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