengan cara mencari nilai ln pada
data dari setiap periode.
2.5 Metode Peramalan Artificial Neural Network
Artificial Neural Network (ANN) merupakan model matematis yang

menyerupai cara kerja otak biologis. Neural Network terdiri dari sejumlah inti
syaraf, hubungan antara inti dan aturan-aturan pembelajaran. Pembobotan
diberikan terhadap tiap hubungan menurut aturan pembelajaran tertentu. Hasil
dari proses pembelajaran dalam jaringan tersimpan dalam bentuk bobot dalam tiap
hubungan antara inti syaraf (Wirawan, 2011).
ANN berusaha meniru struktur/arsitektur dan cara kerja otak manusia

sehingga mampu menggantikan beberapa pekerjaan manusia. Pekerjaan seperti
mengenali pola, prediksi, klasifikasi, pendekatan fungsi, optimasi adalah
pekerjaan-pekerjaan yang diharapkan bisa diselesaikan dengan ANN (Santosa,
2007).

26
2.5.1 Perhitungan Input ANN
Perhitungan yang diperlukan dalam menghitung nilai input dalam tiap unit
i pada jaringan pada waktu t dilakukan dengan persamaan :
neti(t) = ∑ wij (t) oj (t) (2.27)
dimana :
neti(t) : jaringan signal input pada unit i pada jaringan
oj (t) : output dari unit j dalam jaringan
wij (t) : nilai pembobotan dari unit j ke unit i
n : jumlah input yang terhubung dengan unit i
2.5.2 Fungsi aktivasi
Langkah dalam menentukan rangsangan pada input yang diterima untuk

suatu unit dikonversikan menjadi nilai input disebut dengan nilai
pergerakan/aktivasi. Aktivasi pada suatu unit analog dengan derajat eksitasi dari
unit tersebut, semakin kuat nilai aktivasi suatu unit, semakin kuat pula dalam
mengeksitasi unit lain dalam jaringan (Wirawan, 2011).
Fungsi aktivasi terdiri dari beberapa bentuk yang spesifik yang tergantung
pada beberapa faktor antara lain :
1) Tipe jaringan yang digunakan.
2) Fungsi yang harus ditunjukkan oleh unit-unit dalam jaringan.
3) Interpretasi eksternal dari input jaringan.
Jenis-jenis fungsi aktivasi φ.(.) yang bisa dipakai dalam neural networks
adalah seperti beriktu ini (Santosa, 2007) :
1. Fungsi Threshold
Untuk fungsi ini kita punya dua output:

27
1 if   1
 ( )  
0 if   1 (2.28)
Gambar 2.6 Grafik (a)Fungsi Threshold (b)Fungsi Linear-piecewise

(c)Fungsi Sigmoid
(sumber: Santosa, 2007)
2. Fungsi Linear Piecewise

 1
 1, 
2
 1 1 1
 ( )    ,     (2.29)
 2 2 2
 0, 1
 
 2
3. Fungsi Sigmoid
1
 ( ) 
1  exp(  a ) (2.30)
Macam-macam fungsi aktivasi yang sering digunakan dalam ANN adalah:

28
1. Logistic Sigmoid
1
F(x) = (2.31)
1  e ax
2. Tangent Hyperbolic
f(x) = atanh(bx)
dimana (a, b) > 0 (2.32)
2.5.3 Backpropagation Network
Salah satu metode mentraining multilayer neural networks adalah

algoritma backpropagation. Algoritma ini menggunakan aturan pembelajaran
gradient descent. Algoritma ini sangat bermanfaat, cukup handal dan mudah
dipahami (Santosa, 2007).
Backpropagation Network melakukan suatu pemetaan dari pola input ke
pola output dengan meminimasi kesalahan diantara output aktual yang diproduksi
jaringan dengan output yang diinginkan. Proses pembelajaran dimulai dengan
menunjukkan pola input pada backpropagation network kemudian pola input
dipropagasi keseluruh jaringan sampai pola output dihasilkan.
Proses pembelajaran backpropagation network mengikuti algoritma

sebagai berikut (Wirawan, 2011):
1. Pilihlah pasangan vektor pertama dari kumpulan vektor pada proses

pembelajaran.
2. Gunakan vektor input x sebagai output dari input layer pada elemen
proses.
3. Hitung nilai aktivasi pada tiap unit pada layer selanjutnya.
4. Aplikasikan fungsi aktivasi yang cocok dimana f (netk) untuk fungsi

aktivasi pada layer yang tersembunyi dan f (neto) untuk fungsi aktivasi
pada layer output.
5. Ulangi tahap 3 dan 4 untuk tiap layer pada jaringan.


29
6. Hitung nilai kesalahan pada output δopk
δopk = (yk – ok) f1 (netok) (2.33)
7. Hitung nilai kesalahan pada semua hidden layer dengan menggunakan

perumusan
k
δopj = f1 (netkj)  opk wkj
k 1
(2.34)
8. Perbarui pembobotan yang terhubung pada hidden layer dengan

menggunakan persamaan:
Wji (t+1) = wji (t) + ηδhpj wkj (2.35)
Dimana η : adalah faktor pembelajaran yang menentukan banyaknya

perubahan dalam tiap hubungan unit selama proses pembelajaran.
9. Perbarui pembobotan yang terhubung pada output layer dengan

menggunakan persamaan:
wji (t+1) = wkj (t) + ηδopk f (netkj) (2.36)
10. Ulangi langkah 2 sampai dengan 9 untuk semua pasangan vektor input
selama tahap pembelajaran, pengulangan ini disebut epoch.
11. Ulangi langkah 1 sampai dengan 10 sampai epoch mencapai tingkat error
yang diinginkan. Tingkat error menggunakan penjumlahan kuadrat
kesalahan yang ditunjukkan pada output layer untuk semua pembelajaran
p:
p k
E =
k 1

k 1
(δopk)2 (2.37)

30
2.6 Grey Back Propagation Neural Network
Metode ini merupakan penggabungan antara GM(1,1) dengan back

propagation neural network. Diawali dengan pengolahan data aktual dengan GM
(1,1), kemudian diperoleh error dari hasil simulasi GM(1,1) dengan aktual. Error
tersebut kemudian disimulasikan dengan metode back propagation neural
network. Hasil simulasi error tersebut kemudian dijumlahkan dengan prediksi
yang dihasilkan melalui GM(1,1). Berikut ini merupakan persamaan pada grey
back propagation neural network:
x’(0)(i,1) = x’(0)(1) + e’(0)(1) (2.38)
2.7 Pengukuran Hasil Peramalan
Pada kenyataannya tidak ada peramalan yang memiliki tingkat akurasi

100% karena setiap peramalan pasti mengandung kesalahan. Oleh karena itu,
untuk mengetahui metode peramalan dengan tingkat akurasi yang tinggi, maka
kita butuh memperhitungkan tingkat kesalahan (error) dalam suatu peramalan.
Semakin kecil kesalahan yang dihasilkan, maka semakin baik peramalan tersebut.
Berikut ini merupakan beberapa cara untuk mengukur error dari peramalan
(Bedwordh, 1987) yaitu:
1. Rata-rata kuadrat kesalahan (Mean Squared Error / MSE)

MSE merupakan metode perhitungan kesalahan yang dihitung dengan
menjumlahkan kuadrat kesalahan kemudian membaginya dengan jumlah
data/periode yang digunakan. Berikut ini merupakan persamaan pada
MSE:
n
(A t  Ft ) 2
MSE  k 0
n (2.39)
dimana:
At = permintaan aktual
Ft = permintaan hasil ramalan

31
n = jumlah data
2. Rata-rata presentase kesalahan mutlak (Mean Absolute Percent
Error/MAPE)
MAPE merupakan metode perhitungan kesalahan yang dihitung dengan
mencari presentase kesalahan dari setiap periode peramalan kemudian
membaginya dengan jumlah data/periode yang digunakan. Berikut ini
merupakan persamaan pada MAPE:
 1  n F  At
MAPE    t
 n  i 1 At (2.40)
dimana:
n = jumlah data
Ft = permintaan hasil peramalan
At = permintaan aktual

BAB 3
PENGUMPULAN DATA
Pada bab ini akan dijelaskan data apa saja yang dikumpulkan beserta
dengan. Adapun data yang dikumpulkan merupakan data primer dari penjualan
empat merk susu bayi untuk usia 1, 2, 3 dan 4 tahun.
3.1 Data Penjualan Produk A
Dalam penelitian ini, digunakan data penjualan produk A untuk usia 1

tahun (A1), usia 2 tahun (A2), usia 3 tahun (A3), dan usia 4 tahun (A4). Data yang
digunakan merupakan data histori penjualan selama 55 periode. Dimana 1 periode
merupakan 1 minggu. Berikut ini adalah data penjualan yang digunakan:
Gambar 3.1 Data Histori Penjualan A1

33


34
3.2 Data Penjualan Produk B
Data selanjutnya yang dikumpulkan adalah data penjualan produk B untuk

usia 1 tahun (B1), usia 2 tahun (B2), usia 3 tahun (B3), dan usia 4 tahun (B4).
Data yang digunakan merupakan data histori penjualan selama 55 periode.
Dimana 1 periode merupakan 1 minggu. Berikut ini adalah data penjualan yang
digunakan:
Gambar 3.5 Data Histori Penjualan B1

35

36
3.3 Data Penjualan Produk C
Data yang diambil selanjutnya adalah data penjualan produk C untuk usia
1 tahun (C1), usia 2 tahun (C2), usia 3 tahun (C3), dan usia 4 tahun (C4). Data
yang digunakan merupakan data histori penjualan selama 55 periode. Dimana 1
periode merupakan 1 minggu. Berikut ini adalah data penjualan yang digunakan:
Gambar 3.9 Data Histori Penjualan C1


37


38
3. 4 Data Penjualan Produk D
Data terakhir yang digunakan adalah data penjualan produk D untuk usia 1
tahun (D1), usia 2 tahun (D2), usia 3 tahun (D3), dan usia 4 tahun (D4). Data yang
digunakan merupakan data histori penjualan selama 55 periode. Dimana 1 periode
merupakan 1 minggu. Berikut ini adalah data penjualan yang digunakan:
Gambar 3.13 Data Histori Penjualan D1


39


40

BAB 4
PENGOLAHAN DATA DAN ANALISIS
Pada bab ini dijelaskan mengenai cara pengolahan data yang dilakukan
dan analisis hasil pengolahan data yang didapatkan. Secara garis besar, masing-
masing data dari setiap jenis produk yang terdiri menjadi 55 periode dibagi
menjadi data untuk simulasi (44 periode) dan data untuk membandingkan data
aktual dengan peramalan (11 peride). Data tersebut akan diolah dengan metode
yang telah ditentukan beserta dengan perhitungan tingkat kesalahannya.
4.1 Pengolahan Data
Pada penelitian ini, software yang dipergunakan adalah MATLAB 7.9

untuk metode back propagation neural network, MINITAB 14 untuk metode
moving average, weighted moving average, exponential smoothing, double
exponential smoothing, dan triple exponential smoothing serta Ms. Excel untuk
metode GM(1,1), trend, seasonal trend dan pengumpulan hasil pengolahan data.
4.1.1 Back Propagation Neural Network
Sebelum menguji parameter akan dijelaskan bagaimana penggunaan

metode BPNN dalam software MATLAB.
Dalam penggunaan BPNN di MATLAB kita dapat mempergunakan toolbox

atau code yang memang sudah tersedia oleh MATLAB. Dengan begitu akan
mempermudah pengerjaan. Pengolahan mempergunakan salah satu jenis feeding
forward yang dimiliki oleh BPNN, yaitu backpropagasi. Backpropagasi sendiri
sangat bermanfaat dalam penelitian deret waktu dikarenakan kemampuannya
dalam melakukan pengenalan pola secara berulang. Berikut ini adalah langkah-
langkah penggunaan MATLAB untuk BPNN:
 Membuat variabel data

Untuk dapat mempergunakan data yang dimiliki maka kita perlu membuat
variabel data yang dikenali oleh MATLAB. Adapun tahapan yang

42
dilakukan yaitu memasukan data secara manual kedalam variabel editor

yang tersedia.
Berikut ini adalah gambaran dari variable data yang dikenali matlab:
Gambar 4.1 Variable Editor
Dalam kasus deret waktu ini, data penjualan untuk setiap periode dibaca
secara horizontal.
Ketika memasukkan data, data yang akan diolah (44 periode) dibagi
menjadi 4 kelompok yaitu 2 kelompok digunakan dalam training dan 2
kelompok yang digunakan dalam testing. Masing-masing kelompok
terbagi menjadi input dan target.
Tahap selanjutnya yang dilakukan setelah memasukkan data yaitu
mengolah data dengan neural network toolbox yang telah tersedia pada
MATLAB. Data training merupakan data yang dipergunakan untuk
melakukan pengenalan pola yang nantinya dipakai untuk peramalan. Data
training memberikan bobot, bias, nilai slope, nilai intercept, dan nilai
koefisien korelasi. Data testing merupakan data uji yang akan dipakai
untuk menghitung hasil ramalan dan kesalahan ramalan. Dalam penelitian
ini pembagian data training, validation dan testing yang digunakan, yaitu
70%-15%-15%,. Tahap selanjutnya yang dilakukan yaitu menentukan
jumlah hidden layer yang akan digunakan dalam melatih data. Setelah data
di training, maka dilakukan evaluasi pada data melalui testing dengan
menggunakan data yang telah dipisahkan sebelumnya.

43
Gambar 4.2 Proses pemasukan data untuk training
Gambar 4.3 Proses penentuan hidden layer

44
Gambar 4.4 Proses pemasukan data untuk testing
4.1.2 Metode Tradisional
Pada metode tradisional, digunakan level ataupun trend (untuk double

exponential smoothing) sebesar 0.1 dan optimal ARIMA untuk single exponential
smoothing dan double exponential smoothing. Sedangkan pada winter exponential
smoothing digunakan nilai level, trend, dan seasonal masing-masing sebesar 0.1
dan 0.2. Sedangkan untuk moving average digunakan panjang moving average
sebesar 11. Untuk pengolahan data metode tradisional dan grey system theory
dapat dilihat pada lampiran A dan B. Sedangkan contoh hasil simulasi dapat
dilihat pada lampiran C
4.2 Pengolahan Data dan Analisa
4.2.1 Pengolahan dan Analisa Masing-masing Produk
4.2.1.1 Produk A
Berdasarkan rancangan langkah-langkah penelitian diatas, maka setiap

data akan diolah dengan menggunakan sembilan metode yang sudah disebutkan.

45
Hasil yang ditampilkan merupakan hasil kesimpulan akhir parameter yang akan
dipergunakan dimana hasil didapatkan dari perhitungan MAPE dan MSE setiap
metode. Berikut ini adalah keempat jenis produk A hasil pengujian parameter dari
setiap metode tersebut:
Tabel 4.1 Hasil Pengujian Produk A1
Metode MAPE MSE

Trend (Linear) 39.45% 23622.3
Moving Average 40.16% 32553.83
Weighted Moving Average 43.07% 34292.78
Multicative 42.38% 28360.96
Seasonal Trend
Additive 42.60% 28684.47
Single Exponential α = 0.1 40.07% 27980.78
Smoothing Optimal ARIMA 40.02% 27436.86
Double Exponential Optimal ARIMA 39.84% 26239.81
Smoothing α=0.1, ß=0.1 39.93% 26527.6
α=0.2, ß=0.2, ɣ=0.2 41.81% 57363.06
Winter Multicative
α=0.1, ß=0.1, ɣ=0.1 41.81% 57363.06
Exponential
Smoothing α=0.2, ß=0.2, ɣ=0.2 42.63% 60666.17
Additive
α=0.1, ß=0.1, ɣ=0.1 42.71% 31359.33
Original Data Sequence 39.47% 23228.37
Grey System Weakening Operator Conversion
Theory (GM Sequence 40.17% 28734.62
(1,1)) Logarithm Function Conversion Sequence 39.49% 23873.37
Power Function Conversion Sequence 39.62% 24754.3
Grey Back Weakening Operator Conversion
Propagation Sequence 31.30% 23469.77
Neural
Logarithm Function Conversion Sequence 35.09% 28389.82
Network
Neural Network 34.04% 28394.36
Metode MAPE MSE

Trend (Linear) 51.71% 34825.08
Seasonal Trend
Additive 60.22% 47200.96

46
Tabel 4.2 Hasil Pengujian Produk A2 (sambungan)
Metode MAPE MSE

Smoothing α=0.1, ß=0.1 48.27% 30418.86
α=0.2, ß=0.2, ɣ=0.2 45.78% 46859.81
Winter Multicative
α=0.1, ß=0.1, ɣ=0.1 54.82% 39947.05
Exponential
Smoothing α=0.2, ß=0.2, ɣ=0.2 46.52% 53826.57
Additive
α=0.1, ß=0.1, ɣ=0.1 55.07% 39925.71
Propagation Sequence
29.16% 12992.81
Neural
Network
Metode MAPE MSE

Trend (Linear) 137.37% 212596.5
Seasonal Trend
Additive 65.58% 126258.3
Smoothing α=0.1, ß=0.1 122.59% 168878.1
α=0.2, ß=0.2, ɣ=0.2 72.39% 64472.06
Winter Multicative
α=0.1, ß=0.1, ɣ=0.1 130.20% 209006.8
Exponential
Smoothing α=0.2, ß=0.2, ɣ=0.2 70.89% 64510.1
Additive
α=0.1, ß=0.1, ɣ=0.1 127.75% 199000.4

47
Tabel 4.3 Hasil Pengujian Produk A3 (sambungan)
Metode MAPE MSE

Weakening Operator Conversion
Grey System
Sequence 43.08% 56852.62
Theory (GM
Logarithm Function Conversion
(1,1))
Sequence 55.19% 86305.85
Neural Logarithm Function Conversion
Network Sequence 40.26% 89366.9
Metode MAPE MSE

Trend (Linear) 34.35% 4945.967
Seasonal Trend
Additive 30.88% 5457.62
Smoothing α=0.1, ß=0.1 31.67% 5644.078
α=0.2, ß=0.2, ɣ=0.2 47.42% 18146.68
Winter Multicative
α=0.1, ß=0.1, ɣ=0.1 29.61% 6834.186
Exponential
Smoothing α=0.2, ß=0.2, ɣ=0.2 52.21% 20242.11
Additive
α=0.1, ß=0.1, ɣ=0.1 30.04% 6813.202
Grey System Weakening Operator Conversion Sequence
33.16% 6693.828
Theory (GM
Grey Back Original Data Sequence 26.46% 8103.18
Propagation Weakening Operator Conversion Sequence 29.59% 8016.307
Neural Logarithm Function Conversion Sequence 34.63% 7701.047
Network Power Function Conversion Sequence 31.13% 8022.548

48
Berdasarkan hasil pengolahan data yang diperoleh maka dapat dilihat bahwa hasil
perhitungan dengan MAPE dan MSE masing-masing mengeluarkan hasil
peramalan terbaik yang berbeda. pada tiap jenis produk. pada peramalan produk
A. Namun apabila dilihat berdasarkan keseluruhan hasil MAPE dan MSE dari
keempat jenis produk dapat dilihat bahwa metode grey back propagation neural
network dengan data yang dikonversikan dengan weakening operator memberikan
metode peramalan dengan tingkat akurasi yang cukup tinggi dibandingkan dengna
yang lainnya.
4.2.1.2Produk B
Hasil yang ditampilkan merupakan hasil kesimpulan akhir parameter yang

akan dipergunakan dimana hasil didapatkan dari perhitungan MAPE dan MSE
setiap metode. Berikut ini adalah kelima hasil pengujian parameter dari setiap
metode tersebut:
Tabel 4.5 Hasil Pengujian Produk B1
Metode MAPE MSE

Trend (Linear) 40.60% 142219.7
Weighted Moving Average 44.55% 205195
Seasonal Trend
Additive 44.18% 165512.3
Smoothing α=0.1, ß=0.1 40.86% 145436.1
α=0.2, ß=0.2, ɣ=0.2 48.33% 320795.5
Winter Multicative
α=0.1, ß=0.1, ɣ=0.1 49.24% 189075.4
Exponential
Smoothing α=0.2, ß=0.2, ɣ=0.2 49.98% 361109
Additive
α=0.1, ß=0.1, ɣ=0.1 43.58% 148952.1
Original Data Sequence 40.32% 134660

49
Tabel 4.5 Hasil Pengujian Produk B1 (sambungan)
Metode MAPE MSE

Neural
Network
Power Function Conversion Sequence 46.35% 678003
Tabel 4.6. Hasil Pengujian Produk B2
Metode MAPE MSE

Trend (Linear) 61.88% 205541.3
Seasonal Trend
Additive 65.98% 260463.1
Smoothing α=0.1, ß=0.1 40.62% 109786.9
α=0.2, ß=0.2, ɣ=0.2 45.64% 122264.2
Winter Multicative
α=0.1, ß=0.1, ɣ=0.1 61.02% 224389.6
Exponential
Smoothing α=0.2, ß=0.2, ɣ=0.2 46.28% 129324.5
Additive
α=0.1, ß=0.1, ɣ=0.1 59.73% 210204.8
Propagation Sequence 37.79% 119486
Neural
Network

50
Metode MAPE MSE

Trend (Linear) 48.46% 334605.2
Seasonal Trend
Additive 56.25% 357075.1
Smoothing α=0.1, ß=0.1 50.44% 334195.8
α=0.2, ß=0.2, ɣ=0.2 47.89% 474698.4
Winter Multicative
α=0.1, ß=0.1, ɣ=0.1 66.28% 473401.3
Exponential
Smoothing α=0.2, ß=0.2, ɣ=0.2 47.77% 561740.1
Additive
α=0.1, ß=0.1, ɣ=0.1 58.66% 376746.6
Neural
Network
Metode MAPE MSE

Trend (Linear) 48.46% 334605.2
Seasonal Trend
Additive 56.25% 357075.1
Smoothing α=0.1, ß=0.1 50.44% 334195.8

51
Tabel 4.8. Hasil Pengujian Produk B4 (sambungan)
Metode MAPE MSE

α=0.2, ß=0.2, ɣ=0.2 47.89% 474698.4
Winter Multicative
α=0.1, ß=0.1, ɣ=0.1 66.28% 473401.3
Exponential
Smoothing α=0.2, ß=0.2, ɣ=0.2 47.77% 561740.1
Additive
α=0.1, ß=0.1, ɣ=0.1 58.66% 376746.6
Grey System
Sequence 46.71% 348958.3
Theory (GM
(1,1))
Sequence 48.74% 333653.9
peramalan terbaik yang berbeda. pada tiap jenis produk B. Apabila dilihat dari
secara keseluruhan perhitungan MAPE, maka dapat dilihat bahwa neural network
memiliki tingkat kesalahan yang lebih kecil dibandingkan dengan metode lainnya.
Namun apabila dilihat melalui perhitungan MSE, masing-masing jenis produk B
masing-masing menunjukkan metode yang berbeda yaitu trend, GBPNN, neural
network dan seasonal trend.
4.2.1.3 Produk C

metode tersebut:

52
Tabel 4.9 Hasil Pengujian Produk C1
Metode MAPE MSE

Trend (Linear) 61.04% 13980.53
Seasonal Trend
Additive 76.71% 22416
Smoothing α=0.1, ß=0.1 58.38% 13905.67
α=0.2, ß=0.2, ɣ=0.2 56.49% 23814.32
Winter Multicative
α=0.1, ß=0.1, ɣ=0.1 74.38% 21705.12
Exponential
Smoothing α=0.2, ß=0.2, ɣ=0.2 57.11% 27334.15
Additive
α=0.1, ß=0.1, ɣ=0.1 71.86% 20228.82
Neural
Network
Metode MAPE MSE

Trend (Linear) 39.70% 10657.57
Seasonal Trend
Additive 52.60% 18007.63
Smoothing α=0.1, ß=0.1 39.80% 12044.2

53
Tabel 4.10 Hasil Pengujian Produk C2 (sambungan)
Metode MAPE MSE

α=0.2, ß=0.2, ɣ=0.2 46.06% 15719.17
Winter Multicative
α=0.1, ß=0.1, ɣ=0.1 48.57% 17276.38
Exponential
Smoothing α=0.2, ß=0.2, ɣ=0.2 46.10% 17007.06
Additive
α=0.1, ß=0.1, ɣ=0.1 47.87% 17481.1
Grey System
Sequence 39.18% 11779.54
Theory (GM
(1,1))
Sequence 39.25% 10393.88
Metode MAPE MSE

Trend (Linear) 79.52% 188900.7
Seasonal Trend
Additive 88.08% 250060.1
Smoothing α=0.1, ß=0.1 65.91% 134123.1
α=0.2, ß=0.2, ɣ=0.2 47.83% 99368.24
Winter Multicative
α=0.1, ß=0.1, ɣ=0.1 75.84% 189851.2
Exponential
Smoothing α=0.2, ß=0.2, ɣ=0.2 50.52% 117891
Additive
α=0.1, ß=0.1, ɣ=0.1 74.71% 183190.6

54
Tabel 4.11 Hasil Pengujian Produk C3 (sambungan)
Metode MAPE MSE

Metode MAPE MSE

Trend (Linear) 45.81% 78155.96
Seasonal Trend
Additive 52.79% 105973.9
Smoothing α=0.1, ß=0.1 38.74% 59331.56
α=0.2, ß=0.2, ɣ=0.2 44.42% 205529.6
Winter Multicative
α=0.1, ß=0.1, ɣ=0.1 46.73% 80605.64
Exponential
Smoothing α=0.2, ß=0.2, ɣ= 0.2 47.26% 237502.1
Additive
α=0.1, ß=0.1, ɣ=0.1 45.67% 77328.49
Neural
Network

55
peramalan terbaik yang berbeda. pada tiap jenis produk C. Apabila dilihat dari
secara keseluruhan perhitungan MAPE, maka dapat dilihat bahwa neural network
memiliki tingkat kesalahan yang lebih kecil dibandingkan dengan metode lainnya.
Namun apabila dilihat melalui perhitungan MSE, masing-masing jenis produk C
masing-masing menunjukkan metode yang berbeda yaitu GBPNN dengan
weakening operator, neural network, GM(1,1), dan moving average. Hal ini
disebabkan karena jumlah penjualan untuk produk C yang berbeda-beda (lihat
gambar 3.9 hingga gambar 3.12 pada bab 3) dimana produk C1 dan C2 memiliki
penjualan rata-rata yang relatif lebih sedikit dibandingkan dengan produk C3 dan
C4. Sehingga apabila dilihat secara keseluruhan melalui perhitungan MSE, maka
metode GM(1,1) dengan perubahan data power function memiliki tingkat akurasi
yang lebih tinggi untuk produk C1 dan C2. Sedangkan pada produk C3 dan C4
metode moving average memiliki hasil peramalan yang cukup baik dibandingkan
dengan metode lainnya.
4.2.1.4 Produk D

metode tersebut:
Tabel 4.13 Hasil Pengujian Produk D1
Metode MAPE MSE

Trend (Linear) 52.92% 374587.1
Seasonal Trend
Additive 51.06% 353022.9

56
Tabel 4.13 Hasil Pengujian Produk D1(sambungan)
Metode MAPE MSE

Smoothing α=0.1, ß=0.1 51.51% 355891.9
α=0.2, ß=0.2, ɣ=0.2 52.81% 377041.4
Winter Multicative
α=0.1, ß=0.1, ɣ=0.1 52.85% 375083.2
Exponential
Smoothing α=0.2, ß=0.2, ɣ=0.2 50.02% 332744.8
Additive
α=0.1, ß=0.1, ɣ=0.1 52.46% 375942
Metode MAPE MSE

Trend (Linear) 70.40% 479218.5
Multicative 61.80% 417295
Seasonal Trend
Additive 63.30% 433196
Smoothing α=0.1, ß=0.1 65.55% 414974.1
α=0.2, ß=0.2, ɣ=0.2 67.42% 496979.2
Winter Multicative
α=0.1, ß=0.1, ɣ=0.1 64.13% 446306.8
Exponential
Smoothing α=0.2, ß=0.2, ɣ=0.2 58.08% 379809.1
Additive
α=0.1, ß=0.1, ɣ=0.1 64.18% 443224.7
Grey System Weakening Operator Conversion Sequence
64.00% 396354.5
Theory (GM

57
Tabel 4.14 Hasil Pengujian Produk D2 (sambungan)
Metode MAPE MSE

Network Sequence 50.74% 314168
Tabel 4.15. Hasil Pengujian Produk D3
Metode MAPE MSE

Trend (Linear) 90.09% 1173163
Seasonal Trend
Additive 82.62% 1039853
Smoothing α=0.1, ß=0.1 80.96% 973487.8
α=0.2, ß=0.2, ɣ=0.2 76.36% 893071.3
Winter Multicative
α=0.1, ß=0.1, ɣ=0.1 71.12% 769981.5
Exponential
Smoothing α=0.2, ß=0.2, ɣ=0.2 74.23% 836230.4
Additive
α=0.1, ß=0.1, ɣ=0.1 73.21% 807488.8
Original Data Sequence 90.59% 1184527
Theory (GM Sequence 73.67% 812821
(1,1)) Logarithm Function Conversion Sequence 87.88% 1120233
Neural
Logarithm Function Conversion Sequence 64.78% 802868
Network

58
Metode MAPE MSE

Trend (Linear) 101.35% 254386.7
Seasonal Trend
Additive 100.18% 289804
Double Exponential Optimal ARIMA 74.29% 142709
Smoothing α=0.1, ß=0.1 80.15% 162529.8
α=0.2, ß=0.2, ɣ=0.2 109.45% 359648.1
Winter Multicative
α=0.1, ß=0.1, ɣ=0.1 91.34% 241873.6
Exponential
Smoothing α=0.2, ß=0.2, ɣ=0.2 93.13% 247117.1
Additive
α=0.1, ß=0.1, ɣ=0.1 86.82% 211321.4
Theory (GM Sequence 73.18% 138833
Neural
Network
peramalan terbaik yang sama untuk produk D yaitu metode neural network.
4.2.2 Analisa Keseluruhan Produk
Berdasarkan pengolahan dan analisa untuk masing-masing produk, dapat

dilihat bahwa tiap produk memiliki hasil metode yang berbeda-beda dalam
memberikan hasil peramalan yang akurat. Pada produk A cenderung memiliki
metode yang berbeda-beda dalam memberikan hasil peramalan yang terbaik. Hal

59
ini disebabkan karena penjualan produk A yang berbeda-beda untuk setiap

jenisnya.
Pada produk B dan produk C meskipun memiliki jumlah penjualan yang

berbeda-beda setiap jenisnya namun metode terbaik berdasarkan perhitungan
MAPE yaitu metode back propagation neural network dengan tiga jenis dari
masing-masing produk memiliki peramalan dengan tingkat akurasi yang paling
tinggi dibandingkan metode lainnya. Akan tetapi apabila dilihat berdasarkan
MSE, masing-masing jenis pada produk B dan C memiliki hasil metode yang
berbeda. Hal ini disebabkan karena jumlah penjualan yang bersifat acak dan
berfluktuatif.
Selain itu, hasil pengolahan data pada produk B dan C dapat dilihat bahwa
semakin besar range data pada setiap jenis produk, maka nilai MSE semakin
besar. Hal ini disebabkan karena pada prinsipnya sebagian besar metode seperti
grey system theory GM(1,1) dan metode tradisional menerapkan prinsip trend
serta simulasi berdasarkan data histori sebelumnya. Sehingga apabila
disimulasikan kembali menggunakan metode yang digunakan, simulasi yang
dihasilkan berasal dari pendekatan angka beberapa periode sebelumnya, sehingga
tidak dapat menutup kemungkinan bahwa hasil simulasi dan peramalan memiliki
perbedaan hasil yang cukup besar.
Apabila dilihat berdasarkan produk D, dapat dilihat bahwa metode

peramalan terbaik menggunakan neural network baik berdasarkan perhitungan
MAPE dan MSE. Hal ini diakibatkan karena pola penjualan setiap jenis produk D
yang hampir mirip antara satu dengan yang lainnya (lihat gambar 3.13 sampai
3.16).
Berdasarkan hasil pengolahan data pada setiap jenis produk dapat dilihat
bahwa untuk data yang bersifat acak namun memiliki range data yang tidak
terlalu jauh antara angka terendah dan tertinggi sebaiknya menggunakan metode
grey back propagation neural network yang mengkonversi data menjadi
weakening operator. Sedangkan untuk data yang bersifat acak namun memiliki
range data yang cukup jauh sebaiknya menggunakan metode neural network.

BAB 5
KESIMPULAN DAN SARAN
5.1 Kesimpulan
Berdasarkan hasil penelitian yang telah dilakukan melalui enam belas
produk susu bayi dengan empat merk berbeda memiliki metode peramalan terbaik
yang berbeda-beda untuk setiap produknya. Hal ini disebabkan karena penjualan
susu bayi cenderung memiliki pola yang acak.
Berdasarkan hasil penelitian yang telah dilakukan, dapat dilihat bahwa
metode tradisional kurang baik untuk meramalkan penjualan susu bayi. Kemudian
data diolah dengan menggunakan grey system theory GM(1,1) yang menerapkan
prinsip persamaan linear namun dikembangkan dengan mengadakan simulasi
yang diterapkan dengan mengaplikasikan sistem integral, namun hasil peramalan
yang diperoleh juga masih belum baik.
Kemudian data histori penjualan susu bayi diolah dengan menggunakan
backpropagation neural network dan diperoleh hasil peramalan yang lebih baik
dibandingkan dengan sebelumnya. Hal ini disebabkan oleh prinsip neural network
yang sebelumnya melatih model perhitungan yang kemudian kembali di uji untuk
meningkatkan akurasi hasil peramalan.
Oleh karena itu, dilakukan pengembangan metode dengan
menggabungkan grey system theory GM(1,1) dengan backpropagation neural
network menjadi grey backpropagation neural network dan dihasilkan peramalan
penjualan dengan tingkat akurasi yang lebih tinggi dibandingkan dengan grey
system theory GM(1,1).
Melalui perbandingan hasil peramalan yang telah dilakukan, dapat dilihat
bahwa neural network dan grey backpropagation neural network dengan data
weakening operator memiliki hasil peramalan yang baik untuk data yang bersifat
acak. Namun yang membedakan yaitu neural network cocok utnuk meramalkan
data acak yang memiliki fluktuasi data yang tidak begitu stabil sedangkan grey
back propagation neural network cocok untuk meramalkan data acak yang
memiliki range data yang tidak terlalu jauh yang agak membuat pola trend.

61
Selain itu berdasarkan hasil perhitungan MSE dari setiap jenis produk,
dapat dilihat bahwa semakin besar perbedaan angka terendah dan terbesar pada
data yang acak menyebabkan hasil MSE semakin besar. Hal ini juga berlaku
untuk sebaliknya, apabila perbedaan angka terendah dan terkecil pada data acak
semakin kecil, maka hasil MSE menjadi semakin kecil.
5.2 Saran
Pada penelitian selanjutnya sebaiknya dilakukan peramalan dengan
menambahkan variabel-variabel yang dapat mempengaruhi penjualan seperti
menerapkan variabel-variabel yang berhubungan dengan 4P (Price, Place,
Promotion dan Product). Selain itu, hasil peramalan juga dapat dikembangkan
untuk membantu dalam penentuan inventory control.

DAFTAR REFERENSI
Alfatah, V.A, (1998). Pemilihan Metode Peramalan (Forecasting) untuk Produk

Passanger Car C Class dan E Class Pada PT. German Motor Manufacturing.
Depok: Teknik Industri, Universitas Indonesia
Arnold, J. R., & Chapman, N. S. (2004). Introduction to Material Management.
New Jersey: Prentice-Hall Inc.
Baker, M.J., (1999), Sales Forecasting. The IEBM Encyclopedia of Marketing,
International Thompson Business Press (p. 278-290)
Beale, M.H., Hagan, M.T. & Demuth, H.B., (2011), Neural Newtork Toolbox:
User's Guide. Natick: The MathWorks, Inc.
Bedworth. D.D., Bailey J.E, (1987). Integrated Production Control Systems. New
York: John Wiley & Sons.
Chang, H.C., & Chuang, L.W., (2009). Forecasting Application of Supply Chain
Demand Based on Grey System Theory and Neural Network Theory. The
Business Review, Cambridge (Vol. 13 Num.2 p. 221-229)
Fiati, R., (2010). Aplikasi Sistem Pendukung Keputusan Peramalan Penjualan
Barang. Universitas Muria Kudus
Greene, J.H., (1997). Production and Inventory Control Handbook. New York:
Mc Graw Hill.
Jacobs, Chase & Aquilano. Operation & Supply Management. New York: Mc
Graw Hill.
Lindeke R. (2005). Forecasting Model. Modul Pembelajaran.
Liu, S.F, & Lin Y., (2010). Grey Systems: Theory and Applications. Berlin:
Springer.
Liu, S.F, & Lin Y., (2006). Grey Information: Theory and Practical Applications.
London: Springer.
Msiza, I. S., Nelwamondo, F. V., & Marwala, T. (2008). Water Demand
Prediction using Artificial Neural Networks and Support Vector Regression.
Journal of Computer , 3.
Nasution, A. H. (1999). Metode dan Aplikasi Peramalan (2 ed., Vol. 1). Binarupa
63
Peterson, R. T. (1993). Forecasting Practices in The Retail Industry. Dalam J.

Business Forecast (Vol. 12, hal. 11-14).
Santosa, B. (2007). Data Mining: Teknik Pemanfaatan Data untuk Keperluan
Bisnis. Yogyakarta: Graha Ilmu.
Shahrabi, J., Mousavi, S. S., & Heydar, M. (2009). Supply Chain Demand
Forecasting; A Comparison of Machine Learning Techniques and Traditional
Methods. Journal of Applied Science , 521-527.
Vapnik, V. (1995). The Nature of Statisctical Learning Theory (1 ed.). New York:
Springer.
Wirawan, R.S. (2011). Perbandingan Peramalan Permintaan Antara Artificial
Neural Network dan Support Vector Regression dengan Metode Tradisional.
Depok: Teknik Industri, Universitas Indonesia

64
Lampiran A. Contoh Perhitungan Metode Tradisional

Berikut ini merupakan contoh pengolahan data dengan menggunakan metode
tradisional
Tabel A.1 Peramalan Trend (Linear)
PERIODE ACTUAL Simulasi Error % Error MSE
1 380 328.639 51.361 13.52% 2637.912
2 461 330.174 130.826 28.38% 17115.407
3 323 331.709 -8.709 2.70% 75.845
4 155 333.244 -178.244 115.00% 31770.789
5 514 334.778 179.222 34.87% 32120.394
6 410 336.313 73.687 17.97% 5429.758
7 322 337.848 -15.848 4.92% 251.154
8 230 339.383 -109.383 47.56% 11964.552
9 134 340.917 -206.917 154.42% 42814.784
10 425 342.452 82.548 19.42% 6814.159
11 514 343.987 170.013 33.08% 28904.481
12 361 345.522 15.478 4.29% 239.582
13 173 347.056 -174.056 100.61% 30295.598
14 222 348.591 -126.591 57.02% 16025.294
15 269 350.126 -81.126 30.16% 6581.394
16 189 351.661 -162.661 86.06% 26458.450
17 91 353.195 -262.195 288.13% 68746.364
18 339 354.730 -15.730 4.64% 247.434
19 593 356.265 236.735 39.92% 56043.572
20 339 357.800 -18.800 5.55% 353.421
21 254 359.334 -105.334 41.47% 11095.304
22 169 360.869 -191.869 113.53% 36813.710
23 633 362.404 270.596 42.75% 73222.339
24 449 363.938 85.062 18.94% 7235.463
25 622 365.473 256.527 41.24% 65805.989
26 297 367.008 -70.008 23.57% 4901.115
27 344 368.543 -24.543 7.13% 602.344
28 637 370.077 266.923 41.90% 71247.648
29 293 371.612 -78.612 26.83% 6179.877
30 586 373.147 212.853 36.32% 45306.428
31 456 374.682 81.318 17.83% 6612.670
32 261 376.216 -115.216 44.14% 13274.823
33 597 377.751 219.249 36.73% 48070.053
34 493 379.286 113.714 23.07% 12930.895
35 525 380.821 144.179 27.46% 20787.685
36 190 382.355 -192.355 101.24% 37000.596
37 351 383.890 -32.890 9.37% 1081.761
38 392 385.425 6.575 1.68% 43.232

65
Lampiran A. Contoh Perhitungan Metode Tradisional (sambungan)
Tabel A.1 Peramalan Trend (Linear) (sambungan)

39 173 386.960 -213.960 123.68% 45778.719
40 190 388.494 -198.494 104.47% 39400.012
41 373 390.029 -17.029 4.57% 289.990
42 436 391.564 44.436 10.19% 1974.572
43 389 393.099 -4.099 1.05% 16.798
44 358 394.633 -36.633 10.23% 1342.001
intercept 327.105 slope 1.535
45 396 396.1681 -0.16808 0.04% 0.028
46 477 397.7028 79.29718 16.62% 6288.043
47 287 399.2376 -112.238 39.11% 12597.270
48 188 400.7723 -212.772 113.18% 45272.054
49 469 402.307 66.69295 14.22% 4447.950
50 469 403.8418 65.15821 13.89% 4245.592
51 563 405.3765 157.6235 28.00% 24845.157
52 188 406.9113 -218.911 116.44% 47922.147
53 557 408.446 148.554 26.67% 22068.285
54 559 409.9808 149.0192 26.66% 22206.734
55 676 411.5155 264.4845 39.12% 69952.049
Tabel A2. Peramalan Moving Average

1 380
2 461
3 323
4 155
5 514
6 410
7 322
8 230
9 134
10 425
11 514
12 361 351.636 9.363636 2.59% 87.68
13 173 349.909 -176.909 102.26% 31296.83
14 222 323.727 -101.727 45.82% 10348.44
15 269 314.545 -45.5455 16.93% 2074.39
16 189 324.909 -135.909 71.91% 18471.28
17 91 295.364 -204.364 224.58% 41764.50

66
Tabel A2. Peramalan Moving Average (sambungan)

18 339 266.364 72.63636 21.43% 5276.04
19 593 267.909 325.0909 54.82% 105684.10
20 339 300.909 38.09091 11.24% 1450.92
21 254 319.545 -65.5455 25.81% 4296.21
22 169 304 -135 79.88% 18225.00
23 633 272.636 360.3636 56.93% 129861.95
24 449 297.364 151.6364 33.77% 22993.59
25 622 322.455 299.5455 48.16% 89727.48
26 297 358.818 -61.8182 20.81% 3821.49
27 344 361.364 -17.3636 5.05% 301.50
28 637 375.455 261.5455 41.06% 68406.02
29 293 425.091 -132.091 45.08% 17448.01
30 586 420.909 165.0909 28.17% 27255.01
31 456 420.273 35.72727 7.83% 1276.44
32 261 430.909 -169.909 65.10% 28869.10
33 597 431.545 165.4545 27.71% 27375.21
34 493 470.455 22.54545 4.57% 508.30
35 525 457.727 67.27273 12.81% 4525.62
36 190 464.636 -274.636 144.55% 75425.13
37 351 425.364 -74.3636 21.19% 5529.95
38 392 430.273 -38.2727 9.76% 1464.80
39 173 434.636 -261.636 151.23% 68453.59
40 190 392.455 -202.455 106.56% 40987.84
41 373 383.091 -10.0909 2.71% 101.83
42 436 363.727 72.27273 16.58% 5223.35
43 389 361.909 27.09091 6.96% 733.92
44 358 373.545 -15.5455 4.34% 241.66
45 396 351.818 44.18182 11.16% 1952.03
46 477 338.983 138.0165 28.93% 19048.56
47 287 322.073 -35.0729 12.22% 1230.11
48 188 334.08 -146.08 77.70% 21339.22
49 469 332.541 136.4587 29.10% 18620.98
50 469 327.136 141.8641 30.25% 20125.41
51 563 341.148 221.8517 39.41% 49218.18
52 188 354.889 -166.889 88.77% 27851.95
53 557 353.243 203.7574 36.58% 41517.08
54 559 345.719 213.2808 38.15% 45488.70
55 676 341.785 334.2154 49.44% 111699.95

67

Tabel A.3 Peramalan Weighted Moving Average
1 380
2 461
3 323
4 155
5 514
6 410
7 322
8 230
9 134
10 425
11 514
12 361 350.3788 10.62121 2.942% 112.810
13 173 351.9394 -178.939 103.433% 32019.307
14 222 322.4545 -100.455 45.250% 10091.116
15 269 305.5 -36.5 13.569% 1332.250
16 189 297.9091 -108.909 57.624% 11861.190
17 91 275.2576 -184.258 202.481% 33950.854
18 339 241.197 97.80303 28.850% 9565.433
19 593 253.303 339.697 57.284% 115394.031
20 339 307.4848 31.51515 9.297% 993.205
21 254 313.8333 -59.8333 23.556% 3580.028
22 169 302.9091 -133.909 79.236% 17931.645
23 633 280.4091 352.5909 55.702% 124320.349
24 449 340.4697 108.5303 24.172% 11778.827
25 622 365.7424 256.2576 41.199% 65667.945
26 297 415.6667 -118.667 39.955% 14081.778
27 344 405.3636 -61.3636 17.838% 3765.496
28 637 402.4697 234.5303 36.818% 55004.463
29 293 446.0606 -153.061 52.239% 23427.549
30 586 424.0455 161.9545 27.637% 26229.275
31 456 451.5606 4.439394 0.974% 19.708
32 261 457.5152 -196.515 75.293% 38618.205
33 597 429.197 167.803 28.108% 28157.857
34 493 456.7727 36.22727 7.348% 1312.415
35 525 460.5303 64.4697 12.280% 4156.342
36 190 471.7424 -281.742 148.285% 79378.794
37 351 425.9697 -74.9697 21.359% 5620.455

68

Tabel A.3 Peramalan Weighted Moving Average (sambungan)
38 392 413.5758 -21.5758 5.504% 465.513
39 173 407.197 -234.197 135.374% 54848.221
40 190 363.5909 -173.591 91.364% 30133.804
41 373 329.8485 43.15152 11.569% 1862.053
42 436 328.1667 107.8333 24.732% 11628.028
43 389 340.2121 48.78788 12.542% 2380.257
44 358 344.7273 13.27273 3.707% 176.165
45 396 342.1364 53.86364 13.602% 2901.291
46 477 340.5227 136.4773 28.612% 18626.046
47 287 340.926 -53.926 18.790% 2908.010
48 188 344.1915 -156.192 83.081% 24395.790
49 469 345.7146 123.2854 26.287% 15199.297
50 469 347.5946 121.4054 25.886% 14739.264
51 563 350.4893 212.5107 37.746% 45160.788
52 188 351.2211 -163.221 86.820% 26641.125
53 557 349.6432 207.3568 37.227% 42996.856
54 559 348.1322 210.8678 37.722% 44465.214
55 676 347.6779 328.3221 48.568% 107795.387
Tabel A.4 Peramalan Single Exponential Smoothing (α = 0.1)

1 380 380 0 0.000% 0
2 461 380 81 17.570% 6561
3 323 388.1 -65.1 20.155% 4238.01
4 155 381.59 -226.59 146.187% 51343.0281
5 514 358.931 155.069 30.169% 24046.3948
6 410 374.4379 35.5621 8.674% 1264.66296
7 322 377.99411 -55.9941 17.389% 3135.34035
8 230 372.394699 -142.395 61.911% 20276.2503
9 134 358.155229 -224.155 167.280% 50245.5667
10 425 335.739706 89.26029 21.002% 7967.40005
11 514 344.665736 169.3343 32.944% 28674.0931
12 361 361.599162 -0.59916 0.166% 0.35899512
13 173 361.539246 -188.539 108.982% 35547.0472
14 222 342.685321 -120.685 54.363% 14564.9468
15 269 330.616789 -61.6168 22.906% 3796.6287
16 189 324.45511 -135.455 71.669% 18348.0869
17 91 310.909599 -219.91 241.659% 48360.2318

69

Tabel A.4 Peramalan Single Exponential Smoothing (α = 0.1) (sambungan)

18 339 288.918639 50.08136 14.773% 2508.14269
19 593 293.926775 299.0732 50.434% 89444.7937
20 339 323.834098 15.1659 4.474% 230.00459
21 254 325.350688 -71.3507 28.091% 5090.92068
22 169 318.215619 -149.216 88.293% 22265.301
23 633 303.294057 329.7059 52.086% 108706.009
24 449 336.264652 112.7353 25.108% 12709.2588
25 622 347.538186 274.4618 44.126% 75329.2871
26 297 374.984368 -77.9844 26.257% 6081.56162
27 344 367.185931 -23.1859 6.740% 537.587396
28 637 364.867338 272.1327 42.721% 74056.1858
29 293 392.080604 -99.0806 33.816% 9816.96611
30 586 382.172544 203.8275 34.783% 41545.6319
31 456 402.555289 53.44471 11.720% 2856.3371
32 261 407.89976 -146.9 56.283% 21579.5396
33 597 393.209784 203.7902 34.136% 41530.452
34 493 413.588806 79.41119 16.108% 6306.13775
35 525 421.529925 103.4701 19.709% 10706.0564
36 190 431.876933 -241.877 127.304% 58504.4506
37 351 407.68924 -56.6892 16.151% 3213.66988
38 392 402.020316 -10.0203 2.556% 100.406724
39 173 401.018284 -228.018 131.802% 51992.3378
40 190 378.216456 -188.216 99.061% 35425.4342
41 373 359.39481 13.60519 3.648% 185.101194
42 436 360.755329 75.24467 17.258% 5661.76051
43 389 368.279796 20.7202 5.327% 429.326848
44 358 370.351817 -12.3518 3.450% 152.567371
45 396 369.116635 26.88337 6.789% 722.715
46 477 369.116635 107.8834 22.617% 11638.820
47 287 369.116635 -82.1166 28.612% 6743.142
48 188 369.116635 -181.117 96.339% 32803.235
49 469 369.116635 99.88337 21.297% 9976.687
50 469 369.116635 99.88337 21.297% 9976.687
51 563 369.116635 193.8834 34.438% 37590.759
52 188 369.116635 -181.117 96.339% 32803.235
53 557 369.116635 187.8834 33.731% 35300.159
54 559 369.116635 189.8834 33.968% 36055.692
55 676 369.116635 306.8834 45.397% 94177.400

70

Tabel A.5 Peramalan Single Exponential Smoothing (Optimal ARIMA)
1 380 380 0 0.000% 0

2 461 380 81 17.570% 6561
3 323 388.1 -65.1 20.155% 4238.01
4 155 381.59 -226.59 146.187% 51343.0281
5 514 358.931 155.069 30.169% 24046.3948
6 410 374.4379 35.5621 8.674% 1264.66296
7 322 377.99411 -55.9941 17.389% 3135.34035
8 230 372.3947 -142.395 61.911% 20276.2503
9 134 358.15523 -224.155 167.280% 50245.5667
10 425 335.73971 89.26029 21.002% 7967.40005
11 514 344.66574 169.3343 32.944% 28674.0931
12 361 361.59916 -0.59916 0.166% 0.35899512
13 173 361.53925 -188.539 108.982% 35547.0472
14 222 342.68532 -120.685 54.363% 14564.9468
15 269 330.61679 -61.6168 22.906% 3796.6287
16 189 324.45511 -135.455 71.669% 18348.0869
17 91 310.9096 -219.91 241.659% 48360.2318
18 339 288.91864 50.08136 14.773% 2508.14269
19 593 293.92678 299.0732 50.434% 89444.7937
20 339 323.8341 15.1659 4.474% 230.00459
21 254 325.35069 -71.3507 28.091% 5090.92068
22 169 318.21562 -149.216 88.293% 22265.301
23 633 303.29406 329.7059 52.086% 108706.009
24 449 336.26465 112.7353 25.108% 12709.2588
25 622 347.53819 274.4618 44.126% 75329.2871
26 297 374.98437 -77.9844 26.257% 6081.56162
27 344 367.18593 -23.1859 6.740% 537.587396
28 637 364.86734 272.1327 42.721% 74056.1858
29 293 392.0806 -99.0806 33.816% 9816.96611
30 586 382.17254 203.8275 34.783% 41545.6319
31 456 402.55529 53.44471 11.720% 2856.3371
32 261 407.89976 -146.9 56.283% 21579.5396
33 597 393.20978 203.7902 34.136% 41530.452
34 493 413.58881 79.41119 16.108% 6306.13775
35 525 421.52993 103.4701 19.709% 10706.0564
36 190 431.87693 -241.877 127.304% 58504.4506
37 351 407.68924 -56.6892 16.151% 3213.66988

71

Tabel A.5 Peramalan Single Exponential Smoothing (Optimal ARIMA)(sambungan)
38 392 402.02032 -10.0203 2.556% 100.406724
39 173 401.01828 -228.018 131.802% 51992.3378
40 190 378.21646 -188.216 99.061% 35425.4342
41 373 359.39481 13.60519 3.648% 185.101194
42 436 360.75533 75.24467 17.258% 5661.76051
43 389 368.2798 20.7202 5.327% 429.326848
44 358 370.35182 -12.3518 3.450% 152.567371
45 396 369.11663 26.88337 6.789% 722.715
46 477 369.11663 107.8834 22.617% 11638.820
47 287 369.11663 -82.1166 28.612% 6743.142
48 188 369.11663 -181.117 96.339% 32803.235
49 469 369.11663 99.88337 21.297% 9976.687
50 469 369.11663 99.88337 21.297% 9976.687
51 563 369.11663 193.8834 34.438% 37590.759
52 188 369.11663 -181.117 96.339% 32803.235
53 557 369.11663 187.8834 33.731% 35300.159
54 559 369.11663 189.8834 33.968% 36055.692
55 676 369.11663 306.8834 45.397% 94177.400
Tabel A.6 Peramalan Double Exponential Smoothing (Optimal ARIMA)

FITS RESI
PERIODE ACTUAL SMO LEV TREN MAPE MSE
(Simulated) (ERROR)
1 380 507.8 507.8 56.6 693.2 -313.2 0.8 98084.8
2 461 503.2 503.2 -60.9 564.3 -103.3 0.2 10676.5
3 323 371.6 371.6 7.7 442.3 -119.3 0.4 14221.5
4 155 246.5 246.5 2.0 379.4 -224.4 1.4 50334.3
5 514 405.7 405.7 8.8 248.5 265.5 0.5 70498.2
6 410 411.8 411.8 8.6 414.4 -4.4 0.0 19.8
7 322 362.2 362.2 6.1 420.5 -98.5 0.3 9694.0
8 230 286.4 286.4 2.6 368.3 -138.3 0.6 19124.1
9 134 197.2 197.2 -1.4 289.0 -155.0 1.2 24024.7
10 425 331.5 331.5 4.5 195.8 229.2 0.5 52510.6
11 514 441.4 441.4 9.0 336.0 178.0 0.3 31682.9
12 361 397.5 397.5 6.8 450.4 -89.4 0.2 7997.2
13 173 267.3 267.3 0.8 404.2 -231.2 1.3 53467.8
14 222 240.8 240.8 -0.3 268.2 -46.2 0.2 2130.7
15 269 257.4 257.4 0.4 240.5 28.5 0.1 813.3
16 189 217.0 217.0 -1.4 257.7 -68.7 0.4 4726.0
17 91 141.9 141.9 -4.6 215.7 -124.7 1.4 15541.4

72

Tabel A.6 Peramalan Double Exponential Smoothing(Optimal ARIMA)(sambungan)
FITS RESI
(Simulated) (ERROR)
18 339 256.7 256.7 0.6 137.3 201.7 0.6 40688.9
19 593 456.1 456.1 9.2 257.3 335.7 0.6 112690.5
20 339 390.5 390.5 6.0 465.2 -126.2 0.4 15937.0
21 254 312.1 312.1 2.3 396.5 -142.5 0.6 20292.9
22 169 228.3 228.3 -1.4 314.4 -145.4 0.9 21147.0
23 633 467.3 467.3 9.0 226.9 406.1 0.6 164910.7
24 449 460.1 460.1 8.3 476.3 -27.3 0.1 746.3
25 622 559.4 559.4 12.2 468.4 153.6 0.2 23585.3
26 297 409.0 409.0 5.2 571.6 -274.6 0.9 75384.3
27 344 372.6 372.6 3.4 414.2 -70.2 0.2 4926.4
28 637 530.5 530.5 10.1 376.0 261.0 0.4 68110.6
29 293 394.0 394.0 3.7 540.6 -247.6 0.8 61307.2
30 586 509.2 509.2 8.5 397.7 188.3 0.3 35443.3
31 456 481.2 481.2 7.0 517.7 -61.7 0.1 3812.8
32 261 353.7 353.7 1.2 488.2 -227.2 0.9 51600.3
33 597 498.2 498.2 7.4 354.8 242.2 0.4 58651.2
34 493 498.1 498.1 7.0 505.6 -12.6 0.0 157.7
35 525 516.9 516.9 7.5 505.2 19.8 0.0 393.9
36 190 326.4 326.4 -1.0 524.4 -334.4 1.8 111852.1
37 351 340.6 340.6 -0.4 325.4 25.6 0.1 654.8
38 392 370.9 370.9 1.0 340.2 51.8 0.1 2683.8
39 173 254.1 254.1 -4.1 371.8 -198.8 1.1 39531.8
40 190 214.5 214.5 -5.7 250.0 -60.0 0.3 3597.5
41 373 306.0 306.0 -1.5 208.8 164.2 0.4 26960.7
42 436 382.4 382.4 1.9 304.6 131.4 0.3 17277.5
43 389 387.1 387.1 2.0 384.3 4.7 0.0 22.3
44 358 370.7 370.7 1.2 389.1 -31.1 0.1 967.1
45 396 371.9 24.1 0.1 580.2
46 477 373.1 103.9 0.2 10786.7
47 287 374.4 -87.4 0.3 7633.2
48 188 375.6 -187.6 1.0 35191.9
49 469 376.8 92.2 0.2 8496.8
50 469 378.1 91.0 0.2 8271.9
51 563 379.3 183.7 0.3 33754.1
52 188 380.5 -192.5 1.0 37057.8
53 557 381.7 175.3 0.3 30719.2
54 559 383.0 176.0 0.3 30990.8
55 676 384.2 291.8 0.4 85155.4

73

Tabel A.7 Peramalan Double Exponential Smoothing (0.1)
FITS RESI
(Simulated) (ERROR)
1 380 333.8 333.8 2.0 328.6 51.4 0.1 2638.0

2 461 348.3 348.3 3.3 335.8 125.2 0.3 15669.0
3 323 348.8 348.8 3.0 351.6 -28.6 0.1 820.4
4 155 332.1 332.1 1.0 351.8 -196.8 1.3 38726.7
5 514 351.2 351.2 2.9 333.2 180.8 0.4 32703.8
6 410 359.7 359.7 3.4 354.1 55.9 0.1 3125.3
7 322 359.0 359.0 3.0 363.1 -41.1 0.1 1689.2
8 230 348.8 348.8 1.7 362.0 -132.0 0.6 17421.9
9 134 328.8 328.8 -0.5 350.5 -216.5 1.6 46861.4
10 425 338.0 338.0 0.5 328.3 96.7 0.2 9342.2
11 514 356.0 356.0 2.2 338.5 175.5 0.3 30802.0
12 361 358.6 358.6 2.3 358.3 2.7 0.0 7.4
13 173 342.0 342.0 0.4 360.8 -187.8 1.1 35277.1
14 222 330.4 330.4 -0.8 342.4 -120.4 0.5 14502.9
15 269 323.5 323.5 -1.4 329.6 -60.6 0.2 3668.6
16 189 308.8 308.8 -2.8 322.1 -133.1 0.7 17712.9
17 91 284.5 284.5 -4.9 306.0 -215.0 2.4 46237.5
18 339 285.6 285.6 -4.3 279.6 59.4 0.2 3525.6
19 593 312.4 312.4 -1.2 281.3 311.7 0.5 97187.4
20 339 314.0 314.0 -0.9 311.2 27.8 0.1 771.0
21 254 307.2 307.2 -1.5 313.1 -59.1 0.2 3492.5
22 169 292.0 292.0 -2.9 305.7 -136.7 0.8 18682.0
23 633 323.5 323.5 0.6 289.1 343.9 0.5 118238.3
24 449 336.6 336.6 1.8 324.1 124.9 0.3 15601.5
25 622 366.8 366.8 4.7 338.4 283.6 0.5 80428.4
26 297 364.0 364.0 3.9 371.4 -74.4 0.3 5537.1
27 344 365.5 365.5 3.7 367.9 -23.9 0.1 570.2
28 637 395.9 395.9 6.3 369.2 267.8 0.4 71738.8
29 293 391.4 391.4 5.3 402.3 -109.3 0.4 11944.5
30 586 415.6 415.6 7.1 396.6 189.4 0.3 35866.3
31 456 426.0 426.0 7.5 422.7 33.3 0.1 1108.7
32 261 416.3 416.3 5.8 433.5 -172.5 0.7 29760.7
33 597 439.5 439.5 7.5 422.0 175.0 0.3 30618.7
34 493 451.6 451.6 8.0 447.0 46.0 0.1 2114.0
35 525 466.1 466.1 8.6 459.6 65.4 0.1 4279.1
36 190 446.3 446.3 5.8 474.7 -284.7 1.5 81080.9
37 351 441.9 441.9 4.8 452.0 -101.0 0.3 10209.9
38 392 441.2 441.2 4.2 446.7 -54.7 0.1 2992.3

74

Tabel A.7 Peramalan Double Exponential Smoothing (0.1) (sambungan)
FITS RESI
(Simulated) (ERROR)
39 173 418.2 418.2 1.5 445.4 -272.4 1.6 74226.8
40 190 396.7 396.7 -0.8 419.7 -229.7 1.2 52758.4
41 373 393.6 393.6 -1.0 395.9 -22.9 0.1 525.1
42 436 396.9 396.9 -0.6 392.6 43.4 0.1 1884.5
43 389 395.6 395.6 -0.7 396.3 -7.3 0.0 53.7
44 358 391.2 391.2 -1.0 394.9 -36.9 0.1 1363.2
45 396 390.2 5.8 0.0 33.8
46 477 389.1 87.9 0.2 7719.4
47 287 388.1 -101.1 0.4 10220.4
48 188 387.1 -199.1 1.1 39621.7
49 469 386.0 83.0 0.2 6887.7
50 469 385.0 84.0 0.2 7062.0
51 563 383.9 179.1 0.3 32069.6
52 188 382.9 -194.9 1.0 37976.7
53 557 381.8 175.2 0.3 30684.2
54 559 380.8 178.2 0.3 31759.9
55 676 379.7 296.3 0.4 87768.2
Tabel A.8 Peramalan Triple Exponential Smoothing (0.2; Multicative)
PERIODE ACTUAL SMO LEV TREN SEAS FITS RESI MAPE MSE
1 380 460.9 343.1 -3.2 1.3 460.0 -80.0 0.2 6394.9

2 461 382.2 354.6 -0.3 1.2 378.6 82.4 0.2 6792.9
3 323 333.5 352.2 -0.7 0.9 333.3 -10.3 0.0 105.6
4 155 260.9 323.0 -6.4 0.7 260.4 -105.4 0.3 11103.3
5 514 321.9 356.5 1.6 1.1 315.5 198.5 0.5 39390.3
6 410 323.4 376.8 5.3 0.9 324.8 85.2 0.2 7260.4
7 322 298.4 387.0 6.3 0.8 302.6 19.4 0.1 376.3
8 230 475.9 352.1 -1.9 1.1 483.7 -253.7 0.7 64348.0
9 134 330.7 308.7 -10.2 0.8 328.9 -194.9 0.5 37991.1
10 425 283.0 331.4 -3.6 1.0 273.6 151.4 0.4 22920.4
11 514 374.2 353.3 1.5 1.2 370.1 143.9 0.4 20709.8
12 361 444.0 341.2 -1.2 1.2 445.9 -84.9 0.2 7205.3
13 173 392.9 302.1 -8.8 1.0 391.4 -218.4 0.6 47708.2
14 222 282.7 282.0 -11.1 0.9 274.4 -52.4 0.1 2747.5
15 269 194.2 294.9 -6.3 0.7 186.6 82.4 0.2 6791.9
16 189 320.1 265.7 -10.9 1.0 313.3 -124.3 0.3 15456.2
17 91 250.7 223.2 -17.2 0.8 240.4 -149.4 0.4 22321.9

75

Tabel A.8 Peramalan Triple Exponential Smoothing (0.2; Multicative)(sambungan)
18 339 178.5 249.5 -8.5 0.9 164.7 174.3 0.5 30363.8
19 593 278.1 299.3 3.2 1.3 268.6 324.4 0.9 105226.3
20 339 250.9 322.8 7.2 0.9 253.5 85.5 0.2 7304.6
21 254 319.6 315.4 4.3 1.0 326.8 -72.8 0.2 5292.7
22 169 376.6 284.0 -2.8 1.1 381.7 -212.7 0.6 45259.6
23 633 345.7 329.0 6.7 1.4 342.3 290.7 0.8 84532.1
24 449 340.7 355.3 10.6 1.1 347.6 101.4 0.3 10273.6
25 622 321.9 430.0 23.5 1.0 331.6 290.4 0.8 84346.7
26 297 315.4 443.8 21.5 0.7 332.6 -35.6 0.1 1265.2
27 344 448.6 440.3 16.5 1.0 470.3 -126.3 0.3 15959.8
28 637 368.2 517.8 28.7 0.9 382.0 255.0 0.7 65008.7
29 293 472.1 501.5 19.7 0.8 498.2 -205.2 0.5 42120.6
30 586 645.8 508.0 17.1 1.3 671.2 -85.2 0.2 7263.3
31 456 447.4 523.6 16.8 0.9 462.4 -6.4 0.0 41.1
32 261 499.0 487.1 6.1 0.9 515.0 -254.0 0.7 64526.2
33 597 523.3 505.7 8.6 1.1 529.9 67.1 0.2 4506.0
34 493 687.0 484.0 2.6 1.3 698.7 -205.7 0.5 42307.1
35 525 523.3 486.4 2.5 1.1 526.1 -1.1 0.0 1.2
36 190 493.3 428.6 -9.5 0.9 495.8 -305.8 0.8 93532.0
37 351 308.8 432.7 -6.8 0.7 301.9 49.1 0.1 2407.9
38 392 417.5 421.9 -7.6 1.0 410.9 -18.9 0.0 356.6
39 173 386.1 369.3 -16.6 0.8 379.1 -206.1 0.5 42484.2
40 190 312.5 327.0 -21.7 0.8 298.4 -108.4 0.3 11749.9
41 373 412.4 303.4 -22.1 1.3 385.0 -12.0 0.0 143.1
42 436 266.6 324.3 -13.5 1.0 247.2 188.8 0.5 35656.4
43 389 282.0 338.1 -8.1 0.9 270.2 118.8 0.3 14106.6
44 358 370.4 329.4 -8.2 1.1 361.6 -3.6 0.0 12.6
45 396 414.5 -18.5 0.0 341.1
46 477 338.3 138.7 0.3 19244.6
47 287 274.3 12.7 0.0 161.0
48 188 219.1 -31.1 0.2 966.6
49 469 276.2 192.8 0.4 37165.7
50 469 231.4 237.6 0.5 56460.9
51 563 215.8 347.2 0.6 120581.9
52 188 331.0 -143.0 0.8 20457.0
53 557 248.5 308.5 0.6 95188.9
54 559 229.1 329.9 0.6 108822.1
55 676 261.7 414.3 0.6 171603.9

76

Tabel A.9 Peramalan Triple Exponential Smoothing (0.1; Multicative)
1 380 460.9 349.2 -1.4 1.3 460.0 -80.0 0.2 6394.9

2 461 389.1 354.5 -0.7 1.1 387.5 73.5 0.2 5398.0
3 323 333.4 352.7 -0.8 0.9 332.7 -9.7 0.0 94.1
4 155 261.3 337.6 -2.2 0.7 260.7 -105.7 0.3 11170.2
5 514 336.5 353.4 -0.4 1.0 334.2 179.8 0.5 32319.1
6 410 320.6 362.9 0.6 0.9 320.2 89.8 0.2 8061.2
7 322 287.3 367.8 1.0 0.8 287.8 34.2 0.1 1170.7
8 230 452.2 350.6 -0.8 1.2 453.4 -223.4 0.6 49907.6
9 134 329.3 329.0 -2.9 0.9 328.5 -194.5 0.5 37838.4
10 425 301.7 339.9 -1.5 1.0 299.0 126.0 0.3 15872.5
11 514 383.7 350.0 -0.4 1.2 382.0 132.0 0.3 17427.7
12 361 445.8 343.0 -1.0 1.3 445.3 -84.3 0.2 7110.9
13 173 388.6 323.1 -2.9 1.1 387.4 -214.4 0.6 45969.5
14 222 303.1 311.8 -3.8 0.9 300.3 -78.3 0.2 6136.8
15 269 222.2 315.0 -3.1 0.7 219.5 49.5 0.1 2445.7
16 189 328.3 298.9 -4.4 1.0 325.2 -136.2 0.4 18538.7
17 91 277.8 274.9 -6.3 0.9 273.7 -182.7 0.5 33395.4
18 339 220.0 284.0 -4.8 0.8 214.9 124.1 0.3 15403.8
19 593 333.0 301.9 -2.5 1.3 327.4 265.6 0.7 70559.3
20 339 267.5 307.7 -1.7 0.9 265.3 73.7 0.2 5428.6
21 254 292.4 302.2 -2.1 0.9 290.8 -36.8 0.1 1355.6
22 169 351.4 284.6 -3.6 1.1 349.0 -180.0 0.5 32404.0
23 633 356.2 303.5 -1.4 1.3 351.7 281.3 0.7 79146.6
24 449 325.6 313.8 -0.2 1.1 324.2 124.8 0.3 15583.5
25 622 287.2 350.1 3.5 1.0 287.0 335.0 0.9 112202.9
26 297 254.5 359.1 4.0 0.7 257.0 40.0 0.1 1601.4
27 344 359.6 361.1 3.8 1.0 363.6 -19.6 0.1 383.6
28 637 314.1 401.7 7.5 0.9 317.4 319.6 0.8 102165.9
29 293 337.3 403.2 6.9 0.8 343.5 -50.5 0.1 2554.4
30 586 504.5 415.9 7.5 1.3 513.2 72.8 0.2 5305.4
31 456 377.5 431.2 8.3 0.9 384.3 71.7 0.2 5146.1
32 261 405.1 423.3 6.6 0.9 412.8 -151.8 0.4 23047.5
33 597 468.2 441.0 7.7 1.1 475.6 121.4 0.3 14743.3
34 493 588.6 440.8 6.9 1.3 599.0 -106.0 0.3 11226.5
35 525 488.7 450.3 7.2 1.1 496.4 28.6 0.1 818.0
36 190 451.0 430.7 4.5 0.9 458.2 -268.2 0.7 71920.5
37 351 317.3 439.3 4.9 0.7 320.7 30.3 0.1 919.6
38 392 437.8 439.2 4.4 1.0 442.7 -50.7 0.1 2570.0

77
Lampiran A. Contoh Perhitungan Metode Tradisional (lanjutan)

Tabel A.9 Peramalan Triple Exponential Smoothing (0.1; Multicative)(sambungan)
39 173 413.4 417.6 1.8 0.9 417.5 -244.5 0.6 59795.9
40 190 345.9 400.5 -0.1 0.8 347.4 -157.4 0.4 24782.3
41 373 507.5 389.8 -1.1 1.2 507.4 -134.4 0.4 18052.3
42 436 359.6 397.0 -0.3 0.9 358.6 77.4 0.2 5993.1
43 389 360.1 400.0 0.0 0.9 359.8 29.2 0.1 850.1
44 358 452.3 391.6 -0.8 1.1 452.3 -94.3 0.2 8894.8
45 396 414.5 -18.5 0.0 341.1
46 477 338.3 138.7 0.3 19244.6
47 287 274.3 12.7 0.0 161.0
48 188 219.1 -31.1 0.2 966.6
49 469 276.2 192.8 0.4 37165.7
50 469 231.4 237.6 0.5 56460.9
51 563 215.8 347.2 0.6 120581.9
52 188 331.0 -143.0 0.8 20457.0
53 557 248.5 308.5 0.6 95188.9
54 559 229.1 329.9 0.6 108822.1
55 676 261.7 414.3 0.6 171603.9
Tabel A.10 Peramalan Triple Exponential Smoothing (0.2; Additive)

MA
PERIODE ACTUAL SMO LEV TREN SEAS FITS RESI MSE
PE
1 380 469.0 337.8 -4.3 98.7 468.2 -88.2 0.2 7778.5
2 461 384.3 349.7 -1.0 59.5 380.0 81.0 0.2 6562.6
3 323 331.9 347.1 -1.4 -19.0 330.9 -7.9 0.0 61.9
4 155 256.5 325.7 -5.4 -106.6 255.2 -100.2 0.3 10030.2
5 514 325.3 359.1 2.4 30.7 320.0 194.0 0.5 37646.5
6 410 325.2 378.0 5.7 -20.7 327.6 82.4 0.2 6782.8
7 322 300.8 386.8 6.3 -74.7 306.5 15.5 0.0 239.6
8 230 467.6 344.3 -3.4 41.8 473.9 -243.9 0.6 59484.8
9 134 319.3 304.5 -10.7 -54.1 315.9 -181.9 0.5 33082.9
10 425 269.0 327.1 -4.0 -8.8 258.3 166.7 0.4 27803.9
11 514 367.3 353.2 2.0 64.3 363.3 150.7 0.4 22719.5
12 361 451.9 336.6 -1.7 83.8 453.9 -92.9 0.2 8627.1
13 173 396.1 290.6 -10.6 24.0 394.4 -221.4 0.6 48999.4
14 222 271.6 272.2 -12.1 -25.3 261.0 -39.0 0.1 1520.3
15 269 165.6 283.2 -7.5 -88.1 153.5 115.5 0.3 13341.9
16 189 313.9 252.2 -12.2 11.9 306.3 -117.3 0.3 13770.8
17 91 231.5 214.3 -17.4 -41.2 219.3 -128.3 0.3 16449.1
18 339 139.6 240.3 -8.7 -40.0 122.3 216.7 0.6 46974.5

78

Tabel A.10 Peramalan Triple Exponential Smoothing (0.2; Additive) (sambungan)
19 593 282.1 295.5 4.1 92.9 273.4 319.6 0.8 102148.6

20 339 241.5 318.3 7.8 -39.1 245.6 93.4 0.2 8732.7
21 254 309.5 313.5 5.3 -19.0 317.3 -63.3 0.2 4010.1
22 169 377.8 276.0 -3.3 30.0 383.1 -214.1 0.6 45846.5
23 633 359.8 328.0 7.8 128.0 356.5 276.5 0.7 76428.5
24 449 352.1 353.6 11.4 38.3 359.9 89.1 0.2 7945.0
25 622 328.4 421.5 22.7 19.9 339.7 282.3 0.7 79676.4
26 297 333.4 432.3 20.3 -97.6 356.0 -59.0 0.2 3481.9
27 344 444.2 428.5 15.5 -7.4 464.5 -120.5 0.3 14527.0
28 637 387.3 490.8 24.8 -3.8 402.7 234.3 0.6 54873.5
29 293 450.8 479.1 17.5 -69.2 475.7 -182.7 0.5 33363.2
30 586 572.1 496.0 17.4 92.3 589.6 -3.6 0.0 12.9
31 456 456.8 509.7 16.7 -42.1 474.2 -18.2 0.0 331.7
32 261 490.7 477.1 6.8 -58.4 507.4 -246.4 0.6 60712.5
33 597 507.1 500.5 10.1 43.3 514.0 83.0 0.2 6896.5
34 493 628.6 481.5 4.3 104.7 638.7 -145.7 0.4 21227.0
35 525 519.8 486.0 4.3 38.4 524.1 0.9 0.0 0.8
36 190 505.9 426.3 -8.5 -31.4 510.2 -320.2 0.8 102534.4
37 351 328.7 424.0 -7.2 -92.6 320.3 30.7 0.1 944.8
38 392 416.6 413.3 -7.9 -10.1 409.4 -17.4 0.0 301.1
39 173 409.5 359.6 -17.1 -40.3 401.6 -228.6 0.6 52242.4
40 190 290.4 325.9 -20.4 -82.6 273.3 -83.3 0.2 6936.1
41 373 418.2 300.5 -21.4 88.4 397.8 -24.8 0.1 614.7
42 436 258.4 318.9 -13.4 -10.2 237.0 199.0 0.5 39582.7
43 389 260.5 333.8 -7.8 -35.7 247.0 142.0 0.4 20150.7
44 358 377.2 323.8 -8.2 41.5 369.4 -11.4 0.0 130.2
45 396 420.3 -24.3 0.1 591.0
46 477 345.8 131.2 0.3 17212.9
47 287 267.8 19.2 0.1 369.3
48 188 198.3 -10.3 0.1 105.7
49 469 272.5 196.5 0.4 38593.8
50 469 234.2 234.8 0.5 55154.1
51 563 183.7 379.3 0.7 143881.4
52 188 346.4 -158.4 0.8 25089.6
53 557 239.6 317.4 0.6 100751.0
54 559 205.9 353.1 0.6 124680.3
55 676 274.9 401.1 0.6 160898.9

79

Tabel A.11 Peramalan Triple Exponential Smoothing (0.1; Additive)
PERIODE ACTUAL LEV TREN SEAS FITS RESI MAPE MSE
1 380 346.59 -1.64 104.85 468.20 -88.20 0.23 7778.53

2 461 351.91 -0.94 52.76 391.46 69.54 0.18 4836.37
3 323 349.95 -1.04 -18.70 333.18 -10.18 0.03 103.71
4 155 338.57 -2.08 -99.87 258.34 -103.34 0.27 10678.74
5 514 354.28 -0.30 15.66 336.14 177.86 0.47 31633.11
6 410 362.97 0.60 -25.80 320.10 89.90 0.24 8082.73
7 322 367.13 0.96 -73.97 286.40 35.60 0.09 1267.15
8 230 346.20 -1.23 61.09 448.89 -218.89 0.58 47911.08
9 134 326.37 -3.09 -41.73 319.98 -185.98 0.49 34588.93
10 425 337.01 -1.72 -23.17 287.76 137.24 0.36 18835.64
11 514 349.14 -0.33 52.66 375.48 138.52 0.36 19188.62
12 361 339.54 -1.26 96.51 453.66 -92.66 0.24 8584.95
13 173 316.48 -3.44 33.14 391.04 -218.04 0.57 47542.31
14 222 305.80 -4.16 -25.21 294.34 -72.34 0.19 5232.50
15 269 308.36 -3.49 -93.82 201.77 67.23 0.18 4519.87
16 189 291.72 -4.81 3.82 320.52 -131.52 0.35 17298.56
17 91 269.90 -6.51 -41.11 261.11 -170.11 0.45 28938.77
18 339 278.35 -5.01 -60.51 189.42 149.58 0.39 22373.58
19 593 299.19 -2.43 84.37 334.43 258.57 0.68 66858.44
20 339 305.16 -1.59 -34.17 255.04 83.96 0.22 7049.79
21 254 300.94 -1.85 -25.55 280.40 -26.40 0.07 697.01
22 169 280.81 -3.68 36.21 351.74 -182.74 0.48 33394.27
23 633 303.07 -1.08 119.85 373.64 259.36 0.68 67266.57
24 449 313.37 0.05 43.39 335.12 113.88 0.30 12968.65
25 622 346.80 3.39 4.83 288.22 333.79 0.88 111412.43
26 297 354.26 3.80 -90.16 256.38 40.62 0.11 1650.15
27 344 356.27 3.62 2.21 361.87 -17.87 0.05 319.44
28 637 391.71 6.80 -12.47 318.78 318.22 0.84 101263.33
29 293 394.01 6.35 -64.56 338.00 -45.00 0.12 2025.36
30 586 410.49 7.36 93.48 484.73 101.27 0.27 10256.22
31 456 425.08 8.09 -27.66 383.68 72.32 0.19 5230.18
32 261 418.51 6.62 -38.75 407.62 -146.62 0.39 21498.01
33 597 438.70 7.98 48.42 461.34 135.66 0.36 18403.36
34 493 439.32 7.24 113.24 566.53 -73.53 0.19 5406.22
35 525 450.07 7.59 46.54 489.95 35.05 0.09 1228.43
36 190 430.41 4.87 -19.69 462.49 -272.49 0.72 74252.44
37 351 435.87 4.93 -89.63 345.12 5.88 0.02 34.57
38 392 435.70 4.42 -2.38 443.01 -51.01 0.13 2601.51
39 173 414.65 1.87 -35.38 427.65 -254.65 0.67 64844.59

80

Tabel A.11 Peramalan Triple Exponential Smoothing (0.1; Additive) (sambungan)
PERIODE ACTUAL LEV TREN SEAS FITS RESI MAPE MSE
40 190 400.32 0.25 -79.13 351.96 -161.96 0.43 26231.37
41 373 388.47 -0.96 82.59 494.05 -121.05 0.32 14653.59
42 436 395.12 -0.20 -20.81 359.84 76.16 0.20 5799.89
43 389 398.21 0.13 -35.79 356.18 32.82 0.09 1077.22
44 358 389.46 -0.76 40.43 446.76 -88.76 0.23 7877.63
45 396 501.94 -105.94 0.27 11222.86
46 477 434.49 42.51 0.09 1807.36
47 287 367.50 -80.50 0.28 6479.45
48 188 296.80 -108.80 0.58 11837.22
49 469 383.29 85.71 0.18 7345.86
50 469 349.53 119.47 0.25 14272.84
51 563 305.03 257.98 0.46 66551.10
52 188 465.99 -277.99 1.48 77275.66
53 557 361.83 195.17 0.35 38090.16
54 559 346.09 212.91 0.38 45329.39
55 676 421.56 254.44 0.38 64740.73
Pada pengolahan data dengan metode seasonal trend yang terbagi menjadi
multicative dan additive. Dimana terdapat perbedaan pada tahapan pengolahan
data.
Berikut ini merupakan tahapan pengolahan data pada metode seasonal
trend dengan menggunakanprinsip multicative.
- Membagi data yang ada menjadi empat cycle
- Mencari index dari setiap periode pada cycle.
Tabel A.12 Index pada setiap cycle
Periode Cycle1 Cycle2 Cycle3 Cycle4 Average index
1 380 361 633 493 466.75 1.29066
2 461 173 449 525 402 1.11161
3 323 222 622 190 339.25 0.9381
4 155 269 297 351 268 0.74108
5 514 189 344 392 359.75 0.99478
6 410 91 637 173 327.75 0.9063
7 322 339 293 190 286 0.79085
8 230 593 586 373 445.5 1.2319
9 134 339 456 436 341.25 0.94363
10 425 254 261 389 332.25 0.91874

81

Tabel A.12 Index pada setiap cycle (sambungan)
11 514 169 597 358 409.5 1.13235
Average All 361.6364
- Mencari persamaan trend pada data

- Meramalkan penjualan untuk sebelas periode kedepan
Tabel A.13 Perhitungan Simulasi Seasonal Trend
PERIODE SEASONAL INDEX DESEAS SIMULATION TREND FORECAST
1 380 1.29 294.42 327.39 422.54
2 461 1.11 414.71 328.98 365.70
3 323 0.94 344.31 330.57 310.11
4 155 0.74 209.16 332.16 246.16
5 514 0.99 516.70 333.76 332.02
6 410 0.91 452.39 335.35 303.93
7 322 0.79 407.16 336.94 266.47
8 230 1.23 186.70 338.54 417.04
9 134 0.94 142.01 340.13 320.96
10 425 0.92 462.59 341.72 313.95
11 514 1.13 453.92 343.32 388.75
12 361 1.29 279.70 344.91 445.16
13 173 1.11 155.63 346.50 385.18
14 222 0.94 236.65 348.10 326.55
15 269 0.74 362.99 349.69 259.15
16 189 0.99 189.99 351.28 349.45
17 91 0.91 100.41 352.87 319.81
18 339 0.79 428.65 354.47 280.33
19 593 1.23 481.37 356.06 438.63
20 339 0.94 359.25 357.65 337.49
21 254 0.92 276.47 359.25 330.05
22 169 1.13 149.25 360.84 408.60
23 633 1.29 490.45 362.43 467.78
24 449 1.11 403.92 364.03 404.66
25 622 0.94 663.04 365.62 342.99
26 297 0.74 400.77 367.21 272.13
27 344 0.99 345.80 368.81 366.88
28 637 0.91 702.86 370.40 335.69
29 293 0.79 370.49 371.99 294.19
30 586 1.23 475.69 373.58 460.22
31 456 0.94 483.24 375.18 354.03
32 261 0.92 284.08 376.77 346.15

82

Tabel A.13 Perhitungan Simulasi Seasonal Trend (sambungan)
PERIODE SEASONAL INDEX DESEAS SIMULATION TREND FORECAST
33 597 1.13 527.22 378.36 428.44
34 493 1.29 381.97 379.96 490.40
35 525 1.11 472.29 381.55 424.14
36 190 0.94 202.54 383.14 359.43
37 351 0.74 473.64 384.74 285.12
38 392 0.99 394.06 386.33 384.31
39 173 0.91 190.89 387.92 351.57
40 190 0.79 240.25 389.52 308.05
41 373 1.23 302.78 391.11 481.81
42 436 0.94 462.05 392.70 370.56
43 389 0.92 423.41 394.29 362.25
44 358 1.13 316.16 395.89 448.28
intercept 325.792 Slope 1.59307
Tabel A.14 Hasil Peramalan dengan Multicative Seasonal Trend

SEAS
PERIOD INDEX DESEAS SIM TREND FCST ERROR MAPE MSE
45 396 1.3 602.4 397.5 513.0 -117.0 0.3 13691.9
46 477 1.1 446.9 399.1 443.6 33.4 0.1 1114.5
47 287 0.9 318.2 400.7 375.9 -88.9 0.3 7896.8
48 188 0.7 198.6 402.3 298.1 -110.1 0.6 12123.1
49 469 1.0 357.9 403.9 401.7 67.3 0.1 4523.1
50 469 0.9 297.0 405.4 367.5 101.5 0.2 10311.5
51 563 0.8 226.2 407.0 321.9 241.1 0.4 58126.1
52 188 1.2 548.8 408.6 503.4 -315.4 1.7 99473.3
53 557 0.9 322.0 410.2 387.1 169.9 0.3 28866.2
54 559 0.9 305.3 411.8 378.4 180.6 0.3 32633.0
55 676 1.1 463.7 413.4 468.1 207.9 0.3 43211.1
Pada pengolahan data metode seasonal trend dengan menerapkan metode

additive, maka terjadi perbedaan pada perhitungan index. Berikut ini merupakan
tahapan pengolahan data seasonal trend dengan metode additive:
- Mencari persamaan model trend yang digunakan untuk mencari simulasi angka
- Menghitung index pada setiap periode dengan simulasi yang telah diperoleh
- Membagi data menjadi empat cycle.
- Menghitung index rata-rata pada setiap periode

83

- Mencari simulasi kedua dengan menggunakan index yang telah diperoleh
- Mencari persamaan model trend kedua
- Meramalkan penjualan sebelas periode kedepan dengan menggunakan index
dan simulasi model trend kedua.
Tabel A.15 Index pada setiap periode
Periode Sea period Sales LF Index
1 1 380 328.64 1.16 i1 1.31
2 2 461 330.17 1.40 i2 1.13
3 3 323 331.71 0.97 i3 0.95
4 4 155 333.24 0.47 i4 0.74
5 5 514 334.78 1.54 i5 1.01
6 6 410 336.31 1.22 i6 0.91
7 7 322 337.85 0.95 i7 0.80
8 8 230 339.38 0.68 i8 1.22
9 9 134 340.92 0.39 i9 0.92
10 10 425 342.45 1.24 i10 0.91
11 11 514 343.99 1.49 i11 1.11
12 1 361 345.52 1.04
13 2 173 347.06 0.50
14 3 222 348.59 0.64
15 4 269 350.13 0.77
16 5 189 351.66 0.54
17 6 91 353.20 0.26
18 7 339 354.73 0.96
19 8 593 356.26 1.66
20 9 339 357.80 0.95
21 10 254 359.33 0.71
22 11 169 360.87 0.47
23 1 633 362.40 1.75
24 2 449 363.94 1.23
25 3 622 365.47 1.70
26 4 297 367.01 0.81
27 5 344 368.54 0.93
28 6 637 370.08 1.72
29 7 293 371.61 0.79
30 8 586 373.15 1.57
31 9 456 374.68 1.22
32 10 261 376.22 0.69
33 11 597 377.75 1.58
34 1 493 379.29 1.30

84

Tabel A.15 Index pada setiap periode (sambungan)
Periode Sea period Sales LF Index
35 2 525 380.82 1.38
36 3 190 382.36 0.50
37 4 351 383.89 0.91
38 5 392 385.42 1.02
39 6 173 386.96 0.45
40 7 190 388.49 0.49
41 8 373 390.03 0.96
42 9 436 391.56 1.11
43 10 389 393.10 0.99
44 11 358 394.63 0.91
Intercept: 327.105 Slope: 1.535
Tabel A.16 Perhitungan Simulasi Seasonal Trend
periode SEA INDEX deseas simulation LF Forcast
1 380 1.31 289.66 325.19 426.61
2 461 1.13 409.14 326.89 368.33
3 323 0.95 339.16 328.59 312.94
4 155 0.74 209.67 330.29 244.17
5 514 1.01 511.03 332.00 333.93
6 410 0.91 449.92 333.70 304.09
7 322 0.80 404.23 335.40 267.17
8 230 1.22 188.95 337.10 410.33
9 134 0.92 146.01 338.80 310.94
10 425 0.91 468.16 340.51 309.11
11 514 1.11 462.01 342.21 380.72
12 361 1.31 275.18 343.91 451.17
13 173 1.13 153.54 345.61 389.42
14 222 0.95 233.11 347.31 330.77
15 269 0.74 363.88 349.02 258.01
16 189 1.01 187.91 350.72 352.76
17 91 0.91 99.86 352.42 321.15
18 339 0.80 425.58 354.12 282.08
19 593 1.22 487.17 355.82 433.12
20 339 0.92 369.38 357.53 328.12
21 254 0.91 279.79 359.23 326.11
22 169 1.11 151.91 360.93 401.55
23 633 1.31 482.51 362.63 475.73
24 449 1.13 398.49 364.33 410.52
25 622 0.95 653.12 366.03 348.59

85

Tabel A.16 Perhitungan Simulasi Seasonal Trend (sambungan)
periode SEA INDEX deseas simulation LF Forcast
26 297 0.74 401.76 367.74 271.85
27 344 1.01 342.01 369.44 371.59
28 637 0.91 699.02 371.14 338.21
29 293 0.80 367.83 372.84 296.99
30 586 1.22 481.42 374.54 455.91
31 456 0.92 496.86 376.25 345.30
32 261 0.91 287.51 377.95 343.10
33 597 1.11 536.61 379.65 422.37
34 493 1.31 375.79 381.35 500.29
35 525 1.13 465.94 383.05 431.61
36 190 0.95 199.51 384.76 366.42
37 351 0.74 474.81 386.46 285.69
38 392 1.01 389.73 388.16 390.42
39 173 0.91 189.84 389.86 355.27
40 190 0.80 238.52 391.56 311.91
41 373 1.22 306.43 393.26 478.70
42 436 0.92 475.07 394.97 362.48
43 389 0.91 428.50 396.67 360.10
44 358 1.11 321.79 398.37 443.20
Intercept 323.49 Slope 1.70
Tabel A.17 Hasil Peramalan dengan Additive Seasonal Trend

PERIOD ACTUAL INDEX LINEAR FORECAST ERROR MAPE MSE
45 396 1.3 400.1 524.9 -128.9 0.3 16602.6
46 477 1.1 401.8 452.7 24.3 0.1 590.3
47 287 1.0 403.5 384.3 -97.3 0.3 9458.0
48 188 0.7 405.2 299.5 -111.5 0.6 12438.3
49 469 1.0 406.9 409.2 59.8 0.1 3570.5
50 469 0.9 408.6 372.3 96.7 0.2 9345.3
51 563 0.8 410.3 326.8 236.2 0.4 55781.5
52 188 1.2 412.0 501.5 -313.5 1.7 98273.0
53 557 0.9 413.7 379.7 177.3 0.3 31447.7
54 559 0.9 415.4 377.1 181.9 0.3 33089.7
55 676 1.1 417.1 464.0 212.0 0.3 44932.1

86
Lampiran B. Contoh Perhitungan Grey System Theory GM(1,1) (sambungan)
Metode Grey System Theory GM(1,1) yang sebelumnya telah dibahas pada
bab 2 mengenai persamaan perhitungan yang digunakan. Berikut ini merupakan
contoh perhitungan GM(1,1) pada produk A1:
Tabel B.1 Perhitungan Simulasi GM(1,1)
Proximate
Original Compute Compute Compute
1-Ago of average
Periode data simulated residual relative
sequence generation
sequence values errors errors
of 1-AGO
1 380.00 380 380 0 0
2 461.00 841 610.5 328.04 132.96 0.29
3 323.00 1164 1002.5 329.52 -6.52 0.02
4 155.00 1319 1241.5 331.02 -176.02 1.14
5 514.00 1833 1576 332.52 181.48 0.35
6 410.00 2243 2038 334.02 75.98 0.19
7 322.00 2565 2404 335.53 -13.53 0.04
8 230.00 2795 2680 337.05 -107.05 0.47
9 134.00 2929 2862 338.58 -204.58 1.53
10 425.00 3354 3141.5 340.12 84.88 0.20
11 514.00 3868 3611 341.66 172.34 0.34
12 361.00 4229 4048.5 343.20 17.80 0.05
13 173.00 4402 4315.5 344.76 -171.76 0.99
14 222.00 4624 4513 346.32 -124.32 0.56
15 269.00 4893 4758.5 347.89 -78.89 0.29
16 189.00 5082 4987.5 349.46 -160.46 0.85
17 91.00 5173 5127.5 351.05 -260.05 2.86
18 339.00 5512 5342.5 352.64 -13.64 0.04
19 593.00 6105 5808.5 354.24 238.76 0.40
20 339.00 6444 6274.5 355.84 -16.84 0.05
21 254.00 6698 6571 357.45 -103.45 0.41
22 169.00 6867 6782.5 359.07 -190.07 1.12
23 633.00 7500 7183.5 360.70 272.30 0.43
24 449.00 7949 7724.5 362.33 86.67 0.19
25 622.00 8571 8260 363.97 258.03 0.41
26 297.00 8868 8719.5 365.62 -68.62 0.23
27 344.00 9212 9040 367.28 -23.28 0.07
28 637.00 9849 9530.5 368.94 268.06 0.42
29 293.00 10142 9995.5 370.61 -77.61 0.26
30 586.00 10728 10435 372.29 213.71 0.36

87
Lampiran B. Contoh Perhitungan Grey System Theory GM(1,1) (sambungan)

Tabel B.1 Perhitungan Simulasi GM(1,1) (sambungan)
31 456.00 11184 10956 373.98 82.02 0.18
32 261.00 11445 11314.5 375.67 -114.67 0.44
33 597.00 12042 11743.5 377.37 219.63 0.37
34 493.00 12535 12288.5 379.08 113.92 0.23
35 525.00 13060 12797.5 380.80 144.20 0.27
36 190.00 13250 13155 382.53 -192.53 1.01
37 351.00 13601 13425.5 384.26 -33.26 0.09
38 392.00 13993 13797 386.00 6.00 0.02
39 173.00 14166 14079.5 387.75 -214.75 1.24
40 190.00 14356 14261 389.50 -199.50 1.05
41 373.00 14729 14542.5 391.27 -18.27 0.05
42 436.00 15165 14947 393.04 42.96 0.10
43 389.00 15554 15359.5 394.82 -5.82 0.01
44 358.00 15912 15733 396.61 -38.61 0.11
Development coefficient (a) = -0.0045 Grey action quantity (b) = 325.579
Tabel B.2 Hasil peramalan dengan grey system theory GM(1,1)

Periode Actual Forecast Error MAPE MSE
45 396 398.498 -2.498 0.006 6.242
46 477 400.304 76.696 0.161 5882.345
47 287 402.117 -115.117 0.401 13251.903
48 188 403.938 -215.938 1.149 46629.426
49 469 405.768 63.232 0.135 3998.248
50 469 407.606 61.394 0.131 3769.173
51 563 409.453 153.547 0.273 23576.730
52 188 411.308 -223.308 1.188 49866.303
53 557 413.171 143.829 0.258 20686.826
54 559 415.042 143.958 0.258 20723.766
55 676 416.923 259.077 0.383 67121.096

88
Lampiran C. Hasil Peramalan dari Setiap Metode
Berikut ini merupakan hasil peramalan produk A1 berdasarkan metode tradisional

(tabel C.1 untuk metode trend, moving average, weighted moving average dan
seasonal trend, tabel C.2 untuk metode exponential smoothing), metode
greysystem theory, backpropagation neural network, dan grey backpropagation
neural network.
Tabel C.1 Hasil Peramalan dengan Metode Tradisional (Trend, Moving Average,
Weighted Moving Average, dan Seasonal Trend)
ST
Periode ACTUAL Trend MA WMA
M A
45 396 396.17 351.82 342.14 513.01 400.07
46 477 397.70 338.98 340.52 443.62 401.77
47 287 399.24 322.07 340.93 375.86 403.48
48 188 400.77 334.08 344.19 298.10 405.18
49 469 402.31 332.54 345.71 401.75 406.88
50 469 403.84 327.14 347.59 367.45 408.58
51 563 405.38 341.15 350.49 321.91 410.28
52 188 406.91 354.89 351.22 503.39 411.99
53 557 408.45 353.24 349.64 387.10 413.69
54 559 409.98 345.72 348.13 378.35 415.39
55 676 411.52 341.78 347.68 468.13 417.09
Tabel C.2 Hasil Peramalan dengan Metode Tradisional (Exponential Smoothing)

SES DES WES
Per Act M A
0.1 OA 0.1 OA
0.1 0.2 0.1 0.2
45 396 369.19 373.12 390.18 371.91 414.47 414.47 501.94 420.31
46 477 369.19 373.12 389.14 373.14 338.28 338.28 434.49 345.80
47 287 369.19 373.12 388.10 374.37 274.31 274.31 367.50 267.78
48 188 369.19 373.12 387.05 375.60 219.09 219.09 296.80 198.28
49 469 369.19 373.12 386.01 376.82 276.22 276.22 383.29 272.55
50 469 369.19 373.12 384.96 378.05 231.39 231.39 349.53 234.15
51 563 369.19 373.12 383.92 379.28 215.75 215.75 305.03 183.68
52 188 369.19 373.12 382.88 380.50 331.03 331.03 465.99 346.40
53 557 369.19 373.12 381.83 381.73 248.47 248.47 361.83 239.59
54 559 369.19 373.12 380.79 382.96 229.12 229.12 346.09 205.90
55 676 369.19 373.12 379.74 384.19 261.75 261.75 421.56 274.88

89
Lampiran C. Hasil Peramalan dari Setiap Metode (sambungan)

Tabel C.3 Hasil Peramalan dengan Metode Grey System Theory GM(1,1),
Backpropagation Neural Network, dan Grey Backpropagation Neural Network
GST GM(1,1) GBPNN
Per Act BPNN
OD WO LF PF OD WO LF PF
45 396 398.50 368.14 386.86 374.51 512.41 207.95 518.33 206.75 492.47
46 477 400.30 367.63 388.91 376.85 544.50 429.13 551.38 560.92 526.47
47 287 402.12 367.11 390.97 379.20 209.59 335.01 365.75 226.78 189.96
48 188 403.94 366.60 393.04 381.57 104.42 357.09 238.65 212.97 350.66
49 469 405.77 366.09 395.12 383.95 438.29 486.96 414.88 411.68 419.13
50 469 407.61 365.58 397.21 386.36 416.81 263.34 392.82 205.95 347.28
51 563 409.45 365.07 399.32 388.78 209.95 464.85 206.12 209.50 189.96
52 188 411.31 364.56 401.43 391.22 393.04 212.65 395.48 388.63 132.02
53 557 413.17 364.05 403.56 393.67 456.13 401.12 460.43 429.36 453.71
54 559 415.04 363.54 405.69 396.15 409.22 380.49 412.09 396.25 390.29
55 676 416.92 363.03 407.84 398.64 463.43 392.11 405.87 396.00 419.13

Digital - 20310393-S43050-Peramalan Penjualan PDF

Diunggah oleh

Hak Cipta:

Format Tersedia

Digital - 20310393-S43050-Peramalan Penjualan PDF

Diunggah oleh

Informasi Dokumen

Deskripsi Asli:

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Digital - 20310393-S43050-Peramalan Penjualan PDF

Diunggah oleh

Hak Cipta:

Format Tersedia

UNIVERSITAS INDONESIA

PERAMALAN PENJUALAN PRODUK SUSU BAYI DENGAN

Peramalan penjualan..., Linda Stepvhanie, FT UI, 2012

PERAMALAN PENJUALAN PRODUK SUSU BAYI DENGAN

Peramalan penjualan..., Linda Stepvhanie, FT UI, 2012

Skripsi ini adalah hasil karya saya sendiri,

Nama : Linda Stepvhanie

Peramalan penjualan..., Linda Stepvhanie, FT UI, 2012

Skripsi ini diajukan oleh :

Telah berhasil dipertahankan di hadapan Dewan Penguji dan diterima

Pembimbing : Ir. Isti Surjandari Ph.D ( )

Penguji : Ir. Amar Rachman, MEIM ( )

Penguji : Ir. Fauzia Dianawati, M.Si ( )

Penguji : Maya Arlini, S.T, M.T, M.BA ( )

Peramalan penjualan..., Linda Stepvhanie, FT UI, 2012

Peramalan penjualan..., Linda Stepvhanie, FT UI, 2012

Depok, 13 Juni 2012

Peramalan penjualan..., Linda Stepvhanie, FT UI, 2012

Sebagai sivitas akademik Universitas Indonesia, saya yang bertanda tangan di

Nama : Linda Stepvhanie

demi pengembangan ilmu pengetahuan, menyetujui untuk memberikan kepada

Demikian pernyataan ini saya buat dengan sebenarnya.

Peramalan penjualan..., Linda Stepvhanie, FT UI, 2012

Nama : Linda Stepvhanie

Berkembangnya ilmu pengetahuan dan teknologi yang semakin pesat disertai

Name : Linda Stepvhanie

Peramalan penjualan..., Linda Stepvhanie, FT UI, 2012

HALAMAN JUDUL ............................................................................................ ii

BAB 2 TINJAUAN LITERATUR....................................................................... 9

Peramalan penjualan..., Linda Stepvhanie, FT UI, 2012

BAB 3 PENGUMPULAN DATA .......................................................................32

BAB 4 PENGOLAHAN DATA DAN ANALISIS..............................................41

BAB 5 KESIMPULAN DAN SARAN................................................................60

DAFTAR REFERENSI ......................................................................................62

Peramalan penjualan..., Linda Stepvhanie, FT UI, 2012

Tabel 2.1 Tipe Peramalan Berdasarkan Kegunaan ...........................................13

Peramalan penjualan..., Linda Stepvhanie, FT UI, 2012

Gambar 1.1 Diagram Keterkaitan Masalah ....................................................... 4

Peramalan penjualan..., Linda Stepvhanie, FT UI, 2012

Lampiran A Contoh Perhitungan Metode Tradisional.......................................64

Peramalan penjualan..., Linda Stepvhanie, FT UI, 2012

1.1 Latar Belakang

Berkembangnya ilmu pengetahuan dan teknologi yang semakin pesat

Peramalan penjualan..., Linda Stepvhanie, FT UI, 2012

Peramalan penjualan..., Linda Stepvhanie, FT UI, 2012

tingkat kesalahan yang diperoleh menjadi lebih kecil dibandingkan dengan

1.2 Diagram Keterkaitan Masalah

1.3 Rumusan Masalah

Pokok permasalahan yang akan dibahas yaitu diperlukannya metode

1.4 Tujuan Penelitian

Adapun tujuan penelitian ini adalah sebagai berikut:

Peramalan penjualan..., Linda Stepvhanie, FT UI, 2012

Gambar 1.1 Diagram Keterkaitan Masalah

Peramalan penjualan..., Linda Stepvhanie, FT UI, 2012

1.5 Ruang Lingkup Penelitian

Ruang lingkup penelitian yang akan dilakukan dalam penelitian adalah

1.6 Metodologi Penelitian

Dalam melakukan penelitian, dilakukan beberapa langkah untuk