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).