Resume Hasil Praktikum MPO

Peramalan sebuah data diperlukan dalam sebuah perusahaan, hal ini

berguna untuk memperkirakan masa depan usahanya, sehingga hasil dari

peramalan setiap orang tentulah berbeda-beda. Peramalan adalah seni dan ilmu

untuk dilakukan dengan melibatkan pengambilan data historis dan

memproyeksikannya ke masa yang akan dating. Peramalan ini menggunakan data

time series dimana data ini berdasarkan runtutan waktu dengan data (responden)

yang tetap, sehingga peramalan ini lebih menekankan pada ramalan waktu yang

akan datang.

Metode peramalan menggunakan model ARIMA (Auto Regressive

Integrate Moving Average), yang merupakan gabungan dari AR (Auto

Regressive) + MA (Moving average).

Cara peramalan memperhatikan tiga aspek yaitu simple, moving, dan average.

Dimana cara dan metode tersebut dapat secara mudah diaplikasikan dalam

program minitab. Program ini berguna untuk mempermudah pengerjaan dalam

peramalan sebuah data. Berikut langkah-langkah dari:

A. Grafik Time Series Plot

1. Copy data dari Ms.Word lalu paste kedalam program Minitab

2. Klik stat => time series => time series plot (untuk melihat grafik)

3. Pilih grafik sample => klik ok

4. Isi kolom time series plot dengan data “kebutuhan kedelai”, seperti

dibawah ini:

5. Klik ok

6. Akan muncul grafik time serie plot dari kebutuhan kedelai (kg)

Dari grafik tersebut terlihat bahwa jelas adanya peningkatan dan

penurunan dalam kebutuhan kedelai pada jangka waktu 52 minggu. Pada

grafik ditunjukkan bahwa adanya peningkatan kebutuhan kedelai yang

tinggi hampir 3200 Kg kedelai namun ada pula tingkat kebutuhan kedelai

terendah sebesar kurang dari 1800 Kg.

B. Grafik Moving Average Plot

Keterangan:

Pada kolom varible:

- Actual: menunjukkan data grafik yang asli

- Fits: menunjukkan data grafik yang layak/pas

- Forecasts: menunjukkan data peramalan

Pada kolom Accurancy

- MAPE: menunjukkan tingkat kesalahan

Maka dapat disimpulkan pada gambar grafik diatas bahwa tingkat dalam

peningkatan kebutuhan kedelai untuk menghasilkan produksi yang optimal

terdapat pada daerah grafik antara grafik peramalan ke atas hingga garis biru

tersebut. Peramalan yang ditunjukkan pada garis hijau cenderung normal

dikarenakan siklus naik-turun garis atau grafik forecasts cenderung stabil.

C. Pengukuran Data Melalui Grafik Smoothing (Single Exponential Method)

Dari grafik diatas menjelaskan bahwa untuk mencukupi kebutuhan kedelai (Kg) sekitar 2500-2600 (Kg) untuk hasil yang lebih optimal lagi, maka besarnya kebutuhan kedelai harus diatas garis peramalan yakni sekitar 2800 Kg kedelai.

D. Pengukuran Data Melalui Grafik Smoothing (Double Exponential Method)

Pada grafik ini, sedikit berbeda dengan sebelumnya, dimana sebelumnya

adalah grafik yang menggunkan single exponential method dan pada grafik

diatas menggunakan double exponential method. Letak perbedaannya adalah

pada kolom smoothing constant dan accurancy meansures. Pada grafik single

exponential method hanya memiliki alpha pada kolom smoothing constant

sedangkan pada grafik double exponential method selain alpha juga terdapat

nilai gamma. Untuk kolom accurancy meansures terdapat perbedaan nilai pada

MAPE, jika pada grafik single sebesar 4,8 sedangkan pada grafik double

memiliki nilai tingkat kesalahan lebih besar yaitu sebesar 5,2.

NOTE:Perbedaan penggunaan analisis Smoot Vs analisis Moving

- Analisis moving menggunakan indicator waktu yang digunakan, sedangkan smoot menggunakan optima ARIMA

- Lebih bagus menggunakan analisis smoot dari pada analisis moving

E. Grafik Peramalan yang Dipengaruhi Musim

Grafik diatas menunjukkan kebutuhan kedelai per Kg yang dipengaruhi

oleh musim. Grafik peramalan menunjukkan bahwa kebutuhan kedelai yang

harus dipenuhi pada kisaran 1800 Kg-2600 Kg. Selain itu terdapat perbedaan

pula pada grafik sebelumnya, dimana pada kolom smoothing constant terdapat

indeks “delta”

Setelah mengetahui grafik-grafik peramalan, maka selanjutnya adalah mencari

data yang akan dimasukkan kedalam perhitungan ARIMA. Tujuan model ini

adalah untuk menentukan hubungan statistik yang baik antar variabel yang diramal

dengan nilai historis variabel tersebut sehingga peramalan dapat dilakukan dengan

model tersebut. Dimana pada dasarnya bentuk dari ARIMA adalah (p, d, q). P adalah

partial, d adalah different, dan q adalah auto

Berikut langkah-langkanya:

A. Perhitungan Auto1. Masih menggunakan data yang sama dari awal2. Klik Stat => Time series => Autocorrelation

3. Isi kolom Series dengan data C2 (Kebutuhan Kedelai (Kg))

4. Klik Ok5. Muncul Grafik Autocorellation Function of Kebutuhan Kedelai (Kg)

Pada grafik tersebut bahwa terdapat 2 garis (garis berwarna biru) yang

menempel pada garis maksimal (garis berwarna merah). Inilah yang

menunjukkan banyaknya auto yang berada pada data tersebut.

B. Partial1. Masih data yang sama2. Klik Stat => Time series => Partial Autocorellation

3. Isi kolom series dengan data C2 (kebutuhan kedelai (Kg))

4. Klik Ok5. Akan muncul grafik Partial Autocorellation Function for Kebutuhan

Kedelai (Kg)

Pada grafik ini dapat dijelaskan bahwa terdapat 4 garis (warna biru) yang

hampir dan mendeketi garis mak-min (warna merah). Sehingga dapat dikatan

pula bahwa terdapat 4 partial.

C. Different1. Masih menggunakan data yang sama2. Klik Stat => Time series => Different

3. Masukkan data C2 (kebutuhan kedelai (Kg)) pada kolom series4. Isi kolom store of different dengan cell yang akan digunakan untuk

menempatkan data baru

5. Klik OK6. Akan muncul data baru sebagai berikut:

Data baru inilah yang nantinya digunakan dalam memasukkan data ARIMA.

Berikut langkah-langkah analisis ARIMA

A. Auto1. Menggunakan data yang baru2. Langkah-langkah sama

Data baru

3. Penentuan Auto Terdapat 2 autoB. Partial

1. Menggunakan data yang baru2. Langkah-langkah sama

3. Penentuan partial Terdapat 3 partial

C. ARIMA1. Klik Stat => Time series => ARIMA

2. Isi kolom series dengan data C2 (kebutuhan kedelai)

3. Klik forecast4. Isi kolom ARIMA-Forecast. Kolom lead isi nilai sebesar 13. Nilai ini

menunjukkan jumlah data yang kira-kira pasti. Kolom origin isi nilai sebesar 51. Nilai ini menujukkan nilai pembanding satu untuk 52 jumlah data yang ada.

5. Klik Ok6. Maka akan tampil hasil seperti ini:

Pengujian metode ARIMA dilakukan berkali-kali hingga mendapatkan (p, d,

q) yang signifikan. Hasil yang signifakan dilihat dari hasil tabel probability (prob)

pada hasil uji ARIMA. Hasil signifikan jika nilai prob < 0,05, maka dengan hal ini

dapat dihasilkan bahwa peramalan memiliki dugaan yang tepat dan sangat

signifikan.