Modul 1 Peramalan_Kelompok 6_Rev1 done.docx

LAPORAN PRAKTIKUMMODUL I

PERAMALAN

Disusun oleh:

Kelompok VI

1. Irowati Purwaningsih (4413215087)

2. Ismi Sakinah (4413215088)

3. Kamaludin (4413215089)

LABORATORIUM SISTEM PRODUKSIFAKULTAS TEKNIK UNIVERSITAS PANCASILA

2016

DAFTAR ISI

DAFTAR ISI..........................................................................................................................iDAFTAR GAMBAR.............................................................................................................iiDAFTAR TABEL.................................................................................................................ivDAFTAR LAMPIRAN...........................................................................................................vBAB IPENDAHULUAN........................................................................................................1

1.1. LATAR BELAKANG...............................................................................................1

1.2. PERUMUSAN MASALAH......................................................................................2

1.3. TUJUAN PRAKTIKUM...........................................................................................2

1.4. PEMBATASAN MASALAH.....................................................................................2

BAB II LANDASAN TEORI.................................................................................................32.1. PENGERTIAN PERAMALAN PERMINTAAN........................................................3

2.2. KEGUNAAN PERAMALAN....................................................................................4

2.3. METODE PERAMALAN.........................................................................................4

2.4. PROSEDUR PERAMALAN....................................................................................5

2.5. DEFINISI PERAMALAN TIME SERIES.................................................................6

2.6. VERIFIKASI DAN PENGENDALIAN PERAMALAN...............................................8

2.7. PROSEDUR PERAMALAN MENGGUNAKAN SOFTWARE WINQSB.................9

BAB III PENGUMPULAN DAN PENGOLAHAN DATA....................................................133.1. PENGUMPULAN DATA.......................................................................................13

3.3 PENGOLAHAN DATA MANUAL...........................................................................39

BAB IV KESIMPULAN DAN SARAN................................................................................494.1. KESIMPULAN......................................................................................................49

4.2. SARAN.................................................................................................................49

DAFTAR PUSTAKA...........................................................................................................vi

i

DAFTAR GAMBAR

Gambar 2.1 Tampilan WinQSB – Problem Specification...................................................10Gambar 2.2 Tampilan WinQSB – Historical Data..............................................................10Gambar 2.3 Tampilan WinQSB – Forecasting Setup........................................................11Gambar 2.4 Tampilan WinQSB – Forecasting Result........................................................11Gambar 2.5 Tampilan WinQSB – Grafik............................................................................12

Gambar 3. 1 Menetapkan Spesifikasi Peramalan 14Gambar 3. 2Data Masa Lalu..............................................................................................14

Gambar 3. 3Pemilihan dan Pengaturan Metode Peramalan SA........................................15

Gambar 3. 4Hasil Permalan SA dan Verifikasinya.............................................................15

Gambar 3. 5 Grafik Hasil Peramalan Metode SA..............................................................16

Gambar 3. 6Pemilihan dan Pengaturan Metode Peramalan MA.......................................17

Gambar 3. 7Hasil Peramalan MA dan Verifikasinya..........................................................17

Gambar 3. 8 Grafik Hasil Peramalan Metode MA..............................................................18

Gambar 3. 9 Pemilihan dan Pengaturan Metode WMA.....................................................19

Gambar 3. 10Hasil Peramalan Metode WMA dan Verifikasinya........................................19

Gambar 3. 11Grafik Hasil Peramalan metode WMA.........................................................20

Gambar 3. 12Pemilihan dan Pengaturan metode MAT.....................................................20

Gambar 3. 13 Grafik Peramalan Metode Double Exponential Smoothing.........................21

Gambar 3. 14Hasil Peramalan Metode MAT dan verifikasinya.........................................21

Gambar 3. 15Grafik Hasil Peramalan metode MAT...........................................................22

Gambar 3. 16Pemilihan dan Pengaturan Metode SES......................................................23

Gambar 3. 17 Hasil Peramalan Metode SES dan Verifikasinya........................................23

Gambar 3. 18 Grafik Hasil Peramalan Metode SES..........................................................24

Gambar 3. 19 Pemilihan dan Pengaturan metode SEST..................................................25

Gambar 3. 20 Hasil Peramalan Metode SEST dan Verifikasinya......................................25

Gambar 3. 21 Hasil Peramalan Metode SEST dan Verifikasinya......................................26

Gambar 3. 22Pemilihan dan Pengaturan metode DES.....................................................27

Gambar 3. 23Hasil Peramalan metode DES dan Verifikasinya.........................................27

Gambar 3. 24Grafik Hasil Peramalan metode DES...........................................................28

Gambar 3. 25Pemilihan dan Pengaturan metode DEST...................................................29

Gambar 3. 26Hasil Peramalan metode DEST dan Verifikasinya.......................................29

Gambar 3. 27Grafik Hasil Peramalan Metode DEST.........................................................30

Gambar 3. 28Pemilihan dan Pengaturan metode AES......................................................31

Gambar 3. 29Hasil Peramalan metode AES dan Verifikasinya.........................................31

Gambar 3. 30Grafik Hasil Peramalan metode AES...........................................................32

ii

Gambar 3. 31Pemilihan dan Pengaturan metode LR........................................................33

Gambar 3. 32Hasil Peramalan metode LR dan Verifikasinya............................................33

Gambar 3. 33Grafik Hasil Peramalan metode LR..............................................................34

Gambar 3. 34Pemilihan dan Pengaturan metode HWA....................................................35

Gambar 3. 35Hasil Peramalan metode HWA dan Verifikasinya........................................35

Gambar 3. 36Grafik Hasil Peramalan metode HWA..........................................................36

Gambar 3. 37Pemilihandan Pengaturan metode HWM.....................................................37

Gambar 3. 38Hasil Peramalan metode HWM dan Verifikasinya.......................................37

Gambar 3. 39Grafik Hasil Peramalan metode HWM.........................................................38

Gambar 3. 40Grafik peramalan metode Moving Average..................................................40

Gambar 3. 41Grafik Peramalan Metode Double Moving Average.....................................41

Gambar 3. 42Grafik peramalan metode Weighted Moving Average.................................43

Gambar 3. 43Grafik Peramalan Metode Single Exponential Smoothing...........................45

Gambar 3. 44 Grafik Peramalan Metode Double Exponential Smoothing.........................46

iii

DAFTAR TABEL

Tabel 3.2 Penghitungan peramalan Moving Average........................................................39

Tabel 3.3 Verifikasi Peramalan Metode Moving Average..................................................39

Tabel 3.4 Penghitungan Peramalan MetodeDouble Moving Average...............................40

Tabel 3.5 Verifikasi peramalan Metode Double Moving Average......................................41

Tabel 3.6 Penghitungan Peramalan Metode Weighted Moving Average..........................42

Tabel 3.7 Verifikasi Peramalan Metode Weighted Moving Average..................................42

Tabel 3.8 Penghitungan peramalan metode Single Exponential Smoothing.....................44

Tabel 3.9 Verifikasi Peramalan Metode Single Exponential Smoothing............................44

Tabel 3.10 Penghitungan Peramalan Metode Double Exponential Smoothing.................45

Tabel 3.11 Verifikasi Peramalan Metode Double Exponential Smoothing.........................46

Tabel 3.12 Rekapitulasi Hasil Perhitungan........................................................................47

Tabel 3.13 Jumlah Peramalan 12 Bulan............................................................................47

iv

BAB IPENDAHULUAN

1.1. LATAR BELAKANGPeramalan (forecasting) merupakan seni dan ilmu untuk memperkirakan

kejadian dimasa depan. Hal ini dapat dilakukan dengan melibatkan pengambilan

data masa lalu dan menempatkannya kemasa yang akan datang dengan suatu

bentuk model matematis. Bisa juga merupakan prediksi intuisi yang bersifat

subjektif.Atau bisa juga dengan menggunakan kominasi model matematis yang

disesuaikan dengan pertimbangan yang baik dari seorang manager.

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

akandatang.Sehingga peramalan merupakan suatu taksiran yang ilmiah. Peramalan

permintaan akan menjadi masukan dalam keputusan perencaan dan pengendalian

produksi.

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

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

MI BabI Hal-1

MI BabI Hal-2

penggunaan pekerjaan suatu perusahaan. Kursi yang didesain disesuaikan dengan

kebutuhan pekerjaan, dengan rancangan yang ergonomis dan nyaman digunakan.

1.2. PERUMUSAN MASALAHDalam praktikum Sistem Produksi Modul 1, PT. Furniture Mesindo

melakukan pengukuran AADC Chair 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 PRAKTIKUMTujuan 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.

1.4. PEMBATASAN MASALAHFokus 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 IILANDASAN TEORI

2.1. PENGERTIAN PERAMALAN PERMINTAANPeramalan 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.

Karakteristik peramalan yang baik didasarkan oleh:

1. 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

MI BabII Hal-3

MI BabII Hal-4

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)

2. Biaya

Biaya yang diperlukan dalam pembuatan suatu peramalan tergantung dari

jumlah item yang diramalkan, lamanya periode peramalan dan metode

peramalan yang dipakai.

3. Kemudahan

Penggunaan metode peramalan yang sederhana, mudah dibuat, dan mudah

diaplikasikan akan memberikan keuntungan bagi perusahaan.

2.2. KEGUNAAN PERAMALANDalam hubungan dengan waktu, peramalan dapat digunakan dalam 3 hal,

yaitu sebagai berikut:

1. Peramalan jangka panjang

Digunakan untuk perencanaan produk dan perencanaan sumber daya.

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 PERAMALANSecara 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.

MI BabII Hal-5

2.3.1 Metode Peramalan Subyektif1. 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 Obyektif1. 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

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 PERAMALANBerikut 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.

MI BabII Hal-6

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 SERIESAnalisa 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

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.

MI BabII Hal-7

Metode MA dapat ditulis dengan persamaan :

MA=A t+A t−1+. . . .+A t−( N−1)

N............................................(2.1)

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.........................................................................(2.2)

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...........................................................(2.3)

2.5.4. Metode WinterTeknik 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

MI BabII Hal-8

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 trendModel 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................................................(2.4)

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 musimanPola dari permintaan musiman merupakan karakteristik dari beberapa

rangkaian permintaan. Proses umum dari permintaan musiman dapat

dinyatakan dalam persamaan matematis berikut:

At=μ . δ t+∈t............................................................................(2.5)

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 LengkapMetode Winter yang lengkap merupakan kombinasi dari metode

Winter sebelumnya.

2.6. VERIFIKASI DAN PENGENDALIAN PERAMALANDalam 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

MI BabII Hal-9

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 SquareError = MSE)

MSE dihitung dengan menjumlahkan kuadrat semua kesalahan peramalan

pasa setiap periode dan membaginya dengan jumlah periode peramalan.

3. Rata-rata kesalahan peramalan (Mean ForecastError = 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 PercentageError =

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 WINQSBPraktikum peramalan dilakukan dengan menggunakan softwareWinQSB,

dengan langkah-langkah sebagai berikut:

1. Buka program WinQSB dan pilih modul Forecasting.

MI BabII Hal-10

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.

Gambar 2.2 Tampilan WinQSB – Historical Data

5. Klik gambar , sehingga muncul tampilan sebagai berikut;

MI BabII Hal-11

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

MI BabII Hal-12

Gambar 2.5 Tampilan WinQSB – Grafik

BAB IIIPENGUMPULAN DAN PENGOLAHAN DATA

3.1. PENGUMPULAN DATAData yang diperoleh dari praktikum Modul 1 ini merupakan data actual masa lalu

yang terbaru dari permintaan jumlah produk pada PT.IIK.Seluruh perhitungan dilakukan

dengan menggunakan informasi yang telah diketahui berikut ini. Identitas dari data-data

tersebut adalah:

Tabel 3.1 Jumlah Aktual Permintaan Produk (unit)

No Bulan Permintaan1 Jan 20002 Feb 21003 Mar 17004 Apr 16005 Mei 18506 Jun 23757 Jul 14508 Aug 17509 Sep 1550

10 Okt 180011 Nov 230012 Des 2000

Sumber: Pengumpulan Data

Adapun indikator lain yang telah ditentukan yaitu:

n = 4 bulan

α = 0.2

β = 0.3

W1 = 0.1

W2 = 0.2

W3 = 0.3

W4 = 0.4

3.2 PENGOLAHAN DATAData berikut merupakan pengolahan data dengan menggunakan software

WinQSB maupun manual. Hasil pengolahan data di sini nantinya akan digunakan untuk

praktikum pada modul-modul berikutnya.Pengolahan data yang dihasilkan adalah berupa

jumlah peramalan pemintaan pada periode 13 hingga 24 mendatang.

MI BabIII Hal-13

MI BabII Hal-14

3.2.1 Pengolahan Data dengan WinQSBLangkah awal untuk mengolah data dengan aplikasi WinQSB adalah dengan

menetapkan spesifikasi peramalan seperti pada gambar 3.1

Gambar 3.1 Menetapkan Spesifikasi Peramalan Sumber: Pengolahan Data

Selanjutnya adalah memasukkan data permintaan masa lalu yang paling

mendekati dengan periode peramalan atau data permintaan yang paling terbaru seperti

pada gambar 3.2

Gambar 3.2 Data Masa Lalu Sumber: Pengolahan Data

3.2.2 Perhitungan WinQSB Metode Simple Average (SA)Untuk tahap ini dipilih metode SA dan diatur metode peramalan yang dibutuhkan,

yaitu jumlah periode dari data aktual sebanyak 12 periode.

MI BabII Hal-15

Gambar 3.3 Pemilihan dan Pengaturan Metode Peramalan SA Sumber: Pengolahan Data

Berikut ini adalah gambar 3.4, yaitu hasil peramalan dengan metode SA beserta

verifikasinya.

Gambar 3.4 Hasil Permalan SA dan Verifikasinya Sumber: Pengolahan Data

MI BabII Hal-16

Berikut ini adalah gambar 3.5 yaitu grafik hasil peramalan dengan menggunakan

metode SA.

Gambar 3.5 Grafik Hasil Peramalan Metode SASumber: Pengolahan Data

3.2.3 Perhitungan WinQSB Metode Moving Average (MA)Untuk tahap ini dipilih metode MA dan diatur metode peramalan yang dibutuhkan yaitu

jumlah periode dari data aktual sebanyak 12 periode.

MI BabII Hal-17

Gambar 3.6 Pemilihan dan Pengaturan Metode Peramalan MASumber: Pengolahan Data

Berikut ini adalah gambar 3.7, yaitu hasil peramalan dengan menggunakan metode

MA beserta verifikasinya.

Gambar 3.7 Hasil Peramalan MA dan VerifikasinyaSumber: Pengolahan Data

MI BabII Hal-18

Berikut ini adalah gambar 3.8, yaitu grafik hasil peramalan dengan menggunakan

metode MA.

Gambar 3.8 Grafik Hasil Peramalan Metode MA Sumber: Pengolahan Data

3.2.4 Perhitungan WinQSB Metode Weighted Moving Average (WMA) Untuk tahap ini dipilih metode WMA dan diatur metode peramalan yang dibutuhkan

yaitu jumlah periode dari data aktual sebanyak 12 periode dan digunakan faktor untuk

masing-masing bulan yakni W1= 0.1; W2= 0.2 ;W3= 0.3; W4 = 0.4

MI BabII Hal-19

Gambar 3.9 Pemilihan dan Pengaturan Metode WMASumber; Pengolahan Data

Berikut ini adalah gambar 3.10, yaitu hasil peramalan dengan menggunakan

metode WMA beserta verifikasinya.

Gambar 3.10 Hasil Peramalan Metode WMA dan VerifikasinyaSumber: Pengolahan Data

MI BabIII Hal-20


metode WMA.

Gambar 3.11 Grafik Hasil Peramalan metode WMASumber: Pengoalahan Data

3.2.5 Perhitungan WinQSB Metode Moving Average with linear Trend (MAT) Untuk tahap ini dipilih metode MAT dan diatur metode peramalan yang dibutuhkan yaitu

jumlah periode dari data aktual sebanyak 12 periode dan n=4

MI BabIII Hal-21

Gambar 3.12 Pemilihan dan Pengaturan metode MATSumber: Pengolahan Data


metode MAT beserta verifikasinya.

Gambar 3.14 Hasil Peramalan Metode MAT dan verifikasinyaSumber: Pengolahan Data

MI BabIII Hal-22


metode MAT

Gambar 3.15 Grafik Hasil Peramalan metode MATSumber; Pengolahan Data

3.2.6 Perhitungan WinQSB MetodeSingle Exponential Smoothing (SES) Untuk tahap ini dipilih metode SES dan diatur metode peramalan yang dibutuhkan yaitu

jumlah periode dari data aktual sebanyak 12 periode dan α=0.2

MI BabIII Hal-23

Gambar 3.16 Pemilihan dan Pengaturan Metode SESSumber: Pengolahan Data


metode SES beserta verifikasinya.

MI BabIII Hal-24

Gambar 3.17 Hasil Peramalan Metode SES dan VerifikasinyaSumber: pengolahan Data


metode SES

Gambar 3.18 Grafik Hasil Peramalan Metode SESSumber: Pengolahan Data

3.2.7 Perhitungan WinQSB MetodeSingle Exponential Smoothing with Trend (SEST) Untuk tahap ini dipilih metode SEST dan diatur metode peramalan yang

dibutuhkan yaitu jumlah periode dari data aktual sebanyak 12 periode dan α=0.2 dan

β=0.3

MI BabIII Hal-25

Gambar 3.19 Pemilihan dan Pengaturan metode SEST Sumber: Pengolahan Data


metode SEST beserta verifikasinya

MI BabIII Hal-26

Gambar 3.20 Hasil Peramalan Metode SEST dan VerifikasinyaSumber: Pengolahan Data


metode SEST

Gambar 3.21 Grafik Peramalan metode SESTSumber: Pengolahan Data

3.2.8 Perhitungan WinQSB MetodeDouble Exponential Smoothing (DES) Untuk tahap ini dipilih metode DES dan diatur metode peramalan yang

dibutuhkan yaitu jumlah periode dari data aktual sebanyak 12 periode dan α=0.2

MI BabIII Hal-27

Gambar 3.22 Pemilihan dan Pengaturan metode DESSumber: Pengolahan Data


metode DES beserta verifikasinya

Gambar 3.23 Hasil Peramalan metode DES dan Verifikasinya

MI BabIII Hal-28

Sumber: Pengolahan Data


metode DES

Gambar 3.24 Grafik Hasil Peramalan metode DES Sumber; Pengolahan Data

3.2.9 Perhitungan WinQSB MetodeDouble Exponential Smoothing with Trend (DEST)

Untuk tahap ini dipilih metode DEST dan diatur metode peramalan yang

dibutuhkan yaitu jumlah periode dari data aktual sebanyak 12 periode dan α=0.2 dan

β=0.3

MI BabIII Hal-29

Gambar 3.25 Pemilihan dan Pengaturan metode DESTSumber Pengolahan Data


metode DEST beserta verifikasinya

Gambar 3.26 Hasil Peramalan metode DEST dan Verifikasinya

MI BabIII Hal-30



metode DEST

Gambar 3.27 Grafik Hasil Peramalan Metode DEST Sumber: Pengolahan Data

3.2.10 Perhitungan WinQSB Metode Adaptive Exponential Smoothing (AES)Untuk tahap ini dipilih metode AES dan diatur metode peramalan yang dibutuhkan

yaitu jumlah periode dari data aktual sebanyak 12 periode dan α=0.2 dan β=0.3

MI BabIII Hal-31

Gambar 3.28 Pemilihan dan Pengaturan metode AESSumber: Pengolahan Data


metode AES beserta verifikasinya

MI BabIII Hal-32

Gambar 3.29 Hasil Peramalan metode AES dan VerifikasinyaSumber: Pengolahan Data


metode AES

Gambar 3.30 Grafik Hasil Peramalan metode AESSumber: Pengolahan Data

3.2.11 Perhitungan WinQSB Metode Linear Regression with Time (LR)Untuk tahap ini dipilih metode LR dan diatur metode peramalan yang dibutuhkan

yaitu jumlah periode dari data aktual sebanyak 12 periode.

MI BabIII Hal-33

Gambar 3.31 Pemilihan dan Pengaturan metode LRSumber: Pengolahan Data


metode LR beserta verifikasinya

MI BabIII Hal-34

Gambar 3.32 Hasil Peramalan metode LR dan VerifikasinyaSumber: Pengolahan Data


metode LR

Gambar 3.33 Grafik Hasil Peramalan metode LRSumber: Pengolahan Data

3.2.11 Perhitungan WinQSB Metode Holt-Winters Additive Alogarithm (HWA)Untuk tahap ini dipilih metode HWA dan diatur metode peramalan yang

dibutuhkan yaitu jumlah periode dari data aktual sebanyak 12 periode dengan nilai α=0.2

dan β=0.3

MI BabIII Hal-35

Gambar 3.34 Pemilihan dan Pengaturan metode HWASumber: Pengolahan Data


metode HWA beserta verifikasinya

Gambar 3.35 Hasil Peramalan metode HWA dan Verifikasinya

MI BabIII Hal-36



metode HWA

Gambar 3.36 Grafik Hasil Peramalan metode HWA Sumber: Pengolahan Data

3.2.12 Perhitungan WinQSB Metode Holt-Winters Multiplicative Alogarithm (HWM)Untuk tahap ini dipilih metode HWM dan diatur metode peramalan yang

dibutuhkan yaitu jumlah periode dari data aktual sebanyak 12 periode dengan nilai α=0.2

dan β=0.3

MI BabIII Hal-37

Gambar 3.37 Pemilihandan Pengaturan metode HWMSumber: Pengolahan Data


metode HWM beserta verifikasinya

MI BabIII Hal-38

Gambar 3.38 Hasil Peramalan metode HWM dan VerifikasinyaSumber: Pengolahan Data


metode HWM

Gambar 3.39 Grafik Hasil Peramalan metode HWMSumber: Pengolahan Data

MI BabIII Hal-39

3.3 PENGOLAHAN DATA MANUALBerikut ini adalah pengolahan data manual dari perhitungan peramalan beserta akurasi,

verifikasi dan MR chartnya. Hasil dari pengolahan manual ini akan digunakan sebagai

acuan untuk menghitung kebutuhan pada modul-modul berikutnya.

3.3.1 Perhitungan Manual Metode Moving Average (MA) Berikut ini merupakan tabel hasil perhitungan peramalan beserta ukuran

akurasinya dengan menggunakan metode MA pada n=4 bulan

Tabel 3.1 Penghitungan peramalan Moving Averaget Month At Ft (At-Ft) l At-Ft l (at - ft)^2 (l At-Ft l/At)1 Jan 2000 2 Feb 2100 3 Mar 1700 4 Apr 1600 1933 -333 333 111111 0.20835 Mei 1850 1800 50 50 2500 0.02706 Jun 2375 1717 658 658 433403 0.27727 Jul 1450 1942 -492 492 241736 0.33918 Agu 1750 1892 -142 142 20069 0.08109 Sep 1550 1858 -308 308 95069 0.1989

10 Okt 1800 1583 217 217 46944 0.120411 Nov 2300 1700 600 600 360000 0.260912 Des 2000 1883 117 117 13611 0.0583

Jumlah 366.7 2916.7 1324444.4 1.5711MAPE 17.4565%


Tabel 3.2Verifikasi Peramalan Metode Moving AverageFt-At MR bar UCL LCL A+ A- B+ B-333 506.25 1346.63 -1346.63 896.06 -896.06 450.56 -450.56-50 506.25 1346.63 -1346.63 896.06 -896.06 450.56 -450.56-658 506.25 1346.63 -1346.63 896.06 -896.06 450.56 -450.56492 506.25 1346.63 -1346.63 896.06 -896.06 450.56 -450.56142 506.25 1346.63 -1346.63 896.06 -896.06 450.56 -450.56308 506.25 1346.63 -1346.63 896.06 -896.06 450.56 -450.56-217 506.25 1346.63 -1346.63 896.06 -896.06 450.56 -450.56-600 506.25 1346.63 -1346.63 896.06 -896.06 450.56 -450.56-117 506.25 1346.63 -1346.63 896.06 -896.06 450.56 -450.56


MI BabIII Hal-40

1 2 3 4 5 6 7 8 9

-1500

-1000

-500

0

500

1000

1500

Moving Average Diagram PT.IIK

Ft-AtMR barUCLLCLA+A-B+B-

Gambar 3.40 Grafik peramalan metode Moving Average


Dari grafik metode MA di atas dapat dilihat bahwa metode valid karena semua titik berada dalam batas yang telah ditentukan.

3.3.2 Perhitungan Manual Metode Double Moving Average (DMA)Berikut ini merupakan tabel hasil perhitungan peramalan beserta ukuran

akurasinya dengan menggunakan metode DMA pada n=4 bulan

Tabel 3.3 Penghitungan Peramalan Metode Double Moving Averaget Month At S' S'' at bt FT (At-Ft) l At-Ft l (at - ft)^2 (l At-Ft

l/At)1 Jan 20002 Feb 21003 Mar 17004 Apr 16005 Mei 1850 1850 0 1233 1233 617 1850 380278 1.00006 Jun 2375 1813 3700 1208 4908 -2533 1325 6417778 0.55797 Jul 1450 1881 3625 1254 4879 -3429 2175 11759184 1.50008 Agu 1750 1819 3763 1213 4975 -3225 2013 10400625 1.15009 Sep 1550 1856 1841 3638 10 3648 -2098 2088 4401254 1.3468

10 Okt 1800 1781 1842 1872 -41 1831 -31 72 977 0.039911 Nov 2300 1638 1834 1720 -131 1589 711 580 505432 0.252012 Des 2000 1850 1773 1441 51 1492 508 559 258403 0.2797Jumlah -10097.4 8810.9 33743652.6 5.1263

MAPE 73.2332%

MI BabIII Hal-41


MI BabIII Hal-42

Tabel 3.4 Verifikasi peramalan Metode Double Moving AverageFt-At MR bar UCL LCL A+ A- B+ B-

0 268.06 713.03 -713.03 474.46 -474.46 238.57 -238.570 268.06 713.03 -713.03 474.46 -474.46 238.57 -238.57

-600 268.06 713.03 -713.03 474.46 -474.46 238.57 -238.57-378 268.06 713.03 -713.03 474.46 -474.46 238.57 -238.57-556 268.06 713.03 -713.03 474.46 -474.46 238.57 -238.57

-1017 268.06 713.03 -713.03 474.46 -474.46 238.57 -238.57-806 268.06 713.03 -713.03 474.46 -474.46 238.57 -238.57

SUMBER: Pengolahan Data

1 2 3 4 5 6 7

-1500

-1000

-500

0

500

1000

Double Moving Average Diagram PT.IIK


Gambar 3.41 Grafik Peramalan Metode Double Moving Average


Dari grafik di atas dapat diketahui bahwa metode DMA tidak valid untuk digunakan karena terdapat satu titik yang berada di luar batas bawah yang telah ditentukan.

MI BabIII Hal-43

3.3.3 Perhitungan Manual Metode Weighted Moving AverageBerikut ini merupakan tabel hasil perhitungan peramalan beserta ukuran

akurasinya dengan menggunakan metode WMA dengan n-4 dan nilai bobot masing-masing w yang tertera di bawah ini

Tabel 3.5Penghitungan Peramalan Metode Weighted Moving Averagen= 4 W1 = 0,1 W2 =0,2 W3 = 0,3 W4=0,4

t Bulan at ft (at - ft) | at- ft | (at - ft)^2 |(at - ft)/at| (ft-at) n=4 MR1 Jan 2000 2 Feb 2100 3 Mar 1700 4 Apr 1600 5 Mei 1850 1930 -80 80 6400 0.0432 80 806 Jun 2375 1700 675 675 455625 0.2842 -675 7557 Jul 1450 1710 -260 260 67600 0.1793 260 9358 Agust 1750 2035 -285 285 81225 0.1629 285 259 Sep 1550 1953 -403 403 162006 0.2597 403 11810 Okt 1800 1663 138 138 18906 0.0764 -138 54011 Nop 2300 1640 660 660 435600 0.2870 -660 52312 Des 2000 1670 330 330 108900 0.1650 -330 330

Jumlah 775 2830 1336263 1.4576 -775 3305

MAPE 18.2206% MR bar 413.13Sumber: Pengolahan Data

Tabel 3.6 Verifikasi Peramalan Metode Weighted Moving AverageFt-At MR bar UCL LCL A+ A- B+ B-

0 413.13 1098.91 -1098.91 731.23 -731.23 367.68 -367.6880 413.13 1098.91 -1098.91 731.23 -731.23 367.68 -367.68

-675 413.13 1098.91 -1098.91 731.23 -731.23 367.68 -367.68260 413.13 1098.91 -1098.91 731.23 -731.23 367.68 -367.68285 413.13 1098.91 -1098.91 731.23 -731.23 367.68 -367.68403 413.13 1098.91 -1098.91 731.23 -731.23 367.68 -367.68-138 413.13 1098.91 -1098.91 731.23 -731.23 367.68 -367.68-660 413.13 1098.91 -1098.91 731.23 -731.23 367.68 -367.68-330 413.13 1098.91 -1098.91 731.23 -731.23 367.68 -367.68


MI BabIII Hal-44

1 2 3 4 5 6 7 8 9

-1500

-1000

-500

0

500

1000

1500

Weight Moving Average Diagram PT.IIK


Gambar 3.42 Grafik peramalan metode Weighted Moving Average


Dari grafik di atas dapat diketahui bahwa metode WMA valid karena semua titik berada di dalam batas yang telah ditentukan.

3.3.4 Perhitungan Manual Metode Single Exponential SmoothingBerikut ini merupakan tabel hasil perhitungan peramalan beserta ukuran

akurasinya dengan menggunakan metode SES dengan n-4 dan α=0.2

MI BabIII Hal-45

Tabel 3.7 Penghitungan peramalan metode Single Exponential Smoothingn= 4 α= 0,2

t Month At Ft (At-Ft) l At-Ft l (at - ft)^2 (l At-Ft

l/At) (ft-at) n=4 MR

1 Jan 2000 2 Feb 2100 2000 100 100 10000 0.0476 -100 3 Mar 1700 2020 -320 320 102400 0.1882 320 4204 Apr 1600 1956 -356 356 126736 0.2225 356 365 Mei 1850 1885 -35 35 1211 0.0188 35 3216 Jun 2375 1878 497 497 247168 0.2093 -497 5327 Jul 1450 1977 -527 527 278016 0.3636 527 10248 Agu 1750 1872 -122 122 14840 0.0696 122 4059 Sep 1550 1847 -297 297 88479 0.1919 297 17610 Okt 1800 1788 12 12 145 0.0067 -12 30911 Nov 2300 1790 510 510 259722 0.2216 -510 49812 Des 2000 1892 108 108 11600 0.0539 -108 402

Jumlah -431 2884 1140316 1.593764 431 4124 MAPE 14.4888% MR bar 412.37


Tabel 3.8 Verifikasi Peramalan Metode Single Exponential SmoothingBulan ft-at MR Bar UCL LCL A(+) A(-) B(+) B(-)Feb -100 412.37 1096.90 -1096.90 729.89 -729.89 367.01 -367.01Mar 320 412.37 1096.90 -1096.90 729.89 -729.89 367.01 -367.01Apr 356 412.37 1096.90 -1096.90 729.89 -729.89 367.01 -367.01Mei 35 412.37 1096.90 -1096.90 729.89 -729.89 367.01 -367.01Jun -497 412.37 1096.90 -1096.90 729.89 -729.89 367.01 -367.01Jul 527 412.37 1096.90 -1096.90 729.89 -729.89 367.01 -367.01

Agust 122 412.37 1096.90 -1096.90 729.89 -729.89 367.01 -367.01Sep 297 412.37 1096.90 -1096.90 729.89 -729.89 367.01 -367.01Okt -12 412.37 1096.90 -1096.90 729.89 -729.89 367.01 -367.01Nop -510 412.37 1096.90 -1096.90 729.89 -729.89 367.01 -367.01Des -108 412.37 1096.90 -1096.90 729.89 -729.89 367.01 -367.01


MI BabIII Hal-46

1 2 3 4 5 6 7 8 9 10 11

-1500

-1000

-500

0

500

1000

1500

Single Exponential Smoothing PT.IIK


Gambar 3.13 Grafik Peramalan Metode Single Exponential SmoothingSumber: Pengolahan Data

Dari grafik di atas dapat diketahui bahwa metode SES valid karena semua titik berada dalam batas yang telah ditentukan.

3.3.5 Perhitungan Manual Metode Double Exponential SmoothingBerikut ini merupakan tabel hasil perhitungan peramalan beserta ukuran

akurasinya dengan menggunakan metode SES dengan n-4 dan α=0.2

Tabel 3.9 Penghitungan Peramalan Metode Double Exponential Smoothing

t Bulan At S'(SES) S"(DES) a1 b1 ft/a+bm (at - ft)| at- ft

| (at - ft)^2 |(at-ft)/at| (ft-at) n=4 MR

1 Jan 2000 2000 2000 2000 0

2 Feb 2100 2100 2100 2000 0 2000 -2000 100 4000000 0.0476 -100

3 Mar 1700 1700 1700 1700 0 2000 -2000 300 4000000 0.1765 300 4004 Apr 1600 1600 1600 1600 0 1700 -1700 100 2890000 0.0625 100 2005 Mei 1850 1850 1850 1850 0 1600 -1600 250 2560000 0.1351 -250 3506 Jun 2375 2375 2375 2375 0 1850 -1850 525 3422500 0.2211 -525 2757 Jul 1450 1450 1450 1450 0 2375 -2375 925 5640625 0.6379 925 14508 Agust 1750 1750 1750 1750 0 1450 -1450 300 2102500 0.1714 -300 12259 Sep 1550 1550 1550 1550 0 1750 -1750 200 3062500 0.1290 200 50010 Okt 1800 1800 1800 1800 0 1550 -1550 250 2402500 0.1389 -250 45011 Nop 2300 2300 2300 2300 0 1800 -1800 500 3240000 0.2174 -500 25012 Des 2000 2000 2000 2000 0 2300 -2300 300 5290000 0.1500 300 800Jumlah - 3750 38610625 2.08745 -100 5900

MI BabIII Hal-47

20375MAPE 18.9768% MR bar 590.00


Tabel 3.10 Verifikasi Peramalan Metode Double Exponential SmoothingBulan ft-at MR Bar UCL LCL A(+) A(-) B(+) B(-)Feb -100 590.00 1569.40 -1569.40 1044.30 -1044.30 525.10 -525.10Mar 300 590.00 1569.40 -1569.40 1044.30 -1044.30 525.10 -525.10Apr 100 590.00 1569.40 -1569.40 1044.30 -1044.30 525.10 -525.10Mei -250 590.00 1569.40 -1569.40 1044.30 -1044.30 525.10 -525.10Jun -525 590.00 1569.40 -1569.40 1044.30 -1044.30 525.10 -525.10Jul 925 590.00 1569.40 -1569.40 1044.30 -1044.30 525.10 -525.10

Agust -300 590.00 1569.40 -1569.40 1044.30 -1044.30 525.10 -525.10Sep 200 590.00 1569.40 -1569.40 1044.30 -1044.30 525.10 -525.10Okt -250 590.00 1569.40 -1569.40 1044.30 -1044.30 525.10 -525.10Nop -500 590.00 1569.40 -1569.40 1044.30 -1044.30 525.10 -525.10Des 300 590.00 1569.40 -1569.40 1044.30 -1044.30 525.10 -525.10


1 2 3 4 5 6 7 8 9 10 11

-2000

-1500

-1000

-500

0

500

1000

1500

2000

Double Exponential Smoothing PT.IIK


Gambar 3.44 Grafik Peramalan Metode Double Exponential Smoothing


Dari grafik di atas dapat diketahui bahwa metode DES valid karena semua titik berada dalam batas yag telah ditentukan.

MI BabIII Hal-48

3.4 REKAPITULASI DATA HASIL PERHITUNGAN MANUAL

Tabel 3.11 Rekapitulasi Hasil PerhitunganNo. Model Peramalan MAPE MR Chart

1 MA Validn=4 17.46(Terkecil dan Dipilih)

2 DMA 73.23Tidak Valid

n=43 WMA 18.22 Valid

Wt=0,1;0,2;0,3;0,44 SES 14.48 Valid

α=0,25 DES Valid

α=0,2 18.98

Dari tabel di atas dapat diketahui bahwa secara perhitungan manual, metode

Single Exponential Smoothing (SES) yang memiliki nilai kesalahan terkecil yaitu 14.48%.

Dan berikut ini adalah hasil perhitungan peramalan untuk 12 periode ke depan dengn

metode SES.

Tabel 3.12 Jumlah Peramalan 12 BulanBulan ke- Peramalan (Ft)

13 200014 210015 170016 160017 185018 237519 145020 175021 155022 180023 230024 2000

Jumlah 2000Sumber: Pengolahan Data

BAB IVKESIMPULAN DAN SARAN

4.1. KESIMPULAN1. Berdasarkan proses pengolahan data, diperoleh hasil peramalan dengan

kesalahan terkecil adalah dengan metode Single Exponential Smoothing (SES)

dengan pergerakan data (n) sebesar 4 bulan dan alpha (α) sebesar 0.2 dengan

nilai Mean Absolute Precentage Error (MAPE) sebesar 14.48%.

2. Dengan demikian metode SES dipilih sebagai metode peramalan terbaik untuk

meramalkan hasil produksi 12 periode ke depannya.

4.2. SARAN1. 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.

MI BabIV Hal-49

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

Ginting, Rosnani. 2007. Sistem Produksi. Yogyakarta. Graha Il

v

Documents

Modul 1 Peramalan_Kelompok 6_Rev1 done.docx