LAPORAN PRAKTIKUM

MODUL I

PERAMALAN

Disusun oleh:

Kelompok II

1. Ari Handayani (4409216094)

2. Caecilia Eka A.W.S. (4409216097)

3. Dwi Darmawan Saputra (4409216100)

LABORATORIUM SISTEM PRODUKSI

FAKULTAS TEKNIK UNIVERSITAS PANCASILA

2012

DAFTAR ISI

Halaman

DAFTAR ISI...........................................................................................................................i

DAFTAR GAMBAR...............................................................................................................ii

DAFTAR TABEL..................................................................................................................iii

DAFTAR LAMPIRAN...........................................................................................................iv

BAB I PENDAHULUAN........................................................................................................1

1.1. Latar Belakang.......................................................................................................1

1.2. Perumusan Masalah..............................................................................................2

1.3. Tujuan Praktikum...................................................................................................2

1.4. Pembatasan Masalah.............................................................................................3

BAB II LANDASAN TEORI...................................................................................................4

2.1. Pengertian Peramalan Permintaan........................................................................4

2.2. Kegunaan Peramalan.............................................................................................4

2.3. Metode Peramalan.................................................................................................5

2.4. Prosedur Peramalan..............................................................................................6

2.5. Definisi Peramalan Time Series.............................................................................6

2.6. Verifikasi dan Pengendalian Peramalan................................................................9

2.7. Prosedur Peramalan Menggunakan Software WinQSB......................................10

BAB III PENGUMPULAN DAN PENGOLAHAN DATA......................................................12

3.1. Pengumpulan Data...............................................................................................12

3.2. Pengolahan Data..................................................................................................13

BAB IV KESIMPULAN DAN SARAN.................................................................................29

4.1. Kesimpulan...........................................................................................................29

4.2. Saran....................................................................................................................30

DAFTAR PUSTAKA...........................................................................................................31

i

DAFTAR GAMBAR

Halaman

Gambar 2. 1 Tampilan WinQSB – Problem Specification..................................................10

Gambar 2. 2 Tampilan WinQSB – Historical Data.............................................................10

Gambar 2. 3 Tampilan WinQSB – Forecasting Setup.......................................................11

Gambar 2. 4 Tampilan WinQSB – Forecasting Result.......................................................11

Gambar 3. 1 Grafik peramalan metode Moving Average 15Gambar 3. 2 Grafik Peramalan Metode Double Moving Average......................................18

Gambar 3. 3 Grafik peramalan metode Weighted Moving Average..................................21

Gambar 3. 4 Grafik Peramalan Metode Single Exponential Smoothing............................24

Gambar 3. 5 Grafik Peramalan Metode Double Exponential Smoothing...........................28

.

ii

DAFTAR TABEL

Halaman

Tabel 3. 1 Data permintaan tahun lalu...............................................................................12

Tabel 3. 2 Penghitungan peramalan Moving Average.......................................................13

Tabel 3. 3 Verifikasi Peramalan Metode Moving Average.................................................14

Tabel 3. 4 Penghitungan Peramalan Metode Double Moving Average.............................16

Tabel 3. 5 Verifikasi peramalan Metode Double Moving Average.....................................17

Tabel 3. 6 Penghitungan Peramalan Metode Weighted Moving Average.........................19

Tabel 3. 7 Verifikasi Peramalan Metode Weighted Moving Average.................................20

Tabel 3. 8 Penghitungan peramalan metode Single Exponential Smoothing....................22

Tabel 3. 9 Verifikasi Peramalan Metode Single Exponential Smoothing...........................23

Tabel 3. 10 Penghitungan peramalan metode Single Exponential Smoothing untuk 12

bulan berikutnya..............................................................................................25

Tabel 3. 11 Penghitungan Peramalan Metode Double Exponential Smoothing................26

Tabel 3. 12 Verifikasi Peramalan Metode Double Exponential Smoothing........................27

Tabel 4. 1 Rekapitulasi Hasil Peramalan Permintaan AADC Chair 29Tabel 4. 2 Data permintaan yang akan datang menggunakan SES..................................29

iii

DAFTAR LAMPIRAN

Lampiran 1. 1 Peramalan Metode Simple Average menggunakan Software WinQSB

Lampiran 1. 2 Peramalan Metode Moving Average menggunakan Software WinQSB

Lampiran 1. 3 Peramalan Metode Weighted Moving Average menggunakan Software

WinQSB

Lampiran 1. 4 Peramalan Metode Moving Average With Linear Trend menggunakan

Software WinQSB

Lampiran 1. 5 Peramalan Metode Single Exponential Smoothing (SES) menggunakan

Software WinQSB

Lampiran 1. 6 Peramalan Metode Single Exponential Smoothing With Trend

menggunakan Software WinQSB

Lampiran 1. 7 Peramalan Metode Double Exponential Smoothing menggunakan Software

WinQSB

Lampiran 1. 8 Peramalan Metode Double Exponential Smoothing With Trend

menggunakan Software WinQSB

Lampiran 1. 9 Peta Proses Operasi Pembuatan AADC Chair

iv

BAB I

PENDAHULUAN

1.1. Latar Belakang

Peramalan permintaan dibutuhkan agar tidak terjadi kesenjangan yang

cukup tinggi antara permintaan pasar dengan tingkat produksi dan stok barang di

pabrik. Peramalan adalah suatu perkiraan tingkat permintaan yang diharapkan

untuk suatu produk atau beberapa prodk dalam periode waktu tertentu di masa

yang akan datang. Sehingga peramalan merupakan suatu taksiran yang ilmiah.

Peramalan permintaan akan menjadi masukan dalam keputusan perencaan dan

pengendalian produksi.

Karakteristik peramalan yang baik didasarkan oleh:

a. Akurasi

Akurasi dari hasil peramalan diukur dengan kebiasaan dan kekonsistensian

peramalan tersebut. Hasil peramalan dikatakan bias bila peramalan tersebut

terlalu tinggi atau terlalu rendah dibandingnkan dengan kenyataan. Hasil

peramalan dikatakan konsisten bila besarnya kesalahan peramalan relatif

kecil.Peramalan yang terlalu rendah mengakibatkan kekurangan persediaan

sehingga permintaan konsumen tidak dapat dipenuhi dengan segera, akibatnya

adalah perusahaan akan kehilangan pelangaan dan kehilangan keuntungan

penjualan. Peramalan yang terlalu tinggi akan mengakibatkan terjadinya

penumpukan persediaan. Keakuratan dari hasil peramalan berperan penting

dalam menyeimbangkan persediaan yang ideal (meminimasi persediaan dan

memaksimalkan tingkat pelayanan)

b. Biaya

Biaya yang diperlukan dalam pembuatan suatu peramalan tergantung dari

jumlah item yang diramalkan, lamanya periode peramalan dan metode

peramalan yang dipakai.

c. Kemudahan

Penggunaan metode peramalan yang sederhana, mudah dibuat, dan mudah

diaplikasikan akan memberikan keuntungan bagi perusahaan.

Peramalan pasti mengandung kesalahan, artinya peramal hanya bisa

mengurangi ketidakpastian yang akan terjadi tetapi tidak dapat menghilangkan

ketidakpastian tersebut. Peramalan seharusnya memberikan informasi tentang

berapa ukuran kesalahan, artinya karena peramalan pasti mengandung kesalahan

1

2

maka penting bagi peramal untuk menginformasikan seberapa besar kesalahan

yang mungkin terjadi.

Hal-hal yang diperlukan dalam membuat peramalan secara statistik:

a. Membuat suatu gambaran permintaan dan waktu (ploting data permintaan),

dimana permintaan sebagai ordinat (x) dan waktu sebagai absis (y)

b. Menentukan model peramalan yang akan digunakan

c. Menilai kesalahan peramalan yang akan digunakan

d. Menilai kesalahan peramalan yang diperkirakan (MAD, MSE, MAPE)

e. Membuat verifikasi dan pengendalian peramalan (MR chart)

f. Membuat suatu keputusan untuk menggunakan teknik/model peramalan

tertentu berdasarkan pertimbangan yang ada (perkiraan nilai kesalahan

peramalan yang terkecil dan hasil verifikasi model peramalan)

Kursi kerja merupakan jenis kursi yang memiliki banyak model atau variasi.

Permintaan akan kursi kantor bersifat fluktuatif dan bergantung atas desain dari

penggunaan pekerjaan suatu perusahaan. Kursi yang didesain disesuaikan dengan

kebutuhan pekerjaan, dengan rancangan yang ergonomis dan nyaman digunakan.

1.2. Perumusan Masalah

Dalam praktikum Sistem Produksi Modul 1, PT Furniture Mesindo

memproduksi kursi kantor dengan rumusan masalah sebagai berikut :

1. Membuat peramalan permintaan untuk periode waktu tertentu.

2. Memilih metode peramalan terbaik dilihat dari biaya yang dikeluarkan

menggunakan software WinQSB

1.3. Tujuan Praktikum

Tujuan praktikum Sistem Produksi Modul 1 (Peramalan) sebagai berikut :

1. Memahami manfaat dan posisi peramalan dalam sistem produksi

2. Memahami metode dan teknik peramalan.

3. Mampu memilih metode peramalan terbaik untuk memecahkan masalah

peramalan.

4. Dapat menggunakan metode dan teknik peramalan untuk menentukan

kebutuhan pasar sebagai dasar penyususnan rencana produksi.

3

1.4. Pembatasan Masalah

Fokus masalah yang diamati pada modul 1 :

1. Peramalan dihitung dengan menggunakan software WINQSB sub aplikasi FC

(Forecasting)

2. Peramalan terhadap produk kursi dilakukan hanya untuk jangka waktu 12 bulan

ke depan.

3. Metode peramalan yang digunakan adalah Simple Average, Moving Average,

Weighted Moving Average, Moving Average with Linear Trend, Single

Exponential Smoothing, Single Exponential Smoothing With Trend, Double

Exponential Smoothing, Double Exponential Smoothing With Trend, Adaptive

Exponential Smoothing, dan Linear Regresion With Time.

BAB II

LANDASAN TEORI

2.1. Pengertian Peramalan Permintaan

Peramalan permintaan merupakan tingkat permintaan produk-produk yang

diharapkan akan terealisasi untuk jangka waktu tertentu pada masa yang akan

datang. Peramalan permintaan adalah masukan yang sangat penting dalam

membuat keputusan perencanaan dan pengendalian perusahaan. Keputusan

operasional produksi juga sangat dipengaruhi oleh hasil peramalan permintaan.

Karena bagian operasional produksi bertanggung jawab terhadap pembuatan

produk yang dibutuhkan konsumen.

Permintaan akan suatu produk dari suatu perusahaan merupakan hasil dari

berbagai faktor yang saling berinteraksi dalam pasar. Faktor ini kadang kala berada

diluar kendali perusahaan. Faktor-faktor tersebut antara lain:

1. Siklus Bisnis

Permintaan akan suatu produk di pengaruhi oleh kondisi ekonomi yang

membentuk siklus bisnis dengan fase-fase inflasi, resesi, depresi dan masa

pemulihan.

2. Siklus hidup produk

Siklus hidup suatu produk biasanya mengikuti suatu pola yang disebut kurva S.

Kurva S menggambarkan besarnya permintaan terhadap waktu, dimana sikus

hidup suatu produk akan dibagi menjadi fase pengenalan, fase pertumbuhan,

fase kematangan dan akhirnya fase penurunan. Untuk menjaga kelangsungan

usaha, maka perlu dilakukan inovasi disaat yang tepat.

3. Faktor-faktor lain

Faktor lain yang mempengaruhi permintaan adalah reaksi balik dari pesaing,

perilaku konsumen yang berubah, dan usaha-usaha yang dilakukan sendiri oleh

perusahaan seperti meningkatkan kualitas, pelayanan, anggaran iklan, dan

kebijaksanaan pembayaran secara kredit.

2.2. Kegunaan Peramalan

Dalam hubungan dengan waktu, peramalan dapat digunakan dalam 3 hal,

yaitu sebagai berikut:

1. Peramalan jangka panjang

Digunakan untuk perencanaan produk dan perencanaan sumber daya.

4

5

2. Peramalan jangka menengah

Digunakan untuk menentukan aliran kas, perencanaan produksi, dan

penentuan anggaran.

3. Peramalan jangka pendek

Digunakan untuk mengambil keputusan dalam hal perlu tidaknya lembur,

penjadwalan kerja, dan keputusan control jangka pendek lainnya.

2.3. Metode Peramalan

Secara umum peramalan diklasifikasikan menjadi 2 macam, yaitu peramalan

yang bersifat subyektif dan peramalan yang bersifat objektif. Perbedaannya adalah

dalam cara mendapatkan hasil ramalan. Peramalan subyektif lebih menekankan

pada keputusan-keputusan hasil diskusi, pendapat pribadi, dan intuisi. Sedangkan

peramalan obyektif meruapak prosedur peramalan yang mengikuti aturan

matematis dan statistic dalam menunjukkan hubungan antara permintaan dengan

satu atau lebih variable yang mempengaruhinya.

2.3.1 Metode Peramalan Subyektif

1. Metode Delphi, cara yang digunakan dalam metode ini adalah dengan

mengumpulkan pendapat ahli dari bidang yang berbeda secara terpisah.

Hal ini bertujuan untuk menghindari pengaruh kelompok. Jika terdapat

perbedaan pendapat yang signifikan maka akan dinyatakan lagi kepada

yang bersangkutan hingga akhirnya diperoleh angka estimasi tertentu

pada interval yang dapat diterima.

2. Metode Penelitian Pasar, cara yang dilakukan adalah dengan

mengumpulkan dan menganalisa fakta secara sistematis yang

berhubungan dengan pemasaran. Yang paling biasa dilakukan adalah

dengan mengadakan survey konsumen.

2.3.2 Metode Peramalan Obyektif

1. Metode Intrinsik, metode ini membuat peramalan hanya berdasarkan

pada proyeksi permintaan historis tanpa mempertimbangkan factor-

faktor eksternal yang mempengaruhinya. Metode ini hanya cocok

digunakan untuk peramalan jangka pendek pada kegiatan produksi.

Metode peramalan intrinsic diwakili oleh analisis deret waktu atau Time

series.

2. Metode Ekstriksik, metode ini mempertimbangkan faktor-faktor eksternal

yang mungkin mempengaruhi besarnya permintaan dimasa yang akan

6

datang. Metode ini digunakan untuk peramalan jangka panjang yang

dapat menunjukkan hubungan sebab akibat yang jelas dalam hasil

peramalannya. Metode ekstrinsik banyak digunakan untuk peramalan

pada tingkat agregat. Kelemahan dari metode ini adalah dalam hal

mahalnya biaya aplikasinya dan frekuensi perbaikan hasil peramalan

yang rendah kerana sulitnya mengumpulkan informasi perubahan faktor-

faktor eksternal yang terukur. Metode ini diwakili oleh metode regresi.

2.4. Prosedur Peramalan

Berikut adalah langkah-langkah yang dilakukan dalam perencanaan jangka

pendek :

1. Agresikan data permintaan masa lalu item–item yang sama per periode.

2. Buat diagram pencar data permintaan agregat masa lalu untuk family yang

akan diramalkan kebutuhan pasarnya.

3. Tentukan model-model peramalan deret waktu yang sesuai dengan pola data

permintaan masa lalu.

4. Hitung parameter-parameter untuk setiap model peramalan yang telah

ditentukan.

5. Tentukan ukuran error yang akan digunakan untuk mengevaluasi model

peramalan.

6. Hitung error yang dihasilkan setiap model peramalan.

7. Evaluasi model peramalan dengan membandingkan error yang dihasilkan oleh

setiap model peramalan.

8. Pilih metode peramalan yang memiliki error terkecil

9. Dengan menggunakan metode peramalan terbaik, ramalkan permintaan agrerat

untuk periode kedepan yang telah ditentukan.

2.5. Definisi Peramalan Time Series

Analisa Deret Waktu didasarkan pada asumsi bahwa deret waktu tersebut

terdiri dari komponen-kompenen trend, siklus, pola musiman, dan variasi acak yang

akan menunjuk pada pola tertentu. Kompenen diatas akan dipakai sebagai dasar

dalam membuat persamaan matematis. Metode ini digunakan untuk meramalkan

permintaan yang dimasa lalunya cukup konsisten dalam periode waktu yang lama,

sehingga diharapkan pola tersebut akan berlanjut.

Trend merupakan sifat dari permintaan dimasa lalu terhadap waktu., apakah

permintaan tersebut cenderung naik, turun atau konstan. Jika permintaan suatu

7

produk berulang secara periodic maka ini di sebut siklus. Pola siklus sangat

berguna untuk peramalan jangka menengah dan jangka panjang.

Pola musiman merupakan fluktuasi permintaan suatu produk yang dapat

naik atau turun disekitar garis trend dan biasanya berulang setiap tahun. Pola ini

biasanya di pengaruhi oleh faktor cuaca, musim liburan dan sebagainya. Variasi

acak biasanya terjadi untuk kejadian yang tidak mempunyai pola tertentu, seperti

bencana alam.

Berikut adalah beberapa metode yang digunakan dalam meramalkan

permintaan secara time series.

2.5.1. Rata-rata Bergerak / Moving Average (MA)

Moving Average diperoleh dengan merata-rata permintaan

berdasarkan beberapa data permintaan masa lalu terbaru. Tujuannya adalah

untuk menghindari atau menghilangkan variasi acak permintaan dalam

hubungannya dengan waktu. Disebut rata-rata bergerak karena jika ada data

permintaan aktual terbaru, maka data terdahulu akan dikeluarkan dari

perhitungan.

Metode MA dapat ditulis dengan persamaan :

MA=A t+A t−1+. . . .+At−( N−1)

N............................................(2.5.1)

Dimana :

A = Permintaan aktual pada periode t

N = Jumlah data permintaan yang dilibatkan dalam perhitungan

Kelemahan dari metode MA adalah sebagai berikut :

1. Peramalan selalu berdasarkan data terbaru tanpa mempertimbangkan

data-data sebelumnya.

2. Setiap data dianggap memiliki bobot yang sama.

3. Diperlukan dana yang cukup besar dalam penyimpanan dan proses data

karena membutuhkan memori yang besar.

2.5.2. Rata – Rata Bergerak dengan Bobot / Weighted Moving Average (WMA)

Metode WMA merupakan solusi untuk mengatasi kelemahan kedua

dari metode MA. Secara matematis dapat ditulis sebagai berikut:

WMA=∑W t−A........................................................................(2.5.2)

8

Dimana :

Wt = Bobot permintaan aktual pada periode t

At = Permintaan aktual pada periode

2.5.3. Pemulusan Exponential / Exponential Smoothing (ES)

Kelemahan teknik MA dalam kebutuhan akan data–data masa lalu

yang cukup banyak bias diatasi dengan menggunakan teknis ES.

Persamaan matematisnya adalah sebagai berikut:

F t=F t−1+A t−At−N

N...........................................................(2.5.3)

2.5.4. Metode Winter

Teknik MA dan ES hanya cocok digunakan bila data yang ada

bersifat stasioner. Bila data permintaan bersifat musiman dan mempunyai

trend, maka dapat diselesaikan dengan metode Winter. Salah satu masalah

dalam penggunaan metode Winter adalah penentuan nilai α, β dan γ yang

akan meminimumkan MSE dan MAPE. Pendekatan untuk menentukan nilai

parameter tersebut biasanya dilakukan secara trial and error.

2.5.5. Metode Winter dengan trend

Model Winter menggunakan model trend dari Holt, dimana model ini

dimulai dengan perkiraan trend sebagai berikut:

T t=b (F t−F t−1 )+(1−b )T t−1................................................(2.5.4)

Dimana β merupakan konstanta pecahan, Tt adalah perkiraan trend pada

periode-t, dan Ft adalah rata-rata eksponential, maka peramalan baru akan

melibatkan rata-rata eksponential ditambah trend.

2.5.6. Metode Winter dengan faktor musiman

Pola dari permintaan musiman merupakan karakteristik dari beberapa

rangkaian permintaan. Proses umum dari permintaan musiman dapat

dinyatakan dalam persamaan matematis berikut:

9

At=μ . δ t+∈t............................................................................. (2.5.6)

Dimana µ adalah tingkat permintaan rata-rata, δ adalah faktor musiman, dan

εt adalah distribusi permintaan normal dengan mean nol.

2.5.7. Metode Winter Lengkap

Metode Winter yang lengkap merupakan kombinasi dari metode

Winter sebelumnya.

2.6. Verifikasi dan Pengendalian Peramalan

Dalam membuat peramalan atau menerapkan hasil suatu peramalan, maka

pasti ada beberapa hal yang harus dipertimbangkan, yaitu:

1. Peramalan pasti mengandung kesalahan, artinya peramal hanya bias

mengurangi ketidakpastian yang akan terjadi, tetapi tidak dapat menghilangkan

ketidakpastian yang akan terjadi, tetapi tidak dapat menghilangkan

ketidakpastian tersebut.

2. Peramalan seharusnya memberikan informasi tentang berapa ukuran

kesalahan, artinya karena peramalan pasti mengandung kesalahan, maka

penting bagi peramal untuk menginformasikan seberapa besar kesalahan yang

mungkin terjadi.

3. Peramalan jangka pendek lebih akurat dibandingkan permalan jangka panjang.

Hal ini disebabkan karena peramalan jangka pendek dipengaruhi oleh faktor-

faktor permintaan yang bersifat konstan.

Ukuran akurasi hasil peramalan yang merupakan ukuran kesalahan

peramalan merupakan ukuran tentang tingkat perbedaan antara hasil peramalan

dengan permintaan yang sebenarnya terjadi. Ada 4 ukuran yang biasanya

digunakan, yaitu:

1. Rata-rata Deviasi Mutlak (Mean Absolut Deviation = MAD)

MAD merupakan rata-rata kesalahan mutlak selama periode tertentu tanpa

memperhatikan apakan hasil peramalan lebih besar atau lebih kecil

dibandingkan kenyataannya.

2. Rata-rata Kuadrat Kesalahan (Mean Square Error = MSE)

10

MSE dihitung dengan menjumlahkan kuadrat semua kesalahan peramalan

pasa setiap periode dan membaginya dengan jumlah periode peramalan.

3. Rata-rata kesalahan peramalan (Mean Forecast Error = MFE)

MFE sangat efektif untuk mengetahui apakah suatu hasil peramalan selama

periode tertentu terlalu tinggi atau rendah. MFE dihitung dengan menjumlahkan

semua kesalahan peramalan selama periode peramalan dan membaginya

dengan jumlah periode peramalan.

4. Rata-rata persentase Kesalahan Absolut (Mean Absolute Percentage Error =

MAPE)

MAPE merupakan ukuran kesalahan relative dan biasanya dibandingkan

dengan MAD, karena MAPE menyatakan persentase kesalahan hasil

peramalan terhadap permintaan aktual selama periode tertentu yang akan

memberikan informasi persentase kesalahan terlalu tinggi atau terlalu rendah.

2.7. Prosedur Peramalan Menggunakan Software WinQSB

Praktikum peramalan dilakukan dengan menggunakan software WinQSB,

dengan langkah-langkah sebagai berikut:

1. Buka program WinQSB dan pilih modul Forecasting.

2. Muncul tampilan sebagai berikut:

Gambar 2. 1 Tampilan WinQSB – Problem Specification

3. Pilih problem type “Time Series Forecasting” dan isi judul peramalan dan

periode peramalan lalu klik OK

4. Muncul tampilan seperti berikut, isi jumlah permintaan tiap periode masa lalu.

11

Gambar 2. 2 Tampilan WinQSB – Historical Data

12

5. Klik gambar , sehingga muncul tampilan sebagai berikut;

Gambar 2. 3 Tampilan WinQSB – Forecasting Setup

6. Pilih metode yang akan digunakan lalu klik OK, maka akan muncul hasil

peramalan untuk periode yang akan datang, seperti berikut:

Gambar 2. 4 Tampilan WinQSB – Forecasting Result

Untuk memunculkan grafik, klik tanda

BAB III

PENGUMPULAN DAN PENGOLAHAN DATA

3.1. Pengumpulan Data

3.1.1. Alat

Dalam praktikum ini digunakan :

Perangkat keras Komputer

Perangkat Lunak

o Worksheet (Microsoft Excel)

o Work Processor (Microsoft Word)

o WinQSB Program

3.1.2. Bahan

Bahan yang digunakan dalam praktikum ini adalah data permintaan

satu tahun lalu. Tabel berikut merupakan data permintaan tahun lalu yang

akan digunakan dalam pengolahan data.

Tabel 3. 1 Data permintaan tahun laluNo Bulan Permintaan1 Jan 4502 Feb 4403 Mar 4604 Apr 5105 May 5206 Jun 4957 Jul 4758 Aug 5609 Sep 51010 Oct 52011 Nov 54012 Dec 550

13

3.2. Pengolahan Data

3.2.1. Metode Moving Average

Tabel 3. 2 Penghitungan peramalan Moving Averaget Bulan at ft (at-ft) |at- ft| (at - ft)^2 |(at-ft)/at| (ft-at) n=3 MR |MR| MR bar 210.417

1 Jan 1000                 UCL 559.708

2 Feb 1200                 LCL -559.708

3 Mar 1100                 A +/- 372.438

4 Apr 1300 1100 200 200 40000 0.1538 -200     B +/- 187.271

5 Mei 1400 1200 200 200 40000 0.1429 -200 0 0

6 Jun 1500 1267 233 233 54444 0.1556 -233 -33 33

7 Jul 1200 1400 -200 200 40000 0.1667 200 433 433

8 Agust 1300 1367 -67 67 4444 0.0513 67 -133 133

9 Sep 1150 1333 -183 183 33611 0.1594 183 117 117

10 Okt 1000 1217 -217 217 46944 0.2167 217 33 33

11 Nop 1500 1150 350 350 122500 0.2333 -350 -567 567

12 Des 1200 1217 -17 17 278 0.0139 17 367 367

 

Jumlah     300 1667 382222 1.29351675     1683

                   MAPE 14.37240832  

14

Tabel 3. 3 Verifikasi Peramalan Metode Moving AverageBulan ft-at UCL LCL A(+) A(-) B(+) B(-)

Apr -200 559.708 -559.708 372.438 -372.438 187.271 -187.271Mei -200 559.708 -559.708 372.438 -372.438 187.271 -187.271Jun -233 559.708 -559.708 372.438 -372.438 187.271 -187.271Jul 200 559.708 -559.708 372.438 -372.438 187.271 -187.271

Agust 67 559.708 -559.708 372.438 -372.438 187.271 -187.271Sep 183 559.708 -559.708 372.438 -372.438 187.271 -187.271Okt 217 559.708 -559.708 372.438 -372.438 187.271 -187.271Nop -350 559.708 -559.708 372.438 -372.438 187.271 -187.271Des 17 559.708 -559.708 372.438 -372.438 187.271 -187.271

15

1 2 3 4 5 6 7 8 9

-800

-600

-400

-200

0

200

400

600

800

MA

ft-at

ucl

lcl

A(+)

A(-)

B(+)

B(-)

Gambar 3. 1 Grafik peramalan metode Moving Average

16

3.2.2. Metode Double Moving Average

Tabel 3. 4 Penghitungan Peramalan Metode Double Moving Average

  n= 3 W1 = 0,2 W2 = 0,3 W2 = 0,5                

t Bulan at s' s'' ft (at-ft) |at-ft| (at - ft)^2|(at-

ft)/at| (ft-at) n=3 MR |MR|

1 Jan 1000                    

2 Feb 1200                    

3 Mar 1100 1100                  

4 Apr 1300 1200                  

5 Mei 1400 1266.667 1188.889                

6 Jun 1500 1400 1288.889 1422.222 77.778 77.778 6049.383 0.052 -77.778    

7 Jul 1200 1366.667 1344.444 1622.222 -422.222 422.222 178271.605 0.352 422.222 500 500

8 Agust 1300 1333.333 1366.667 1411.111 -111.111 111.111 12345.679 0.085 111.111 -311.111 311.111

9 Sep 1150 1216.667 1305.556 1266.667 -116.667 116.667 13611.111 0.101 116.667 5.556 5.55610 Okt 1000 1150 1233.333 1038.889 -38.889 38.889 1512.346 0.039 38.889 -77.778 77.77811 Nop 1500 1216.667 1194.444 983.333 516.667 516.667 266944.444 0.344 -516.667 -555.556 555.55612 Des 1200 1233.333 1200 1261.111 -61.111 61.111 3734.568 0.051 61.111 577.778 577.778

 

Jumlah         -155.556 1344.444 482469.136 1.025     2027.778

                 

 MAPE 14.64118 MR bar 337.963          

17

Tabel 3. 5 Verifikasi peramalan Metode Double Moving AverageBulan ft-at UCL LCL A(+) A(-) B(+) B(-)

jun -77.778 898.981 -898.981 598.194 -598.194 300.787 -300.787jul 422.222 898.981 -898.981 598.194 -598.194 300.787 -300.787

agust 111.111 898.981 -898.981 598.194 -598.194 300.787 -300.787sep 116.667 898.981 -898.981 598.194 -598.194 300.787 -300.787okt 38.889 898.981 -898.981 598.194 -598.194 300.787 -300.787nop -516.667 898.981 -898.981 598.194 -598.194 300.787 -300.787des 61.111 898.981 -898.981 598.194 -598.194 300.787 -300.787

18

jun jul agust sep okt nop des

-1000.000

-800.000

-600.000

-400.000

-200.000

0.000

200.000

400.000

600.000

800.000

1000.000

DMA

ft-at

ucl

lcl

A(+)

A(-)

B(+)

B(-)

Gambar 3. 2 Grafik Peramalan Metode Double Moving Average

19

3.2.3. Metode Weighted Moving Average

Tabel 3. 6 Penghitungan Peramalan Metode Weighted Moving Average

n= 3 W1 = 0,2 W2 = 0,3 W2 = 0,5t Bulan at ft (at - ft) | at- ft | (at - ft)^2 |(at - ft)/at| (ft-at) n=3 MR |MR|

1 Jan 1000                2 Feb 1200                3 Mar 1100                4 Apr 1300 1110 190 190 36100 0.146153846 -190    5 Mei 1400 1220 180 180 32400 0.128571429 -180 10 106 Jun 1500 1310 190 190 36100 0.126666667 -190 -10 107 Jul 1200 1430 -230 230 52900 0.191666667 230 420 4208 Agust 1300 1330 -30 30 900 0.023076923 30 -200 2009 Sep 1150 1310 -160 160 25600 0.139130435 160 130 130

10 Okt 1000 1205 -205 205 42025 0.205 205 45 4511 Nop 1500 1105 395 395 156025 0.263333333 -395 -600 60012 Des 1200 1280 -80 80 6400 0.066666667 80 475 475

Jumlah   11300 250 1660 388450 1.290265966     1890

  MAPE 14.3362885 MR bar 236.25

20

Tabel 3. 7 Verifikasi Peramalan Metode Weighted Moving AverageBulan ft-at UCL LCL A(+) A(-) B(+) B(-)

Apr -190 628.425 -628.43418.16

3 -418.163 210.263 -210.263

Mei -180 628.425 -628.43418.16

3 -418.163 210.263 -210.263

Jun -190 628.425 -628.43418.16

3 -418.163 210.263 -210.263

Jul 230 628.425 -628.43418.16

3 -418.163 210.263 -210.263

Agust 30 628.425 -628.43418.16

3 -418.163 210.263 -210.263

Sep 160 628.425 -628.43418.16

3 -418.163 210.263 -210.263

Okt 205 628.425 -628.43418.16

3 -418.163 210.263 -210.263

Nop -395 628.425 -628.43418.16

3 -418.163 210.263 -210.263

Des 80 628.425 -628.43418.16

3 -418.163 210.263 -210.263

21

Apr Mei Jun Jul Agust Sep Okt Nop Des

-800

-600

-400

-200

0

200

400

600

800

WMA

ft-atucllclA(+)A(-)B(+)B(-)

Gambar 3. 3 Grafik peramalan metode Weighted Moving Average

22

3.2.4. Metode Single Exponential Smoothing

Tabel 3. 8 Penghitungan peramalan metode Single Exponential Smoothing

n= 3 α= 0,5t Bulan Data historis (at) peramalan (ft) (at - ft) | at- ft | (at - ft)^2 |(at - ft)/at| (ft-at) n=3 MR |MR|1 Jan 1000                2 Feb 1200 1000 200 200 40000 0,1667 -2003 Mar 1100 1100 0 0 0 0 0 200 2004 Apr 1300 1100 200 200 40000 0,1538 -200 -200 2005 Mei 1400 1200 200 200 40000 0,1429 -200 0 06 Jun 1500 1300 200 200 40000 0,1333 -200 0 07 Jul 1200 1400 -200 200 40000 0,1667 200 400 4008 Agust 1300 1300 0 0 0 0 0 -200 2009 Sep 1150 1300 -150 150 22500 0,1304 150 150 150

10 Okt 1000 1225 -225 225 50625 0,2250 225 75 7511 Nop 1500 1113 388 388 150156 0,2583 -388 -613 61312 Des 1200 1306 -106 106 11289 0,0885 106 494 494

Jumlah     12344 306 1669 394570 1,2990 2331  MAPE 14,43347866 MR bar 291,406

23

Tabel 3. 9 Verifikasi Peramalan Metode Single Exponential SmoothingBulan ft-at UCL LCL A(+) A(-) B(+) B(-)

Feb -200 775.141 -775.141 515.789 -515.789 259.352 -259.352

Mar 0 775.141 -775.141 515.789 -515.789 259.352 -259.352

Apr -200 775.141 -775.141 515.789 -515.789 259.352 -259.352

Mei -200 775.141 -775.141 515.789 -515.789 259.352 -259.352

Jun -200 775.141 -775.141 515.789 -515.789 259.352 -259.352

Jul 200 775.141 -775.141 515.789 -515.789 259.352 -259.352

Agust 0 775.141 -775.141 515.789 -515.789 259.352 -259.352

Sep 150 775.141 -775.141 515.789 -515.789 259.352 -259.352

Okt 225 775.141 -775.141 515.789 -515.789 259.352 -259.352

Nop -388 775.141 -775.141 515.789 -515.789 259.352 -259.352

Des 106 775.141 -775.141 515.789 -515.789 259.352 -259.352

24

Feb Mar Apr Mei Jun Jul Agust Sep Okt Nop Des

-1000

-800

-600

-400

-200

0

200

400

600

800

1000

SES

ft-at

ucl

lcl

A(+)

A(-)

B(+)

B(-)

Gambar 3. 4 Grafik Peramalan Metode Single Exponential Smoothing

25

Berdasarkan grafik peramalan, didapatkan data bahwa peramalan dengan metode SES lebih ketat dibanding metode

lainnya. Karena hasil peramalan metode SES berada pada 3 sigma yaitu A(-), B(-) dan B(+), sedangkan metode lainnya

berada pada 4 sigma A(+), A(-), B(+) dan B(-)

Tabel 3. 10 Penghitungan peramalan metode Single Exponential Smoothing untuk 12 bulan berikutnya

n= 3 α= 0,5t Bulan Data historis (at) peramalan (ft) (at - ft) | at- ft | (at - ft)^2 |(at - ft)/at| (ft-at) n=3 MR |MR|

12 Des 1200 1306 -106 106 11236 0,08833 10613 Jan 1253 1253 0 0 0 0,00000 0 -106 10614 Feb 1253 1253 0 0 0 0,00000 0 0 015 Mar 1253 1253 0 0 0 0,00000 0 0 016 Apr 1253 1253 0 0 0 0,00000 0 0 017 Mei 1253 1253 0 0 0 0,00000 0 0 018 Jun 1253 1253 0 0 0 0,00000 0 0 019 Jul 1253 1253 0 0 0 0,00000 0 0 020 Agust 1253 1253 0 0 0 0,00000 0 0 021 Sep 1253 1253 0 0 0 0,00000 0 0 022 Okt 1253 1253 0 0 0 0,00000 0 0 023 Nop 1253 1253 0 0 0 0,00000 0 0 024 Des 1253 1253 0 0 0 0,00000 0 0 0

Jumlah     16342 -106 106 11236 0 106  MAPE 0,981481481 MR bar 13,250

Data peramalan 12 bulan berikutnya kurang valid karena data historis yang ada hanya data bulan ke-12, sehingga harus

selalu diperbarui pada bulan-bulan berikutnya.

26

3.2.5. Metode Double Exponential Smoothing

Tabel 3. 11 Penghitungan Peramalan Metode Double Exponential Smoothing

t Bulan atS'(SES

) S"(DES) a1 b1 ft/a+bm (at - ft) | at- ft | (at - ft)^2 |(at-ft)/at| (ft-at) n=3 MR |MR|

1 Jan 1000 1000 1000 1000 0                

2 Feb 1200 1100 1050 1150 50 1000 200 200 40000 0.166667 -200    

3 Mar 1100 1100 1075 1125 25 1200 -100 100 10000 0.090909 100 300 300

4 Apr 1300 1200 1137.5 1262.5 63 1150 150 150 22500 0.115385 -150 -250 250

5 Mei 1400 1300 1218.8 1381.3 81 1325 75 75 5625 0.053571 -75 75 75

6 Jun 1500 1400 1309.4 1490.6 91 1463 38 38 1406 0.025 -38 38 38

7 Jul 1200 1300 1304.7 1295.3 -5 1581 -381 381 145352 0.317708 381 419 419

8 Agust 1300 1300 1302.3 1297.7 -2 1291 9 9 88 0.007212 -9 -391 391

9 Sep 1150 1225 1263.7 1186.3 -39 1295 -145 145 21116 0.126359 145 155 155

10 Okt 1000 1113 1188.1 1036.9 -76 1148 -148 148 21802 0.147656 148 2 2

11 Nop 1500 1306 1247.2 1365.3 59 961 539 539 290167 0.359115 -539 -686 686

12 Des 1200 1253 1250.1 1256.1 3 1424 -224 224 50362 0.187012 224 763 763

Jumlah           12838 -188 1809 568418 1.429926     3078

  MAPE 12.9993 MR bar 384.79

27

Tabel 3. 12 Verifikasi Peramalan Metode Double Exponential SmoothingBulan ft-at UCL LCL A(+) A(-) B(+) B(-)

Feb -200 1023.542 -1023.542 681.078 -681.078 342.463 -342.463

Mar 100 1023.542 -1023.542 681.078 -681.078 342.463 -342.463

Apr -150 1023.542 -1023.542 681.078 -681.078 342.463 -342.463

Mei -75 1023.542 -1023.542 681.078 -681.078 342.463 -342.463

Jun -38 1023.542 -1023.542 681.078 -681.078 342.463 -342.463

Jul 381 1023.542 -1023.542 681.078 -681.078 342.463 -342.463

Agust -9 1023.542 -1023.542 681.078 -681.078 342.463 -342.463

Sep 145 1023.542 -1023.542 681.078 -681.078 342.463 -342.463

Okt 148 1023.542 -1023.542 681.078 -681.078 342.463 -342.463

Nop -539 1023.542 -1023.542 681.078 -681.078 342.463 -342.463

Des 224 1023.542 -1023.542 681.078 -681.078 342.463 -342.463

28

Feb Mar Apr Mei Jun Jul Agust Sep Okt Nop Des

-1500

-1000

-500

0

500

1000

1500

DES

ft-at

ucl

lcl

A(+)

A(-)

B(+)

B(-)

Gambar 3. 5 Grafik Peramalan Metode Double Exponential Smoothing

29

BAB IV

KESIMPULAN DAN SARAN

4.1. Kesimpulan

Berikut adalah rekapitulasi hasil peramalan permintaan AADC Chair yang diproduksi

oleh PT Furniture Mesindo dengan menggunakan beberapa metode

Tabel 4. 1 Rekapitulasi Hasil Peramalan Permintaan AADC Chair

METODE PERAMALAN MAPEMoving Average 14,3724Double Moving Average 14,6412Weighted Moving Average 14,3363Single Exponential Smoothing 14,4335Double Exponential Smoothing 12,9993

Berdasarkan hasil verifikasi peramalan setiap metode, didapatkan hasil

bahwa peramalan dengan metode SES lebih ketat dibanding metode lainnya.

Karena hasil peramalan metode SES berada pada 3 sigma yaitu A(-), B(-) dan B(+),

sedangkan metode lainnya berada pada 4 sigma A(+), A(-), B(+) dan B(-)

Berikut adalah hasil peramalan permintaan kursi AADC Chair untuk 12 bulan

ke depan menggunakan metode SES

Tabel 4. 2 Data permintaan 12 bulan yang akan datang menggunakan SES

t BulanData

HistorisPeramalan

12 Des 1200 1306

13 Jan 1253 1253

14 Feb 1253 1253

15 Mar 1253 1253

16 Apr 1253 1253

17 Mei 1253 1253

18 Jun 1253 1253

19 Jul 1253 1253

20 Agust 1253 1253

21 Sep 1253 1253

22 Okt 1253 1253

23 Nop 1253 1253

24 Des 1253 1253

30

31

4.2. Saran

1. Dilakukan uji validasi terhadap hasil yang diperoleh menggunakan aplikasi

WIN-QSB

2. Untuk mengetahui efektifitas dan validitas dari data peramalan dapat

menggunakan WIN-QSB sebaiknya menggunakan software statistik lainnya

seperti POM-QM for Windows sebagai pembanding

3. Pemilihan metode peramalan juga harus didasarkan pada jenis barang/produk

yang dijual, terutama bila produk yang dijual ada produk musiman maka harus

menggunakan metode yang sesuai

4. Hasil peramalan harus di-perbarui setiap bulannya menggunakan data aktual

bulan-bulan sebelumnya agar peramalan bulan berikutnya dapat lebih akurat.

DAFTAR PUSTAKA

Herjanto, Edy. 2007. Manajemen Operasi (Edisi 3). Jakarta. Penerbit: Grasindo

Ma’arif, Mohamad Syamsul dan Hendri Tanjung. 2003. Manajemen Operasi.

Jakarta. Penerbit: Grasindo

Prasetya, Hery dan Fitri Lukiastuti. 2009. Manajemen Operasi. Yogyakarta.

Penerbit: MedPress

Lampiran 1. 1 Peramalan Metode Simple Average menggunakan Software WinQSB

Hasil peramalan permintaan metode Simple Average

Grafik peramalan permintaan dengan metode Simple Average

Lampiran 1. 2 Peramalan Metode Moving Average menggunakan Software WinQSB

Hasil peramalan permintaan metode Moving Average

Grafik peramalan permintaan dengan metode Moving Average

Lampiran 1. 3 Peramalan Metode Weighted Moving Average menggunakan Software

WinQSB

Hasil peramalan permintaan metode Weighted Moving Average

Grafik peramalan permintaan dengan metode Weighted Moving Average

Lampiran 1. 4 Peramalan Metode Moving Average With Linear Trend menggunakan Software

WinQSB

Hasil Peramalan Permintaan Metode Moving Average With Linear Trend

Grafik.Peramalan Permintaan Metode Moving Average with Linear Trend

Lampiran 1. 5 Peramalan Metode Single Exponential Smoothing (SES) menggunakan

Software WinQSB

Hasil Peramalan Permintaan Metode Single Exponential Smoothing (SES)

Peramalan Permintaan Metode Single Exponential Smoothing (SES)

Lampiran 1. 6 Peramalan Metode Single Exponential Smoothing With Trend menggunakan

Software WinQSB

Hasil Peramalan Permintaan Metode Single Exponential Smoothing with Trend

Peramalan Permintaan Metode Single Exponential Smoothing with Trend

Lampiran 1. 7 Peramalan Metode Double Exponential Smoothing menggunakan Software

WinQSB

Hasil Peramalan Permintaan Metode Double Exponential Smoothing

Peramalan Permintaan Metode Double Exponential Smoothing

Lampiran 1. 8 Peramalan Metode Double Exponential Smoothing With Trend menggunakan

Software WinQSB

Hasil Peramalan Permintaan Metode Double Exponential Smoothing With Trend

Peramalan Permintaan Metode Double Exponential Smoothing With Trend

Lampiran 1. 9 Peta Proses Operasi Pembuatan AADC Chair