LAPORAN PRAKTIKUM

PERENCANAAN DAN PENGENDALIAN PRODUKSI

ACARA 1

PERAMALAN

Disusun oleh :

Nama : Agustina Pika Wulansari

NIM : 10/300327/TP/09802

Kelompok : C / SHIFT 2

Ass : Mariani Agustin

Antonius Angga C.

LABORATORIUM SISTEM PRODUKSI

JURUSAN TEKNOLOGI INDUSTRI PERTANIAN

FAKULTAS TEKNOLOGI PERTANIAN

UNIVERSITAS GADJAH MADA

YOGYAKARTA

2012

BAB I

PENDAHULUAN

A. Latar Belakang

Dalam suatu industri terdapat banyak faktor ketidak pastian yang

perlu dipertimbangkan dalam pengambilan keputusan manajemen, seperti

penentuan jumlah dan waktu pembelian bahan baku, jumlah pekerja, jadwal

produksi. Keputusan manajemen yang tepat akan menghasilkan produksi

yang efektif dan efisien sehingga mendukung produktivitas perusahaan dan

pada akhirnya menambah profit perusahaan.

Peramalan merupakan suatu bentuk seni dan ilmu yang digunakan

untuk memperkirakan suatu kejadian dimasa depan. Dengan adanya

peramalan, orang sudah dapat memperkirakan peristiwa apa yang akan terjadi

di masa depan sekaligus menyiapkan tindakan guna mengantisipasi segala

kemungkinan yang akan terjadi. Suatu peramalan tidak memiliki nilai mutlak,

akan tetapi lebih bersifat subjektif, artinya jika dua orang melakukan

peramalan secara bersama-sama, hasil yang diperoleh belum tentu sama.

Peramalan yang akan dibahas pada praktikum ini adalah peramalan yang

memiliki tingkat resiko yang tinggi, karena menyangkut hidup-matinya suatu

perusahaan dan tentunya akan berdampak langsung kepada karyawan maupun

terhadap harga barang di pasar. Tanpa peramalan, keputusan yang diambil

tentunya akan menjadi kurang akurat. Dengan adanya peramalan, diharapkan

akan tercipta suatu keputusan dengan tingkat prediksi yang baik sehingga apa

yang dihasilkan tidak melenceng terlalu jauh dari kenyataan.

Peramalan memerlukan berbagai kegiatan untuk mengenali dan

memantau berbagai sumber permintaan produk atau jasa, yang meliputi

peramalan, pencatatan pesanan, membuat janji penyerahan, menentukan

kebutuhan unit-unit operasional untuk mengkoordinasi seluruh kegiatan

secara terpadu. Sasaran peramalan dapat dikategorikan berdasarkan jangka

waktunya ke dalam sasaran jangka panjang , jangka menengah, jangka

pendek, dan segera. Dalam peramalan juga harus diketahui jenis data yang

digunakan apakah berjenis konstan, trend, ataukah musiman. Sehingga dapat

dipilih metode peramalan yang paling akurat dan juga mencegah atau

meminimalisir terjadinya bias.

B. Tujuan Praktikum

1. Mengajarkan mahasiswa untuk melakukan peramalan dengan bantuan

komputer.

2. Mengajarkan mahasiswa untuk memilih metode peramalan dengan benar.

C. Manfaat Praktikum

1. Praktikan mampu melakukan peramalan secara cepat menggunakan

software WinQsb.

2. Praktikan mampu melakukan peramalan yang bermanfaat di dunia kuliah

bahkan di dunia pekerjaan nantinya.

3. Praktikan mampu memilih metode peramalan yang tepat sesuai dengan

jenis data.

BAB II

TINJAUAN PUSTAKA

Dalam dunia industri peramalan biasanya didefinisikan sebagai suatu

perkiraan tingkat permintaan yang diharapkan untuk suatu produk atau beberapa

produk dalam periode waktu tertentu dimasa yang akan datang. Peramalan

merupakan taksiran ilmiah yang memiliki sedikit kesalahan yang disebabkan

adanya keterbatasan kemampuan manusia. Hasil-hasil ramalan sangat diperlukan

dalam pengambilan keputusan yang organisasi. Jangka waktu peramalan yang

diperlukan harus sesuai dengan keputusan itu. Jika keputusan akan diperlukan

untuk waktu enam bulan, maka ramalan yang hanya ketepatan untuk satu bulan ke

depan tidak bisa digunakan sebagai acuan dalam keputusan tersebut. Oleh karena

itu kriteria pemilihan metode peramalan yang tepat adalah keseimbangan antara

waktu pengambilan keputusan, jangka waktu ramalan dan ketepatan. Tujuan dari

peramalan adalah untuk mengurangi resiko dalam pengambilan keputusan untuk

masa yang akan datang. Karena peramalan tidak mungkin mengeliminasi semua

resiko, maka keputusan yang diambil merupakan keputusan dengan asumsi

peramalannya benar, disertai kelonggaran untuk kesalahan. Keputusan-keputusan

yang memerlukan peramalan antara lain (Anonim, 2012):

1. Penjadwalan Sumber Daya Yang Tersedia

2. Kebutuhan Sumber Daya Tambahan

3. Penentuan Sumber Daya Yang Diinginkan

Apabila dilihat dari sifat penyusunnya, maka peramalan dapat dibedakan

menjadi dua macam, yaitu (Nasution, 2008):

1. Peramalan Kualitatif (Subyektif), yaitu peramalan berdasarkan atas

perasaan atau intuisi dari orang yang menyusunnya. Dalam hal ini

pandangan atau ketajaman orang yang menyusunnya sangat menentukan

baik tidaknya hasil peramalan. Hasil peramalan yang ada sangat

ditentukan oleh pemikiran yang bersifat intuisi, judgment (pendapat) dan

pengetahuan serta pengalaman dari penyusunnya. Biasanya orang yang

berpartisipasi dalam permalan ini adalah orang-orang yang ahli dan

berpengalaman. Metode peramalan ini dibagi menjadi dua yaitu:

a. Metode Eksploratoris

Analisa menggunakan data masa lalu dan masa kini sebagai titik

awalnya dan bergerak kearah masa depan secara heuristic,

seringkali dengan melihat semua kemungkinan yang ada.

b. Metode Normatif

Proses analisa dimulai dengan menetapkan sasaran dan tujuan yang

akan datang, kemudian bekerja mundur untuk melihat apakah hal

ini dapat dicapai, berdasarkan kendala, sumber daya, dan teknologi

yang tersedia.

2. Peramalan Kuantitatif (Obyektif), yaitu peramalan yang didasarkan atas

data yang relevan pada masa lalu dengan menggunakan teknis-teknis dan

metode-metode dalam analisa data. Hasil peramalan yang dibuat sangat

bergantung pada metode yang digunakan dalam peramalan tersebut.

Metode yang berbeda akan menghasilkan peramalan yang berbeda.

Metode yang baik adalah metode yang memberikan nilai-nilai

penyimpangan sekecil mungkin antara hasil peramalan dengan kenyataan

yang terjadi.

Dilihat dari jangka waktu ramalan yang disusun, peramalan dapat dibedakan

atas dua macam yaitu (Ravindran, 2009):

1. Peramalan Jangka Panjang, yaitu peramalan yang dilakukan untuk

menyusun hasil peramalan yang jangka waktunya lebih dari satu setengah

tahun atau tiga semester.

2. Peramalan Jangka Pendek, yaitu peramalan yang dilakukan untuk

penyusunan hasil ramalan yang kurang dari satu setengah tahun atau tiga

semester.

Persyaratan dalam peramalan kuantitatif adalah memeuhi tiga kondisi sebagai

berikut (Taha, 2007):

1. Adanya informasi tentang keadaan yang lain

2. Informasi tersebut dapat dikuantifikasikan

3. Pola data yang lalu diasumsikan akan berkelanjutan pada masa yang akan

datang.

Adapun metode-metode peramalan kuantitatif adalah sebagai berikut (Taha,

2007):

1. Metode Kuantitatif Causal

Dalam metode ini dilakukan asumsi atas adanya hubungan sebab akibat

antara input dan output pada suatu sistem akan mempengaruhi output

sistem tersebut. Hubungan input-output tersebut dicari lebih dahulu.

2. Metode Kuantitatif Time Series

Metode peramalan ini memperkirakan keadaan dimasa yang akan datang

berdasarkan data masa lalu dengan asumsi proses bersifat stabil. Pola seri

data masa lalu diekstrapolasi untuk meramalkan keadaan dimasa akan

datang. Teknik peramalan yang sering digunakan dalam metode ini antara

lain :

a. Metode Perataan (Average)

b. Pemulusan (Smoothing) Eksponensial

c. Trend Projection

Metode time series adalah metode peramalan secara kuantitatif dengan

menggunakan waktu sebagai dasar peramalan. Secara umum, permintaan pada

masa yang akan datang dipengaruhi oleh waktu. Untuk membuat suatu peramalan

diperlukan data historis (masa lalu) permintaan. Data inlah yang akan dianalisis

dengan menggunakan parameter waktu sebagai dasar analisis (Baroto, 2002).

Langkah penting dalam memilih suatu metode time series yang tepat

adalah dengan mempertimbangkan jenis pola data, sehingga metode yang paling

tepat dengan pola tersebut dapat diuji. Pola data dapat dibedakan menjadi 4 jenis

bentuk pola data, yaitu (Pardede, 2005):

1. Pola Horisontal (H) atau Horizontal Data Pattern

Pola data dalam peramalan biasanya berfluktuaasi di sekitar nilai rata-rata

yang konstan. Suatu produk yang penjualannya tudak meningkat atau

menurun selama waktu tertentu termasuk jenis ini dan disebut pola data

horisontal.

2. Pola Musiman (S) Atau Seasional Data Pattern

Pola data ini terjadi bilamana suatu deret dipengaruhi oleh faktor musiman

seperti tahunan, bulanan, atau harian.

3. Pola Siklis (C) Atau Cyclied Data Pattern

Pola data ini terjadi bilamana data dipengaruhi oleh fluktuasi ekonomi

jangka panjang seperti yang berhubungan gengan siklus bisnis.

4. Pola Trend (T) Trend Data Pattern

Pola data ini terjadi bilamana terdapat kenaikan atau penurunan sekuler

jangka waktu yang lebih panjang yang berkaitan dengan data. Misalnya

penjualan pada banyakperusahaan, Produk Bruto Nasional (GNP), dan

berbagai faktor bisnis atau ekonomi lainya mengikuti suatu pola trend

selama perubahannya sepanjang waktu.

Ketepatan metode peramalan disebut juga dengan verifikasi atau uji

validasi. Uji ini digunakan untuk melihat apakah data yang diambil memiliki

perbedaan simpangan kesalahan yang cukup kecil. Dalam tahap ini penyimpangan

yang kecil dicari sehingga bisa diperkirakan bahwa antara hasil ramalan dan data

observasi diyakini tidak memiliki perbedaan yang mencolok (Wignjosoebroto,

2003).

Mean Absolute Deviation (MAD), ukuran pertama kesalahan peramalan

keseluruhan untuk sebuah model adalah (MAD). Nilai ini dihitung dengan

mengambil jumlah nilai absolut dari tiap kesalahan peramalan dibagi dengan

peramalan dibagi dengan jumlah periode data (Heizer and Render, 2004).

BAB III

METODE PRAKTIKUM

A. Alat dan Bahan

Alat:

1. Komputer

2. Software WINQSB

Bahan:

1. Data Penjualan Produk I

2. Data Penjualan Produk II

3. Data Penjualan Produk III

B. Prosedur Praktikum

1. Menentukan tujuan peramalan yaitu ramalan penjualan

2. Menentukan jangka waktu peramalan yaitu enam bulan ke depan

3. Mengumpulkan dan menganalisis data

Memplotkan data penjualan aktual selama 36 periode diplotkan dengan

microsoft Excel dan mengamati pola perubahannya apakah berpola

konstan, trend atau musiman.

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

Untuk data produk pertama yang merupakan data konstan

menggunakan metode yaitu metode Simple Average.

Untuk data produk kedua yang merupakan data trend menggunakan

metode yaitu metode Double Exponential Smoothing.

Untuk data produk ketiga yang merupakan data musiman

menggunakan metode yaitu metode Holt Winter Additive Algorithm.

5. Melakukan peramalan

Menjalankan program WINQSB dengan :

Memilih “Forecasting and Linear Regression”

Pada menu “File” dipilih pilihan “New Problem” dan diisikan :

Problem type = Time Series Forecasting

Problem title = peramalan atau nama lain

Time unit = Month

Number of time unit (periods) = 36

Problem type = Time Series

Klik “OK”

Data penjualan yang ada dimasukkan pada baris yang tersedia

dengan cara menyalin dari data excel yang telah diplotkan

sebelumnya.

Data peramalan disimpan dalam folder untuk masing-masing

data.

Dalam menu Solve and Analyze dipilih Perform Forecasting

Dalam Forecasting Method, dipilih metode peramalan untuk

masing - masing jenis data yaitu simple average untuk produk

I, double exponential smoothing untuk produk II dan Holt

Winter Additive Algorithm untuk produk III.

Dalam Method Parameters dipilih “assign values” untuk nilai

yang sudah diketahui dan “Search for the best” untuk

pencarian terbaik oleh komputer.

Dalam “Number of periods to forecast” diisikan angka 6 untuk

meramalkan enam periode ke depan.

Klik OK untuk melihat masing - masing hasil peramalan yang

dipilih.

Untuk melihat gambar hasil peramalan, klik “Show

Forecasting in Graph”.

6. Melakukan pengukuran kesalahan

Menggunakan ukuran MAD (Mean Absolute Deviation) yang terkecil

untuk memilih metode peramalan yang paling baik.

7. Melakukan verifikasi

Membuat plot grafik dari Formula Tracking Signal (TS) ± 3 untuk

memverifikasi metode peramalan yang dipilih

TS=RSFEMAD

=∑t=1

n

(Dt−F t)

∑t=1

n

¿ D t−F t∨¿

n¿

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

BAB IV

HASIL DAN PEMBAHASAN

A. HASIL ( TERLAMPIR)

Grafik ploting data awal ( Produk 1, Produk 2 dan Produk 3)

Hasil forecast dari praktikum (Peramalan 1, Peramalan 2 dan Peramalan

3)

Grafik hasi verifikasi (Produk 1, Produk 2 dan Produk 3)

B. PEMBAHASAN

Pada praktikum perencanaan dan pengendalian produksi kali ini

merupakan praktikum peramalan. Pada praktikum peramalan ini memiliki tujuan

yaitu untuk mengajarkan mahasiswa agar melakukan peramalan dengan bantuan

komputer. Dan juga dari praktikum peramalan ini dapat mengajarkan mahasiswa

untuk memilih metode peramalan dengan benar.

Pada praktikum peramalan ini praktikan melakukan peramalan dari data

dari 3 buah produk pada handout praktikum dengan memakai software WinQSB.

Pada praktikum ini terdapat prosedur praktikum yaitu diawali dengan menetapkan

tujuan peramalan, yaitu melakukan peramalan penjualan. Kemudian praktikan

menentukan jangka waktu peramalan yaitu peramalan untuk 6 bulan kedepan.

Tahap selanjutnya yaitu mengumpulkan dan menganalisis data yang diawali

dengan mengetik data demand produk 1, 2 dan 3 pada Microsoft Excel lalu

melihat pola data dari tiap produk itu. Dari data yang sudah diplotkan itu dilihat

apakah bentuk data nya merupakan data konstan, data trend atau data musiman.

Cara melihat pola data produk 1 adalah dengan memblok cell-cell data demand

produk 1 lalu memilih Insert – Chart - Point - Line. Pola data produk 2 dan 3 juga

dilihat dengan cara yang sama. Setelah dilakukan plot grafik diketahui bahwa data

produk 1 memiliki pola konstan, produk 2 memiliki pola trend dan produk 3

memiliki pola musiman dengan trend. Pola konstan merupakan pola data yang

persebarannya menunjukan pola acak dan cenderung membentuk lintasan yang

lurus, sejajar sumbu X grafik. Pola trend merupakan pola data yang memiliki

persebaran data yang membentuk lintasan yang memiliki gradien (kemiringan)

baik menaik atau menurun. Pola trend-seasonal atau musiman merupakan pola

data yang memiliki persebaran data yang memiliki siklus naik-turun data tertentu

dan memiliki kemiringan.

Berdasarkan pola data yang sudah diplotkan tadi kemudian praktikan

memasukan data demand untuk diproses dengan software sesuai dengan jenis pola

datanya. Software yang digunakan untuk melakukan peramalan penjualan ini

adalah WinQSB. Program ini dapat dijalankan dengan cara double click file

FC.exe (Forecasting and Linear Regression) pada folder WinQSB. Folder

WinQSB ini bisa diakses dengan klik Start – Application – Wine - Wine C:\

Browser. Setelah masuk ke program WinQSB langkah selanjutnya yaitu mengklik

File - New Problem - Poblem Type: Time Series Forecasting dipilih, karena

analisa yang dilakukan menggunakan data time series yaitu data yang telah

dimiliki sebelumnya. Tahap selanjutnya yaitu mengisi Problem Title dengan

Produk 1, dan Periods dengan 36 karena data yang dimasukan terdapat 36

periode, Time Units tetap diisi dengan Months. Setelah tabel sudah muncul, data

dari Excel di blok dan di copy kemudian di kolom kosong pada WinQSB diblok

dan dilakukan paste dengan menekan tombol Ctrl+V. Angka-angka data akan

terisi lalu praktikan melakukan peramalan dengan langkah: klik Solve and Analyze

- Perform Forecasting.Pemilihan Forecasting Method sesuai dengan jenis pola

data. Untuk produk 1 yang memiliki pola konstan digunakan metode Simple

Average (SA). Method Parameter dipilih Assign Value dan Search Criterion

dipilih MAD. MAD ini yang nantinya akan digunakan dalam melakukan

verifikasi hasil peramalan. Number of Periods to Forecast diisi dengan 6, karena

memang pada peramalan ini ditentukan untuk meramalkan dalam enam periode

kedepan.

Pada proses peramalan metode SA pada produk 1 ini diperoleh hasil

seperti pada bagian lampiran. Tabel hasil ini memiliki 10 kolom sbb:

1. Month = bulan ataupun periode yang digunakan dalam data

2. Actual Data = nilai dari data yang telah dimiliki sebelumnya yang

digunakan sebagai dasar dalam peramalan

3. Forecast by SA = nilai hasil peramalan berdasarkan Actual Data periode-

periode sebelumnya

4. Forecast Penyimpangan (FE) = besar selisih antara nilai hasil peramalan

dengan nilai aktual pada periode yang sama

5. CFE (Cummulative FE) = RSFE (Running Sum FE) = penjumlahan dari

FE pada suatu periode dan periode-periode sebelumnya

6. MAD (Mean Absolute Deviation) = nilai absolute rerata dari FE suatu

periode dan periode-periode sebelumnya

7. MSE (Mean Square Penyimpangan) = nilai FE suatu periode dan periode-

periode sebelumnya yang dikuadratkan lalu direrata

8. MAPE (Mean Absolute Percentage Penyimpangan) = persentase rerata

dari absolute FE terhadap nilai data aktual dari suatu periode dan periode-

periode sebelumnya.

9. Tracking Signal = nilai CFE dibagi dengan nilai MAD dalam suatu

periode. Nilai ini digunakan dalam grafik verifikasi peramalan.

10. R-square = nilai determinasi, atau nilai R (korelasi) yang dikuadratkan

Suatu peramalan bisa dilakukan dengan berbagai metode. Metode yang

disimulasikan disesuaikan dulu dengan pola data masa lalu yang dimiliki. Bila

pola datanya konstan maka metode yang bisa dipakai antara lain: Simple Average,

Weighted Moving Average, Exponential Smoothing, Adaptive Exponential

Smoothing. Adapun untuk pola data trend metode yang cocok digunakan antara

lain: Moving Average with Linear Trend, Exponential Smoothing with Linear

Trend, Double Exponential Smoothing, Double Exponential Smoothing with

Linear Trend, Linear Regression. Sedangkan untuk pola data musiman

pilihannya adalah metode Winter’s.

Metode SA merupakan metode perataan paling sederhana yang akan

menghasilkan ramalan yang baik hanya jika data menjadi acuan tidak

menunjukkan adanya trend, dan tidak menunjukkan adanya unsur musiman.

Metode SA ini hanya menghitung rerata dari data masa lalu untuk memperoleh

hasil ramalan.

Metode WMA juga termasuk metode sederhana dalam peramalan. Metode

sederhana yang biasa digunakan adalah metode Moving Average (MA) dan

metode Weighted Moving Average (WMA). Metode WMA adalah

pengembangan dari MA dengan menambahkan faktor bobot. Metode MA

menggunakan rata-rata beberapa data terakhir sebagai data prakiraan masa

berikutnya. Metode ini sangat sederhana karena merata-ratakan beberapa data

terakhir. Metode ini memuluskan perubahan data yang sangat tinggi atau sangat

rendah. Metode WMA meramalkan dengan beberapa data terakhir dengan

memberikan bobot yang berbeda-beda. Hal ini bisa didasarkan dengan pengaruh

data yang lebih baru adalah lebih besar dari data yang lebih lama terhadap

keadaan di masa datang.

Metode Exponential Smoothing merupakan prosedur perbaikan terus-

menerus pada peramalan terhadap objek pengamatan terbaru. Metode peramalan

ini menitik-beratkan pada penurunan prioritas secara eksponensial pada objek

pengamatan yang lebih tua. Dalam pemulusan eksponensial atau exponential

smoothing terdapat satu atau lebih parameter pemulusan yang ditentukan secara

eksplisit, dan hasil ini menentukan bobot yang dikenakan pada nilai observasi.

Dengan kata lain, observasi terbaru akan diberikan prioritas lebih tinggi bagi

peramalan daripada observasi yang lebih lama. Metode Exponential Smoothing

dibagi lagi berdasarkan menjadi beberapa metode yaitu single, double, dan tripler.

SES biasa digunakan pada peramalan jangka pendek. Model mengasumsikan

bahwa data berfluktuasi di sekitar nilai rerata yang tetap, tanpa trend atau pola

pertumbuhan konsisten.

Dalam aplikasinya, model pemulusan eksponensial terdiri atas tiga tipe yang

dipakai secara luas dalam deret waktu yang bervariasi. Pemulusan eksponensial

sederhana/tunggal (Tipe I) adalah model pemulusan eksponensial yang dipakai

untuk data deret waktu yang tidak memiliki tren dengan pola pertumbuhan

(pattern of growth) yang konstan. Double Exponential Smoothing (Tipe II) adalah

sebuah metode pemulusan eksponensial untuk memecahkan permasalahan deret

waktu yang menunjukkan tren linear yang berupa perubahan lambat. Dua metode

ini terangkum dalam bentuk yang lebih popular yakni :

(1) Single Exponential Smoothing satu parameter yang bekerja dengan

sebuah konstanta pemulusan tunggal,

(2) Double Exponential Smoothing: dua parameter Holt-Winters yang

bekerja dengan dua konstanta pemulusan.

(3) Metode ketiga adalah metode Winter (Tipe III) yang disebut juga metode

Triple Exponential Smoothing: Holt –Winters. Metode ini adalah

metode pemulusan eksponensial yang melakukan pendekatan terhadap

prediksi data musiman. Metode Holt-Winters (tipe III) yang dapat

dipakai untuk prediksi data musiman. Metode ini juga berisi dua

pendekatan yakni:

a) Metode Holt-Winters multiplikatif (multiplicative Holt-Winter’s

method) yang cocok untuk variasi data musiman yang mengalami

peningkatan/penurunan (fluktuasi). Karakteristik mendasar dari

metode Holt-Winters multiplikatif adalah ukuran dari fluktuasi

musiman bersifat variasi dan tergantung pada pemulusan

keseluruhan (overall smoothing) dari deret waktunya.

b) Metode Holt-Winters aditif (additive Holt-Winter’s method) yang

cocok untuk variasi musiman yang bersifat konstan. Karakteristik

mendasar dari metode Holt-Winters aditif adalah ukuran dari

fluktuasi musiman bersifat tetap (steady seasonal fluctuations) dan

tergantung pada pemulusan keseluruhan (overall smoothing) dari

deret waktunya.

Dari peramalan ini diperoleh nilai rerata MAD. Nilai MAD ini digunakan

untuk parameter dalam penentuan besar penyimpangan suatu peramalan sehingga

menjadi patokan dalam menentukan metode peramalan yang terbaik dari berbagai

alternatif. Nilai MAD yang rendah berarti menunjukkan peramalan yang akurat.

Hasil peramalan selama 6 bulan yang tertampil menunjukkan hasil yang konstan

yaitu 252,1667. Hal ini disebabkan metode yang digunakan Simple Average yaitu

metode yang paling sederhana. Nilai MAD yang dipetoleh yaitu 6,253039.

Kemudian nilai TS ( Tracking Signal) yang diperoleh dari peramalan kemudian

kembali diuji dengan menggunakan peta kendali di Microsoft Excel dengan batas

atas (UCL) 3, batas tengah (CL) 0 dan batas bawah (LCL) -3. Ternyata

berdasarkan grafik yang diplotkan, masih ada data yang bias atau out of control

yaitu 1 data di atas UCL dan 5 data dibawah LCL. Metode peramalan produk 2

dilakukan langkah yang sama dengan data 1. Hanya yang berbeda pada data kedua

ini (produk 2) untuk pemilihan forecasting method nya menggunakan metode

Double Exponential Smoothing With Linear Trend dengan menggunakan alpha

0,5. Kemudian diperoleh juga nilai MAD 10,34642 dan diperoleh nilai peramalan

yaitu pada periode 37 yaitu 454,9766, pada periode 38 yaitu 459,0312, pada

periode 39 yaitu 463,0857, pada periode 40 yaitu 467,1402, pada periode 41 yaitu

471,1948 dan pada periode 42 yaitu 475,2493. Selanjutnya nilai TS diplotkan ke

grafik menggunakan Ms. Excel dengan menggunakan ±3. Berdasarkan grafik

tersebut masih ada data yang bias yaitu ada 6 data yang bias terhadap UCL.

Metode peramalan produk 3 ( musiman) dilakukan langkah yang sama dengan

produk sebelumnya, hanya dibedakan pada pemilihan Forecasting Method yaitu

dipilih metode Holt-Winters Addtitive Algorithm dengan nilai alpha, beta dan

gama masing-masing secara berurutan masing-masing yaitu 0,0,1 dan diperoleh

nilai MAD 7,428571 dan hasil peramalan untuk enam bulan kedepan, masing-

masing periode bulannya yaitu sebesar 310. Kemudian nilai TS yang diperoleh

dari peramalan kemudian dari peramalan kemudian kembali diuji dengan

menggunakan peta kendali di ms. Excel dengan batas atas (UCL) 3, batas tengah

(CL) 0 dan batas bawah (LCL) -3. Ternyata berdasarkan grafik yang diplotkan,

masih ada data yang bias atau out of control yaitu 20an data di atas UCL.

Sebenarnya untuk Method Parameter yang dipilih pada produk 3 yaitu Search the

Best, tapi karena proses nya dalam menentukan alpha – beta – gama sekitar 15

menit dan demi pengefektifan praktikum, sehingga langsung ditentukan nilai

alpha-beta-gama nya. Method Parameter yang dipilih yaitu Search the Best, hal

ini berarti nilai α, β, γ dari peramalan akan disimulasikan oleh software secara

otomatis agar menghasilkan hasil peramalan terbaik. Nilai α adalah konstanta

smoothing untuk data konstan, nilai β adalah konstanta smoothing untuk data

trend, γ adalah konstanta smoothing untuk data musiman. Pada produk 1

peramalan bernilai tetap karena data memang berpola konstan sehingga hasilnya

pun bernilai konstan. Pada produk 2 hasil semakin besar nilai konstanta ini maka

hasil peramalan akan semakin halus. Nilai α adalah konstanta penghalus pada

peramalan, nilainya berkisar antara 0 sampai 1. Bila konstanta yang digunakan

bernilai kecil maka hasil peramalan akan cenderung kurang mengikuti pola dari

data masa lalu yang dijadikan acuan peramalan. Hal ini berarti hasil peramalan

tidak begitu halus dan kurang responsif dalam menghadapi perubahan meski

perubahan pada masa yang akan mendatang belum tentu terjadi dengan pola yang

sama seperti pada masa lalu yang dijadikan acuan.

Berdasarkan peta kendali tiga produk tersebut, dapat dilihat bahwa semua

nilai TS ada yang berada diluar area kontrol dan itu berarti hasil analisis belum

sesuai dengan teori yang menyatakan bahwa metode dengan nilai MAD terkecil

maka nilai TS seharusnya berada dalam control. Meskipun demikian metode ini

merupakan metode yang terbaik dengan nilai MAD paling kecil dibandingkan

dengan metode yang lain. Bila plot TS itu melebihi batas kontrol berarti hasil

peramalan itu tidak akurat (tidak valid untuk data tersebut) dan perlu dilakukan

peramalan ulang baik dengan metode berbeda atau sama tapi dengan asumsi yang

berbeda sampai diperoleh TS yang berada dalam batas kontrol.

Terdapat berbagai informasi pada hasil peramalan menggunakan WinQSB

seperti Forecast by SA yaitu merupakan peramalan dengan menggunakan rata-

rata dari jumlah dengan permintaan periode sebelumnya. Forecast Error yaitu

merupakan selisish dari actual data dengan forecast by SA. CFE ( Cumulative

Forecast) merupakan jumlah forecast error dengan periode-periode sebelumnya.

MAD ( Mean Absolute Deviation) merupakan rata-rata dari jumlah antara forecast

error yang diabsolutkan (tidaak ada nilai minus). MSE (Mean Square Error)

merupakan hasil dari penjumlahan kuadrat forecast error dibagi dengan jumlah

periode. Sedangkan MAPE (Mean Absolute Percentage Error) diperoleh dari nilai

absolute dari forecast error dibagi dengan jumlah periode. R square menyatakan

koefisien determinasi yang berkisar antara 0-1. Semakin nilai R mendekati 1 maka

hubungan antara x dan y semakin kuat.

BAB V

KESIMPULAN

1. Peramalan bisa dilakukan dengan bantuan computer yaitu menggunakan

software WinQSB yaitu program Forecasting and Linear Regression.

2. Dalam memilih metode peramalan dengan benar terdapat langkah-langkah

sbb:

a. Mengidentifikasi pola data: konstan, trend, atau musiman.

Bila pola datanya konstan maka metode yang bisa dipakai antara lain:

Simple Average, Weighted Moving Average, Exponential Smoothing,

Adaptive Exponential Smoothing. Adapun untuk pola data trend metode

yang cocok digunakan antara lain: Moving Average with Linear Trend,

Exponential Smoothing with Linear Trend, Double Exponential

Smoothing, Double Exponential Smoothing with Linear Trend, Linear

Regression. Sedangkan untuk pola data musiman pilihannya adalah

metode Winter’s.

b. Melakukan peramalan dengan alternatif metode-metode yang disesuaikan

dengan pola data tersebut

c. Memilih satu hasil peramalan yang telah dilakukan dengan nilai MAD

terkecil (nilai penyimpangan terkecil) lalu melakukan verifikasi hasil

peramalan dari metode itu. Verifikasi dilakukan dengan membuat plot

grafik TS ± 3 MAD. Hasil plot yang berada dalam kontrol berarti

metode permalaan itu akurat digunakan untuk data tersebut

Produk 1 (konstan) = Simple Average ( MAD = 6,253039)

Produk 2 ( trend ) = Double Exponential Smoothing With Trend

(MAD =10,34642)

Produk 3 ( musiman) = Holt-Winters Additive Algorithm

( MAD =7,428571)

d. Bila plot menunjukan nilai TS yang melebihi batas kontrol maka

peramalan perlu dilakukan lagi dengan metode yang berbeda atau metode

yang sama tapi dengan asumsi yang berbeda sampai diperoleh hasil

verifikasi peramalan yang berada dalam kontrol (valid).

DAFTAR PUSTAKA

Anonim . 2012. Industrial Engineering_umc. Dalam http://nakqfajar.wordpress .

com/2009/05/22/industrial-enginerring_umc-2/ diakses hari Selasa 20

November 2012 pada pk 20:00 WIB.

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

Indonesia.

Heizer, J. And Render, B. 2001. Operation Management. Edisi Terjemahan.

Salemba. Jakarta.

Nasution, Arman Hakim. 2008. Perencanaan dan Pengendalian Produksi.

Yogyakarta: Graha Ilmu.

Pardede, Pontas M. 2005. Manajemen Operasi dan Produksi: Teori, Model, dan

Kebijakan. Yogyakarta: Andi Offset.

Ravindran, A. Ravi. 2009. The Operation Research Series. CRC Press. London.

Taha, Hamdy A. 2007. Operation Research: An Introduction. 8th Edition. Pearson

Prentice Hall. New Jersey.

Wignjosoebroto, Sritomo. 2003. Pengantar Teknik dan Manajemen Industri.

Surabaya: Guna Widya.

LAMPIRAN HASIL

Grafik ploting data awal

1 4 7 10 13 16 19 22 25 28 31 34225230235240245250255260265270275

PRODUK 1

Series1

Periode

Dem

and

1 4 7 10 13 16 19 22 25 28 31 340

50100150200250300350400450500

PRODUK 2

Series1

Periode

Dem

and

1 4 7 10 13 16 19 22 25 28 31 340

50100150200250300350400

PRODUK 3

Series1

periode

Dem

and

Grafik Hasil verifikasi peramalan

1 4 7 10 13 16 19 22 25 28 31 34

-8

-6

-4

-2

0

2

4

PRODUK 1

UCLCLLCL

Periode

Dem

and

1 4 7 10 13 16 19 22 25 28 31 34

-4-3-2-1012345

PRODUK 2

UCLCLLCL

Periode

Dem

and

1 4 7 10 13 16 19 22 25 28 31 34

-4

-2

0

2

4

6

8

10

12

PRODUK 3

UCLCLLCL

Periode

Dem

and