37 Tabel 2. Perbandingan Nilai MAPE Berdasarkan Metode Peramalan
Model Peramalan Parameter
Nilai MAPE Model Peramalan Parameter
Nilai MAPE
Metode Perataan
Bergerak Tunggal MA 3
774.78 Metode
Pemulusan Eksponensial
Ganda = 0.0134
=0.0232 727.87
MA 4 647.42
MA 5 779.67
= 0.0234 =0.0013
695.98 Metode Pemulusan
Eksponensial Tunggal
= 0.0001 418.40 = 0.0234 581.05
= 0.0334 =0.0113
688.49 = 0.0334 604.54
Pemilihan nilai parameter menggunakan metode trial and error. Pada tabel 2 terlihat bahwa metode peramalan yang memiliki MAPE terkecil adalah metode pemulusan eksponensial tunggal
pada tingkat = 0.0001. Akan tetap, nilai MAPE yang dihasilkan diatas 100 maka dapat dikatakan
hasil peramalan memiliki persentase error sangat tinggi. Sehingga kurang tepat apabila memilih metode pemulusan eksponensial tunggal sebagai dasar untuk meramal permintaan pada masa yang
akan datang. Oleh karena itu, maka metode peramalan tepat apabila menggunakan metode naif yaitu suatu metode yang meramalkan sejumlah permintaan masa depan memiliki jumlah yang sama dengan
data historis permintaan.
5.3 SIMULASI TINGKAT PENGEMBALIAN GALON
Tingkat pengembalian galon kosong merupakan rasio perbandingan antar jumlah galon kosong yang kembali dengan jumlah produk yang dikirimkan perusahaan per satu periode. Penggunaan rasio
ini berdasarkan mekanisme yang digunakan perusahaan bahwa galon dalam bentuk produk yang dikirimkan, jumlah dan kuantitasnya harus sama atau tidak jauh berbeda dengan galon kosong yang
kembali. Tingkat pengembalian galon kosong akan disimulasikan untuk periode mendatang. Tahap awal simulasi yaitu mengidentifikasi pola sebaran data mengikuti sebaran data tertentu. Setelah itu
dilakukan proses simulasi berdasarkan pola sebaran data yang terbentuk. Tahap identifikasi dan simulasi menggunakan bantuan perangkat lunak EasyFit 5.5 yang dibuat oleh mathWave. Data aktual
tingkat pengembalian galon kosong dapat dilihat pada Lampiran 2 dan grafik data dapat dilihat pada Gambar 12.
Gambar 12. Grafik Data Tingkat pengembalian Galon Kosong 0.00
2.00 4.00
6.00 8.00
10.00 12.00
1 4 7 10131619222528313437404346495255586164677073767982858891 R
as io
Periode ke-
38 Data diidentifikasi pola sebaran data menggunakan perangkat lunak EasyFit 5.5. Perangkat
lunak tersebut akan memberikan rangking atau peringkat berdasarkan kesesuaian data yang akan diidentifikasi dengan sebaran data teoritis tertentu dengan melihati nilai test goodness of fit terkecil.
Test goodness of fit yang digunakan adalah kolmogrov-sminorv, Anderson-Darling, dan Chi-square. Peringkat kesesuaian data aktual dengan sebaran teoritis tertentu berdasarkan test goodness of fit dapat
dilihat pada Lampiran 3. Berdasarkan identifikasi sebaran data maka sebaran data yang terpilih adalah sebaran cauchy dengan nilai goodness of fit terkecil dapat dilihat pada Tabel 3 dan nilai
parameter skala = 0.1615 dan nilai parameter lokasi = 0.98269.
Tabel 3. Nilai Goodnees of Fit Sebaran Cauchy
Hipotesis yang digunakan adalah: Ho: Sebaran mengikuti sebaran teoritis tertentu
Hi : Sebaran tidak mengikuti sebaran teoritis tertentu 1. Ho diterima, atau Hi ditolak jika nilai hitung statistik n
ilai kritis pada tertentu 2. Ho ditolak, atau Hi diterima jika nilai hitung statistik n
ilai kritis pada tertentu Berdasarkan hasil uji Kolmogrov-Sminorv dan Anderson-Darling sebaran Cauchy pada
tingkat kepercayaan 95 maka tingkat pengembalian galon kosong mengikuti sebaran Cauchy. Pada uji Kolmogrov-Sminorv, nilai hitung sebaran Cauchy lebih kecil dibandingkan dengan nilai kritisnya
pada =0,05 0.11181 0,1404. Pada uji Anderson-Darling, nilai hitung sebaran Cauchy lebih kecil dibandingkan dengan nilai kritisnya pada =0,05 2,1594 2,5018. Hasil perhitungan dapat dilihat
pada Tabel 3.
39 Proses pembangkitan nilai random dan bilangan acak menggunakan software EasyFit 5.5.
Data hasil simulasi dapat dilihat pada Lampiran 4. Pengujian validitas hasil simulasi menggunakan uji median. Penggunaan uji median karena data tidak berdistribusi normal. Uji median termauk dalam
uji statistik non parametik untuk menguji dua populasi data memiliki tipe sebaran data yang sama. Hipotesesis yang digunakan adalah:
Ho: Data aktual dan hasil simulasi diambil dengan mediun dari distribusi data yang sama. Hi: Data aktual dan hasil simulasi diambil dengan mediun dari distribusi data yang beda.
1. Ho diterima, atau Hi ditolak jika nilai hitung nilai kritis chi-kuadrat pada dan derajat
kebebasan tertentu 2. Ho ditolak, atau Hi diterima jika nilai hitung statistik nilai kritis chi-kuadrat pada dan
derjat kebebasan tertentu Berdasarkan hasil uji median pada tingkat kepercayaan 95 dan derajat kebebasan sama
dengan 1 maka didapatkan hasil bahwa Ho diterima dan Hi ditolak, dimana nilai hitung lebih kecil dari nilai kritisnya 0.8795 3.84. Perhitungan uji median dapat dilihat pada Lampiran 5. Gambar
13 merupakan perbandingan antara hasil simulasi tingkat pengembalian galon kosong dan data aktual tingkat pengembalian.
Gambar 13. Grafik Perbandingan data aktual tingkat pengembalian dengan data simulasi
5.4 ESTIMASI KONDISI PERSEDIAAN GALON
