laporan ro 2
Post on 20-Dec-2015
34 Views
Preview:
DESCRIPTION
TRANSCRIPT
LAPORAN PRAKTIKUM
RISET OPERASI
Modul : 1
Forecasting and Linear Regression menggunakan Winqsb
JURUSAN STATISTIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS ISLAM INDONESIA
YOGYAKARTA
2015
BAB I
PENDAHULUAN
A. (Dasar Pemikiran)
Peramalan (forecasting) adalah seni dan ilmu untuk memperkirakan
kejadian dimasa depan. Hal ini dapat dilakukan dengan melibatkan pengambilan
Kelas:
D
Nama
Praktikan
Nomor
MahasiswaTanggal Kumpul
Tanda tangan
Praktik
anLaboran
Intan
Nurkartri
Utami
13611224 23 april 2015
Nama PenilaiTanggal
KoreksiNilai
Tanda tangan
Asisten Dosen
Anne Mudya Yolanda
Imtihanah Anis M
Ayundyah Kesumawati, M.Si
data masa lalu dan menempatkannya kemasa yang akan datang dengan suatu
bentuk model matematis.
Peramalan merupakan aktivitas fungsi bisnis yang memperkirakan
penjualan dan penggunaan produk sehingga produk-produk itu dapat dibuat dalam
kuantitas yang tepat. Peramalan merupakan dugaan terhadap permintaan yang
akan datang berdasarkan pada beberapa variabel peramal, sering berdasarkan data
deret waktu historis. Peramalan menggunakan teknik-teknik peramalan yang
bersifat formal maupun informal (Gaspersz, 1998).
Kegiatan peramalan merupakan bagian integral dari pengambilan
keputusan manajemen. Peramalan mengurangi ketergantungan pada hal-hal yang
belum pasti (intuitif). Peramalan memiliki sifat saling ketergantungan antar divisi
atau bagian. Kesalahan dalam proyeksi penjualan akan mempengaruhi pada
ramalan anggaran, pengeluaran operasi, arus kas, persediaan, dan sebagainya. Dua
hal pokok yang harus diperhatikan dalam proses peramalan yang akurat dan
bermanfaat (Makridakis, 1999):
1. Pengumpulan data yang relevan berupa informasi yang dapat
menghasilkan peramalan yang akurat.
2. Pemilihan teknik peramalan yang tepat yang akan memanfaatkan
informasi data yang diperoleh semaksimal mungkin.
Peramalan biasanya diklasifikasikan berdasarkan horizon waktu masa depan yang
dicakupnya. Horison waktu teragi atas beberapa kategori :
1. Peramalan jangka pendek, peramalan ini mencakup jangka waktu hingga 1
tahun tetapi umumnya kurang dari bulan. Peramalan ini dugunakan untuk
merencanakan pembelian, penjadwalan kerja, penugasan kerja dan tingkat
produksi.
2. Peramalan jangka menengah, umumnya mencakup hitungan bulanan
hingga 3 tahun. Peramalan ini berguna untuk merencanakan penjualan,
perencanaan dan anggaran produksi, anggaran kas, dan menganalisis
bermacam-macam rencana operasi.
3. Peramalan jangka panjang, umumnya untuk perencanan masa 3 tahun atau
lebih. Peramalan jangka panjang digunakan untuk merencanakan produk
baru, pembelanjaan modal, lokasi atau pengembangan fasilitas, serta
penelitian dan pengembangan.(sumber :
http://softspacess.blogspot.com/2013/10/forecasting-peramalan-dalam-
manajemen.html )
BAB II
DESKRIPSI KERJA
Pada laporan ini akan dibahas studi kasus sebagai berikut:
Dari sebuah data berisi jumlah produksi bahan bakar minyak indonesia dari tahun
1996 hingga 2012 yang dikeluarkan BPS. Praktikan diminta untuk memprediksi
jumlah produksi untuk tahun 2013 dengan menggunakan metode moving average
dengan orde 2,3,4,5 dan single exponential smoothing menggunakan search best
dan memilih metode mana yang paling baik untuk peramalan produksi ditahun
2013. Praktikan diminta untuk menginterpresentasikan hasil tampilan data hingga
ke scatter plot. Berikut data yang ada :
Tahun Premium (barel)
1996 608150001997 633730001998 594030001999 624502712000 692438642001 665339512002 689751342003 643678032004 702600762005 710130102006 718220002007 713370002008 724040002009 727990002010 668200002011 644600002012 67684000
Berikut langkah-langkah praktikan :
1. Membuka program forcasting and linier programing pada program
winqsb yang ada pada menu star>program>winqsb. Berikut tampilan
awal.
Gambar 2.1 Layar utama Winqsb
2. Setelahnya pilih new problem. Ketik year pada time unit. Ketik “bahan
bakar minyak” pada problem tittle yang berfungsi sebagai judul. Ketik 17
pada number of time unit (periods) yang berarti banyaknya kolom data
yang telah ada dari tahun 1996-2012 yaitu sebanyak 17 data dan akan
diramal ditahun berikutnya.
Gambar 2.2 Problem specification
3. Kemudian masukkan data minyak yang telah ada ke kolom historical data
Gambar 2.3 Memasukkan data
4. Klik solve and analyze pada menu lalu pilih perform forecasting
.
Gambar 2.4 forecasting setup
5. Karena praktikan diminta untuk meramal dengan menggunakan metode
moving average maka praktikan menanda moving average (MA) dan
memasukkan number of period in average sebesar 2 lalu klik OK dan
lakukan langkah 5 ini sebanyak 4 kali dengan merubah number of period
in average menjadi 3, 4 dan 5 sesuai dengan studi kasus yang diinginkan
Gambar 2.5 Moving average tiap orde
6. Berikut salah satu output pada moving average dengan orde sebesar 2
Gambar 2.6 Hasil output moving average
7. Setelah selesai melakukan metode moving average maka praktikan
melanjutkan ke metode single exponential smoothing. Sama seperti
langkah moving average pertama-tama praktikan membuka menu solve
and analyze dari data yang ada sebelumnya lalu klik perform forecasting
lalu tandai menu single exponenstial smoothing pada forecasting setup dan
tandai search the best pada method parameters.
Gambar 2.7 single exponential smoothing
8. Berikut output dari single exponential smoothing
Gambar 2.8 Output dari single exponential smoothing
BAB III
PEMBAHASAN
Setelah membuat deskripsi kerja disini praktikan akan membahas hasil
output yang praktikan dapatkan dari metode moving avegare dan single
exponential smoothing. Moving average merupakan metode yang mengambil rata-
rata dari seluruh data observasi yang dikumpulkan untuk meramalkan data yang
akan datang. Berikut output yang praktikan dapatkan dari orde 2,3,4,5 dan search
best
Gambar 3.1 Moving average 2
Gambar 3.2 Moving average orde 5
Gambar 3.3 Moving average orde 3
Gambar 3.4 Moving average orde 4
Gambar 3.5 search best
Metode peramalan yang paling sesuai umumnya adalah metode yang memiliki
nilai error yang terkecil dari nilai MSE,MAPE,MAD,CFE dan Trk.signal. MAPE
Merupakan rata-rata dari keseluruhan persentase kesalahan (selisih) antara data
aktual dengan data hasil peramalan. Ukuran akurasi dicocokkan dengan data time
series, dan ditunjukkan dalam persentase. MSE (Mean Squared Error) adalah
metode alterntif untuk mengevaluasi teknik peramalan masing-masing kesalahan
(selisih data aktual terhadap data peramalan) dikuadratkan, kemudian dijumlahkan
dan dibagi dengan jumlah data atau bisa juga merupakan nilai kuadrat dari
forecast error. MAD (Mean Absolute Deviation) adalah rata-rata dari nilai absolut
simpangan. Dari output yang ada pada Gambar 3.2 hingga Gambar 3.5 praktikan
membuat sebuat tabel untuk memudahkan praktikan dalam melihat perbedaan
nilai yang ada pada setiap output.
Ket CFE MAD MSE MAPE Trk.Signal
2 6133472 2714132 1,242691E+13 4,038445 2,259828
3 1,100733E+07 3043360 1,376238E+13 4,485183 3,616835
4 1,374595E+07 3445112 1,565826E+13 5,042472 3,989986
5 1,05862E+07 3292998 1,33068E+13 4,000316 3,214777
Dari tabel yang praktikan buat maka dapat terlihat nilai mana yang paling kecil
nilai Error nya. Nilai error terkecil terdapat pada metode 2 yaitu CFE sebesar
6133472 MAD sebesar 2714132 MSE sebesar 1,242691E+13 MAPE sebesar
4,038445 dan Trk.signal sebesar 2,259828 . Maka setelah dibandingkan dengan
metode 3,4 dan 5 maka praktikan akan membandingkan metode 2 dengan metode
dari search best.
ket CFE MAD MSE MAPE Trk.signal
2 6133472 2714132 1,242691E+13 4,038445 2,259828
Search
best
9812248 2724927 1,133022E+13 4,07447 3,600922
Setelah dibandingkan nilai error dari metode 2 dengan search best didapat nilai
error terkecil dimiliki oleh metode 2 dari moving average sehingga dapat
praktikan simpulkan bahwa metode yang paling baik untuk peramalan untuk
tahun 2013 adalah metode 2 dari metode moving average dengan nilai CFE
sebesar 6133472 MAD sebesar 2714132 MSE sebesar 1,242691E+13 MAPE
sebesar 4,038445 dan Trk.signal sebesar 2,259828.
BAB IV
PENUTUP
1.1 Kesimpulan
Dari serangkaian perhitungan yang telah dilakukan dapat diambil
kesimpulan :
1. Untuk menemukan motede yang paling baik maka praktikan membandingkan
setiap metode yang ada, metode paling mana yang memiliki nilai error
terkecil.
2. Dari 4 metode yang ada dalam moving average metode yang paling baik untuk
peramalan dengan menentukan nilai error terkecil dimiliki oleh metode 2.
3. Setelah mendapat metode yang terbaik dari moving average maka praktikan
membandingkan lagi metode mana yang lebih baik antara moving average dan
search best dan didapatkan kesimpulan metode 2 dari moving average yang
paling baik untuk peramalan pada tahun 2013.
DAFTAR PUSTAKA
Parkhan, Ali. 2013. Modul Praktikum Riset Operasi. Yogyakarta: Universitas Islam Indonesia.
Forecasting (peramalan) dalam manajemen
operasi.http://softspacess.blogspot.com/2013/10/forecasting-peramalan-
dalam-manajemen.htm l (diakses pada tanggal 18 april 2015 pukul 17.00
WIB).
Statistik Uji Berguna Untuk Pemilihan
Metode.http://dickyrahardi.blogspot.com/2007/08/statistik-uji-yang-berguna-
untuk.html (diakses pada tanggal 22 april 2015 pukul 17.00 WIB).
top related