LAPORAN PRAKTIKUM

PERENCANAAN DAN PENGENDALIAN PRODUKSI

ACARA I

PERAMALAN

Disusun Oleh :

Nama : Pradika Shinta Setyani

NIM : 11/318932/TP/10178

Shift : III

Asisten : Moh. Hidayatullah

Aprilian Megasari

LABORATORIUM SISTEM PRODUKSI

JURUSAN TEKNOLOGI INDUSTRI PERTANIAN

FAKULTAS TEKNOLOGI PERTANIAN

UNIVERSITAS GADJAH MADA

YOGYAKARTA

2013

BAB I

PENDAHULUAN

A. LATAR BELAKANG

Saat ini, produk yang beredar dipasaran sudah sangat melimpah dan

bervariasi. Industri yang bermunculanpun semakin hari semakin tak terkendali.

Hal ini menuntut perusahaan untuk mengatur jalannya proses produksi dan

manajemen operasi dengan melakukan banyak pertimbangan. Jika tidak dilakukan

pengaturan yang baik dalam beroperasi, perusahaan atau industri akan mudah

tumbang karena kalah strategy dengan perusahaan atau industri lainnya. Selain

itu, masalah finansial perusahaan merupakan poin utama yang harus dipelihara

karena masa depan perusahaan ada pada pengaturan finansial yang terstruktur.

Kelangsungan perusahaan dalam bidang manufaktur sangat bergantung

pada permintaan konsumen. Permintaan konsumen yang naik turun atau sifatnya

fluktuatif menyebabkan perusahaan khususnya bidang industri pertanian akan

kesulitan dalam mengatur jadwal produksi dan penentuan akan kebutuhan

sumberdaya. Sebab, kebutuhan akan sumberdaya jika tidak di perhitungkan

dengan baik dan terperinci akan menimbulkan cost dalam bentuk kerugian bagi

industri.

Dengan adanya ketidakpastian tersebut, perlu dikakukan peramalan dalam

suatu industri. Peramalan merupakan seni dan ilmu dalam memperediksikan

kejadian yang akan datang. Maksud peramalan pada lingkup industri meliputi

peramalan permintaan produk, bahan baku, tenaga kerja, dan kebutuhan dana

yang dijadikan sebuah input dalam industri untuk dapat membuat jadwal produksi

maupun dalam menentukan kebutuhan sumberdaya. Dengan adanya peramalan

maka industri dapat membuat keputusan terkait input proses produksi dari jauh

hari sebelum kejadian yang tidak pasti terjadi sehingga perencanaan produksi

akan menjadi lebih mudah. Selain itu dapat meningkatkan profit dan mengurangi

cost sehingga bersifat menguntungkan bagi perusahaan atau industri.

Hal utama yang dibutuhkan saat peramalan adalah data masa lalu.

Banyaknya jumlah data dan tipe data seperti data konstan, musiman, trend

menjadi masalah terkait perhitungan peramalan secara manual. Sehingga perlu

dilakukan perhitungan peramalan dengan menggunakan komputer agar

mempermudah dalam mendapatkan hasil peramalan dan dapat memilih metode

terbaik sesuai dengan tipe data. Untuk itu dilakukan praktikum “peramalan”

menggunakan computer agar praktikan dapat mengolah data dengan

mengaplikasikan software WinQSB dengan mudah dikemudian hari.

B. TUJUAN PRAKTIKUM

1. Mengajarkan mahasiswa untuk melakukan peramalan dengan bantuan

computer.

2. Mengajarkan mahasiswa untuk memilih metode peramalan dengan

benar.

C. MANFAAT PRAKTIKUM

1. Mengetahui cara mengaplikasikan data mentah ke dalam software

WinQSB sehingga perolehan hasil akan lebih mudah dan cepat serta

akurat.

2. Mampu memilih metode peramalan yang paling benar sesuai dengan

tipe data yang ada.

BAB II

TINJAUAN PUSTAKA

Peramalan (forecasting) adalah suatu kegiatan yang memperkirakan apa yang

akan terjadi pada masa mendatang. Peramalan menggunakan data historis dan

memproyeksikannya ke masa depan dengan beberapa bentuk model matematis. Peramalan

penjualan adalah peramalan yang mengkaitkan berbagai asumsi yang berhubungan

dengan tindakan-tindakan yang perlu diambil serta variable-variabel lain yang

mempengaruhi permasalahan arus penjualan yang diperkirakan terjadi. Peramalan

diperlukan karena adanya perbedaan waktu antara keadaan akan dibutuhkannya suatu

kebijakan baru. Apabila perbedaan waktu tersebut panjang, maka peran peramalan

menjadi penting dan sangat dibutuhkan, terutama dalam penentuan kapan terjadi

suatu peristiwa sehingga dapat di persiapkan tindakan- tindakan yang diperlukan

(Sugiyo, 2008).

Peramalan adalah seni dan ilmu untuk memprediksi masa depan. Peramalan

adalah tahap awal, dan hasil ramalan merupakan basis bagi seluruh tahapan pada

perencanaan produksi. Proses peramalan dilakukan pada level agregat (part family),

bila data yang dimiliki adalah data item, maka perlu dilakukan agregasi terlebih

dahulu (Icun, 2005). Peramalan dapat diklasifikasikan menjadi beberapa macam,

yaitu (Baroto, 2002):

a) Peramalan berdasarkan jangka waktu :

1. Peramalan jangka pendek (kurang dari satu tahun, umumnya kurang dari

tiga bulan) : digunakan untuk order pembelian, penjadwalan kerja atau

produksi, penjadwalan jjumlah tenaga kerja dan penugasan pekerjaan.

2. Peramalan jangka menengah (tiga bulan hingga tiga tahun) : digunakan

untuk perencanaan penjualan, perencanaan dan penganggaran produksi,

oerencanaan pembelian, perencanaan distribusi dan menganalisis berbagai

rencana operasi.

3. Peramalan jangka panjang (tiga tahun atau lebih) : digunakan untuk

merencanakan dan meluncurkan produk baru, perencanaan modal,

perencanaan lokasi fasilitas, perencanaan strategis, perencanaan kapasitas

dan penelitian serta pengembangan.

b) Peramalan berdasarkan rencana operasi

1. Ramalan ekonomi : membahas siklus bisnis dengan memprediksi tingkat

inflasi dan indikator perencanaan lainnya.

2. Ramalan teknologi : berkaitan dengan tingkat kemajuan teknologi

dan produk baru.

3. Ramalan permintaan : berkaitan dengan proyeksi permintaan terhadap

produk perusahaan. Ramalan ini disebut juga ramalan penjualan, yang

mengarahkan produksi, kapasitas dan sistem penjadwalan perusahaan.

c) Peramalan berdasarkan metode / pendekatan

1. Peramalan kuantitatif, menggunakan berbagai model matematis atau

metode statistik dan data historis dan atau variabel-variabel kausal untuk

meramalkan permintaan.

2. Peramalan kualitatif, menggunakan intuisi, pengalaman pribadi dan

berdasarkan pendapat (judment) dari yang melakukan peramalan.

Tujuan peramalan pada dasarnya adalah memperkirakan jumlah

permintaan di masa depan. Untuk mencapai hal tersebut, diharapkan hasil yang

diramalkan mendekati kondisi sebenarnya. Ketepatan dan ketelitian hasil

peramalan digunakan sebagai tolak ukur performansi metode peramalan yang

dalam hal ini dinyatakan sebagai kesalahan peramalan. Semakin kecil kesalahan

peramalan berarti semakin teliti pula metode yang digunakan dalam melakukan

peramalan (Kazmier, 2003).

Menurut Jawahar (2009) esensi dari peramalan adalah perkiraan peristiwa-

peristiwa di waktu yang akan datang atas dasar pola-pola di waktu yang lalu dan

penggunaan kebijakan terhadap proyeksi-proyeksi dengan pola-pola yang terdapat

pada waktu yang lalu. Peramalan memerlukan kebijakan, sedangkan proyeksi-

proyeksi merupakan bagian dari fungsi-fungsi mekanikal. Proses peramalan

terdiri dari beberapa langkah, antara lain :

a. Menetapkan tujuan peramalan.

b. Memilih unsur apa yang akan diramal.

c. Menentukan horizon waktu peramalan.

d. Memilih tipe model peramalan.

e. Mengumpulkan data yang diperlukan untuk melakukan peramalan.

f. Membuat peramalan.

g. Memvalidasi dan menerapkan hasil peramalan.

Terlepas dari suatu sistem permalan yang digunakan, setiap perusahaan

atau entitas usaha menghadapi beberapa kenyataan. Kenyataan tersebut yaitu

peramalan yang dilakukan tidak ada yang 100% akurat, dan terdapat standar

deviasi pada masing-masing teknik dan atau pendekatan yang dilakukan. Selain

itu, hampir semua peramalan mengasumsikan bahwa sistem akan tetap stabil dan

biasanya baik peramalan kelompok produk mapun peramalan secara keseluruhan

lebih akurat daripada peramalan produk individu (Ehlers, 2001).

Terdapat dua pendekatan umum peramalan, sebagaimana ada dua acara

mengatasi semua model keputusan, yaitu (Ariyoso, 2009) :

a. Peramalan kualitatif (Qualitative Forecast), adalah pendekatan menggunkan

model matematis yang beragam dengan data masa lalu dan variable sebab-

akibat untuk meramalkan permintaan atau penjualan. Beberapa teknik yang

biasa digunakan antara lain adalah :

1) Metode Delphi, dimana pengambil keputusan terdiri dari 10 orang pakar

yang akan melakukan peramalan, dengan menggunakan responden yang

berbeda dimana penilaian dilakukan, dan kelompok ini juga memberikan

input pada pengambilan keputusan sebelum peramlan dibuat.

2) Keputusan dari pendapat juri eksekutif, dalam metode ini pendapat

sekumpulan kecil manajer atau pakar tingkat tinggi, sering

dikombinasikan dengan model statistik, dikumpulkan untuk mendapatkan

prediksi permintaan kelompok.

3) Gabungan dari tenaga penjualan, dalam pendekatan ini setiap tenaga

penjualan memperkirakan berapa penjualan yang bisa dilakukan dalam

wilayahnya.

4) Survei pasar konsumen, metode ini meminta input dari konsumen

mengenai rencana pembelian mereka di masa yang akan datang.

b. Peramalan kuantitatif (Quantitative Forecast), adalah pendekatan yang

menggabungkan faktor seperti intuisi, emosi, pengalaman pribadi, dan sistem

nilai pengambil keputusan untuk meramal. Lima metode yang dapat

digunakan antara lain adalah :

i. Time series model :

1) Rata-rata Bergerak (Moving Average), menggunakan sejumlah data aktual

masa lalu untuk menghasilkan peramalan.

2) Penghalusan Eksponensial, merupakan metode peramalan rata-rata

bergerak dengan pembobotan yang telah dikembangkan lebih lanjut,

namun masih bisa digunakan.

3) Pendekatan Naif, adalah teknik peramalan yang mengasumsikan

permintaan di periode mendatang sama dengan permintaan terkini.

4) Proyeksi Tren, adalah metode peramalan time-series yang menyesuaikan

sebuah garis tren pada sekumpulan data masa lalu, dan kemudian

diproyeksikan untuk meramalkan masa depan, dan dapat menggunakan

tren matematis (seperti eksponensial dan atau kuadratis).

ii. Associative model : Kuadrat Terkecil (Least Square Method), pendekatan

ini menghasilkan sebuah garis lurus yang meminimalkan jumlah kuadrat

dari deviasi vertikal garis pada setiap hasil pengamatan aktual.

Menurut time series terdapat empat jenis pola permintaan antara lain

(Ariyoso, 2009):

1. Pola Trend

Bila data permintaan menunjukkan kecenderungan gerakan penurunan atau

kenaikan jangka panjang. Bila data berpola trend, maka metode peramalan yang

sesuai adalah metode linier regression, exponential smoothing, atau double

exponential smoothing.

2. Pola Musiman

Bila data yang kelihatannya berfluktuasi, namun fluktuasi tersebut akan terlihat

berulang dalam suatu waktu interval tertentu, maka data tersebut berpola musiman.

Metode peramalan yang sesuai dengan pola musiman adalah metode winter

(sangat sesuai), atau moving average, atau weight moving average.

3. Pola Siklikal

Bila fluktuasi permintaan secara jangka panjang membentuk pola sinusoida atau

gelombang atau siklus. Pola siklikal mirip dengan pola musiman. Pola musiman

tidak harus berbentuk gelombang, bentuknya dapat bervariasi, namun waktunya

berulang setiap tahun (umumnya). Pola siklikal bentuknya selalu mirip gelombang

sinusoid. Metode yang sesuai bila data berpola siklikal adalah metode moving

average, weight moving average, dan exponential smoothing.

4. Pola Eratik/Random

Bila fluktuasi data permintaan dalam jangka panjang tidak dapat digambarkan oleh

ketiga pola lainnya. Fluktuasi permintaan bersifat acak atau tidak jelas.tidak ada

metode peramalan yand direkomendasikan untuk pola ini. Hanya saja tingkat

kemampuan seorang analisis peramalan sangat menentukan dalam pengambilan

kesimpulan mengenai pola data.

Metode Smoothing merupakan salah satu jenis teknik yang digunakan dalam

analisis time series (runtun waktu) untuk memberikan peramalan jangka pendek.

Dalam melakukan smoothing (penghalusan) terhadap data, nilai masa lalu digunakan

untuk mendapatkan nilai yang dihaluskan untuk time series. Nilai yang telah

dihaluskan ini kemudian diekstrapolasikan untuk meramal nilai masa depan. Tehnik

yang kita kenal dalam metode smoothing yaitu Simple Moving Average dan

Exponential smoothing. Data time series seringkali mengandung ketidakteraturan

yang akan menyebabkan prediksi yang beragam. Untuk menghilangkan efek yang

tidak diinginkan dari ketidak-teraturan ini, metode simple moving average

mengambil beberapa nilai yang sedang diamati, memberikan rataan, dan

menggunakannya untuk memprediksi nilai untuk periode waktu yang akan datang.

Semakin tinggi jumlah pengamatan yang dilakukan, maka pengaruh metode moving

average akan lebih baik. Meningkatkan jumlah observasi akan menghasilkan nilai

peramalan yang lebih baik karena ia cenderung meminimalkan efek-efek pergerakan

yang tidak biasa yang muncul pada data. Moving Average juga mempunyai dua

kelemahan yaitu memerlukan data masa lalu dalam jumlah besar untuk ketepatan

prediksi, dan masing-masing observasi diberikan bobot yang sama, ini melanggar

bukti empiris bahwa semakin observasi terbaru seharusnya lebih dekat dengan nilai

masa depan maka kepentingan bobotnya akan meningkat pula (Sugiarto, 2000).

Metode weighted moving average mirip dengan metode moving average,

hanya saja diperlukan pembobotan untuk data paling baru dari deret berkala. Sebagai

contoh data yang paling baru ditentukan bobotnya sebesar 0.4, data terbaru

berikutnya berbobot 0.3, kemudian berturut-turut 0.2 dan terakhir 0.1. Dan perlu

diingat bahwa jumlah bobot yang diberikan harus sama dengan 1.00. Dan bobot

terberat diberikan pada data yang terbaru. Metode winter’s merupakan metode

peramalan yang sering dipilih untuk menangani data permintaan yang mengandung

baik variasi musiman maupun unsur trend. Metode ini mengolah tiga asumsi untuk

modelnya : unsur konstan, unsur trend dan unsur musiman. Ketiga komponen diatas

secara kontinyu diperbarui menggunakan konstanta smoothing yang diterapkan pada

data terbaru dan estimasi yang paling akhir (Person, 2007).

Terdapat beberapa perhitungan yang biasa digunakan untuk menghitung

kesalahan peramalan (forecast error) total. Perhitungan ini dapat digunkan untuk

membandingkan model peramalan yang berbeda, juga untuk mengawasi peramalan,

dan untuk memastikan peramalan berjalan dengan baik. Tiga dari perhitungan

tersebut antara lain adalah (Sugiarto, 2000) :

a) Mean Absolute Deviation (MAD), dimana nilai kesalahan dihitung dengan

mengambil jumlah nilai absolut dari tiap kesalahan peramalan dibagi dengan

jumlah periode data.

b) Mean Squared Error (MSE), dimana nilai kesalahan dihitung dengan

menggunakan rata-rata selisih kuadrat antara nilai yang diramalkan dan

diamati.

c) Mean Absolute Percent Error (MAPE), dimana kesalahan dihitung dengan

menggunakan rata-rata diferensiasi absolut antara nilai yang diramal dengan

nilai aktual, dan dinyatakan sebagai persentase nilai aktual.

BAB III

METODE PRAKTIKUM

A. ALAT DAN BAHAN

1. Laptop atau computer

2. Software WinQSB

3. Data penjualan produk 1,2 dan 3 pada modul praktikum

B. PROSEDUR PRAKTIKUM

1. Menentukan tujuan peramalan (ramalan penjualan).

2. Menentukan jangka waktu peramalan (6 bulan kedepan).

3. Mengumpulkan dan menganalisis data :

a. Mengeplotkan data penjualan aktual produk 1, produk 2, produk 3

selama 36 periode pada Ms. Excel.

b. Membuat grafik dari masing-masing data aktual tersebut dan diamati

pola perubahannya apakah berpola konstan, trend, atau musiman.

4. Menentukan teknik peramalan yang sesuai dengan pola data yang ada :

a. Untuk data konstan/random (produk 1) menggunakan metode simple

average, weighted moving average, exponential smoothing dan adaptive

exponential smoothing.

b. Untuk data trend (produk 2) menggunakan moving average with linear

trend, exponential smoothing with linear trend, double exponential

smoothing, double exponential smoothing with linear trend dan linear

regression.

c. Jika data musiman (produk 3), pilihan yang mungkin digunakan adalah

metode winter’s.

5. Melakukan peramalan:

a. Menjalankan program WinQSB

b. Pilihlah “Forecasting and Linear Regression”

c. Pada menu “File” pilihlah pilihan “New Problem”

d. Muncul “Data specification” dan isikan:

1) Problem Type = Times Series Forecasting

2) Problem Title: Peramalan 1,2,3 atau nama lain

3) Time unit: Month

4) Number of Time Units = 36 dan klik “OK”.

e. Memasukkan data penjualan yang ada pada baris yang tersedia dengan

mengcopy dan paste dari Ms.Exel.

f. Simpan data tersebut dalam c:\Peramalan 1, c:\Peramalan 2,

c:\Peramalan 3 untuk masing-masing data yang ada.

g. Dalam menu “Solve and Analyze” klik “Perform Forecasting”.

h. Dalam “Forecasting Method” dipilih 2 metode yang sesuai.untuk

masing masing data produk di atas (produk 1 simple average, produk 2

double exponential smoothing with trend dan produk 3 holt-winters

additive algorithm). Di dalam peramalan yang sesungguhnya boleh

dipilih lebih dari 2 metode asalkan sesuai dengan pola data.

i. Dalam “Method Parameters” dipilih “assign values” untuk nilai yang

sudah diketahui atau dipilih “search for the best” untuk pencarian terbaik

oleh komputer (biasanya lama untuk model yang kompleks).

j. Dalam “Search Criterion” dipilih “MAD”.

k. Dalam “Number of Periods to Forecast” diisikan angka 6 untuk

meramalkan enam periode ke depan.

l. Isikan setiap data sesuai dengan metode peramalan yang dipilih.

m. Klik “OK” maka hasil peramalan akan diperoleh.

n. Untuk melihat gambar hasil peramalan klik “Show Forecasting in

Graph”.

o. Menyimpan data hasil peramalan dengan format dokumen (*.xls).

6. Mengukur kesalahan:

a. Membuka semua file yang tadi disimpan dan membandingkan nilai

MAD dari setiap hasil peramalan metode yang digunakan.

b. Menggunakan ukuran MAD (Mean Absolute Deviation) yang terkecil

untuk memilih metode peramalan yang paling baik.

7. Memverifikasi peramalan:

Plotkan data Tracking signal (TS) dari hasil peramalan dengan

menggunakan batas control ±3 (UCL=3 dan LCL=-3) untuk

memverifikasi metode peramalan yang dipilih.

8. Melakukan analisis untuk hasil peramalan masing-masing produk.

BAB IV

HASIL DAN PEMBAHASAN

A. HASIL

(Terlampir)

B. PEMBAHASAN

Pada praktikum acara 1 Perencanaan dan Pengendalian Produksi (P3) ini

berjudul “Peramalan” atau forecasting yang memiliki tujuan untuk mengajarkan

mahasiswa melakukan peramalan dengan bantuan komputer. Selain itu juga

mengajarkan mahasiswa untuk dapat memilih metode dengan benar. Sehingga,

diharapkan nantinya praktikan dapat mengaplikasikannya dikemudian hari.

Peramalan merupakan seni, ilmu dan suatu kegiatan untuk

memperkirakan/memperediksikan apa yang akan terjadi pada masa mendatang.

Peramalan dilakukan menggunakan data historis dan memproyeksikannya ke masa

depan dengan beberapa bentuk model matematis. Pada suatu industri, peramalan

biasanya dilakukan untuk meramalkan kebutuhan di masa dating yang meliputi

kebutuhan dalam ukuran kuantitas, kualitas, waktu dan lokasi yang dibutuhkan

dalam rangka memenuhi permintaan barang dan jasa. Dengan kata lain dengan

melakukan peramalan dapat mengetahui perkiraan permintaan pasar yang akan

terjadi pada periode tertentu sehingga memudahkan perencanaan produksi.

Industri yang melakukan peramalan dapat memperkirakan segala hal yang

berkaitan dengan proses produksi seperti kapasitas produksi atas dasar

permintaan produk, bahan baku, tenaga kerja dan kebutuhan dana maupun

kebutuhan sumber daya (resource requirements) untuk mengoptimalkan proses

produksi.

Praktikum dilakukan dengan memasukkan data produk 1,2 dan 3 masing-

masing sebanyak 36 data atau 36 periode ke dalam Ms.Excel. Kemudian data di

plot kan dalam grafik sehingga dapat diketahui pola data yang terbentuk

merupakan data konstan, trend atau musiman. Dengan mengetahui pola data, akan

memudahkan proses peramalan pada saat memilih metode yang sesuai

menggunakan software WinQSB. Untuk data produk 1 diperoleh pola data

konstan karena data yang terbentuk naik-turun dengan konstan tanpa ada pola

tertentu yang bersifat kecenderungan. Kemudian untuk data produk 2 diperoleh

pola trend positif karena grafik memiliki kecenderungan naik. Pola data trend

memiliki 2 jenis yaitu trend positif dan trend negative. Pola trend positif memiliki

kecenderungan naik seperti pda grafik produk 2 sedangkan trend negative

memiliki kecenderungan turun pada grafik yang ada. Data produk 3 terlihat

kecenderungan membentuk pola yang hamper sama dengan resonansi gelombang

atau disebut pola data musiman.

Langkah selanjutnya adalah membuka software WinQSB dengan memilih

program Forecasting and Linear Regression kemudian pada menu File dipilih

pilihan New Problem. Muncullah data specification dan dilakukan pengisian

terhadap problem type dengan memilih time series forcasting ; problem title

dengan mengisi nama file peramalan 1 untuk produk 1, peramalan 2 untuk produk

2 dan peramalan 3 untuk produk 3 sesuai dengan keinginan praktikan ; time unit

yaitu month dan terakhir adalah number of time unit yang diisi dengan 36 karena

data yang akan diinput sebanyak 36 periode dan klik OK. Selanjutnya adalah

memasukkan data yang telah di input sebelumnya pada Ms.excel untuk dicopy-

paste pada software WinQSB.

Untuk data produk 1, 2 dan 3, data yang sudah dimasukkan dalam

WinQSB dilakukan pengolahan data dengan memilih menu solve and analyze

kemudian klik perform forecasting dan diisikan sesuai dengan data dan tujuan

peramalan. Untuk forecasting method dipilih simple average untuk pola data

konstan (produk 1), kemudian produk 2 dengan pola data trend menggunakann

double exponential smoothing with trend dan produk 3 dengan pola musiman

dipilih metode holt-winters additive algorithm. Selanjutnya memilih assign

values pada method parameters untuk nilai yang sudah diketahui atau memilih

search for the best untuk pencarian terbaik oleh komputer. Pada data produk 1

method parameters menggunakan assign values, produk 2 menggunakan search

the best untuk memperoleh nilai alfa dan produk 3 menggunakan search the best

untuk memperoleh nilai dari konstanta alfa, betha dan gamma. Biasanya, search

the best digunakan oleh pengguna yang memang bukan ahlinya untuk data yang

bersifat kompleks. Sedangkan para ilmuan yang memang sudah mengetahui

besarnya nilai konstanta yang akan digunakan dapat menggunakan assign values.

Selanjutnya dipilih MAD dalam search criterion dan angka 6 diisikan pada

number of period to forecast yang berarti bahwa dilakukan peramalan pada enam

period ke depan untuk setiap data produk. Hasilnya akan diperoleh setelah

mengklik OK dan data dapat disimpan dalam format (*.xls).

Langkah berikutnya adalah mengukur kesalahan dengan membuka dan

membandingkan nilai MAD pada Ms.Excel dari setiap hasil peramalan metode

yang digunakan. Nilai MAD terbaik memiliki nilai paling kecil. Peramalan

diverifikasi dengan memplot data tracking signal dari setiap hasil peramalan

dengan memasukkan batas kontrol atas (UCL) +3 dan batas kontrol bawah (LCL)

-3 karena persediaan dianggap tinggi sehingga maksimal UCL dan LCL adalah

±4. Sedangkan untuk data dengan persediaan rendah, maksimal batas atas

maupun bawah adalah ±8. Hal ini dilakukan karena untuk memverifikasi metode

peramalan yang dipilih. Selanjutnya dilakukan analisis untuk hasil peramalan

masing-masing produk. Dengan memberikan batas atas dan batas bawah kita

dapat mengetahui persebaran data dan data yang termasuk dalam in control

ataupun masuk dalam out of control.

Untuk mengetahui keakuratan dari hasil peramalan, dapat dilakukan

beberapa perhitungan yang dapat digunakan yang ditentukan oleh nilai kesalahan

peramalan atau value of forecast error. Perhitungan ini digunakan untuk

menghitung kesalahan peramalan (forecast error) total. Apabila permintaan actual

dilambangkan dengan D dan nilai peramalan F, maka :

Forecast error (et) = Dt – Ft

Dimana, Dt = data pada periode t dan Ft = peramalan pada periode t

Metode untuk mengetahui tingkat akurasi peramalan diantaranya adalah :

1. Mean Squared Error (MSE) adalah salah satu metode untuk mengevaluasi

metode peramalan. Masing-masing kesalahan et (forecast error) dikuadratkan

kemudian dijumlahkan. Jumlah dari kuadrat et tersebut kemudian dibagi

dengan jumlah observasi. Atau dapat dikatakan rata – rata selisih kuadrat

antara nilai yang diramalkan dan yang diamati. Kekurangan penggunaan

MSE adalah bahwa MSE cenderung menonjolkan deviasi yang besar karena

adanya pengkuadratan.

2. Mean Absolute Percentage Error (MAPE) merupakan rata – rata diferensiasi

absolut antara nilai yang diramalkan dan actual, dinyatakan sebagai

persentase nilai aktual. Dilakukan dengan menjumlahan setiap kesalahan (et)

absolut pada periode t dibagi dengan data aktual pada periode t . Kemudian

mengkalikan dengan 100 dibagi dengan banyaknya data-1 (n-1). Pendekatan

ini berguna ketika ukuran atau besar variabel ramalan itu penting dalam

mengevaluasi ketepatan ramalan. MAPE mengindikasi seberapa besar

kesalahan dalam meramal yang dibandingkan dengan nilai nyata.

3. Mean Absolute Deviation (MAD) adalah metode untuk mengevaluasi metode

peramalan menggunakan rata-rata dari jumlah kesalahan-kesalahan yang

absolut. MAD mengukur ketepatan ramalan dengan merata-rata kesalahan

dugaan (nilai absolut masing-masing kesalahan). MAD berguna ketika

mengukur kesalahan ramalan dalam unit yang sama sebagai deret asli.

4. Bias of Forecasting Error (BFE) adalah metode yang hamper sama dengan

MAD namun pada BFE nilai et tidak mutlak atau absolut.

∑

5. The Running Sum of Forecast Error (RSFE) atau Cumulatif of Forecast Error

(CFE) merupakan jumlah berjalan dari nilai kesalahan suatu peramalan,

artinya jumlah seluruh nilai et hingga n tertentu (nilai akumulatif).

∑

6. Validasi peramalan dilakukan dengan Tracking signal. Tracking signal

adalah suatu ukuran bagaimana baiknya suatu peramalan memperkirakan

nilai-nilai aktual. Tracking signal yang positif menunjukan bahwa nilai aktual

permintaan lebih besar daripada ramalan, sedangkan tracking signal yang

negatif berarti nilai aktual permintaan lebih kecil daripada ramalan. Tracking

signal disebut baik apabila memiliki RSFE yang rendah, dan mempunyai

positive error yang sama banyak atau seimbang dengan negative error,

sehingga pusat dari tracking signal mendekati nol. Tracking signal yang telah

dihitung dapat dibuat peta kontrol untuk melihat kelayakkan data di dalam

batas kontrol atas dan batas kontrol bawah.

Tracking signal =

Dalam perhitungan secara manual menggunakan salah satu contoh

metode yaitu metode simple average pada periode ke 4, nilai forecast error

diperoleh dari hasil pengurangan actual data dengan nilai forecastnya (245-

256,6667=-11,667). Kemudian CFE merupakan jumlah et hingga periode ke

4 (20+(-11,6667)=8,334). Nilai MAD diperoleh dengan menjumlahkan nilai

absolute et dibagi dengan n (

=10,556). Nilai MSE diperoleh

dari jumlah et kuadrat dibagi dengan n (

.

Nilai MAPE(%) diperoleh dari ((

))=4,0564). Untuk

nilai TS diperoleh dari pembagian CFE dengan MAD (8,333/10,556=0,789).

Perhitungan untuk setiap periode terhadap semua metode dilakukan dengan

cara yang sama dengan cara diatas.

Hasil peramalan menggunakan WinQSB memuat berbagai macam

data terkait dengan data hasil forecast maupun data keakurasiannya. Salah

satunya terdapat data tracking signal yang digunakan untuk membuat

diagram control atau control chart dengan memasukkan data tersebut ke

dalam Ms.Excel. data yang dibutuhkan dalam pembuatan control chart

diantaranya data tracking signal dari masing-masing metode produk1, 2 dan

3. Selain itu batas control atas sebagai UCL, garis tengah atau garis pusat

sebagai CL dan batas control bawah sebagai LCL. Batas control bernilai ±3

karena data diangap memiliki persediaan yang tinggi. Sehingga UCL bernilai

+3 ; LCL bernilai -3 dan CL bernilai 0.

Pada hasil forecast produk 1 dengan simple average terlihat terdapat 6

titik yang termasuk dalam out of control yaitu pada titik ke16, 31,32,33,34

dan 35. Artinya peramalan pada periode ke 17, 32, 33, 34, 35 dan 36 nilainya

tidak valid, bias atau jauh dari nilai aktualnya dikarenakan tracking signal

pada periode tersebut terlalu negatif atau positif dari batas kontrol atas

maupun batas kontrol bawah. Untuk hasil forecast produk 2 dengan metode

Double Exponential Smoothing with Trend (DEST) terlihat bahwa terdapat 3

titik yang keluar dari batas control atau termasuk dalam data out of control

yaitu pada titik ke 24,25 dan 26 atau pada period eke 25,26 dan 27. Ketiga TS

melebihi batas control atas UCL dari grafik sehingga data tidak valid, bias.

Hasil verifikasi produk 3 ditemukan 4 titik yang keluar dari batas control,

yaitu titik 4, 5, 26 dan 28. Atau data pada period eke 5, 6, 27 dan 29 keluar

dari batas control, data bersifat bias.

Nilai alpha, beta dan gamma menentukan tingkat pemulusan grafik

yang berpengaruh terhadap nilai error peramalan. Alpha α adalah nilai

koefisien untuk memuluskan (smoothing) data. Koefisien alpha terdapat pada

metode yang menggunakan pemulusan untuk memuluskan data yang tidak

beraturan (0< α<1). Beta β adalah koefisien garis trend (0< β<1). Koefisien

beta terdapat pada metode peramalan yang menggunakan garis trend, dimana

untuk membuat garis trend tersebut terdapat koefisien untuk meluruskannya

atau mengambil garis yang dominan yaitu beta. Gamma γ adalah koefisien

pada model peramalan data musiman (0< γ<1). Pada data yang musiman

pemulusan datanya tidak hanya menggunakan alpha dan beta, namun juga

ditambah gamma.

R-Square (R2) sering disebut dengan koefisien determinasi. R-Square

adalah mengukur kebaikan (goodness of fit) dari persamaan regresi, yaitu

memberikan proporsi atau persentase variasi total dalam variabel terikat yang

dijelaskan oleh variabel bebas. Nilai R2 terletak antara 0 – 1, dan kecocokan

model dikatakan lebih baik kalau R2 semakin mendekati 1. Adjusted R

Square, suatu sifat penting R2 adalah nilainya merupakan fungsi yang tidak

pernah menurun dari banyaknya variabel bebas yang ada dalam model. Oleh

karenanya, untuk membandingkan dua R2 dari dua model, orang harus

memperhitungkan banyaknya variabel bebas yang ada dalam model. Ini dapat

dilakukan dengan menggunakan “adjusted R square”. Istilah penyesuaian

berarti nilai R2 sudah disesuaikan dengan banyaknya variabel (derajat bebas)

dalam model. R2 yang disesuaikan ini juga akan meningkat bersamaan

meningkatnya jumlah variabel, tetapi peningkatannya relatif kecil. Seringkali

juga disarankan, jika variabel bebas lebih dari dua, sebaiknya menggunakan

adjusted R square.

BAB V

KESIMPULAN

1. Peramalan atau forecasting merupakan teknik yang berguna untuk

memprediksi kejadian yang akan datang. Salah satu software (alat/tools) yang

dapat membantu melakukan peramalan dengan cepat dan akurat selama

praktikum berlangsung adalah WinQSB.

2. Metode peramalan dipilih berdasarkan pola data. Data produk 1 bersifat

konstan dan diramal menggunakan simple average. Data produk 2 bersifat

trend positif sehingga diramalkan menggunakan double exponential

smoothing with trend (DEST) dan produk 3 berpola data musiman sehingga

digunakan metode winter’s additive algorithm. Untuk mengetahui metode

peramalan terbaik, dilakukan perbandingan hasil MAD dari suatu data

menggunakan beberapa metode yang sesuai dengan pola datanya.

DAFTAR PUSTAKA

Ariyoso. 2009. Metode Simple Moving Average. Dalam

http://statistik4life.blogspot.com/2009/11/metode-simple-moving-

average.html diakses pada tanggal 17 November 2013 pukul 10.30 WIB.

Baroto, Teguh. 2002. Perencanaan dan pengendalian Produksi. Jakarta:Ghalia

Indonesia.

Ehlers, John F. 2001. Rocket Science for Traders: Digital Signal Processing

Applications. Wiley Trading. New York.

Icun, Holy Y dan Martinus Getty. 2005. Business Concepts in Inventory. Jakarta :

PT elex media komputindo.

Jawahar, Lal dan Seema Srivastava. 2009. Cost Accounting 4E. the McGraw-Hill

Companies. New Delhi.

Kazmier, Leonard J. 2003. STATISTIK UNTUK BISNIS Schaum's Easy Outlines.

Jakarta : Erlangga.

Person, John L. 2007. Candlestick and Pivot Point Trading Triggers: Setups for

Stock, Forex, and future markets. John Willey. Hoboken.

Sugiarto. 2000. Metode statistika untuk bisnis dan ekonomi. Jakarta : PT

Gramedia Pustaka Utama.

Sugiyo, Andre. 2008. Forecasting. Dalam http://andresugiyono.edublogs.org/

diakses pada tanggal 17 November 2013 pukul 11.30 WIB.

LAMPIRAN

A. HASIL

1. Produk 1

a. Grafik Penyebaran Data

b. Tabel peramalan dengan metode Simple Average

Forecast Result for produk 1

11/19/2013 Actual Forecast by Forecast CFE MAD MSE

MAPE (%) Tracking R-square

Month Data SA Error Signal

1 250

2 250 250 0 0 0 0 0 0 0

3 270 250 20 20 10 200 3.703704 2 1

4 245 256.6667 -11.6667 8.333344 10.55555 178.7036 4.056436 0.789475 0.150794

5 255 253.75 1.25 9.583344 8.229164 134.4184 3.164876 1.164559 0.155258

6 250 254 -4 5.583344 7.383331 110.7347 2.851901 0.756209 0.105875

7 260 253.3333 6.666672 12.25002 7.263888 99.68632 2.803935 1.686427 0.145295

8 240 254.2857 -14.2857 -2.03571 8.267007 114.6 3.253713 -0.24624 5.94E-02

9 260 252.5 7.5 5.464294 8.171131 107.3062 3.207576 0.668732 6.07E-02

10 255 253.3333 1.666672 7.130966 7.448413 95.69195 2.9238 0.957381 6.37E-02

11 250 253.5 -3.5 3.630966 7.053572 87.34775 2.77142 0.51477 5.60E-02

225

230

235

240

245

250

255

260

265

270

275

1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35

produk 1

produk 1

12 255 253.1818 1.818176 5.449142 6.577627 79.70757 2.584292 0.828436 5.79E-02

13 270 253.3333 16.66667 22.11581 7.418381 96.21343 2.883338 2.981219 8.44E-02

14 245 254.6154 -9.61539 12.50043 7.587381 95.92438 2.963439 1.647529 4.96E-02

15 255 253.9286 1.071426 13.57185 7.121956 89.15463 2.781776 1.905636 5.11E-02

16 258 254 4 17.57185 6.913826 84.27766 2.699684 2.541553 5.83E-02

17 260 254.25 5.75 23.32185 6.841086 81.07671 2.669175 3.409086 7.04E-02

18 250 254.5882 -4.58824 18.73361 6.708566 77.54584 2.620123 2.792491 5.75E-02

19 245 254.3333 -9.33333 9.400284 6.854386 78.07724 2.686201 1.371426 3.99E-02

20 250 253.8421 -3.8421 5.558182 6.695845 74.74484 2.625708 0.830094 3.66E-02

21 255 253.65 1.350006 6.908188 6.428553 71.09873 2.520894 1.07461 3.73E-02

22 255 253.7143 1.285721 8.193909 6.183656 67.79179 2.424861 1.325091 3.80E-02

23 240 253.7727 -13.7727 -5.57881 6.528614 73.33252 2.575487 -0.85452 3.14E-02

24 250 253.1739 -3.17392 -8.75273 6.382758 70.58214 2.518708 -1.37131 3.27E-02

25 250 253.0417 -3.04167 -11.7944 6.243546 68.02671 2.464456 -1.88906 3.45E-02

26 265 252.92 12.08 0.285599 6.477004 71.1427 2.548218 4.41E-02 2.77E-02

27 250 253.3846 -3.38461 -3.09901 6.358066 68.84704 2.50228 -0.48741 2.77E-02

28 240 253.2593 -13.2593 -16.3583 6.613666 72.80856 2.614221 -2.47341 3.06E-02

29 255 252.7857 2.214279 -14.144 6.456544 70.38336 2.551868 -2.19065 2.92E-02

30 250 252.8621 -2.86208 -17.0061 6.332597 68.23882 2.50335 -2.68548 3.09E-02

31 255 252.7667 2.233337 -14.7727 6.195955 66.13045 2.449099 -2.38426 2.95E-02

32 240 252.8387 -12.8387 -27.6115 6.410238 69.31438 2.542659 -4.3074 3.64E-02

33 255 252.4375 2.5625 -25.049 6.289996 67.35352 2.494604 -3.98235 3.41E-02

34 240 252.5152 -12.5152 -37.5641 6.478637 70.05883 2.57703 -5.79815 0.043283

35 250 252.1471 -2.14706 -39.7112 6.351238 68.13387 2.526494 -6.25251 4.57E-02

36 255 252.0857 2.914291 -36.7969 6.253039 66.42984 2.486962 -5.88464 0.042426

37 252.1667

38 252.1667

39 252.1667

40 252.1667

41 252.1667

42 252.1667

CFE -36.7969

MAD 6.253039

MSE 66.42984

MAPE 2.486962

Trk.Signal -5.88464

R-square 0.042426

c. Grafik Verifikasi

2. Produk 2 (pola data trend positif)

a. Grafik Penyebaran Data

-8

-6

-4

-2

0

2

4

1 2 3 4 5 6 7 8 9 1011121314151617181920212223242526272829303132333435TS

UCL

LCL

CL

0

50

100

150

200

250

300

350

400

450

500

1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35

produk 2

produk 2

b. Tabel peramalan dengan metode double exponential smoothing

with trend (DEST)

Forecast Result for Produk 2

11/13/2013 Actual Forecast by Forecast CFE MAD MSE

MAPE (%) Tracking R-square

Month Data DEST Error Signal

1 250

2 260 250 10 10 10 100 3.846154 1

3 270 260.4 9.600006 19.60001 9.800003 96.08006 3.700856 2

4 280 273.088 6.912018 26.51202 8.837341 79.9787 3.290096 3

5 260 285.5763 -25.5763 0.9357 13.02209 223.5211 4.926834 0.071855

6 255 266.1458 -11.1458 -10.2101 12.64683 203.6627 4.815649 -0.80733

7 285 254.8071 30.19287 19.98276 15.57117 321.6538 5.778706 1.283318

8 290 283.4469 6.553131 26.53589 14.28288 281.8381 5.27599 1.857881

9 295 295.6655 -0.66547 25.87042 12.5807 246.6637 4.64469 2.056357

10 300 302.1487 -2.14865 23.72177 11.42159 219.7696 4.208193 2.076924

11 310 306.9095 3.090546 26.81232 10.58848 198.7478 3.887069 2.532215

12 290 316.538 -26.538 0.274353 12.03844 244.7037 4.36561 2.28E-02

13 285 296.1885 -11.1885 -10.9142 11.96761 234.7437 4.328959 -0.91198

14 310 284.6266 25.37335 14.45917 12.99882 266.2101 4.625574 1.112345

15 315 308.0638 6.936249 21.39542 12.56578 250.6317 4.452461 1.702673

16 320 319.1872 0.812805 22.20822 11.78225 233.9669 4.172564 1.884888

17 330 325.8178 4.182159 26.39038 11.30724 220.4371 3.990986 2.333936

18 340 336.1724 3.827637 30.21802 10.86727 208.3321 3.822444 2.780646

19 305 347.2891 -42.2891 -12.071 12.61292 296.1117 4.380379 -0.95704

20 340 311.4795 28.52054 16.44949 13.45016 323.3385 4.591327 1.222996

21 350 337.8768 12.12323 28.57272 13.38382 314.5202 4.53495 2.134871

22 360 354.9328 5.067169 33.63989 12.98779 300.7657 4.386026 2.590117

23 365 367.9287 -2.92874 30.71115 12.53056 287.4844 4.223134 2.450901

24 380 373.9791 6.020935 36.73209 12.24753 276.5612 4.108409 2.999142

25 390 388.5451 1.454865 38.18695 11.79784 265.1261 3.952768 3.236776

26 400 399.9905 9.46E-03 38.19641 11.3263 254.521 3.794752 3.372364

27 420 410.3261 9.67392 47.87033 11.26275 248.3312 3.737389 4.250324 0.978066

28 400 430.7153 -30.7153 17.15506 11.98321 274.0755 3.883368 1.431591

29 425 411.7155 13.28448 30.43954 12.02969 270.5898 3.856311 2.530369

30 425 430.1701 -5.17007 25.26947 11.79315 262.1809 3.765282 2.142725

31 430 433.024 -3.02405 22.24542 11.50084 253.7464 3.663215 1.934243

32 435 436.7119 -1.71191 20.53351 11.18507 245.6555 3.557742 1.835796

33 440 440.9467 -0.94672 19.58679 10.86512 238.0068 3.453287 1.802722

34 440 445.5144 -5.51444 14.07236 10.70298 231.7159 3.38662 1.314807

35 450 445.0757 4.924316 18.99667 10.53302 225.614 3.319198 1.803535

36 450 454.0021 -4.00214 14.99454 10.34642 219.6255 3.249775 1.449248

37 454.9766

38 459.0312

39 463.0857

40 467.1402

41 471.1948

42 475.2493

CFE 14.99454

MAD 10.34642

MSE 219.6255

MAPE 3.249775

Trk.Signal 1.449248

R-square

Alpha=0.52

F(0)=250

F'(0)=250

c. Grafik Verifikasi

3. Produk 3 (pola data musiman)

a. Grafik Penyebaran Data

-4

-3

-2

-1

0

1

2

3

4

5

1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35

TS

UCL

LCL

CL

0

50

100

150

200

250

300

350

400

1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35

produk 3

produk 3

b. Tabel peramalan dengan metode holt-winters additive algorithm

Forecast Result for Produk 3

11/13/2013 Actual Forecast by Forecast CFE MAD MSE

MAPE (%) Tracking R-square

Month Data HWA Error Signal

1 250

2 255 250 5 5 5 25 1.960784 1

3 260 258.393 1.606995 6.606995 3.303497 13.79122 1.28943 2

4 265 264.4835 0.51648 7.123474 2.374491 9.283061 0.924586 3

5 270 269.834 0.165985 7.289459 1.822365 6.969183 0.708808 4

6 290 274.9467 15.05334 22.3428 4.468561 50.89598 1.605208 5 0.657917

7 280 305.1618 -25.1618 -2.81903 7.91744 147.933 2.835402 -0.35605

8 275 278.087 -3.08704 -5.90607 7.227382 128.1611 2.59071 -0.81718

9 270 270.9922 -0.99216 -6.89822 6.447979 112.264 2.312804 -1.06983

10 270 265.3189 4.681122 -2.2171 6.251661 102.225 2.248465 -0.35464

11 265 268.4955 -3.49548 -5.71259 5.976044 93.22433 2.155524 -0.95591

12 260 261.1234 -1.12344 -6.83603 5.534898 84.86413 1.998848 -1.23508

13 270 255.3611 14.63892 7.802887 6.293566 95.65028 2.284096 1.23982

14 280 275.295 4.704956 12.50784 6.171366 89.99538 2.237653 2.026754

15 290 288.4878 1.512177 14.02002 5.838566 83.73047 2.115067 2.401278

16 285 299.514 -14.514 -0.49396 6.416927 92.19214 2.31357 -7.70E-

02

17 295 284.6648 10.33521 9.841248 6.661819 93.10616 2.387938 1.477261

18 300 301.6783 -1.67825 8.162994 6.368669 87.79501 2.280378 1.281743

19 290 305.5394 -15.5394 -7.3764 6.878153 96.33266 2.45138 -1.07244

20 285 284.9944 5.62E-03 -7.37079 6.516441 91.26253 2.322464 -1.13111

21 285 279.9982 5.001801 -2.36899 6.440709 87.9503 2.294092 -0.36781

22 280 283.3924 -3.39243 -5.76141 6.295553 84.31022 2.242543 -0.91516

23 275 276.0903 -1.09033 -6.85175 6.058952 80.53197 2.158632 -1.13085

24 270 270.3504 -0.35043 -7.20218 5.810755 77.03593 2.070421 -1.23946

25 260 265.1126 -5.11264 -12.3148 5.781667 74.91522 2.066087 -2.12998

26 270 251.6432 18.3568 6.041977 6.284672 85.39749 2.255396 0.961383

27 290 274.1001 15.89987 21.94185 6.654488 91.83628 2.379524 3.297301

28 300 304.8898 -4.88977 17.05208 6.589128 89.32049 2.351761 2.587911

29 320 311.5716 8.428406 25.48048 6.654816 88.66754 2.361837 3.828879

30 330 337.2911 -7.29111 18.18938 6.676757 87.44315 2.356581 2.724283

31 335 342.3434 -7.34335 10.84602 6.698977 86.32587 2.351097 1.619057

32 325 342.3602 -17.3602 -6.51415 7.042887 93.26295 2.447564 -0.92493

33 320 320.5796 -0.57959 -7.09374 6.840909 90.35899 2.376738 -1.03696

34 320 315.1863 4.813721 -2.28001 6.779479 88.32301 2.3503 -0.33631

35 310 318.4529 -8.45285 -10.7329 6.828695 87.82677 2.361371 -1.57173

36 310 302.7168 7.283234 -3.44963 6.841682 86.83302 2.36103 -0.50421

37 307.6591

38 305.3183

39 302.9774

40 300.6366

41 298.2957

42 295.9549

CFE -3.44963

MAD 6.841682

MSE 86.83302

MAPE 2.36103

Trk.Signal -0.50421

R-square

c=1

Alpha=0.87

Beta=0.78

Gamma=1

F(0)=250

T(0)=0

S(1)=0

c. Grafik Verifikasi

-4

-3

-2

-1

0

1

2

3

4

5

6

1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35

TS

UCL

LCL

CL