laporan praktikum
TRANSCRIPT
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