modul praktikum proses manufaktur
DESCRIPTION
Modul Praktikum Proses ManufakturTRANSCRIPT
1
Password POM F W: Eko Sudarmakiyanto
1. FORECASTING
Menurut Eddy Herjanto (1999:115) Peramalan adalah model yang digunakan untuk mengukur atau menaksir keadaan dimasa yang akan datang.
Forecasting (peramalan) merupakan tahap awal dalam perencanaan dan pengendalian produksi yang bersifat made to stock. Peramalan ini digunakan sebagai dasar untuk menentukan kebijakan pengendalian dari system persediaan (inventory), membuat perencanaan produksi, pembebanan mesin, menentukan kebutuhan mesin, peralatan, bahan, serta untuk menentukan tingkat tenaga kerja selama periode produksi.
Langkah-Langkah dalam Sistem Peramalan
Galat dalam forecasting :
Mean absolute deviation (MAD) merupakan teknik untuk menentukan keakuratan model forecast dengan mengambil nilai rata-rata dari absolute deviation.
Mean Squared Error (MSE) merupakan suatu teknik untuk menentukan keakuratan model forecast dengan mengambil nilai rata-rata kuadrat error.
Mean Absolute Percent Error (MAPE) merupakan suatu teknik untuk menentukan keakuratan model forecast dengan mengambil nilai rata-rata dari absolute error sebagai persentase dari nilai pengamatan.
Bias merupakan suatu teknik untuk menentukan keakuratan model forecast dengan megukur kesalahan total.
1.1 MODEL MOVING AVERAGE
Rata-rata bergerak (moving average) bermanfaat jika kita mengasumsikan bahwa permintaan pasar tetap stabil sepanjang waktu. Secara sistematis persamaan moving average dinyatakan sebagai berikut :
MA =
dimana : At = Permintaan aktual pada periode-t
N = Jumlah data yang dilibatkan dalam perhitungan MA
Karena data aktual yang dipakai untuk perhitungan MA berikutnya selalu dihitung dengan mengeluarkan data yang paling terdahulu,maka :
MAt = perhatikan contoh dibawah ini:
BulanPermintaanMoving Averge 3 bulanan
Januari450-
Februari440-
Maret460-
April510450
Mei520470
Juni495497
Juli475508
Agustus560497
September510510
Oktober520515
November540530
Desember550523
Pada bulan April :
Bulan Mei :
: = 470
Kerjakan contoh diatas dengan menggunakan POM windows 2.1 !
1.2 MODEL WEIGHTED MOVING AVERAGE
Model weighted moving average ini lebih responsive terhadap perubahan karena data dari periode yang baru diberi bobot lebih besar timbangannya. Pilihan timbangan bersifat arbiter karena tidak ada rumus untuk menentukannya. Model rata-rata bergerak n-periode berbobot, weighted MA (n), dinyatakan sebagai berikut :
Sebagai contoh perhatikan data berikut ini :
BulanPermintaan
Januari280
Februari270
Maret330
April250
Mei340
Juni330
Juli350
Agustus300
September330
Oktober350
November270
Desember290
Kerjakan dengan POM versi 2.1
1.3 MODEL EXPONENTIAL SMOOTHING
Model ini digunakan apabila pola histories dari data aktual permintaan bergejolak atau tidak stabil dari waktu ke waktu
Persamaan ramalan ini :
EMBED Microsoft Equation 3.0 Dimana : = ramalan untuk periode sekarang
ramalan yang dibuat untuk periode terakhir (t-1)
smoothing constant (0