PROGRAM STUDI SISTEM INFORMASI FAKULTAS TEKNOLOGI INFORMASI INSTITUT TEKNOLOGI SEPULUH NOPEMBER
|
|
- Leony Pranata
- 7 tahun lalu
- Tontonan:
Transkripsi
1 PROGRAM STUDI SISTEM INFORMASI FAKULTAS TEKNOLOGI INFORMASI INSTITUT TEKNOLOGI SEPULUH NOPEMBER PEMBUATAN APLIKASI PERAMALAN JUMLAH PERMINTAAN PRODUK DENGAN METODE TIME SERIES EXPONENTIAL SMOOTHING HOLTS WINTER DI PT. TELEKOMUNIKASI INDONESIA Tbk Nama : Riansyah Halimi NRP : Dosen Pembimbing I : Wiwik Anggraeni, S.Si., M.Kom. Dosen Pembimbing II : Raras Tyasnurita, S.Kom., MBA. Laboratorium Bidang : Sistem Pendukung Keputusan (SPK)
2 Outline Pembahasan Latar Belakang Perumusan Masalah Batasan Tugas Akhir Tujuan dan Manfaat Tugas Akhir Studi Pustaka Metodologi Penelitian Desain dan Implementasi Sistem Uji Coba dan Analisis Hasil Kesimpulan dan Saran
3 Latar Belakang Gaya hidup masyarakat yang tidak bisa lepas dari internet Source :
4 Latar Belakang
5 Latar Belakang Jumlah Pasang Baru Minggu Jumlah Pasang Baru Minggu Perlu dilakukan peramalan untuk mengetahui permintaan pasang baru Speedy di masa yang akan datang. Dari hasil peramalan tersebut nantinya akan digunakan dalam proses pengambilan keputusan perusahaan tersebut.
6 Latar Belakang Penggunaan Metode Exponential Smoothing Holts Winter Exponential Smoothing Holts Winter Penelitian sebelumnya yang dilakukan S.Hilas, Constantinos, dkk (2005) telah diterapkan analisis time series dengan menggunakan berbagai perbandingan metode, seperti Seasonal Decomposition, Exponential Smoothing Holts Winter untuk peramalan data telekomunikasi di University Campus. Hasil dari penelitian ini membuktikan bahwa metode Holts Winter memberikan nilai MAPE paling kecil dibandingkan dengan metode peramalan lain seperti dekomposisi, Single Exponential Smoothing. Metode tersebut digunakan karena berdasarkan pola data yang dimiliki dan bisa digunakan untuk time series baik untuk linier trends maupun nonlinier trends (Makridakis, 1999). Jumlah Pasang Baru Minggu
7 Latar Belakang Studi kasus: Sales Speedy PT. Telkom Regional Jawa Timur Surabaya Telkom Indonesia Sales Speedy Regional Jatim Surabaya Jumlah Pasang Baru Minggu Proses Peramalan Proses Peramalan Exponential Smoothing Holts Winter Macro Excel + Microsoft Visual Basic for Application Operasional
8 Perumusan Masalah Bagaimana membuat aplikasi peramalan yang mampu menghasikan nilai ramalan jumlah permintaan pasang baru Speedy di PT. Telekomunikasi Indonesia Tbk Regional Jawa Timur wilayah Surabaya untuk periode ke depan berdasarkan model dari metode Holts Winter. Bagaimana pengaruh aplikasi peramalan macro excel berbasis visual basic yang dibuat sebagai alat bantu pengambilan keputusan terhadap penjualan pasang baru produk Speedy di PT. Telekomunikasi Indonesia Tbk. Regional Jawa Timur wilayah Surabaya. Bagaimana memaksimalkan penggunaan microsoft excel sebagai alat bantu pengambilan keputusan untuk menentukan nilai ramalan penjualan pasang baru produk Speedy
9 Batasan Tugas Akhir Batasan pembahasan dari tugas akhir ini meliputi: Sumber data yang digunakan yaitu sales speedy, yang diperoleh dari perusahaan Telkom Indonesia Sales speedy yang akan dipakai hanya untuk regional Jawa Timur daerah Surabaya Rentang waktu yang akan digunakan yaitu bulan Januari 2012 hingga Mei 2013 Metode peramalan yang digunakan yaitu Exponential Smoothing Holts Winter Aplikasi program yang akan dibuat menggunakan fasilitas macro excel beserta microsoft visual basic for application
10 Tujuan dan Manfaat Tujuan 1. Memperoleh nilai ramalan jumlah permintaan pasang baru Speedy di PT. Telekomunikasi Indonesia Tbk Regional Jawa Timur wilayah Surabaya untuk periode satu tahun ke depan berdasarkan model dari metode Holts Winter. 2. Membangun aplikasi peramalan yang mampu menghasilkan nilai ramalan jumlah permintaan pasang baru Speedy kemudian dilakukan analisis penjualan pasang baru. Dari hasil analisis tersebut dapat digunakan sebagai dasar dalam pengambilan keputusan untuk melakukan promosi pasang baru Manfaat 1. Bagi mahasiswa, yaitu dapat mengimplementasikan metode Holts Winter dalam bentuk aplikasi macro excel dengan menggunakan Microsoft Visual Basic for Application. 2. Bagi perusahaan sendiri, Tugas Akhir ini membantu dalam penjualan layanan internet ke depannya dan dapat dijadikan acuan serta gambaran peramalan penjualan untuk membantu menentukan penjualan di bulan yang tepat.
11 Studi Pustaka Telkom Speedy Speedy merupakan anak perusahaan dari Telkom Indonesia. Speedy mengggunakan teknologi Asymetric Digital Subscriber Line (ADSL), yang menyalurkan sinyal digital dengan kecepatan yang tinggi melalui jaringan telepon secara optimal bagi keperluan komsumsi konten internet, dengan kecepatan data yang ditawarkan dari 384kb/s hingga 10Mb/s (Telkom, 2011). Tabel Perbandingan Speedy dengan Teknologi Internet Lainnya Teknologi Speedy Pada Speedy, akses data dipisahkan dari dari akses suara di DSLAM, sehingga kecepatan Speedy dapat ditingkatkan maksimal sesuai dengan kebutuhan. Akses pada Speedy bersifat individual per user hingga port DSLAM terdekat, dimana setiap user menduduki port tersendiri yang bersifat dedicated. Teknologi Internet lainnya Pada dial-up Internet, akses data dilewatkan pada sentral digital, yang memiliki keterbatasan sampling data maksimal 56 kb/s. Pada broadband wireles access, akses pada user dibagi dari BTS yang memiliki kapasitas terbatas.
12 Studi Pustaka Teknik Peramalan Peramalan merupakan suatu aktivitas untuk memperkirakan suatu nilai dari suatu variabel di masa mendatang berdasarkan nilai dari variabel tersebut di masa lampau. Situasi peramalan yang terjadi biasanya bergantung pada pola data yang digunakan. Untuk menghadapi penggunaan yang bergantung pada pola data yang digunakan tersebut, beberapa teknik telah dikembangkan. Teknik tersebut antara lain dibagi menjadi dua kategori utama, yaitu teknik dengan metode kuantitatif dan metode kualitatif. Metode kuantitatif sendiri dapat dibagi ke dalam deret berkala (time series) dan metode kausal, sedangkan metode kualitatif dapat dibagi menjadi metode eksporatoris dan normatif (Makridakis, 1999: 10)
13 Studi Pustaka Pola Model Time Series Model time series ini akan dibagi menjadi empat pola (Hanke, 2003) yaitu : Pola Horizontal Pola horizontal terjadi ketika suatu nilai data yang digunakan berfluktuasi di sekitar nilai rata-rata yang konstan. Deret ini disebut juga deret stasioner terhadap nilai rata-ratanya. Pola Musiman Pola ini terjadi ketika data yang digunakan dipengaruhi oleh faktor musiman misalnya bulanan, tahunan. Komponen musiman sendiri merupakan fluktuasi yang terjadi kurang dari setahun dan berulang pada tahun-tahun berikutnya. Pola Siklik Pola siklik terjadi ketika data yang digunakan dipengaruhi oleh fluktuasi ekonomi jangka panjang dan terlihat naik/turun dalam periode waktu yang tidak tetap. Pola Kecenderungan (Trend) Pola trend terbentuk ketika terdapat kenaikan atau penurunan pada data yang akan digunakan dalam peramalan dalam jangka waktu yang panjang. Trend merupakan komponen jangka panjang yang mendasari pertumbuhan atau penurunan data time series.
14 Studi Pustaka Metode Pemulusan Eksponensial Tunggal (single exponential smoothing) Metode ini digunakan untuk peramalan data time series jangka pendek tanpa trend atau pola data yang mempunyai ciri stasioner. Model ini menggunakan persentase α tertentu dari kesalahan pada ramalan terakhir untuk menghasilkan ramalan sekarang. Persamaan untuk metode pemulusan eksponensial tunggal adalah sebagai berikut (Gaynor dan Kirkpatrick, 1994): Yt+1 = α Yt + (1- α) Yt Dimana Yt = nilai ramalan volume penjualan pada periode ke-t Yt+1 = nilai ramalan volume penjualan pada periode ke t+1 α = pembobot pemulusan
15 Studi Pustaka Metode Pemulusan Eksponensial Ganda model Holts Metode pemulusan eksponensial ganda menggunakan nilai trend dengan nilai konstanta yang berbeda dari konstanta yang digunakan pada pola data. Persamaan untuk model pemulusan eksponensial ganda untuk model Holts adalah sebagai berikut (Gaynor dan Kirkpatrick, 1994): Y t+m = a t + b t (m) Dimana : Y t+m = ramalan volume penjualan pada periode ke t+m St = αyt + (1 α) S t-1 = pemulusan tahap 1 St (2) = αst + (1 α) S (2) t-1 = pemulusan tahap 2 at = 2St St (2) = untuk update intercept
16 Studi Pustaka Metode Pemulusan Eksponensial model Winters Metode ini digunakan untuk peramalan yang mempunyai pola data trend linier dan musiman. Metode ini memiliki kelebihan yaitu mudah dan cepat dalam mengupdate ramalan ketika data baru diperoleh. Metode Winters terdiri atas model multiplikatif (fluktuasi proporsional terhadap pola data trend) dari aditif (fluktuasi relatif konstan). Dalam metode Winters terdapat tiga parameter yang digunakan yaitu a, ß dan γ (Gaynor, 1994). Rumusan matematikanya sebagai berikut : Untuk model multiplikatif rumusan metode Wintersnya sebagai berikut : a t = a (Y t /Sn t-l) + (1 a) (a t-1 + b t-1 ) b t = γ (a t a t-1 ) + (1 γ) b t-1 S nt = ß (Y t /a t ) + (1 ß) S t-l Y t-m = (a t + m bt ) Sn t-l+m Untuk model aditif rumusan metode Wintersnya sebagai berikut : a t = a (Y t S nt-1 ) + (1 - a)(a t-1 + b t-1 ) b t = γ (a t a t-1 ) + (1 - γ) b t-1 S nt = ß (Y t - a t ) + (1 - ß) S t-s Y t+m = [ a t + m bt ] + Sn t-l+m Dimana : Yt a t b t = data aktual periode t = pemulusan untuk deseasionalized data untuk periode t = pemulusan terhadap dugaan trend pada periode t = pemulusan terhadap dugaan musim pada periode t = ramalan m periode ke depan setelah periode t Snt Yt-m a, ß dan γ = pembobot pemulusan L = banyaknya periode dalam satu tahun
17 Studi Pustaka Mengukur Ketepatan Model Mean Absolute Percentage Error (MAPE) merupakan nilai error dari prosentase selisih data asli dengan hasil peramalan. Rumus perhitungan MAPE adalah sebagai berikut : Nilai yang dihasilkan melalui evaluasi ini, menunjukkan kemampuan peramalan seperti yang ditunjukkan dalam kriteria MAPE pada tabel berikut ini (Chang, Wang, & Liu, 2007) Tabel Kriteria MAPE MAPE Pengertian < 10% Kemampuan peramalan sangat baik 10% - 20% Kemampuan peramalan baik 20% - 50% Kemampuan peramalan cukup > 50% Kemampuan peramalan buruk
18 Metodologi Pengerjaan Survei ke perusahaan Start Validasi Model Analisis Hasil apakah langkah-langkah yang dilakukan sudah sesuai dengan struktur yang ditetapkan dan sudah tidak ada error pada program Pustaka mengenai Exponential Smoothing Holts Winter, penggunaan macro excel Pengumpulan Data Studi Literatur Pembuatan Aplikasi Verifikasi Model Uji Coba Implementasi Pembuatan Buku Tugas Akhir memastikan apakah keluaran yang dihasilkan sudah sesuai dengan yang diharapkan dan membandingkan dengan microsoft excel apakah nilai keluaran sudah sesuai atau belum Penggunaan (MAPE) untuk mengukur tingkat akurasi peramalan yang didapatkan Analisa Kebutuhan Sistem Identifikasi Pola Data Melakukan peramalan Analisis Hasil Peramalan Perancangan Model Mencari Nilai Pembobotan Terbaik Perhitungan Hasil Error Menggunakan fasilitas macro excel Menggunakan aplikasi microsoft visual basic for application Bentuk pola data yang didapatkan dari data apakah berupa pola horizontal, musiman, siklik, atau trend
19 Desain dan Implementasi Sistem Spesifikasi Sistem (Desain Sistem) 1. Sistem memberikan metode peramalan yang dapat digunakan untuk meramalkan jumlah permintaan produk yaitu metode Exponential Smoothing Holts Winter 2. Sistem mampu mengolah data historis jumlah permintaan produk mingguan yang diinputkan pada sistem secara otomatis dan manual untuk melakukan proses peramalan. 3. Sistem mampu mendeteksi secara otomatis derajat a, ß, γ, yang paling optimal untuk melakukan proses peramalan. 4. Sistem mampu menampilkan hasil level, trend, seasonality, peramalan dan nilai percentage error dari data testing dan data training beserta dengan nilai dari kriteria akurasinya. 5. Sistem mampu menampilkan hasil peramalan permintaan produk untul periode ke depan.
20 Analisis Data Desain dan Implementasi Sistem (Desain Sistem) Data yang digunakan dalam studi kasus ini adalah data permintaan pasang baru produk Speedy di PT. Telekomunikasi Indonesia Regional Jawa Timur wilayah Surabaya pada periode Januari 2012 sampai bulan Mei Pembagian proporsi data yang digunakan yaitu 80:20 dengan komposisi data training sebanyak 80% dari keseluruhan data. Pembagian data ini berdasarkan penelitian yang dilakukan oleh S.Hilas, Constantinos, dkk (2005) Data-data yang digunakan dibagi menjadi 2 kelompok data, yaitu : 1. Data training. Kelompok ini berisi kumpulan data yang digunakan untuk analisis dan penentuan model. Kelompok ini terdiri dari data permintaan pasang baru produk Speedy di PT. Telekomunikasi Indonesia Regional Jawa Timur wilayah Surabaya periode Januari 2012 sampai April 2013 dengan N = 53 observasi atau sejumlah 80% dari total data yang dimiliki.
21 Desain dan Implementasi Sistem Analisis Data Training (Desain Sistem) Jumlah Pasang Baru Minggu Berdasarkan grafik plot pada gambar diatas digambarkan bahwa terjadi fluktuasi jumlah permintaan pasang baru produk Speedy untuk data training bulan Januari 2012 sampai Februari Sumbu x menyatakan waktu dalam minggu sedangkan sumbu y menyatakan jumlah permintaan pasang baru produk. Plot menunjukkan bahwa jumlah permintaan produk mengalami penurunan pada minggu ke dengan data sebesar 247 dan 41 yaitu tepatnya pada bulan September dan terjadi kenaikan yang cukup signikan yang terjadi pada minggu ke 13 atau minggu awal pada bulan April yaitu dengan sales sebesar 1116.
22 Desain dan Implementasi Sistem Analisis Data Testing (Desain Sistem) Data testing. Kelompok ini berisi kumpulan data yang digunakan untuk menguji keakuratan hasil peramalan model. Kelompok ini terdiri dari data penjualan periode Januari 2013 sampai dengan Mei 2013 dengan N = 13 observasi atau sejumlah 20% data yang dimiliki. Jumlah Pasang Baru Minggu Plot grafik diatas menunjukkan bahwa jumlah permintaan produk juga mengalami kenaikan dan penurunan seperti data training. Data tertinggi berada di minggu terakhir Februari dan minggu awal April dengan komposisi data sebesar 1088 dan 1023.
23 Desain dan Implementasi Sistem Perancangan Sistem Input (Desain Sistem) Untuk melakukan peramalan dengan menggunakan metode Holts Winter maka model data yang diinputkan pada system harus bersifat integer. Data yang bersifat integer ini harus diletakkan dibawah kolom sales agar mudah diidentifikasi sebagai data aktual. Sistem akan mengolah data training sesuai dengan proporsi data 80:20. Kemudian dari data training didapat nilai optimum model yang akan dimasukkan ke dalam proses testing. Proses selanjutnya yaitu forecasting untuk mengetahui jumlah nilai ramalan n periode Training Testing Forecasting
24 Desain dan Implementasi Sistem (Desain Sistem) Halaman Antarmuka Pengguna Range data yang akan dipilih Training Testing Forecasting
25 Desain dan Implementasi Sistem (Desain Sistem) Gambaran Umum Sistem untuk Pengguna Memasukkan data yang ingin diramalkan Menekan tombol training! untuk melakukan perhitungan Mengisi jumlah periode yang akan diramalkan dan menekan tombol forecast! Menekan tombol testing untuk menngetahui nilai MAPE
26 Desain dan Implementasi Sistem (Desain Sistem) Alur Kerja (proses) dari Sistem yang Mengimplementasikan Metode Holts Winter Holts Winter process Start Training Process Testing Process Forecasting Process Mulai Input data jumlah permintaan pasang baru produk Membaca data training Membaca data testing Membaca keseluruhan data permintaan Mencari nilai optimum model berdasarkan data yang dimiliki Mengeset parameter optimum model yang didapat dari training ke dalam sistem testing Menginputkan nilai (a, ß, γ) optimum model ke dalam sistem Mengolah data training berdasarkan nilai optimum model Mengolah data testing berdasarkan nilai optimum model Melakukan forecast sebanyak n periode berikutnya Menghitung nilai level, trend, seasonality, error dan peramalan periode berikutnya Menghitung nilai level, trend, seasonality, error dan peramalan periode berikutnya Hasil ramalan, level, trend, seasonality, dan MAPE Level, trend, seasonality, peramalan data training dan MAPE Level, trend, seasonality, peramalan data testing dan MAPE
27 Desain dan Implementasi Sistem Perancangan Sistem Output (Desain Sistem) Model Optimum yang terdiri dari nilai parameter a, ß, dan γ MAPE : nilai persentase yang diperoleh dari hasil perhitungan rata-rata nilai absolute (error) yang dihasilkan dari perhitungan data training maupun testing. Data hasil peramalan yang dihasilkan dari forecasting process sebanyak n periode selanjutnya Grafik yang dihasilkan dari sistem akan menampilkan perbandingan hasil peramalan dengan data aktual Teknik yang digunakan dalam mencari nilai optimum yaitu teknik bruteforce. Pada penelitian sebelumnya yang dilakukan oleh Kärkkäinen, Ismo dan Fränti, Pasi (2002) telah diterapkan teknik bruteforce untuk mencari nilai kluster yang belum diketahui. Hasil dari penelitian tersebut menunjukkan bahwa teknik brute force mampu mencari nilai kluster.
28 Implementasi dan Uji Coba Lingkungan Implementasi Perangkat Keras Lingkungan Uji Coba Perangkat Keras Spesifikasi Jenis Notebook Processor Intel Core RAM 4GB Hard Disk Drive 750GB Perangkat Lunak Lingkungan Uji Coba Perangkat Lunak Windows 7 Microsoft Visual Basic for Application Ms. Office Excel 2007 dan SPSS 17 Fungsi Sistem Operasi Membuat kode program menggunakan Macro Excel dan Microsoft Visual Basic for Application Validasi program
29 Implementasi dan Uji Coba Verifikasi Aplikasi Penggantian Nilai Presisi Sistem 0,1 Nilai Presisi Sistem Keterangan Tidak ditemukan error 0,1 Waktu perhitungan 1 menit Nilai MAPE yang didapatkan ialah sebesar 34,17%
30 Implementasi dan Uji Coba Verifikasi Aplikasi Penggantian Nilai Presisi Sistem 0,01 Nilai Presisi Sistem Keterangan Tidak ditemukan error 0,01 Waktu perhitungan 6 jam Nilai MAPE yang didapatkan ialah sebesar 32,08%
31 Implementasi dan Uji Coba Verifikasi Aplikasi Penggantian Nilai Presisi Sistem 0,001 Nilai Presisi Sistem 0,001 Keterangan Ditemukan error out of reach Aplikasi tidak mampu menghitung karena harus melakukan perhitungan terhadap masing-masing nilai, yaitu alpha, beta dan gamma.
32 Uji Coba dan Validasi Aplikasi Validasi Aplikasi Penggantian Proporsi Data 80:20 MAPE Training 34,17% Testing 39,32% ALPHA BETA GAMMA Error training yang dihasilkan dari proporsi data 80:20 adalah sebesar 34,17%. Nilai tersebut masih dalam batas yang diperbolehkan dalam nilai error peramalan yaitu dalam batas 20%-50%. Sedangkan nilai error yang dihasilkan dari validasi sebesar 39,32%. Nilai tersebut menggunakan nilai optimum model yang dihasilkan dari model training
33 Uji Coba dan Validasi Aplikasi Validasi Aplikasi Penggantian Proporsi Data 70:30 MAPE Training 35,83% Testing 24,20% ALPHA BETA GAMMA Training error yang dihasilkan dari proporsi data 70:30 adalah sebesar 35,83%. Nilai tersebut masih dalam batas yang diperbolehkan dalam nilai error peramalan yaitu dalam batas 20%-50%. Sedangkan nilai error yang dihasilkan dari validasi sebesar 24,20%. Nilai tersebut menggunakan nilai optimum model yang dihasilkan dari model training.
34 Uji Coba dan Validasi Aplikasi Validasi Aplikasi Penggantian Proporsi Data 60:40 MAPE Training 37,94% Testing 25,69% ALPHA BETA GAMMA Training error yang dihasilkan dari proporsi data 60:40 adalah sebesar 37,94%. Nilai tersebut masih dalam batas yang diperbolehkan dalam nilai error peramalan yaitu dalam batas 20%-50%. Sedangkan nilai error yang dihasilkan dari validasi sebesar 25,69%. Nilai tersebut menggunakan nilai optimum model yang dihasilkan dari model training.
35 Uji Coba dan Validasi Aplikasi Validasi Aplikasi Penggantian Proporsi Data 50:50 MAPE Training 26,14% Testing 71,39% ALPHA BETA GAMMA Training error yang dihasilkan dari proporsi data 50:50 adalah sebesar 26,14%. Nilai tersebut masih dalam batas yang diperbolehkan dalam nilai error peramalan yaitu dalam batas 20%-50%. Sedangkan nilai error yang dihasilkan dari validasi sebesar 71,39%. Error tersebut lebih dari batas normal yang diperbolehkan dalam peramalan yaitu melebihi 50% sehingga error tersebut sangat buruk. Nilai tersebut menggunakan nilai optimum model yang dihasilkan dari model training.
36 Uji Coba dan Validasi Aplikasi Validasi Aplikasi Penggantian nilai optimum model terhadap nilai proporsi data Nilai optimum model 0.8, 0.9, 1 Proporsi data MAPE 80 : 20 39,32 % 70 : 30 69,08 % 60 : 40 43,48 % 50 : ,60 % Dari tabel disamping menunjukkan bahwa nilai optimum model 0.8, 0.9, 1 dengan nilai akurasi peramalan terendah ialah data dengan proporsi 80:20. Sedangkan nilai akurasi peramalan tertinggi atau terburuk dimiliki oleh data dengan proporsi 50:50.
37 Uji Coba dan Validasi Aplikasi Validasi Aplikasi Penggantian nilai optimum model terhadap nilai proporsi data Nilai optimum model 0.9, 0.1, 0.1 Proporsi data MAPE 80 : 20 28,01 % 70 : 30 24,20 % 60 : 40 20,80 % 50 : ,65 % Dari tabel disamping menunjukkan bahwa nilai optimum model 0.9, 0.1, 0.1 dengan nilai akurasi peramalan terendah ialah data dengan proporsi 60:40. Sedangkan nilai akurasi peramalan tertinggi atau terburuk dimiliki oleh data dengan proporsi 50:50 dengan nilai akurasi sebesar 113,65%.
38 Uji Coba dan Validasi Aplikasi Validasi Aplikasi Penggantian nilai optimum model terhadap nilai proporsi data Nilai optimum model 1, 1, 0.1 Proporsi data MAPE 80 : 20 30,25 % 70 : 30 25,68 % 60 : 40 25,69 % 50 : ,90 % Dari tabel disamping menunjukkan bahwa nilai optimum model 1, 1, 0,1 dengan nilai akurasi peramalan terendah ialah data dengan proporsi 70:30 dengan nilai akurasi peramalan berbeda 0,01% dengan proporsi data 60:40 yaitu sebesar 25,68%. Sedangkan nilai akurasi peramalan tertinggi atau terburuk dimiliki oleh data dengan proporsi 50:50 dengan nilai sebesar 114,90%.
39 Uji Coba dan Validasi Aplikasi Validasi Aplikasi Penggantian nilai optimum model terhadap nilai proporsi data Nilai optimum model 0.1, 0.1, 0.1 Proporsi data MAPE 80 : 20 27,94 % 70 : 30 26,73 % 60 : 40 22,89 % 50 : 50 71,39 % Dari tabel disamping menunjukkan bahwa nilai optimum model 0,1, 0.1, 0.1 dengan nilai akurasi peramalan terendah ialah data dengan proporsi 60:40 dengan nilai akurasi peramalan sebesar 22,89%.. Sedangkan nilai akurasi peramalan tertinggi atau terburuk dimiliki oleh data dengan proporsi 50:50 dengan nilai sebesar 71,39%.
40 Uji Coba dan Validasi Aplikasi Validasi Aplikasi Penggantian Nilai Presisi Sistem 0,1 MAPE Waktu training Training 35,83% 60 detik Testing 24,20% ALPHA BETA GAMMA Nilai akurasi peramalan dari data training yang dihasilkan dari nilai presisi 0,1 adalah sebesar 35,83%. Nilai tersebut masih dalam batas yang diperbolehkan dalam nilai error peramalan yaitu dalam batas 20%-50%. Sedangkan nilai error yang dihasilkan dari validasi sebesar 24,20%.
41 Uji Coba dan Validasi Aplikasi Validasi Aplikasi Penggantian Nilai Presisi Sistem 0,01 MAPE Waktu training Training 32,08% 6 jam Testing 49,32% ALPHA BETA GAMMA Training error yang dihasilkan dari nilai presisi 0,01 adalah sebesar 32,08%. Nilai tersebut masih dalam batas yang diperbolehkan dalam nilai error peramalan yaitu dalam batas 20%- 50%. Sedangkan nilai error yang dihasilkan dari validasi sebesar 49,32%. Dengan waktu proses sistem yang berlangsung lama yaitu 6 jam mampu menghasilkan nilai error peramalan hampir mencapai batas error peramalan yang diperbolehkan yaitu 50%.
42 Uji Coba dan Validasi Aplikasi Uji training data menggunakan microsoft excel dan aplikasi visual basic Hasil keluaran untuk data training dari microsoft excel dengan menggunakan nilai optimum model dari microsoft excel ialah sebesar 34,28%. Hasil tersebut berbeda dengan hasil yang dikeluarkan oleh aplikasi ketika menghitung data training dengan menggunakan aplikasi. Hasil yang didapat ialah sebesar 35,83%. Nilai yang tidak jauh berbeda mengingat nilai presisi dari microsoft excel bernilai 0,00001 sedangkan nilai presisi aplikasi 0,1. Aplikasi Microsoft Excel ALPHA BETA GAMMA MAPE Training Aplikasi 35,83% Training Microsoft Excel 34,28%
43 Uji Coba dan Validasi Aplikasi Uji testing data menggunakan microsoft excel dan aplikasi visual basic Hasil keluaran data testing microsoft excel Sales L T S Forecast Hasil keluaran data testing aplikasi Sales L T S Tidak terdapat perbedaan untuk perhitungan level, trend dan seasonal pada minggu pertama sampai minggu keempat. Namun ketika melakukan perhitungan pada minggu kelima dan minggu berikutnya terdapat perbedaan. Hal ini disebabkan oleh nilai alpha, beta dan gamma yang dihasilkan oleh microsoft excel dan aplikasi berbeda
44 Uji Coba dan Validasi Aplikasi Peramalan menggunakan aplikasi Hasil keluaran forecast aplikasi
45 Uji Coba dan Validasi Aplikasi Analisis Hasil Analisis Perbandingan Proporsi Data Hasil uji coba menunjukkan bahwa nilai proporsi data yang menghasilkan nilai MAPE terbaik ialah perbandingan 70:30. Hal ini dibuktikan bahwa tingkat akurasi peramalan yang didapat (MAPE) bernilai lebih kecil dibandingkan proporsi data yang lain Proporsi Training Testing M 80:20 34,17% 39,32% 70:30 35,83% 24,20% 60:40 37,94% 25,69% 50:50 26,14% 71,39% A P E Nilai MAPE yang didapatkan dari aplikasi dengan proporsi data 70:30 ialah sebesar 35,83% untuk data training dan 24,20% untuk data testing.
46 Uji Coba dan Validasi Aplikasi Analisis Hasil Analisis Perbandingan Presisi Sistem Hasil uji coba menunjukkan bahwa nilai presisi sistem yang mampu dengan cepat menghasilkan keluaran berupa nilai ramalan beserta MAPE ialah nilai dengan presisi 0,1 dengan perbandingan proporsi data yang digunakan ialah 70:30. Hal ini dibuktikan bahwa tingkat akurasi peramalan yang didapat (MAPE) bernilai lebih kecil dibandingkan presisi sistem 0,01 Presisi MAPE Training MAPE Testing 0,1 35,83% 24,20% 0,01 32,08% 49,32%
47 Uji Coba dan Validasi Aplikasi Analisis Hasil Analisis Perbandingan Nilai Optimum Model Hasil uji coba menunjukkan bahwa nilai optimum model yang dihasilkan dari masing-masing proporsi data untuk kemudian diuji di proporsi data yang lain. Hasil yang didapatkan menunjukkan bahwa proporsi data yang memiliki nilai akurasi peramalan terbaik ialah data dengan proporsi 60:40 dengan nilai optimum model sebesar 0.9, 0.1, 0.1. Hal ini dibuktikan bahwa tingkat akurasi peramalan yang didapat (MAPE) bernilai lebih kecil dibandingkan dengan proporsi data yang lain dengan nilai optimum model yang sama seperti yang ditunjukkan pada tabel disamping berikut. Perbandingan proporsi data dengan nilai optimum model 0.9, 0.1, 0.1 Proporsi data MAPE 80 : 20 28,01 % 70 : 30 24,20 % 60 : 40 20,80 % 50 : ,65 %
48 Uji Coba dan Validasi Aplikasi Analisis Hasil Analisis Penjualan Pasang Baru berdasarkan Hasil Peramalan Penjualan produk Speedy tiap bulannya untuk wilayah Surabaya saja ditargetkan sekitar 2000 pasang baru. Namun untuk promosi ketika penjualan sedang turun dan naik tidak dilakukan karena Speedy ikut pada event IT yang berlangsung di pusat perbelanjaan, event yang diadakan oleh pemerintah maupun spesial event. Khusus untuk spesial event pihak perusahaan mempunyai keputusan khusus terkait dengan penjualan pasang baru produk Speedy. Pada tabel disamping ditunjukkan bahwa untuk nilai ramalan 10 periode ke depan nilainya berada di sekitar pasang baru untuk setiap minggunya. Dalam 1 bulan jika ditargetkan pasang baru untuk wilayah Surabaya 2000 pasang baru, maka dalam nilai ramalan pada tabel disamping jumlahnya melebihi target yaitu diatas 2000 pasang baru.
49 Kesimpulan Berdasarkan tugas akhir yang telah dilakukan, maka dapat disimpulkan beberapa hal sebagai berikut: 1. Aplikasi peramalan model Holts Winter yang telah dibuat dapat meramalkan data baik untuk data training dengan error sebesar 35,83% dan data testing dengan error sebesar 20,80%. 2. Nilai parameter model terbaik yang didapat dari aplikasi ialah sebesar 0,9, 0,1, dan 0,1 dengan menggunakan proporsi data 70: Pembagian data training dan data validasi yang baik dan benar merupakan faktor yang sangat penting dalam menghasilkan peramalan yang bagus. Ternyata untuk data permintaan pasang baru produk Speedy ini, yang paling bagus adalah proporsi 60:40 dengan nilai akurasi peramalan sebesar 20,80%. 4. Penggunaan presisi 0,1 dan 0,01 berpengaruh terhadap akurasi peramalan. Presisi 0,01 menghasilkan nilai akurasi peramalan yang cukup baik ketika dalam proses training tetapi tidak dalam proses testing. Presisi 0,01 juga memakan waktu yang sangat lama dibandingkan dengan presisi 0,1 walaupun akurasi peramalan yang dihasilkan pada proses training sedikit lebih baik dari presisi 0,1. Penggunaan presisi 0,1 tidak memakan waktu yang lama dan hasil akurasi peramalan untuk data training yang dihasilkan tidak berbeda jauh dari presisi 0,01 meskipun hasil akurasi peramalan untuk data testing lebih baik dari presisi 0, Aplikasi peramalan model Holts Winter bergantung pada data. Jika terdapat data yang mengalami kenaikan dan penurunan signifikan dapat mempengaruhi keakuratan hasil peramalan serta akan mempengaruhi nilai ramalan periode berikutnya.
50 Saran Beberapa hal yang diharapkan dapat dikembangkan pada masa mendatang adalah sebagai berikut: 1. Aplikasi dapat dikembangkan dengan beberapa metode sekaligus sehingga dapat membandingkan hasil keakuratan peramalan. 2. Hasil peramalan akan semakin akurat apabila data histori yang digunakan lebih banyak supaya dapat pola data dapat diamati dengan lebih baik.
51 Daftar Pustaka [1] C.E. Holt, Forecasting trends and seasonals by exponentially weighted moving averages, ONR Memorandum, vol. 52, Carnegie Institute of Technology, Pittsburg, USA, 1957, Reprinted: International Journal of Forecasting, 20, 5 10 (2004). [2] Gaynor, P. E. Dan Kirkpatrick R. C Introduction to Time Series Modelling and Forecasting ini Business and Economic. Singapura : Mc. Graw Hill. [3] Hanke, J.E., Wichern, D.W., Reitsch, A.G Peramalan Bisnis. PT. Prenhallindo. Jakarta [4] Hilas, Constantinos S. dkk, Seasonal decomposition and forecasting of telecommunication data: A comparative case study, Science Direct, Greece, 2006.
52 Sekian
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2013) 1-6 1
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2013) 1-6 1 PEMBUATAN APLIKASI PERAMALAN JUMLAH PERMINTAAN PRODUK DENGAN METODE TIME SERIES EXPONENTIAL SMOOTHING HOLTS WINTER DI PT. TELEKOMUNIKASI INDONESIA Tbk.
Lebih terperinciPENERAPAN METODE EXPONENTIAL SMOOTHING UNTUK PERAMALAN PENGGUNAAN WAKTU TELEPON DI PT TELKOMSEL Divre 3 SURABAYA
SISTEM PENDUKUNG KEPUTUSAN PENERAPAN METODE EXPONENTIAL SMOOTHING UNTUK PERAMALAN PENGGUNAAN WAKTU TELEPON DI PT TELKOMSEL Divre 3 SURABAYA Alda Raharja - 5206 100 008! Wiwik Anggraeni, S.Si, M.Kom! Retno
Lebih terperinciAnalisis Deret Waktu
Analisis Deret Waktu Jenis Data Cross section Beberapa pengamatan diamati bersama-sama pada periode waktu tertentu Harga saham semua perusahaan yang tercatat di BEJ pada hari Rabu 27 Februari 2008 Time
Lebih terperinciANALISIS DERET WAKTU
ANALISIS DERET WAKTU JENIS DATA Cross section Beberapa pengamatan diamati bersama-sama pada periode waktu tertentu Harga saham semua perusahaan yang tercatat di BEJ pada hari Rabu 27 Februari 2008 Time
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN Untuk menunjang kegiatan penelitian, dalam bab ini akan dijabarkan desain penelitian, alat dan bahan, dan bahan penelitian. 3.1 Desain Penelitian Desain penelitian yang digunakan
Lebih terperinciBAB 2 TINJAUAN TEORITIS. yang akan datang. Ramalan adalah situasi dan kondisi yang diperkirakan akan terjadi
BAB 2 TINJAUAN TEORITIS 2.1 Pengertian Peramalan Peramalan adalah kegiatan untuk memperkirakan apa yang akan terjadi pada masa yang akan datang. Ramalan adalah situasi dan kondisi yang diperkirakan akan
Lebih terperinciBAB 1 PENDAHULUAN. Pasar global dewasa ini tanpa disadari telah membuat kompetisi di dalam dunia
BAB 1 PENDAHULUAN 1.1. Latar Belakang Masalah Pasar global dewasa ini tanpa disadari telah membuat kompetisi di dalam dunia perindustrian menjadi hal yang lebih penting. Pasar yang dulunya pada masa Perang
Lebih terperinciBAB III TINJAUAN PUSTAKA
BAB III TINJAUAN PUSTAKA 3.1 Teori Dunia industri biasanya tak lepas dari suatu peramalan, hal ini disebabkan bahwa peramalan dapat memprediksi kejadian di masa yang akan datang untuk mengambil keputusan
Lebih terperinciMETODE PERAMALAN HOLT-WINTER UNTUK MEMPREDIKSI JUMLAH PENGUNJUNG PERPUSTAKAAN UNIVERSITAS RIAU ABSTRACT
METODE PERAMALAN HOLT-WINTER UNTUK MEMPREDIKSI JUMLAH PENGUNJUNG PERPUSTAKAAN UNIVERSITAS RIAU Encik Rosalina 1, Sigit Sugiarto 2, M.D.H. Gamal 2 1 Mahasiswa Program Studi S1 Matematika 2 Dosen Jurusan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Pengertian Peramalan Peramalan (forecasting) adalah kegiatan memperkirakan atau memprediksi apa yang akan terjadi pada masa yang akan datang dengan waktu yang relatif lama. Sedangkan
Lebih terperinciPENERAPAN ALGORITMA FORECASTING UNTUK PREDIKSI PENDERITA DEMAM BERDARAH DENGUE DI KABUPATEN SRAGEN
PENERAPAN ALGORITMA FORECASTING UNTUK PREDIKSI PENDERITA DEMAM BERDARAH DENGUE DI KABUPATEN SRAGEN Ryan Putranda Kristianto 1), Ema Utami 2), Emha Taufiq Lutfi 3) 1, 2,3) Magister Teknik informatika STMIK
Lebih terperinciTeam project 2017 Dony Pratidana S. Hum Bima Agus Setyawan S. IIP
Hak cipta dan penggunaan kembali: Lisensi ini mengizinkan setiap orang untuk menggubah, memperbaiki, dan membuat ciptaan turunan bukan untuk kepentingan komersial, selama anda mencantumkan nama penulis
Lebih terperinciPrediksi Persediaan Ikan Teri Menggunakan Exponential Smoothing Berbasis Ordered Weighted Aggregation
Jurnal Ilmiah NERO Vol. 1 No. 1 2014 Prediksi Persediaan Ikan Teri Menggunakan Exponential Smoothing Berbasis Ordered Weighted Aggregation Bain Khusnul Khotimah 1, Moh. Laili 2, Budi Dwi Satoto 3 1,2)
Lebih terperinciS (t)=ax(t)+(1-a)s t-1 (2) S (t)=asn(t)+(1-a)s t-1 (3) F(t+m)=S(t)+mb(t) (4)
Ju rnal)lm iah. %2O 6ol.,. o. data ini terjadi jika terdapat data yang berfluktuasi di sekitar nilai rata-rata yang konstan. Suatu produk yang penjualannya tidak meningkat atau menurun selama waktu tertentu
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Konsep Peramalan Peramalan ( forecasting) merupakan alat bantu yang penting dalam perencanaan yang efektif dan efisien khususnya dalam bidang ekonomi. Dalam organisasi modern
Lebih terperinciBAB 2 LANDASAN TEORI
7 BAB 2 LANDASAN TEORI 2.1 Pengertian Peramalan Peramalan sering dipandang sebagai seni dan ilmu dalam memprediksikan kejadian yang mungkin dihadapi pada masa yang akan datang. Secara teoritis peramalan
Lebih terperinciPeramalan Jumlah Penumpang Pada Siluet Tour And Travel Kota Malang Menggunakan Metode Triple Exponential Smoothing
Jurnal Ilmiah Teknologi dan Informasi ASIA (JITIKA) Vol.11, No.1, Februari 2017 ISSN: 0852-730X Peramalan Jumlah Penumpang Pada Siluet Tour And Travel Kota Malang Menggunakan Metode Triple Exponential
Lebih terperinciBAB 2 TINJAUAN TEORITIS
BAB 2 TINJAUAN TEORITIS 2.1. Peramalan 2.1.1. Pengertian dan Kegunaan Peramalan Peramalan (forecasting) menurut Sofjan Assauri (1984) adalah kegiatan memperkirakan apa yang akan terjadi pada masa yang
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Peramalan Peramalan (forecasting) merupakan upaya memperkirakan apa yang terjadi pada masa yang akan datang. Pada hakekatnya peramalan hanya merupakan suatu perkiraan (guess),
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Emas merupakan logam mulia yang sering dijadikan sebagai alat tukar dalam perdagangan maupun sebagai standar keuangan berbagai negara. Nilai emas yang tidak pernah
Lebih terperinciPENENTUAN METODE PERAMALAN SEBAGAI DASAR PENENTUAN TINGKAT KEBUTUHAN PERSEDIAAN PENGAMAN PADA PRODUK KARET REMAH SIR 20
PENENTUAN METODE PERAMALAN SEBAGAI DASAR PENENTUAN TINGKAT KEBUTUHAN PERSEDIAAN PENGAMAN PADA PRODUK KARET REMAH SIR 20 Theresia Oshin Rosmaria Pasaribu 1 Rossi Septy Wahyuni 2 Jurusan Teknik Industri,
Lebih terperinci(FORECASTING ANALYSIS):
ANALISIS KUANTITATIF ANALISIS PERAMALAN Hand-out ke-3 ANALISIS PERAMALAN (FORECASTING ANALYSIS): Contoh-contoh sederhana PRODI AGRIBISNIS UNEJ, 2017 PROF DR IR RUDI WIBOWO, MS Contoh aplikasi tehnik peramalan
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN Untuk menunjang kegiatan penelitian dalam bab ini akan dijabarkan desain penelitian, alat dan bahan, dan bahan penelitian. 3.1 Desain Penelitian Desain Penelitian merupakan
Lebih terperinciBAB 2 LANDASAN TEORI
1 BAB 2 LANDASAN TEORI Bab ini membahas tentang teori penunjang dan penelitian sebelumnya yang berhubungan dengan metode ARIMA box jenkins untuk meramalkan kebutuhan bahan baku. 2.1. Peramalan Peramalan
Lebih terperinciPeramalan Deret Waktu Menggunakan S-Curve dan Quadratic Trend Model
Konferensi Nasional Sistem & Informatika 2015 STMIK STIKOM Bali, 9 10 Oktober 2015 Peramalan Deret Waktu Menggunakan S-Curve dan Quadratic Trend Model Ni Kadek Sukerti STMIK STIKOM Bali Jl. Raya Puputan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LADASA TEORI 2.1 Pengertian Peramalan Peramalan adalah kegiatan mengestimasi apa yang akan terjadi pada masa yang akan datang dengan waktu yang relatif lama (assaury, 1991). Sedangkan ramalan adalah
Lebih terperinciBAB 1 PENDAHULUAN. Universitas Sumatera Utara
13 BAB 1 PENDAHULUAN 1.1 Latar Belakang Era globalisasi saat ini, perkembangan zaman semankin maju dan berkembang pesat, di antaranya banyak pernikahan dini yang menyebabkan salah satu faktor bertambahnya
Lebih terperinciPERENCANAAN JUMLAH PRODUK MENGGUNAKAN METODE FUZZY MAMDANI BERDASARKAN PREDIKSI PERMINTAAN Oleh: Norma Endah Haryati ( )
TUGAS AKHIR PERENCANAAN JUMLAH PRODUK MENGGUNAKAN METODE FUZZY MAMDANI BERDASARKAN PREDIKSI PERMINTAAN Oleh: Norma Endah Haryati (1207 100 031) Dosen Pembimbing: Drs. I G Ngurah Rai Usadha, M.Si Dra. Nuri
Lebih terperinciOPTIMASI PARAMETER α DAN γ DALAM PEMULUSAN EKSPONENSIAL DUA PARAMETER DENGAN METODE MODIFIKASI GOLDEN SECTION
OPTIMASI PARAMETER α DAN γ DALAM PEMULUSAN EKSPONENSIAL DUA PARAMETER DENGAN METODE MODIFIKASI GOLDEN SECTION NILA YUWIDA 1208100015 Dosen Pembimbing : Dra. Nuri Wahyuningsih, M.Kes Drs. Lukman Hanafi,
Lebih terperinciMembuat keputusan yang baik
Membuat keputusan yang baik Apakah yang dapat membuat suatu perusahaan sukses? Keputusan yang dibuat baik Bagaimana kita dapat yakin bahwa keputusan yang dibuat baik? Akurasi prediksi masa yang akan datang
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LADASA TEORI 2.1 Peramalan (forecasting) 2.1.1. Hubungan Forecast dengan Rencana Forecast adalah peramalan apa yang akan terjadi pada waktu yang akan datang, sedang rencana merupakan penentuan apa
Lebih terperinciPENGGUNAAN METODE SMOOTHING EKSPONENSIAL DALAM MERAMAL PERGERAKAN INFLASI KOTA PALU
PENGGUNAAN METODE SMOOTHING EKSPONENSIAL DALAM MERAMAL PERGERAKAN INFLASI KOTA PALU Romy Biri ), Yohanes A.R. Langi ), Marline S. Paendong ) ) Program Studi Matematika FMIPA Universitas Sam Ratulangi Jl.
Lebih terperinciPERENCANAAN PRODUKSI
PERENCANAAN PRODUKSI Membuat keputusan yang baik Apakah yang dapat membuat suatu perusahaan sukses? Keputusan yang dibuat baik Bagaimana kita dapat yakin bahwa keputusan yang dibuat baik? Akurasi prediksi
Lebih terperinciEstimasi, Pemilihan Model dan Peramalan Hubungan Deret Waktu
Estimasi, Pemilihan Model dan Peramalan Hubungan Deret Waktu Author: Junaidi Junaidi Terdapat berbagai jenis model/metode peramalan hubungan deret waktu. Diantaranya adalah: 1) Model Linear; 2) Model Quadratic;
Lebih terperinciU K D W BAB I PENDAHULUAN
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Dalam pengelolaan suatu minimarket tidak pernah lepas dari yang namanya persediaan barang. Persediaan barang menjadi bagian yang sangat vital dalam tumbuh kembangnya
Lebih terperinciBAB 2 TINJAUAN TEORITIS
BAB 2 TINJAUAN TEORITIS 2.1 Pengertian Peramalan Peramalan adalah kegiatan meramalkan atau memprediksi apa yang akan terjadi dimasa yang akan datang dengan waktu tenggang (lead time) yang relative lama,
Lebih terperinciBAB IV METODE PENELITIAN
BAB IV METODE PENELITIAN 4.1. Desain Penelitian Dari uraian latar belakang masalah, penelitian ini dikategorikan ke dalam penelitian kasus dan penelitian lapangan. Menurut Rianse dan Abdi dalam Surip (2012:33)
Lebih terperinciPembuatan Aplikasi Prediksi Harga Saham Berbasis Web Menggunakan Metode Holt s: Studi Kasus Di PT Bank Central Asia Tbk
A333 Pembuatan Aplikasi Prediksi Harga Saham Berbasis Web Menggunakan Metode Holt s: Studi Kasus Di PT Bank Central Asia Tbk Nabihah Hanun Atikah, Arif Djunaidy, dan Faizal Mahananto Departemen Sistem
Lebih terperinciBAB II TINJAUAN PUSTAKA
4 BAB II TINJAUAN PUSTAKA 1.1 Landasan Teori 1.1.1 Prediksi Prediksi adalah sama dengan ramalan atau perkiraan. Menurut kamus besar bahasa indonesia, prediksi adalah hasil dari kegiatan memprediksi atau
Lebih terperinciVISUALISASI PENJUALAN DAN LOKASI PENJUALAN MENGGUNAKAN GOOGLE MAP SERTA PROYEKSI PERMINTAAN FLEXY DAN MODEM DI MASA MENDATANG (STUDI KASUS: PT
VISUALISASI PENJUALAN DAN LOKASI PENJUALAN MENGGUNAKAN GOOGLE MAP SERTA PROYEKSI PERMINTAAN FLEXY DAN MODEM DI MASA MENDATANG (STUDI KASUS: PT. TELKOM INDONESIA) Rully A Hendrawan, Catra Aldino, Erma Suryani
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Peramalan pada dasarnya merupakan proses menyusun informasi tentang kejadian masa lampau yang berurutan untuk menduga kejadian di masa depan (Frechtling, 2001:
Lebih terperinciBAB 3 PENGOLAHAN DATA
BAB 3 PENGOLAHAN DATA 3.1 Pengertian Pengolahan Data Pengolahan data dapat diartikan sebagai penjabaran atas pengukuran data kuantitatif menjadi suatu penyajian yang lebih mudah dimengerti dan menguraikan
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
1 BAB 1 PENDAHULUAN 1.1 Latar Belakang Peramalan adalah alat bantu yang penting dalam perencanaan yang efektif dan efisien (Makridakis,1991). Peramalan merupakan studi terhadap data historis untuk menemukan
Lebih terperinciBAB 2 LANDASAN TEORITIS
BAB 2 LANDASAN TEORITIS 2.1 Pengertian Peramalan Peramalan (forecasting) adalah kegiatan memperkirakan atau memprediksikan apa yang akan terjadi pada masa yang akan datang dengan waktu yang relative lama.
Lebih terperinciBAB I PENDAHULUAN. Sejak kondisi ekonomi dan bisnis selalu berubah setiap waktu, maka para
1 BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Sejak kondisi ekonomi dan bisnis selalu berubah setiap waktu, maka para pimpinan suatu perusahaan atau para pelaku bisnis harus menemukan cara untuk terus
Lebih terperinciIII. METODOLOGI PENELITIAN
III. METODOLOGI PENELITIAN 3.1. Kerangka Pemikiran Penelitian Pada dasarnya setiap perusahaan memiliki tujuan yang sama yaitu mendapatkan keuntungan untuk kelancaraan kontinuitas usahanya dan mampu bersaing
Lebih terperinciMETODE KUANTITATIF, MENGGUNAKAN BERBAGAI MODEL MATEMATIS YANG MENGGUNAKAN DATA HISTORIES DAN ATAU VARIABLE-VARIABEL KAUSAL UNTUK MERAMALKAN
METODE KUANTITATIF, MENGGUNAKAN BERBAGAI MODEL MATEMATIS YANG MENGGUNAKAN DATA HISTORIES DAN ATAU VARIABLE-VARIABEL KAUSAL UNTUK MERAMALKAN Peramalan kuantitatif hanya dapat digunakan apabila terdapat
Lebih terperinciPERAMALAN PENJUALAN AVTUR DENGAN MEMPERTIMBANGKAN SPECIAL EVENT
SIG TUGAS AKHIR PERAMALAN PENJUALAN AVTUR DENGAN MEMPERTIMBANGKAN SPECIAL EVENT Siti Lukmatul Henifa (1210 100 064) Pembimbing: Dra. Nuri Wahyuningsih, M.Kes. Senin, 20 Januari 2014 Matematika - ITS Page
Lebih terperincimilik UKDW BAB 1 PENDAHULUAN
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Perkembangan perekonomian yang cukup tinggi salah satunya dipelopori oleh bisnis dalam bidang manufaktur. Perusahaan-perusahaan dalam bidang manufaktur ini
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Pada bab ini akan dijelaskan teori-teori yang menjadi dasar dan landasan dalam penelitian sehingga membantu mempermudah pembahasan selanjutnya. Teori tersebut meliputi arti dan peranan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Peramalan Peramalan merupakan usaha yang dilakukan oleh suatu perusahaan untuk melihat dan mengkaji situasi dan kondisi di masa mendatang. Terdapat beberapa faktor yang mempengaruhi
Lebih terperinciAplikasi Sistem Informasi Forecasting pada PD. Maha Jaya. Teknik Informatika 1 Teknik Industri 2 Universitas Kristen Petra Surabaya
Aplikasi Sistem Informasi Forecasting pada PD. Maha Jaya Rudy Adipranata 1, Tanti Octavia 2, Andi Irawan 1 Teknik Informatika 1 Teknik Industri 2 Universitas Kristen Petra Surabaya Pendahuluan Pentingnya
Lebih terperinciUniversitas Gunadarma PERAMALAN
PERAMALAN PERAMALAN Kebutuhan Peramalan dalam Manajemen Produksi dan Operasi Manajemen Operasi/produksi menggunakan hasil-hasil peramalan dalam pembuatan keputusan-keputusan yang menyangkut pemilihan proses,
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang Vanissa Hapsari,2013
BAB I PENDAHULUAN 1.1. Latar Belakang Tingkat pencemaran udara di beberapa kota besar cenderung meningkat dari tahun ke tahun. Hal ini disebabkan oleh beberapa faktor diantaranya jumlah transportasi terus
Lebih terperinciBAB 2 TINJAUAN TEORITIS. 2.1 Produk Domestik Regional Bruto
18 BAB 2 TINJAUAN TEORITIS 2.1 Produk Domestik Regional Bruto Dalam menghitung pendapatan regional, dipakai konsep domestik. Berarti seluruh nilai tambah yang ditimbulkan oleh berbagai sektor atau lapangan
Lebih terperinciDian Kristanti 1) 1 Prodi Pendidikan Matematika, STKIP Bina Bangsa Meulaboh.
PERAMALAN JUMLAH PENDISTRIBUSIAN BAHAN BAKAR MINYAK DI PT. PERTAMINA (PERSERO) REGION III DEPOT MALANG MENGGUNAKAN METODE WINTER DAN METODE DEKOMPOSISI Dian Kristanti 1) 1 Prodi Pendidikan Matematika,
Lebih terperinciBAB IV IMPLEMENTASI DAN EVALUASI SISTEM. menggunakan metode Single Exponential Smoothing. Hasil perancangan tersebut
BAB IV IMPLEMENTASI DAN EVALUASI SISTEM Pada bab empat ini menjelaskan mengenai hasil analisis dan perancangan aplikasi peramalan persediaan bahan baku pada CV Lintas Nusa Surabaya dengan menggunakan metode
Lebih terperinciBAB 2 LANDASAN TEORI. Produksi jagung merupakan hasil bercocok tanam, dimana dilakukan penanaman bibit
BAB 2 LANDASAN TEORI 2.1 Pengertian Produksi Produksi jagung merupakan hasil bercocok tanam, dimana dilakukan penanaman bibit tanaman pada lahan yang telah disediakan, pemupukan dan perawatan sehingga
Lebih terperinciABSTRAK. Kata Kunci :Single Exponential Smoothing,Double Exponential Smoothing,Mean Absolute Percentage Error.
PERBANDINGAN TINGKAT AKURASI METODE SES (SINGLE EXPONENTIAL SMOOTHING) DAN DES (DOUBLE EXPONENTIAL SMOOTHING) DENGAN STUDY KASUS PERAMALAN PEMINJAMAN BUKU DI PERPUSTAKAAN DAERAH JEMBER Yuldania (1110651134)
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Pendahuluan. Universitas Sumatera Utara
BAB 1 PENDAHULUAN 1.1 Pendahuluan Peramalan merupakan upaya memperkirakan apa yang terjadi pada masa mendatang berdasarkan data pada masa lalu, berbasis pada metode ilmiah dan kualitatif yang dilakukan
Lebih terperinciBAB 3 METODOLOGI PENELITIAN
BAB 3 METODOLOGI PENELITIAN Metodologi penelitian sangat berperan penting untuk menyelesaikan masalah secara sistematis dan memberikan solusi yang teratur dan terarah sesuai dengan tujuan penulisan skripsi
Lebih terperinciPENGGUNAAN METODE EXPONENTIAL SMOOTHING UNTUK MERAMALKAN PERSEDIAAN BERAS PADA BULOG DIVRE ACEH
ISBN: 978-602-71798-1-3 PENGGUNAAN METODE EXPONENTIAL SMOOTHING UNTUK MERAMALKAN PERSEDIAAN BERAS PADA BULOG DIVRE ACEH Nurmaulidar, Asep Rusyana, Rizka Maqfirah 1 Fakultas MIPA, Universitas Syiah Kuala,
Lebih terperinciSKRIPSI APLIKASI METODE GOLDEN SECTION UNTUK OPTIMASI PARAMETER PADA METODE EXPONENTIAL SMOOTHING. Disusun oleh: DANI AL MAHKYA
APLIKASI METODE GOLDEN SECTION UNTUK OPTIMASI PARAMETER PADA METODE EXPONENTIAL SMOOTHING SKRIPSI Disusun oleh: DANI AL MAHKYA 24010210141025 JURUSAN STATISTIKA FAKULTAS SAINS DAN MATEMATIKA UNIVERSITAS
Lebih terperinciEvelina Padang, Gim Tarigan, Ujian Sinulingga
Saintia Matematika Vol. 1, No. 2 (2013), pp. 161 174. PERAMALAN JUMLAH PENUMPANG KERETA API MEDAN-RANTAU PRAPAT DENGAN METODE PEMULUSAN EKSPONENSIAL HOLT-WINTERS Evelina Padang, Gim Tarigan, Ujian Sinulingga
Lebih terperinciVI PERAMALAN PENJUALAN AYAM BROILER DAN PERAMALAN HARGA AYAM BROILER
VI PERAMALAN PENJUALAN AYAM BROILER DAN PERAMALAN HARGA AYAM BROILER 6.1. Analisis Pola Data Penjualan Ayam Broiler Data penjualan ayam broiler adalah data bulanan yang diperoleh dari bulan Januari 2006
Lebih terperinciBAB 3 METODOLOGI PENELITIAN
BAB 3 METODOLOGI PENELITIAN 3.1 Gambaran Umum Objek 3.1.1 Sejarah Perusahaan Perusahaan yang dijadikan penelitian oleh penulis adalah PT. Satriamandiri Citramulia yang berlokasi di Jl. Pangeran Tubagus
Lebih terperinciBAB 4 IMPLEMENTASI HASIL PENELITIAN
45 BAB 4 IMPLEMENTASI HASIL PENELITIAN 4.1 Spesifikasi Hardware dan Software Rancangan ini dibuat dan dites pada konfigurasi hardware sebagai berikut: Processor : Intel Pentium 4 CPU 1500 MHz. Memory :
Lebih terperinciImplementasi Metode Time Series Arima dan Arimax pada Pemodelan Data Jumlah Permintaan Busana Muslim Anak di Perusahaan Habibah Busana
Implementasi Metode Time Series Arima dan Arimax pada Pemodelan Data Jumlah Permintaan Busana Muslim Anak di Perusahaan Habibah Busana Dosen Pembimbing I : Wiwik Anggraeni, S.Si, M.Kom Dosen Pembimbing
Lebih terperinciPENGGUNAAN ALGORITMA NONLINEAR PROGRAMMING UNTUK MENGOPTIMALKAN PARAMETER DALAM METODE PEMULUSAN EKSPONENSIAL SATU PARAMETER
PENGGUNAAN ALGORITMA NONLINEAR PROGRAMMING UNTUK MENGOPTIMALKAN PARAMETER DALAM METODE PEMULUSAN EKSPONENSIAL SATU PARAMETER Nama Mahasiswa : Eka Novi Nurhidayati NRP : 1208 100 040 Jurusan : Matematika
Lebih terperinciBAB 4 METODOLOGI. Dalam penelitian ini bahan / materi dikumpulkan melalui : selama 4 tahun penjualan besi Wiremesh untuk diramalkan
BAB 4 METODOLOGI 4.1 Metodologi Penelitian 4.1.1 Pengumpulan Bahan Penelitian Dalam penelitian ini bahan / materi dikumpulkan melalui : 1) Data sekunder, yaitu dengan mengumpulkan data penjualan perusahaan
Lebih terperinciEstimasi, Pemilihan Model dan Peramalan Deret Waktu dengan Microsoft Office Excel
Estimasi, Pemilihan Model dan Peramalan Deret Waktu dengan Microsoft Office Excel Author: Junaidi Junaidi Terdapat berbagai pola pergerakan data deret waktu. Diantaranya adalah: 1) Model Linear; 2) Model
Lebih terperinciBAB 1 PENDAHULUAN 1.1. Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1. Latar Belakang Masalah Kemajuan ilmu pengetahuan telah meningkatkan pengertian mengenai berbagai aspek lingkungan dan akibatnya banyak peristiwa yang dapat diramalkan. Peramalan
Lebih terperinciBAB 2 LANDASAN TEORI. Peramalan (forecasting) adalah kegiatan memperkirakan atau memprediksi apa. situasi dan kondisi di masa yang akan datang.
BAB 2 LANDASAN TEORI 2.1 Peramalan Peramalan (forecasting) adalah kegiatan memperkirakan atau memprediksi apa yang akan terjadi pada masa yang akan datang dengan waktu yang relatif lama. Sedangkan ramalan
Lebih terperinciBAB 2 TINJAUAN TEORI. akan datang. Sedangkan ramalan adalah suatu situasi atau kondisi yang diperkirakan
BAB 2 TINJAUAN TEORI 2.1 Pengertian Peramalan Peramalan adalah kegiatan untuk memperkirakan apa yang akan terjadi di masa yang akan datang. Sedangkan ramalan adalah suatu situasi atau kondisi yang diperkirakan
Lebih terperinciBAB 3 METODOLOGI PENELITIAN
BAB 3 METODOLOGI PENELITIAN 3.1 Variabel Berikut merupakan variabel yang digunakan dalam pemecahan masalah pada penelitian ini yaitu sebagai berikut : Data historis penjualan yang akan digunakan untuk
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Bab ini membahas teori penunjang dan penelitian sebelumnya yang berhubungan dengan penerapan metode Holt-Winters untuk prediksi penjualan barang musiman. 2.1 Teknik Peramalan Peramalan
Lebih terperinciBAB 2 LANDASAN TEORI
10 BAB 2 LANDASAN TEORI 2.1 Pengertian Peramalan Peramalan (forecasting) adalah kegiatan mengestimasi apa yang akan terjadi pada masa yang akan datang. Peramalan diperlukan karena adanya kesenjaan waktu
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Uji Kecukupan Sampel Dalam melakukan penelitian terhadap populasi yang sangat besar, kita perlu melakukan suatu penarikan sampel. Hal ini dikarenakan tidak selamanya kita dapat
Lebih terperinciBAB III PERAMALAN 3.1 Landasan Teori Peramalan
BAB III PERAMALAN 3.1 Landasan Teori Peramalan Menurut Gaspersz (2004), aktivitas peramalan merupakan suatu fungsi bisnis yang berusaha memperkirakan permintaan dan penggunaan produk sehingga produk-produk
Lebih terperinciBAB III METODE PEMULUSAN EKSPONENSIAL HOLT-WINTER DAN METODE DEKOMPOSISI KLASIK
BAB III METODE PEMULUSAN EKSPONENSIAL HOLT-WINTER DAN METODE DEKOMPOSISI KLASIK 3.1 Metode Pemulusan Eksponensial Holt-Winter Metode rata-rata bergerak dan pemulusan Eksponensial dapat digunakan untuk
Lebih terperinciBAB III PERAMALAN. Praktikum Sistem Produksi ATA 2014/2015
BAB III PERAMALAN 3.1 Landasan Teori Peramalan merupakan suatu bentuk usaha untuk meramalkan keadaan di masa mendatang melalui pengujian keadaan di masa lalu. Esensi peramalan adalah perkiraan peristiwa-peristiwa
Lebih terperinciDwi Puspitasari 1, Mustika Mentari 2, Wildan Ridho Faldiansyah 3
PENERAPAN METODE SINGLE EXPONENTIAL SMOOTHING MENGGUNAKAN PENDEKATAN ADAPTIF PADA PERAMALAN JUMLAH PELANGGAN DAN KEBUTUHAN AIR PADA PDAM KOTA PROBOLINGGO Dwi Puspitasari 1, Mustika Mentari 2, Wildan Ridho
Lebih terperinciBAB IV IMPLEMENTASI_DAN_EVALUASI. Implementasi bertujuan untuk menerapkan sistem yang dibangun untuk
BAB IV IMPLEMENTASI_DAN_EVALUASI 4.1 Kebutuhan Aplikasi Implementasi bertujuan untuk menerapkan sistem yang dibangun untuk mengatasi permasalahan yang diangkat pada penelitian ini.tahap-tahap yang dilakukan
Lebih terperinciSILABUS MATAKULIAH PERAMALAN BISNIS
SILABUS MATAKULIAH PERAMALAN BISNIS Matakuliah : Peramalan Bisnis Kode Matakuliah/sks : AGB 201/ 3(2-3) Semester : 4 Prasyarat Deskripsi Singkat : Metode Statistika : Matakuliah ini memberikan pengetahuan,
Lebih terperinciPERAMALAN (FORECASTING)
#3 - Peramalan (Forecasting) #1 1 PERAMALAN (FORECASTING) EMA302 Manajemen Operasional Pengertian (1) 2 Oxford Dictionary, Forecast is a statement about what will happen in the future, based on information
Lebih terperinciPeramalan Penjualan Avtur dengan Mempertimbangkan Special Event
Peramalan Penjualan Avtur dengan Mempertimbangkan Special Event Siti Lukmatul Henifa, Dra. Nuri Wahyuningsih, M.Kes. Jurusan Matematika, Fakultas Matematika dan Ilmu Pengetahuan Alam (MIPA), Institut Teknologi
Lebih terperinciBAB IV METODE PERAMALAN
Metode Peramalan 15 BAB METODE PERAMALAN 4.1 Model Sederhana Data deret waktu Nilai-nilai yang disusun dari waktu ke waktu tersebut disebut dengan data deret waktu (time series). Di dunia bisnis, data
Lebih terperinciBAB I PENDAHULUAN. yang ada pada CV. Agung Jaya Cabang Pabean diperoleh dari supplier atau
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah CV. Agung Jaya Cabang Pabean adalah cabang perusahaan CV. Agung Jaya Kalang Anyar Sedati. CV. Agung Jaya Cabang Pabean merupakan distributor alat tulis kantor
Lebih terperinciJURNAL TEKNIK POMITS Vol. 1, No. 1, (2013) I. PENDAHULUAN II. METODOLOGI
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2013) 1-6 1 Implementasi Metode Time Series Arima Berbasis Java Desktop Application untuk Memperkirakan Jumlah Permintaan Busana Muslim Anak di Perusahaan Habibah Busana
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. PengertianPeramalan Peramalan adalah kegiatan untuk memperkirakan apa yang akan terjadi pada masa yang akan datang. Dalam usaha mengetahui atau melihat perkembangan di masa depan,
Lebih terperinciBAB. 1 PENDAHULUAN Latar Belakang
1 BAB. 1 PENDAHULUAN 1.1. Latar Belakang Kain adalah bahan mentah yang dapat dikelola menjadi suatu pakaian yang mempunyai nilai financial dan konsumtif dalam kehidupan, seperti pembuatan baju. Contohnya
Lebih terperinciPembahasan Materi #7
1 EMA402 Manajemen Rantai Pasokan Pembahasan 2 Pengertian Moving Average Alasan Tujuan Jenis Validitas Taksonomi Metode Kualitatif Metode Kuantitatif Time Series Metode Peramalan Permintaan Weighted Woving
Lebih terperinciBAB 2 TINJAUAN TEORITIS
BAB 2 TINJAUAN TEORITIS 2.1 Peramalan Dalam melakukan analisa ekonomi atau analisa kegiatan perusahaan, haruslah diperkirakan apa yang akan terjadi dalam bidang ekonomi atau dunia usaha pada masa yang
Lebih terperinciEstimasi, Pemilihan Model dan Peramalan Deret Waktu dengan Microsoft Office Excel
Estimasi, Pemilihan Model dan Peramalan Deret Waktu dengan Microsoft Office Excel Author: Junaidi Junaidi Terdapat berbagai pola pergerakan data deret waktu. Diantaranya adalah: 1) Model Linear; 2) Model
Lebih terperinciBAB 2 LANDASAN TEORI. Peramalan (Forecasting) adalah suatu kegiatan untuk memperkirakan apa yang akan
BAB 2 LADASA TEORI 2.1 Pengertian Peramalan (Forecasting) Peramalan (Forecasting) adalah suatu kegiatan untuk memperkirakan apa yang akan terjadi pada masa mendatang. Peramalan penjualan adalah peramalan
Lebih terperinciBAB 3 PERANCANGAN PROGRAM. 3.1 Alasan digunakan Metode Exponential Smoothing. Banyak metode peramalan yang dapat digunakan dalam memprediksi tingkat
BAB 3 PERANCANGAN PROGRAM 3.1 Alasan digunakan Metode Exponential Smoothing Banyak metode peramalan yang dapat digunakan dalam memprediksi tingkat penjualan untuk beberapa periode ke depan. Biasanya untuk
Lebih terperinciBAB II LANDASAN TEORI. saling berhubungan membentuk suatu kesatuan atau organisasi atau suatu jaringan
BAB II LANDASAN TEORI 2.1 Pengertian Sistem Menurut Amsyah (2005), definisi sistem adalah elemen-elemen yang saling berhubungan membentuk suatu kesatuan atau organisasi atau suatu jaringan kerja dari prosedur
Lebih terperinciBAB I PENDAHULUAN. Peramalan merupakan suatu kegiatan memprediksi nilai dari suatu
BAB I PENDAHULUAN A. LATAR BELAKANG Peramalan merupakan suatu kegiatan memprediksi nilai dari suatu variabel berdasarkan nilai yang diketahui dari variabel tersebut pada masa lalu atau variabel yang berhubungan.
Lebih terperinciJURNAL TEKNIK ITS Vol. 5, No. 2, (2016) ISSN: ( Print)
A347 Pembangunan Aplikasi Berbasis Web Untuk Peramalan Harga Saham Dengan Metode Moving Average, Exponential Smoothing, Dan Artificial Neural Network Ruben A. Siregar, Edwin Riksakomara S.Kom., M.T. Jurusan
Lebih terperinciPenerapan Metode Smoothing Untuk Peramalan Penghasilan Retribusi Toko
ISSN: 0216-3284 1133 Penerapan Metode Smoothing Untuk Peramalan Penghasilan Retribusi Toko Muhammad Abduh Jadid, Taufiq, Rustati R. STMIK Banjarbaru Jl. A. Yani Km. 33,3 Banjarbaru jadidmuhammad@gmail.com,
Lebih terperinci