Upload
irowati17
View
108
Download
22
Embed Size (px)
Citation preview
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
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
Berikut ini adalah gambar 3.11, yaitu grafik hasil peramalan dengan menggunakan
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
Berikut ini adalah gambar 3.14, yaitu hasil peramalan dengan menggunakan
metode MAT beserta verifikasinya.
Gambar 3.14 Hasil Peramalan Metode MAT dan verifikasinyaSumber: Pengolahan Data
MI BabIII Hal-22
Berikut ini adalah gambar 3.15, yaitu grafik hasil peramalan dengan menggunakan
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
Berikut ini adalah gambar 3.17, yaitu hasil peramalan dengan menggunakan
metode SES beserta verifikasinya.
MI BabIII Hal-24
Gambar 3.17 Hasil Peramalan Metode SES dan VerifikasinyaSumber: pengolahan Data
Berikut ini adalah gambar 3.18, yaitu grafik hasil peramalan dengan menggunakan
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
Berikut ini adalah gambar 3.20, yaitu hasil peramalan dengan menggunakan
metode SEST beserta verifikasinya
MI BabIII Hal-26
Gambar 3.20 Hasil Peramalan Metode SEST dan VerifikasinyaSumber: Pengolahan Data
Berikut ini adalah gambar 3.21, yaitu grafik hasil peramalan dengan menggunakan
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
Berikut ini adalah gambar 3.23, yaitu hasil peramalan dengan menggunakan
metode DES beserta verifikasinya
Gambar 3.23 Hasil Peramalan metode DES dan Verifikasinya
MI BabIII Hal-28
Sumber: Pengolahan Data
Berikut ini adalah gambar 3.24, yaitu grafik hasil peramalan dengan menggunakan
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
Berikut ini adalah gambar 3.26, yaitu hasil peramalan dengan menggunakan
metode DEST beserta verifikasinya
Gambar 3.26 Hasil Peramalan metode DEST dan Verifikasinya
MI BabIII Hal-30
Sumber: Pengolahan Data
Berikut ini adalah gambar 3.27, yaitu grafik hasil peramalan dengan menggunakan
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
Berikut ini adalah gambar 3.29, yaitu hasil peramalan dengan menggunakan
metode AES beserta verifikasinya
MI BabIII Hal-32
Gambar 3.29 Hasil Peramalan metode AES dan VerifikasinyaSumber: Pengolahan Data
Berikut ini adalah gambar 3.30, yaitu grafik hasil peramalan dengan menggunakan
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
Berikut ini adalah gambar 3.32, yaitu hasil peramalan dengan menggunakan
metode LR beserta verifikasinya
MI BabIII Hal-34
Gambar 3.32 Hasil Peramalan metode LR dan VerifikasinyaSumber: Pengolahan Data
Berikut ini adalah gambar 3.33, yaitu grafik hasil peramalan dengan menggunakan
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
Berikut ini adalah gambar 3.35, yaitu hasil peramalan dengan menggunakan
metode HWA beserta verifikasinya
Gambar 3.35 Hasil Peramalan metode HWA dan Verifikasinya
MI BabIII Hal-36
Sumber: Pengolahan Data
Berikut ini adalah gambar 3.36, yaitu grafik hasil peramalan dengan menggunakan
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
Berikut ini adalah gambar 3.38, yaitu hasil peramalan dengan menggunakan
metode HWM beserta verifikasinya
MI BabIII Hal-38
Gambar 3.38 Hasil Peramalan metode HWM dan VerifikasinyaSumber: Pengolahan Data
Berikut ini adalah gambar 3.39, yaitu grafik hasil peramalan dengan menggunakan
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%
Sumber: Pengolahan Data
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
Sumber: Pengolahan Data
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
Sumber: Pengolahan Data
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-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
Ft-AtMR barUCLLCLA+A-B+B-
Gambar 3.41 Grafik Peramalan Metode Double Moving Average
Sumber: Pengolahan Data
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
Sumber: Pengolahan Data
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
Ft-AtMR barUCLLCLA+A-B+B-
Gambar 3.42 Grafik peramalan metode Weighted Moving Average
Sumber: Pengolahan Data
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
Sumber: Pengolahan Data
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
Sumber: Pengolahan Data
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
Ft-AtMR barUCLLCLA+A-B+B-
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
Sumber: Pengolahan Data
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
Sumber: Pengolahan Data
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
Ft-AtMR barUCLLCLA+A-B+B-
Gambar 3.44 Grafik Peramalan Metode Double Exponential Smoothing
Sumber: Pengolahan Data
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