Plot data menunjukkan bahwa permintaan pelanggan semen memiliki pola data yang fluktuasi. Hal tersebut dapat dilihat dari data sepanjang
periode Januari 2008 sampai Oktober 2009 yang cenderung naik dan turun nyata dari tahun sebelumnya dan terjadi secara berulang. Permintaan paling
rendah terjadi pada bulan Febuari 2009 dengan jumlah 83.217 ton semen dan permintaan paling tertinggi terjadi pada bulan Agustus 2008 dengan jumlah
permintaan 217.617 ton. Berdasarkan plot autokorelasi pada Lampiran 2, dapat dilihat bahwa data penjualan semen merupakan data stationer karena
lag menunjukkan tidak berbeda nyata dari nol. Peramalan permintaan semen selama satu tahun kedepan dipilih berdasarkan tingkat kesalahan terendah.
Metode peramalan yang dipakai untuk meramalkan jumlah permintaan semen selama satu tahun ke depan adalah proyeksi trend, moving average,
eksponential smoothing, dekomposisi, winter method dan metode peramalan regresi.
4.5. Penerapan Metode Peramalan
Pada tahapan ini, data permintaan semen pada plant 11 PT ITP Tbk dari bulan Januari 2008 sampai Oktober 2009 Tabel 11 diolah dengan
menggunakan metode peramalan time series dan regresi. 1. Metode proyeksi trend linear
Metode trend digunakan untuk mengetahui trend permintaan terhadap deret waktu. Model persamaan trend permintaan semen di plant
11 terrhadap waktu adalah Yt = 159711 - 411.985t dengan nilai MSE 1.124973.091. Proses peramalan proyeksi trend dapat dilihat pada
Lampiran 3 2. Metode rataan bergerak moving average
Metode rataan bergerak pada hanya menggunakan beberapa data terakhir untuk dicari nilai tengahnya sebagai ramalan periode berikutnya.
Banyaknya data yang digunakan dalam peramalan disebut ordo. Penentuan ordo yang sesuai dan memberikan nilai kesalahan terkecil dilakukan
dengan menggunakan metode coba dan salah trial and error. Nilai MSE
dengan menggunakan metode rataan bergerak berdasarkan setiap ordo
dapat dilihat pada Tabel 12. Tabel 12. Nilai akurasi kesalahan metode rataan bergerak
berdasarkan nilai ordo No
Ordo MSE
Urutan
1 1
1.577.049.759 3
2 2
1.194.858.627 1
3 3
1.427.311.613 2
4 4
1.594.958.769 4
5 5
1.632.204.984 5
6 6
1.688.365.979 7
7 7
1.668.196.876 6
Berdasarkan Tabel 12 dapat dilihat bahwa nilai MSE terkecil diperoleh dengan menggunakan ordo 2 pada peramalan rataan bergerak.
Dengan menggunakan ordo 2, penerapan metode ini menghasilkan nilai MSE sebesar 1.194.858.627. Proses metode rataan bergerak moving
average dapat dilihat pada Lampiran 4 3. Metode pemulusan eksponensial eksponential smoothing
Penerapan metode ini memerlukan nilai parameter α yang sesuai agar menghasilkan ramalan optimal dengan nilai kesalahan terkecil.
Metode ini menggunakan bobot berbeda untuk setiap data yang diikutkan dalam rataan bergerak, sehingga metode ini umumnya lebih baik bila
dibandingkan dengan metode rataan bergerak. Penetapan nilai α pada penelitian ini dilakukan dengan menggunakan metode coba dan salah
terhadap beberapa nilai α nilai pemulusan dan nilai α terpilih adalah nilai α yang memberikan persentase kesalahan MSE terkecil Tabel 13.
Tabel 13. Nilai akurasi kesalahan metode pemulusan eksponensial dengan berbagai nilai α
No Nilai α
Nilai MSE Urutan
1 0,1
1.220.019.740 6
2 0,2
1.216.376.937 5
3 0,3
1.205.132.715 3
4 0,4
1.197.546.982 1
5 0,5
1.198.637.415 2
6 0,6
1.213.311.374 4
Berdasarkan hasil pengujian beberapa nilai pemulusan α, bahwa nilai α yang memberikan persentase kesalahan terkecil terhadap metode
peramalan pemulusan eksponensial adalah nilai α = 0,4 dengan nilai MSE sebesar 1.197.546.982.. Proses peramalan dengan metode pemulusan
eksponensial eksponential smoothing dapat dilihat pada Lampiran 5. 4. Metode peramalan dekomposisi
Metode dekomposisi berusaha memisahkan berbagai komponen yang mempengaruhi pola perilaku data. Pemisahan ini bertujuan untuk
membantu pemahaman atas perilaku deret data, sehingga dapat dicapai keakuratan peramalan yang lebih baik. Kelebihan lain dari metode ini
adalah kemampuanya memberikan ramalan untuk beberapa periode ke depan dan tidak terlalu rumit. Penetapan nilai ordo pada penelitian kali ini
dilakukan dengan menggunakan metode coba dan salah trial and error dan nilai ordo yang terpilih adalah nilai ordo yang memberikan persentase
kesalahan terkecil MSE. Model yang digunakan dalam metode ini adalah model
multiplikatif Y
t
= Tr
t
Sn
t
dan additif Y
t
= Tr
t
+ Sn
t
yang hanya memperhatikan dua komponen, yaitu trend dan musiman. Pada Tabel 14,
digambarkan beberapa ordo yang digunakan dan persentase kesalahan yang diberikan dari masing-masing ordo.
Tabel 14. Nilai akurasi kesalahan metode dekomposisi dengan menggunakan beberapa nilai ordo
Ordo Model Multiplicative
Model Additive MSE
Urutan MSE
Urutan
2 1.112.659.920
4 1.122.653.485
4 4
1.072.628.129 3
1.074.551.944 3
6 945.104.862
2 937.566.465
2 7
766.566.168 1
783.506.608 1
8 1.148.084.159
5 1.173.282.949
5 Penerapan metode dekomposisi, baik model aditif maupun
multiplikatif menghasilkan nilai ukurasi kesalahan terkecil, jika menggunakan ordo 7 dalam melakukan peramalan dengan nilai kesalahan
terkecil MSE sebesar 766.566.168 untuk model multiplikatif dengan
persamaan model adalah Yt= 154.591+ 41,1073t dan MSE sebesar 783.506.608 untuk model aditif dengan persamaan model adalah Yt =
151.162 + 255,682t. Proses peramalan metode dekomposisi dapat dilihat pada Lampiran 6.
5. Metode Winter’s Multiplikatif Metode pemulusan linear musiman winter’s didasari oleh tiga
persamaan yang masing-masing memuluskan faktor-faktor yang berkaitan dengan pola data, yaitu faktor stasioneritas, faktor trend kecenderungan
dan faktor musiman. Jika dibandingkan dengan metode lain, metode winter’s merupakan metode paling kompleks dan rumit. Dalam metode ini
diperlukan tiga parameter α, β dan γ, sehingga diperlukan waktu cukup lama untuk menentukan tiga parameter yang optimal. Meskipun demikian,
metode ini memiliki kelebihan, yaitu dapat mengantisipasi pola musiman pada data deret waktu.
Penentuan ordo pada penelitian kali ini dilakukan dengan menggunakan metode coba dan salah serta ordo yang terpilih adalah yang
memberikan nilai kesalahan terkecil pada hasil peramalan. Uji coba ordo yang digunakan dalam peramalan beserta hasil akurasi kesalahannya dapat
dilihat pada Tabel 15.
Tabel 15. Nilai akurasi kesalahan metode winter’s multiplikatif dengan menggunakan beberapa nilai ordo
No Ordo
MSE Urutan
1 2
1.753.772.758 5
2 4
1.928.029.212 4
3 6
1.807.347.057 3
4 8
1.467.528.494 2
5 10
1.160.112.194 1
Dengan menggunakan nilai parameter yang sama, yaitu α, β dan γ sebesar 0,2, maka ordo yang memberikan nilai akurasi kesalahan terkecil
adalah ordo 10 dengan nilai MSE 1.160.112.194. Proses peramalan metode Winter’s multiplikatif dapat dilihat pada Lampiran 7.
6. Metode Regresi Berdasarkan hasil yang diperoleh dari perhitungan dengan
menggunakan bantuan program komputer Minitab, maka dapat diketahui nilai uji nyata analisis regresi dalam dua bentuk, yaitu regresi linear dan
regresi kuadratik. Berdasarkan hasil perhitungan didapatkan nilai R- square untuk bentuk regresi linear sebesar 0,06 , yang artinya bahwa
variasi nilai permintaan mampu diterangkan oleh hasil peramalan sebesar 0,06 dan sisanya 99,4 diterangkan oleh peubah lain yang tidak
termasuk di dalam model, dengan nilai MSE 1.237.470.401. Untuk regresi kuadratik nilai R-Square adalah 22,2 , artinya variasi nilai permintaan
mampu diterangkan oleh hasil peramalan sebesar 22,2 dan sisamya 78,8 diterangkan oleh peubah lain yang tidak termasuk di dalam
model, dengan nilai MSE yang dihasilkan sebesar 1.019.423.101. Berdasarkan nilai R-Square dan MSE, maka analisis regresi kuadratik
lebih nyata bila dibandingkan dengan analisis regresi linear. Proses peramalan dengan metode regresi dapat dilihat pada Lampiran 8.
4.6. Pemilihan Metode Peramalan
