LAPORAN PRAKTIKUMPERENCANAAN DAN PENGENDALIAN PRODUKSI

ACARA IPERAMALAN

Disusun Oleh :

Nama: Luluatul FatehahNIM: 11/318864/TP/10110Shift: IVCo - Asisten: 1. Moh. Hidayatullah 2. Aprilian Megasari

LABORATORIUM SISTEM PRODUKSIJURUSAN TEKNOLOGI INDUSTRI PERTANIANFAKULTAS TEKNOLOGI PERTANIANUNIVERSITAS GADJAH MADAYOGYAKARTA2013BAB IPENDAHULUAN

A. Latar BelakangPeramalan merupakan aktivitas penting yang dilakukan oleh suatu perusahaan sebab kondisi perusahaan belum tentu sama dari waktu ke waktu. Misalnya, tingkat permintaan produk sangat mungkin berfluktuatif. Ini lah yang disebut sebagai ketidakpastian dalam suatu perusahaan. Ketika perusahaan tidak mampu menangani ketidakpastian tersebut, aktivitas aktivitas yang ada dalam suatu perusahaan seperti penjadwalan, inventori, produksi tidak akan sinkron. Salah satu solusi dari masalah tersebut dikenal dengan istilah peramalan.Peramalan adalah suatu proses untuk memperkirakan berapa kebutuhan di masa datang yang meliputi kebutuhan dalam ukuran kuantitas, kualitas, waktu dan lokasi yang dibutuhkan dalam rangka memenuhi permintaan produk dengan menggunakan data historis. Peramalan (forecasting) merupakan bagian vital bagi setiap perusahaan sebab mempengaruhi keputusan pihak manajemen dalam menentukan jalannya produksi. Peramalan menjadi dasar untuk menentukan perencanaan jangka panjang perusahaan, perencanaan jangka induk produksi, perencanaan kebutuhan input produksi, serta menjadi dasar dalam menentukan anggaran dan pengendalian data. Peramalan ini diharapkan dapat meningkatkan daya saing perusahaan terhadap competitor dengan produk yang sejenis dan dapat melakukan pengendalian persedian (inventory control) sehingga perusahaan dapat memaksimalkan keuntungan dan mengurangi biaya inventori. Peramalan sangat erat kaitannya dengan perencanaan dan pengendalian produksi dalam suatu industri. Dengan adanya perkembangan teknologi, peramalan dapat dilakukan menggunakan software. Metode peramalan yang digunakan semakin beragam sesuai kondisi perusahaan. Mengingat pentingnya peramalan maka mahasiswa TIP diwajibkan untuk mampu melakukan peramalan. Melalui praktikum acara peramalan ini diharapkan mahasiswa mampu melakukan peramalan dengan bantuan software komputer dan menggunakan metode yang tepatB. Tujuan Praktikum1. Mengajarkan mahasiswa untuk melakukan peramalan dengan bantuan komputer.2. Mengajarkan mahasiswa untuk memilih metode peramalan dengan benar.

C. Manfaat Praktikum1. Mahasiswa memahami penggunaan software peramalan dan mampu menggunakannya untuk suatu kasus peramalan.2. Memahami berbagai tipe data sehingga dapat menentukan metode peramalan yang tepat.

BAB IITINJAUAN PUSTAKA

Peramalan (forecasting) adalah kegiatan memperkirakan apa yang akan terjadi pada masa yang akan datang sedangkan rencana merupakan penentuan apa yang dilakukan pada waktu yang akan datang. Peramalan menjadi sangat penting karena penyusunan suatu rencana diantaranya didasarkan pada suatu proyeksi atau ramalan. Pada hakekatnya banyak keputusan penting yang dilakukan secara pribadi, instansi, maupun perusahaan kepada kejadian kejadian di masa yang akan datang sehingga memerlukan ramalan tetntang keadaan lingkungan masa depan tersebut. Oleh karena itu setiap kebijakan ekonomi tidak akan terlepas dari usaha untuk meningkatkan keberhasilan pembangunan untuk mencapai tujuannya pada masa yang akan datang, dimana kebijaksaaan tersebut dilaksanakan (Assauri, 1994).Tujuan peramalan pada dasarnya adalah memperkirakan jumlah permintaan di masa depan. Untuk mencapai hal tersebut, diharapkan hasil yang diramalkan mendekati kondisi sebenarnya. Ketepatan dan ketelitian hasil peramalan digunakan sebagai tolok ukur performansi metode peramalan yang dalam hal ini dinyatakan sebagai kesalahan dari peramalan. Semakin kecil kesalahan peramalan berarti semakin teliti pula metode yang digunakan dalam melakukan peramalan (Purwanto, 1992).Tujuan dari peramalan adalah untuk menentukan jumlah permintaan produk pada masa yang akan datang. Adapun kegunaan dari peramalan adalah (Anonim, 2013) :1. Menentukan besarnya ekspansi pabrik2. Menentukan rencana jangka menengah produk yang ada dan dibuat dengan fasilias yang ada.3. Menentukan rencana jangka pendekLangkah yang harus dilakukan dalam melakukan suatu peramalan adalah (Heizer, 2001):1. Menentukan tujuan dalam melakukan peramalan.2. Menentukan batas waktu peramalan.3. Memilih model peramalan yang akan digunakan.4. Mengumpulkan data yang dibutuhkan dalam melakukan peramalan.5. Mengesahkan/memastikan model peramalan6. Melakukan peramalan.7. Mengukur kesalahan peramalan8. Melaksanakan hasil yang diperoleh dari peramalan.Pola data dapat dibedakan menjadi empat jenis, yaitu (Makridakis, 1988): 1. Pola Horizontal (H) atau Horizontal Data Pattern Pola data ini terjadi bilamana data berfluktuasi di sekitarnilai rata-rata.Suatu produk yang penjualannya tidak meningkat atau menurun selama waktu tertentu termasuk jenis ini.2. Pola Trend (T) atau Trend Data Pattern Pola data ini terjadi bilamana terdapat kenaikan atau penurunan sekuler jangka panjang dalam data. Contohnya penjualan perusahaan, produk bruto nasional (GNP) dan berbagai indikator bisnis atau ekonomi lainnya, selama perubahan sepanjang waktu.3. Pola Musiman (S) atau Seasional Data Pattern Pola data ini terjadi bila mana suatu deret dipengaruhi oleh faktor musiman (misalnya kuartal tahun tertentu, bulan atau hari hari pada minggu tertentu). Penjualan dari produk seperti minuman ringan, es krim dan bahan bakar pemanas ruang semuanya menunjukan jenis pola ini.4. PolaSiklis (S) atau Cyclied Data Pattern Pola data ini terjadi bilamana datanya dipengaruhi oleh fluktuasi ekonomi jangka panjang seperti yang berhubungan dengan siklus bisnis.Contohnya penjualan produk seperti mobil.Teknik peramalan terbagi menjadi dua diantaranya adalah teknik peramalah secara kualitatif yakni peramalan yang melibatkan pendapat pribadi, pendapat ahli, metode Delphi, penelitian pasar dan lain lain. Penelitian ini bertujuan untuk menggabungkan seluruh informasi yang diperoleh secara logika dan sistematis yang dihubungkan dengan faktor kepentingan si pengambil keputusan. Sedangkan teknik peramalan secara kuantitatif adalah peramalan yang digunakan pada saat data masa lalu cukup tersedia. Beberapa teknik kuantitatif yang sering digunakan adalah seperti metode exponential smoothing, moving average, linier regretion, dan lain lain (Gaspersz, 2004).Peramalan dengan time series memiliki prosedur yang harus dilaksanakan secara utuh. Bila tidak, maka resiko-resiko berikut akan terjadi (Buffa, 1979):1. Hasil peramalan tidak valid, sehingga tidak dapat diterapkan.2. Kesulitan mendapat atau memilih metode peramalan yang akan memberikan validitas ramalan tinggi.3. Memerlukan waktu dalam melakukan analisis dan peramalan.Validasi metode peramalan terutama dengan menggunakan metode metode di atas tidak dapt lepas dari indikator indikator dalam pengukuran akurasi peramalan. Bagaimanajpun juga terdapat sejumlah indikator dalam pengukuran akurasi peramalan, namun yang paling umum digunakan adalah Mean Absolute Deaviation (MAD), Mean Absolute Percentage Error (MAPE), dan Mean Squared Error (MSE). Akurasi Peramalan akan semakin tingi apabila nilai MAD, MAPE, dan MSE semakin kecil (Dilworth, 1996).Peta Moving Range dirancang untuk membandingkan nilai permintaan aktual dengan nilai peramalan. Dengan kata lain, dapat melihat data permintaan aktual dengan membandingkannya dengan nilai peramalan pada periode yang sama. Peta tesebut dikembangkan ke periode yang akan datang hingga dapat membandingkan data peramalan dengan permintaan aktual. Peta Moving Range digunakan untuk pengujian kestabilan system sebab akibat yang mempengaruhi permintaan (Hanke,1992).

BAB IIIMETODE PRAKTIKUM

A. Alat dan BahanAlat :1. Komputer/Laptop2. Software WinQSBBahan :1. Set Data

B. Prosedur Praktikum1. Ditentukan tujuan peramalan (ramalan penjualan)2. Ditentukan jangka waktu peramalan (6 bulan ke depan)3. Dikumpulkan dan dianalisis dataa. Diplotkan data penjualan aktual produk 1, produk 2, dan produk 3 selama 36 periode pada Ms. Excel.b. Dibuat grafik dari masing-masing data aktual tersebut.c. Diamati pola perubahannya apakah berpola konstan, trend atau musiman. 4. Ditentukan teknik peramalan yang sesuai dengan pola data yang adaa. Jika data konstan/random (produk 1) menggunakan metode simple average, adaptive exponential smoothing, dan linear regression.b. Jika data trend (produk 2) menggunakan metode moving average with linear trend, exponential smoothing with linear trend, dan linear regression.c. Jika data musiman (produk 3) menggunakan metode winters.5. Dilakukan peramalan dengan cara sebagai berikut :a. Dijalankan program WinQSBb. Dipilih Forecasting and Linier Regressionc. Pada menu File dipilih pilihan New Problem dan diisikan :1) Pada menu Problem type =Time Series and Forecasting.2) Pada menu Problem title =Peramalan3) Time unit = Month4) Number of time units (Periods) = 365) Problem type = Time series6) Klik OKd. Dimasukkan data penjualan yang ada pada baris yang tersedia.e. Disimpan data tersebut f. Dalam menu Solve and analyse diklik Perform forecasting.g. Dalam Forecasting Method dipilih dua (2) metode yang dianggap sesuai untuk masing-masing data produk di atas (produk 1, 2 dan 3).h. Dalam Method parameters dipilih assign values untuk nilai yang sudah diketahui atau dipilih search for the best untuk pencarian terbaik oleh komputer.i. Dalam search Criterion dipilih MADj. Dalam number of periods forecast isikan angka 6 untuk meramalkan enam periode kedepan.k. Diisikan data yang lain sesuai dengan metode peramalan yang dipilih.l. Diklik OK maka hasil peramalan akan diperolehm. Untuk melihat gambar hasil peramlan klik Show Forecasting in Graph6. Diukur kesalahana. Dibandingkan nilai MAD dari setiap hasil peramalan metode yang digunakan.b. Digunakan ukuran Mean Absolute Deviation (MAD) yang terkecil untuk memilih metode peramalan yang terbaik.7. Diverifikasi peramalanDigunakan formula Tracking Signal (TS) 3 untuk memverifikasi metode peramalan yang dipilih dan dilakukan analisis untuk hasil peramalan masing-masing produk.BAB IVHASIL DAN PEMBAHASAN

A. Hasil1. Grafik Data Aktual

Grafik 1 Kecenderungan Data untuk Produk 1

Grafik 2 Kecenderungan Data untuk Produk 2

Grafik 3 Kecenderungan Data untuk Produk 32. Tabel Forecasta. Tabel Forecast Produk 1 dengan menggunakan metode Simple Average Forecast Result for peramalan

11-15-2013ActualForecast byForecastCFEMADMSEMAPE (%)TrackingR-square

MonthDataSAErrorSignal

1250

22502500000000

32702502020102003,70370421

4245256,6667-11,66678,33334410,55555178,70364,0564360,7894750,150794

5255253,751,259,5833448,229164134,41843,1648761,1645590,155258

6250254-45,5833447,383331110,73472,8519010,7562090,105875

7260253,33336,66667212,250027,26388899,686322,8039351,6864270,145295

8240254,2857-14,2857-2,035718,267007114,63,253713-0,246245,94E-02

9260252,57,55,4642948,171131107,30623,2075760,6687326,07E-02

10255253,33331,6666727,1309667,44841395,691952,92380,9573816,37E-02

11250253,5-3,53,6309667,05357287,347752,771420,514775,60E-02

12255253,18181,8181765,4491426,57762779,707572,5842920,8284365,79E-02

13270253,333316,6666722,115817,41838196,213432,8833382,9812198,44E-02

14245254,6154-9,6153912,500437,58738195,924382,9634391,6475294,96E-02

15255253,92861,07142613,571857,12195689,154632,7817761,9056365,11E-02

16258254417,571856,91382684,277662,6996842,5415535,83E-02

17260254,255,7523,321856,84108681,076712,6691753,4090867,04E-02

18250254,5882-4,5882418,733616,70856677,545842,6201232,7924915,75E-02

19245254,3333-9,333339,4002846,85438678,077242,6862011,3714263,99E-02

20250253,8421-3,84215,5581826,69584574,744842,6257080,8300943,66E-02

21255253,651,3500066,9081886,42855371,098732,5208941,074613,73E-02

22255253,71431,2857218,1939096,18365667,791792,4248611,3250913,80E-02

23240253,7727-13,7727-5,578816,52861473,332522,575487-0,854523,14E-02

24250253,1739-3,17392-8,752736,38275870,582142,518708-1,371313,27E-02

25250253,0417-3,04167-11,79446,24354668,026712,464456-1,889063,45E-02

26265252,9212,080,2855996,47700471,14272,5482184,41E-022,77E-02

27250253,3846-3,38461-3,099016,35806668,847042,50228-0,487412,77E-02

28240253,2593-13,2593-16,35836,61366672,808562,614221-2,473413,06E-02

29255252,78572,214279-14,1446,45654470,383362,551868-2,190652,92E-02

30250252,8621-2,86208-17,00616,33259768,238822,50335-2,685483,09E-02

31255252,76672,233337-14,77276,19595566,130452,449099-2,384262,95E-02

32240252,8387-12,8387-27,61156,41023869,314382,542659-4,30743,64E-02

33255252,43752,5625-25,0496,28999667,353522,494604-3,982353,41E-02

34240252,5152-12,5152-37,56416,47863770,058832,57703-5,798150,043283

35250252,1471-2,14706-39,71126,35123868,133872,526494-6,252514,57E-02

36255252,08572,914291-36,79696,25303966,429842,486962-5,884640,042426

37252,1667

38252,1667

39252,1667

40252,1667

41252,1667

42252,1667

CFE-36,7969

MAD6,253039

MSE66,42984

MAPE2,486962

Trk.Signal-5,88464

R-square0,042426

b. Tabel Forecast Produk 2 dengan menggunakan Metode Double Exponential Smoothing with TrendForecast Result for peramalan

11-15-2013ActualForecast byForecastCFEMADMSEMAPE (%)TrackingR-square

MonthDataDESTErrorSignal

1250

22602501010101003,8461541

3270260,49,60000619,600019,80000396,080063,7008562

4280273,0886,91201826,512028,83734179,97873,2900963

5260285,5763-25,57630,935713,02209223,52114,9268340,071855

6255266,1458-11,1458-10,210112,64683203,66274,815649-0,80733

7285254,807130,1928719,9827615,57117321,65385,7787061,283318

8290283,44696,55313126,5358914,28288281,83815,275991,857881

9295295,6655-0,6654725,8704212,5807246,66374,644692,056357

10300302,1487-2,1486523,7217711,42159219,76964,2081932,076924

11310306,90953,09054626,8123210,58848198,74783,8870692,532215

12290316,538-26,5380,27435312,03844244,70374,365612,28E-02

13285296,1885-11,1885-10,914211,96761234,74374,328959-0,91198

14310284,626625,3733514,4591712,99882266,21014,6255741,112345

15315308,06386,93624921,3954212,56578250,63174,4524611,702673

16320319,18720,81280522,2082211,78225233,96694,1725641,884888

17330325,81784,18215926,3903811,30724220,43713,9909862,333936

18340336,17243,82763730,2180210,86727208,33213,8224442,780646

19305347,2891-42,2891-12,07112,61292296,11174,380379-0,95704

20340311,479528,5205416,4494913,45016323,33854,5913271,222996

21350337,876812,1232328,5727213,38382314,52024,534952,134871

22360354,93285,06716933,6398912,98779300,76574,3860262,590117

23365367,9287-2,9287430,7111512,53056287,48444,2231342,450901

24380373,97916,02093536,7320912,24753276,56124,1084092,999142

25390388,54511,45486538,1869511,79784265,12613,9527683,236776

26400399,99059,46E-0338,1964111,3263254,5213,7947523,372364

27420410,32619,6739247,8703311,26275248,33123,7373894,2503240,978066

28400430,7153-30,715317,1550611,98321274,07553,8833681,431591

29425411,715513,2844830,4395412,02969270,58983,8563112,530369

30425430,1701-5,1700725,2694711,79315262,18093,7652822,142725

31430433,024-3,0240522,2454211,50084253,74643,6632151,934243

32435436,7119-1,7119120,5335111,18507245,65553,5577421,835796

33440440,9467-0,9467219,5867910,86512238,00683,4532871,802722

34440445,5144-5,5144414,0723610,70298231,71593,386621,314807

35450445,07574,92431618,9966710,53302225,6143,3191981,803535

36450454,0021-4,0021414,9945410,34642219,62553,2497751,449248

37454,9766

38459,0312

39463,0857

40467,1402

41471,1948

42475,2493

CFE14,99454

MAD10,34642

MSE219,6255

MAPE3,249775

Trk.Signal1,449248

R-square

Alpha=0,52

F(0)=250

F'(0)=250

c. Tabel Forecast Produk 3 dengan Metode Holt-Winters Additive AlgorithmForecast Result for peramalan

11-15-2013ActualForecast byForecastCFEMADMSEMAPE (%)TrackingR-square

MonthDataHWAErrorSignal

1250

2255250555251,9607841

3260258,3931,6069956,6069953,30349713,791221,289432

4265264,48350,516487,1234742,3744919,2830610,9245863

5270269,8340,1659857,2894591,8223656,9691830,7088084

6290274,946715,0533422,34284,46856150,895981,60520850,657917

7280305,1618-25,1618-2,819037,91744147,9332,835402-0,35605

8275278,087-3,08704-5,906077,227382128,16112,59071-0,81718

9270270,9922-0,99216-6,898226,447979112,2642,312804-1,06983

10270265,31894,681122-2,21716,251661102,2252,248465-0,35464

11265268,4955-3,49548-5,712595,97604493,224332,155524-0,95591

12260261,1234-1,12344-6,836035,53489884,864131,998848-1,23508

13270255,361114,638927,8028876,29356695,650282,2840961,23982

14280275,2954,70495612,507846,17136689,995382,2376532,026754

15290288,48781,51217714,020025,83856683,730472,1150672,401278

16285299,514-14,514-0,493966,41692792,192142,31357-7,70E-02

17295284,664810,335219,8412486,66181993,106162,3879381,477261

18300301,6783-1,678258,1629946,36866987,795012,2803781,281743

19290305,5394-15,5394-7,37646,87815396,332662,45138-1,07244

20285284,99445,62E-03-7,370796,51644191,262532,322464-1,13111

21285279,99825,001801-2,368996,44070987,95032,294092-0,36781

22280283,3924-3,39243-5,761416,29555384,310222,242543-0,91516

23275276,0903-1,09033-6,851756,05895280,531972,158632-1,13085

24270270,3504-0,35043-7,202185,81075577,035932,070421-1,23946

25260265,1126-5,11264-12,31485,78166774,915222,066087-2,12998

26270251,643218,35686,0419776,28467285,397492,2553960,961383

27290274,100115,8998721,941856,65448891,836282,3795243,297301

28300304,8898-4,8897717,052086,58912889,320492,3517612,587911

29320311,57168,42840625,480486,65481688,667542,3618373,828879

30330337,2911-7,2911118,189386,67675787,443152,3565812,724283

31335342,3434-7,3433510,846026,69897786,325872,3510971,619057

32325342,3602-17,3602-6,514157,04288793,262952,447564-0,92493

33320320,5796-0,57959-7,093746,84090990,358992,376738-1,03696

34320315,18634,813721-2,280016,77947988,323012,3503-0,33631

35310318,4529-8,45285-10,73296,82869587,826772,361371-1,57173

36310302,71687,283234-3,449636,84168286,833022,36103-0,50421

37307,6591

38305,3183

39302,9774

40300,6366

41298,2957

42295,9549

CFE-3,44963

MAD6,841682

MSE86,83302

MAPE2,36103

Trk.Signal-0,50421

R-square

c=1

Alpha=0,87

Beta=0,78

Gamma=1

F(0)=250

T(0)=0

S(1)=0

3. Grafik Verifikasia. Grafik Verifikasi Produk 1

Grafik 4 Verifikasi Tracking Signal Produk 1

b. Grafik Verifikasi Produk 2

Grafik 5 Verifikasi Tracking Signal Produk 2

c. Grafik Verifikasi Produk 3

Grafik 6 Verifikasi Tracking Signal Produk 3

B. PembahasanPraktikum Perencanaan dan Pengendalian Produksi Acara I berjudul Peramalan. Tujuan dari praktikum ini antara lain mengajarkan mahasiswa untuk melakukan peramalan dengan bantuan computer dan mengajarkan mahasiswa untuk memilih metode peramalan dengan benar.Peramalan adalah seni dan ilmu memprediksi peristiwa peristiwa masa depan. Peramalan memerlukan pengambilan data historis dan memroyeksikannya ke masa depan dengan beberapa model matematis. Peramalan biasanya dikelompokkan oleh horizon waktu masa depan yang mendasarinya.Pada praktikum kali ini dilakukan peramalan terhadap data penjualan dari tiga jenis produk yang masing masing set datanya terdiri dari 36 periode. Peramalan yang dilakukan adalah peramalan terhadap penjualan suatu produk untuk enam periode ke depan dari data aktual penjualan di masa lalu. Metode ini disebut dengan metode deret waktu (time series). Time series merupakan metoda yang digunakan untuk kondisi dimana kita tidak dapat menjelaskan faktor apa yang akan dapat menyebabkan terjadinya event yang diramalkan (black box). Analisis ini menggambarkan hubungan antara variabel yang dicari (dependent) dengan variabel yang mempengaruhinya (independent variable) yang dikaitkan dengan waktu seperti mingguan, bulan, triwulan, caturwulan, semester atau tahun. Langkah awal yang dilakukan dalam praktikum ini adalah melakukan tabulus data penjualan produk 1, produk 2, dan produk 3 dengan menggunakan Ms.Excel. Data yang telah diketikkan dalam sheet Ms.Excel tersebut kemudian diplot ke dalam grafik yang menggambarkan hubungan antara jumlah penjualan dengan periode penjualan. Dari grafik yang dihasilkan tampak bahwa produk 1 tergolong data konstan. Hal ini disebabkan karena grafik yang terbentuk membentuk pola fluktuatif yang stabil dengan range data yang relative besar. Data produk 2 tergolong data trend sebab grafik yang dihasilkan menunjukkan kecenderungan naik secara fluktuatif. Data produk 3 tergolong data musiman karena grafik yang dihasilkan membentuk pola resonansi gelombang. Setelah masing masing data diketahui polanya, setiap data dilakukan peramalannya.Peramalan dilakukan terhadap produk 1 terlebih dahulu. Oleh karena data produk 1 merupakan data konstan maka teknik yang digunakan adalah teknik moving average. Pertama, dibuka software WinQSB bagian forecasting (FC) and Linier Regression. Ketika WinQSB telah aktif selanjutnya dipilih new problem di menu bar hingga mucul dialog box problem specification. Problem tipe yang dipilih adalah Time series forecasting, problem title diisi dengan produk 1, time unit month, number of time unit (periode) diisi 36. Time series forescasting merupakan metode peramalan yang dipilih. Problem title adalah judul dari peramalan yang dibuat, time unit adalah unit waktu yang digunakan, Pada kasus ini yang digunakan adalah bulan (month), dan number of time unit adalah jumlah bulan yang digunakan yaitu 36. Stelah semua terisi, diklik OK.Langkah selanjutnya adalah dimasukkan data penjualan produk 1 ke dalam form yang muncul. Data dari spread sheet dikopi lalu form data di WINQSB diblok semua lalu ditempelkan data tersebut pada form tabel yang tersedia. Peramalan dilakukan dengan mengklik analyze pada menu bar lalu pilih perform forecasting maka akan muncul dialog box. Pada forecasting method yang dipilih adalah moving average karena yang diramalkan adalah data konstan. Method Parameters diisi assign values, search criterion diisi MAD, number of period to forecast diisi 6. Ini merupakan jumlah bulan yang ingin diramalkan. Selanjunya diklik ok maka hasil peramalan akan muncul di windows. Untuk melihat gambar hasil peramalan diklik Show Forecating in Graph.Berbeda halnya dengan data penjualan produk1, data penjualan produk 2 merupakan data trend positif sehingga analisi peramalannya dilakukan dengan metode Double exsponential smoothing with trend (DEST). Pertama tama, data aktual penjualan produk dari spread sheet digandakan kemudian ditempelkan ke WinQSB seperti pada tahap awal peramalan sebelumnya. Peramalan dilakukan dengan mengklik analyze pada menu bar lalu pilih perform forecasting maka akan muncul dialog box. Pada forecasting method yang dipilih adalah Double exsponential smoothing with trend (DEST). Apabila search the best maka komputer akan mencari nilai dan terbaik. Konstanta dan adalah konstanta pemulusan dengan rentang nilai 0-1. Konstanta pemulusan adalah pembobotan yang akan memberikan perbedaan antara data aktual masa lalu dengan data peramalan masa lalu. Selanjutnya diklik ok hingga data hasil peramalan muncul. . Untuk melihat gambar hasil peramalan diklik Show Forecating in Graph.Data penjualan produk 3 yang merupakan data musiman diramalkan dengan metode Holt Winter Additive Algorthm. Pertama, data dari spread sheet ditempel kemudian ditempelkan ke WinQSB seperti pada peramalan sebelumnya. Peramalan dilakukan dengan mengklik analyze pada menu bar lalu pilih perform forecasting maka akan muncul dialog box. Pada forecasting method yang dipilih adalah Holt Winter Additive Algorthm . Dari ketiga data yang digunakan, masing masing memiliki pola yang berbeda sehingga metode yang digunakan dalam analisisnya pun berbeda beda. Pola data untuk produk 1, 2, dan 3 berturut turut tergolong data konstan, data trend, dan data musiman. Untuk produk 1 yang jenis datanya konstan metode yang digunakan adalah metode simple average, weighted moving average, exponential smoothing, dan adaptive exponential smoothing. Untuk produk 2 yang merupakan data trend metode yang dapat digunakan adalah metode moving average with linear trend, exponential smoothing with linear trend, dan linear regression. Untuk produk 3 yang musiman hanya dapat digunakan metode winter. Dalam praktikum ini, metode yang digunakan untuk produk 1 hanyalah metode simple average, sementara untuk produk 2 metode yang diterapkan adalah metode double exponential smoothing with linear trend. Untuk produk 3 metode yang digunakan adalah metode Holt-Winters additive Algoritm.Ketika hasil peramalan telah diperoleh, pada windows akan mucul tabel hasil peramalan yang terdiri dari berbagai kolom. Kolom month menunjukkan bulan atau periode data. Kolom actual data adalah kolom yang berisi data aktual yang diramalkan. Forecast by menunjukkan hasil peramalan yang dilakukan dengan metode peramalan yang dipilih. Forecast eror berasal dari selisih nilai peramalan dengan nilai aktual. Cummulative Forecast error adalah jumlah keseluruhan forecast error yang memberikan gambaran jumlah kelebihan atau kekurangan jika menggunakan metode peramalan tersebut. Nilai CFE tidak dapat memberikan gambaran metode peramalan yang terbaik karena setiap kesalahan yang terjadi dapat saling meniadakan nilai positif dan negatif. MAD (Mean Absolute Deviation) adalah rataan nilai absolut dari setiap forecast error yang dihasilkan suatu metode peramalan. Nilai MAD digunakan untuk mengetahui seberapa besar rata-rata kesalahan yang akan terjadi apabila menggunakan metode tersebut. Nilai MAD memberikan gambaran yang baik dalam melihat kesalahan peramalan yang terjadi karena kesalahan yang terjadi dimutlakkan sehingga hasilnya dapat diketahui dengan jelas kesalahan peramalan yang terjadi. Untuk masing-masing pola data digunakan lebih dari satu metode peramalan yang digunakan, agar dapat dicari metode peramalan yang paling baik dengan mengetahui kesalahan atau error (MAD) yang paling kecil. Rumus MAD adalah sebagai berikut :

MSE (Mean Squared Error) merupakan nilai rata-rata dari kuadrat nilai forecast error. Nilai MSE merupakan gambaran nilai varians yang terjadi dari hasil peramalan tersebut. Rumus MSE dinyatakan dalam :

Nilai MAPE (Mean Absolute Percentage Error) adalah rata-rata nilai presentase dari jumlah absolute forecast error. Nilai ini memberikan gambaran yang serupa dengan nilai MAD tetapi dalam bentuk presentase terhadap nilai aktual. Rumus MAPE dinyatakan dalam :

Tracking signal adalah suatu ukuran bagaimana baiknya suatu ramalan memperkirakan nilai-nilai aktual. Suatu ramalan diperbaharui setiap minggu, bulan atau triwulan, sehingga data permintaan yang baru dibandingkan terhadap nilai-nilai ramalan. Tracking signal dihitung sebagai CFE dibagi dengan mean absolute deviation (MAD).

Selain dengan menggunakan software, nilai nilai di atas dapat dihitung secara manual dengan menggunakan rumus. Rumus yang digunakan untuk menghitung nilai MAD adalah nilai forecast error pada periode tertentu dibagi dengan jumlah periodenya. Misalnya, nilai MAD pada periode ketiga (menggunakan data praktikum peramalan produk 1) adalah 10. Nilai ini diperoleh dari hasil penambahan nilai e pada periode ke 2 sebesar 0 dengan nilai forecast error pada periode ke 3 sebesar 20 sehingga menghasilkan nilai 20 kemudian dibagi dengan 2 (periode yang dianalisis yakni dikurangi 1). MSE dihitung dengan cara membagi kuadrat nilai e dengan jumlah periodenya. Misalnya, nilai MSE pada periode ke 4 adalah 178,7036. Nilai ini diperoleh dari hasil penambahan nilai kuadrat dari forecast error periode 2, periode 3 dan periode 4 (0 + 400 + 136.1118) lalu dibagi dengan 3 (karena terdapat tiga periode sebelum periode keempat ).RSFE (Running Sum of Forecast Error) dihitung dengan menjumlahkan nilai e pada periode sebelumnya dengan periode sesudahnya. Misalnya, nilai RSFE periode ke 3 adalah 8,3334 yang didapat dari hasil penjumlahan nilai forecast error periode 1,2 serta 3 (0 + 20 +(-11,6667)).MAPE (Mean Absolute Percentage Error) dihitung dengan cara menjumlahkan nilai mutlak nilai e periode tertentu dibagi dengan data aktual pada periode tersebut kemudian dikali (100/ n-1) dimana (n) merupakan periode yang diuji. Misalnya, pada periode ke 4 didapat nilai MAPE sebesar 4,05643. Nilai ini didapat dari hasil penjumlahan nilai pembagian antara e dengan nilai data aktual pada periode 1, 2, dan 3 (0 + (20:270) + (11,6667/245))). Hasil yang diperoleh kemudian dikalikan dengan (100/ (4-1)).Tracking Signal (TS) didapat dari pembagian nilai RSFE pada periode tertentu dengan MAD pada periode yang sama. Misalnya, nilai TS pada periode ketiga adalah 0,78948. Nilai ini didapat dari hasil pembagian antara RSFE periode ke 3 dengan MAD periode ke 3. Setelah diperoleh hasil peramalan, perlu dilakukan tahap verifikasi untuk mengetahui apakah peramalan bias atau tidak. Tracking Signal dari tiap peramalan diplotkan pada peta kendali dengan batas atas (UCL) 3 dan batas bawah (LCL) -3. Nilai tersebut sudah merupakan nilai standar statistik untuk batas atas dan bawah untuk data peramalan. Berdasarkan hasil analisis, pada data produksi 1 seluruhnya masih ada dalam batas kontrol. Pada data produksi 2 terdapat beberapa data yang keluar dari batas kontrol. Pada data produksi 3 hanya satu yang keluar dari batas kontrol. Data yang keluar dari batas kontrol menandakan adanya ketidaksesuaian dengan metode peramalan yang digunakan. Berdasarkan peta kontrol tersebut maka metode yang paling cocok ada pada data produksi 1 yaitu moving average.Beberapa istilah koefisien yang ada dalam peramalan ini antara lain :1. Alpha adalah nilai koefisien untuk memuluskan (smoothing) data. Koefisien ini menggambarkan data konstan. Ketika nilai alpha mendekati 1, artinya hasil peramalan mendekati data terbaru.2. Betta adalah koefisien garis trend. Koefisien ini menggambarkan data trend. Apabila nilai betta = 0, maka data tidak dipengaruhi trend.3. Gamma adalah koefisien pada model peramalan data musiman. Ketika nila gamma = 1, maka data dipengaruhi oleh musim (termasuk data musim).4. R atau koefisien determinasi adalah koefisien yang digunakan untuk menunjukkan apakah hasil analisis tersebut akurat atau tidak. Nilai R2 terletak antara 0 1. Semakin tinggi nilai R nya, maka hasil analisis dapat dikatakan akurat. Begitu pula sebaliknya.

BAB VKESIMPULAN

Berdasarkan praktikum yang telah dilakukan dapat disimpulkan sebagai berikut:1. Peramalan (forecasting) adalah seni dan ilmu untuk memperkirakan kejadian dimasa depan. Hal ini dapat dilakukan dengan melibatkan pengambilan data masa lalu dan menempatkannya ke masa yang akan datang dengan suatu bentuk model matematis. Peramalan bisa dilakukan dengan bantuan software komputer, salah satunya WinQSB.2. Metode peramalan disesuaikan dengan pola jenis data. Pada praktikum ini data pola konstan sesuai diramalkan dengan metode moving average, data trend diramalkan dengan metode Double exsponential smoothing with trend (DEST), dan data pola musiman diramalkan dengan metode Holt Winter Additive Algorthm.

DAFTAR PUSTAKA

Anonim. 2013. Teknik Peramalan. Dalam http://presidenta9u52006.blogspot.com/2011/06/teknik-peramalan.html. Diakses pada 20 November 2013 pukul 19.36 WIB.Assauri, Sofyan. 1984. Teknik dan Metode Peramalan. Jakarta : Penerbit Fakultas Ekonomi UI.Buffa, Elwood S. 1979. Production-Inventory System: Planing and Control. Richard D. Irwin. Homewood. Dilworth, J.B. 1996. Operation Management. Mc.Graw-Hill.Inc. USAGaspersz, Vincent. 2004. Production Planning and Inventory Control. Jakarta: PT. Gramedia.Hanke, John..E. 1992. Businees Forecasting 8th Edition. Pearson Education International. New Jersey. Heizer, J. and Render, B. 2001. Prinsip-Prinsip Manajemen Operasi Edisi Terjemahan. Jakarta: Salemba Empat. Purwanto, M. Ngalim. 1992. Prinsip-prinsip dan Teknik Evaluasi Pengajaran. Bandung: Penerbit Remaja.Makridakis, S.dan Wheelwright S C. 1988. Metode Metode Peramalan untuk Manajemen, Jakarta: Binarupa Aksara.