BAB III PERAMALAN

3.1.

Tinjauan Pustaka Peramalan adalah proses untuk memperkirakan berapa

kebutuhan di masa datang yang meliputi kebutuhan dalam ukuran kuantitas, kualitas, waktu dan lokasi yang dibutuhkan dalam rangka memenuhi permintaan barang ataupun jasa. Salah satu jenis peramalan adalah peramalan permintaan. Peramalan permintaan merupakan tingkat permintaan produkproduk yang diharapkan akan terealisasi untuk jangka waktu tertentu pada masa yang akan datang (http://thesis.binus.ac.id/Asli/Bab2/ 2007-3-00471-TI%20BAB%20 II.pdf). Untuk menjamin efektivitas dan efisiensi dari sistem peramalan permintaan, terdapat sembilan langkah yang harus diperhatikan yaitu (Yamit, 2003): 1. Menentukan tujuan dari peramalan. 2. Memilih Item independent demand yang diramalkan. 3. Menentukan horizon waktu dari peramalan. 4. Memilih modelmodel peramalan. 5. Memperoleh peramalan. 6. Validasi model peramalan. 7. Membuat peramalan. 8. Implementasi hasilhasil peramalan. 9. Memantau keandalan hasil peramalan. Dalam fungsi peramalan tidak hanya termasuk di dalamnya teknik khusus dan model, tetapi juga termasuk input dan output dari subyek peramalan. Pengembangan III-1 fungsi peramalan data yang dibutuhkan untuk melakukan

III-2

dibutuhkan untuk mengidentifikasi output, karena spesifikasi output dapat menyederhanakan pemilihan model peramalan, tetapi fungsi permalan tidaklah lengkap tanpa mempertimbangkan input. Peramalan biasanya meliputi beberapa pertimbangan berikut ini (Yamit, 2003): 1. Item yang diramalkan. 2. Peramalan dari atas (top-down) atau dari bawah (buttom-up). 3. Teknik peramalan (model kuantitatif atau kualitatif). 4. Satuan yang digunakan. 5. Interval waktu. 6. Komponen peramalan. 7. Ketepatan peramalan. 8. Pengecualian dan situasi khusus. 9. Perbaikan parameter model peramalan. Dalam hubunganya dengan horizon waktu peramalan, kita dapat mengklasifikasikan peramalan tersebut ke dalam 3 kelompok, yaitu (http://thesis.binus.ac.id/Asli/Bab2/2007-3-004 71-TI%20BAB%20II.pdf): 1. Peramalan Jangka Panjang, umumnya 2 sampai 10 tahun. Peramaln ini digunakan untuk perencanaan produk dan perencanaan sumber daya. 2. Peramalan Jangka Menengah, umumnya 1 sampai 24 bulan. Peramalan ini lebih mengkhusus dibandingkan peramalan jangka panjang, biasanya digunakan untuk menentukan aliran kas, perencanaan produksi, dan penentuan anggaran. 3. Peramalan Jangka Pendek, umumnya 1 sampai 5 minggu. Peramalan ini digunakan untuk mengambil keputusan dalam hal perlu tidaknya lembur, penjadwalan kerja, dan lainlain. Peramalan tidak terlalu dibutuhkan dalam kondisi permintaan pasar yang stabil, karena perubahan permintaannya

III-3

relatif kecil. Tetapi peramalan akan sangat dibutuhkan bila kondisi permintaan pasar bersifat kompleks dan dinamis. Hanya sedikit bisnis yang dapat menghindari proses peramalan dan hanya menunggu apa yang terjadi untuk kemudian mengambil kesempatan. Perencanaan yang efektif baik untuk jangka panjang maupun bergantung pada peramalan permintaan untuk produk perusahaan tersebut (http://thesis.binus.ac.id/Asli/Bab2/2007-3-004
71-TI%20BAB%20II.pdf).

Banyak

jenis

metode

peramalan

yang

tersedia

untuk

manajemen. Namun yang lebih penting bagi para praktisi adalah bagaimana memahami karakteristik suatu metode peramalan agar cocok bagi situasi pengambilan keputusan tertentu. Secara umum metode peramalan dapat dibagi dalam dua ketegori utama, yaitu metode kuantitatif dan metode kualitatif. Metode kuantitatif dapat dibagi ke dalam deret berkala atau kurun waktu (time series) dan metode kausal, sedangkan metode kualitatif dapat dibagi menjadi metode eksploratoris dan normative. Metode kuantitatif sangat beragam dan setiap teknik memiliki sifat, ketepatan dan biaya tertentu yang harus dipertimbangkan dalam memilih metode tertentu. Untuk menggunakan metode kuantitatif terdapat tiga kondisi yang harus dipenuhi, yaitu (http://thesis.binus.ac.id/Asli/
Bab2/2007-3-00471-TI%20BAB%20II.pdf):

a. Tersedia informasi tentang masa lalu. b. Informasi numerik. c. Diasumsikan bahwa beberapa pola masa lalu akan terus berlanjut. Metode runtun waktu atau sering disebut metode deret waktu atau deret berkala menggambarkan berbagai gerakan yang terjadi pada sederetan data pada waktu tertentu. Langkah penting tersebut dapat dikuantitatifkan dalam bentuk

III-4

dalam

memiliki

metode

runtun

waktu

adalah

dengan

mempertimbangkan jenis pola data. Pola data dapat dibedakan menjadi empat jenis siklus dan trend, yaitu (http://thesis.binus.
ac.id/Asli/Bab2/2007-3-00471-TI%20BAB%20II.pdf):

1. Pola horizontal, terjadi bilamana nilai data berfluktuasi di sekitar nilai rata-rata yang konstan. 2. Pola musiman, terjadi bilamana suatu deret dipengaruhi oleh faktor musiman. 3. Pola siklus, terjadi bilamana datanya dipengaruhi oleh fluktuasi ekonomi jangka panjang seperti siklus bisnis. 4. Pola trend, terjadi bilamana terdapat kenaikan atau penurunan sekuler jangka panjang dalam data. Anggapan yang mengatakan bahwa garis trend seharusnya merupakan garis linear tidak selalu demikian. Terdapat empat cara yang biasa digunakan untuk mengukur gerakan trend, yaitu: a. Metode bebas (freehand method). b. Metode setengah-setengah (semi average method). c. Metode rata-rata bergerak (moving average method). d. Metode kuadrat terkecil (least quares method). Terdapat empat cara yang umumnya digunakan untuk mengukur variasi musim, yaitu: a. Metode rata-rata sederhana. b. Metode perbandingan dengan trend. c. Metode relatif berantara. d. Metode perbandingan dengan rata-rata bergerak. 3.1.1 Pola dan Teknik Peramalan Pola dan teknik peramalan terbagi dalam 2 jenis, yaitu terknik peramalan kualitatif dan teknik peramalan dengan menggunakan data masa lalu. Kedua teknik tersebut terbagi

III-5

dalam beberapa jenis metode, berikut merupakan penjelasannya

(http://thesis.binus.ac.id/Asli/Bab2/2007-3-004 71-TI%20BAB%20II.pdf).

1. Teknik Forecast)

Peramalan

Kualitatif

atau

Subyektif

(Qualitative

Teknik peramalan yang menggabungkan faktor seperti intuisi, emosi, pengalaman berbeda. Berikut yang termasuk dalam teknik peramalan kualitatif, yaitu: a. Keputusan dari Pendapat Juri Eksekutif (Jury of Executive Opinion) Teknik peramalan yang meminta pendapat segolongan kecil manajer tingkat tinggi dan menghasilkan estimasi permintaan kelompok. Dalam metode ini, pendapat sekumpulan kecil manajer atau pakar tingkat tinggi, sering dikombinasikan dengan model statistik, dikumpulkan untuk mendapatkan prediksi kelompok. b. Metode Delphi (Delphi Method) Teknik peramalan yang menggunakan proses kelompok dimana para pakar melakukan peramalan. Ada 3 jenis peserta dalam metode ini, yaitu pengambil keputusan, karyawan, dan responden. Pengambil keputusan biasanya terdiri dari 5 hingga 10 orang pakar yang akan melakukan peramalan. Karyawan membantu pengambil survei. keputusan dengan adalah menyiapkan, menyebarkan, biasanya mengumpulkan, serta meringkas sejumlah kuesioner dan hasil Responden sekelompok orang, ditempatkan di tempat yang berbeda, dimana penilaian dilakukan. Kelompok ini memberikan input pada pengambil keputusan sebelum peramalan dibuat. c. Gabungan dari Tenaga Penjualan (Sales Force Composite) Teknik peramalan berdasarkan prediksi tenaga penjualan akan penjualan yang diharapkan. Dalam pendekatan ini, setiap tenaga penjualan memperkirakan berapa penjualan yang bisa ia lakukan

III-6

dalam

wilayahnya. apakah

Peramalan peramalan

ini

kemudian

dikaji

untuk

memastikan

cukup

realistis.

Kemudian

peramalan dikombinasikan pada tingkat wilayah dan nasional untuk mendapatkan peramalan secara keseluruhan. d. Survei Pasar Konsumen (Consumer Market Survey) Metode peramalan yang meminta input dari konsumen Hal ini mengenai rencana pembelian mereka di masa depan.

membantu tidak hanya dalam menyiapkan peramalan tetapi juga memperbaiki desain produk dan perencanaan produk baru. Survei konsumen dan gabungan tenaga penjualan bisa jadi tidak benar, karena peramalan yang berasal dari input konsumen yang terlalu optimis. 2. Peramalan TimeSeries Teknik peramalan yang menggunakan sekumpulan data masa lalu untuk melakukan peramalan. Model Time-series membuat predikisi dengan asumsi bahwa masa depan merupakan fungsi masa lalu. Dengan kata lain, mereka melihat apa yang terjadi selama kurun waktu tertentu, dan menggunakan data masa lalu tersebut untu melakukan peramalan. Jika kita memperkirakan penjualan mingguan mesin pemotong rumput, kita menggunakan data penjualan minggu lalu untuk membuat ramalan. Time-series mempunyai empat komponen, yaitu Trend, Musim, Siklus, Variasi Acak. Terdapat 5 metode yang menggunakan data masa lalu, yaitu: a. Pendekatan Naif, teknik peramalan yang mengasumsikan permintaan, di periode mendatang sama dengan permintaan terkini. Terbukti untuk beberapa jenis produk, pendekatan naif (naive approach) ini merupakan model peramalan objektif yang paling efektif dan efesien dari segi biaya. Paling tidak,

III-7

pendekatan naif memberikan titik awal untuk perbandingan dengan model lain yang lebih canggih. b. Rata-Rata Bergerak, metode peramalan yang menggunakan rata-rata dari sejumlah (n) data terkini untuk meramalkan periode mendatang. Rata-rata bergerak berguna jika kita dapat mengasumsikan c. Penghalusan bahwa permintaan pasar akan stabil adalah sepanjang masa yang kita ramalkan. Eksponensial (Exponential Smoothing) teknik peramalan rata-rata bergerak dengan pembobotan dimana data diberi bobot oleh sebuah fungsi eksponensial. Penghalusan eksponensial mungkin terdengar aneh, tetapi sebenarnya banyak digunakan dalam bisnis dan merupakan bagian penting dari sistem pengendalian persediaan berbasis komputer. d. Proyeksi lalu, dan Trend, metode peramalan Time-series dalam garis yang untuk mnyesuaikan sebuah garis tren pada sekumpulan data masa kemudian diproyeksikan meramalkan masa depan. e. Analisis Regresi Linier, model matematis garis lurus yang menjelaskan hubungan fungsional antara variabel bebas dan variabel terikat. persamaan regresi menunjukkan bagaimana satu variabel berhubungan pada nilai dan perubahan pada variabel lain. 3.2. Pembahasan Peramalan permintaan dilakukan untuk memperkirakan berapa jumlah permintaan di masa yang akan datang dengan menggunakan data masa lalu. Data tersebut berupa penjualan aktual di periode sebelumnya dan akan digunakan dalam berbagai

III-8

macam metode peramalan. Permalan akan dihitung baik dengan manual maupun menggunakan software, yaitu WIN_QSB. 3.2.1 Perhitungan Manual Metode peramalan yang digunakan disini ada 3 macam, yaitu Weight Moving Average (WMA), Single Exponential Smoothing (SES) dan Regresi Linier. Perhitungan manual disini menggunakan data penjualan aktual seperti dapat dilihat pada Tabel 3.1.
Tabel 3.1 Penjualan Aktual Bulan Januari Februari Maret April Mei Juni Juli Agustus September Oktober November Desember Indeks Waktu (t) 1 2 3 4 5 6 7 8 9 10 11 12 Penjualan Aktual (A) 529 525 528 530 525 524 528 527 529 527 525 528

Metode

WMA

mempunyai

rumus

untuk

menentukan

ramalan di periode yang akan datang, yaitu sebagai berikut: ( Contoh perhitungan ramalan dengan menggunakan moving )

average (MA)=3 pada bulan Januari:

III-9

) (

Hasil perhitungan peramalan selama satu periode ke depan dengan MA=3 yang berarti peramalan mulai dari bulan April dan dirangkum dalam tabel yang dapat dilihat pada tabel 3.2.
Tabel 3.2 Metode Weight Moving Average Bulan Januari Februari Maret April Mei Juni Juli Agustus September Oktober November Desember Indeks Waktu (t) 1 2 3 4 5 6 7 8 9 10 11 12 Penjualan Aktual (A) 529 525 528 530 525 524 528 527 529 527 525 528 Ramalan Berdasarkan MA=3 527,17 528,5 527,17 525,33 526,17 526,83 528,17 527,67 526,33 Hasil Pembulatan Peramalan 528 529 528 526 527 527 529 528 527

Peramalan Metode Weight Moving Average

531 530 529 528 527 526 525 524 523 522 521 1 2 3 4 5 Bulan 6 7 8 9

Penjualan Aktual Peramalan

A&f

Gambar 3.1 Metode Weight Moving Average

III-10

Metode

berikutnya

yaitu

metode

Single

Exponential

Smoothing, dimana terdapat dua cara dalam menentukan hasil peramalannya. Ramalan indeks waktu yang pertama berbeda dengan yang ke dua dan seterusnya. Berikut rumus dan keterangannya: Ft = Ft-1 At-1 - Ft-1) Dimana: Ft = nilai ramalan untuk periode waktu ke-t. Ft-1 = nilai ramalan untuk satu periode waktu yang lalu. At-1 = nilai aktual untuk satu periode waktu yang lalu. = konstanta pemulusan. Sebelum melakukan perhitungan manual, dicari nilai MAD terkecil dari = 0,1 sampai = 0,9 dengan menggunakan software. Berikut merupakan tabel hasil perhitungan MAD untuk metode SES dengan menggunakan software.
Tabel 3.3 Perhitungan MAD Metode Single Exponential Smoothing 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1,861583 1,85715 1,938538 2,08207 2,206499 2,309204 2,387773 2,487604 2,571417

Contoh

perhitungan

pertama

untuk A

bulan

Januari

dengan

0,2 dan perhitungan untuk bulan berikutnya:

Ramalan indeks waktu ke-2

= 527,08 + 0,2 (529 527,08) = 527,46

III-11

Pada bulan Maret dan seterusnya menggunakan cara seperti ramalan indeks waktu ke-2. Hasil perhitungan yang telah dirangkum dalam tabel dapat dilihat pada Tabel 3.4.
Tabel 3.4 Metode Single Exponential Smoothing Bulan Indeks Waktu (t) Januari Februari Maret April Mei Juni Juli Agustus September Oktober November Desember 1 2 3 4 5 6 7 8 9 10 11 12 Penjualan Aktual (A) 529 525 528 530 525 524 528 527 529 527 525 528 Ramalan Berdasarkan = 0,2 527,08 527,46 526,97 527,18 527,74 527,19 526,55 526,84 526,87 527,30 527,24 526,79 Hasil Pembulatan Peramalan 528 528 527 528 528 528 527 527 527 528 528 527

Peramalan Metode Single Exponential Smoothing

531 530 529 528 527 526 A&f 525 524 523 522 521 1 2 3 4 5 6 7 Bulan 8 9 10 11 12 Penjualan Aktual Peramalan

Gambar 3.2 Metode Single Exponential Smoothing

III-12

Metode yang terakhir yaitu Regresi Linier, dimana sebelum menentukan hasil ramalan untuk periode berikutnya diperlukan terlebih dahulu mencari nilai a dan b. Berikut adalah rumus-rumus untuk h Y :

Y Y

Hasil perhitungan untuk x dan y dapat dilihat pada tabel 3.5 dan hasil peramalan untuk satu tahun dapat dilihat pada Tabel 3.6. Perhitungan untuk mendapatkan nilai a dan b, serta contoh peramalan untuk bulan Januari adalah sebagai berikut: Y Y Y

III-13

Tabel 3.5 Metode Regresi Linier Bulan Januari Februari Maret April Mei Juni Juli Agustus September Oktober November Desember J h Periode (X) 1 2 3 4 5 6 7 8 9 10 11 12 78 Penjualan Aktual (Y) 529 525 528 530 525 524 528 527 529 527 525 528 6325 Tabel 3.6 Hasil Peramalan Metode Regresi Linier Bulan Januari Februari Maret April Mei Juni Juli Agustus September Oktober November Desember Indeks Waktu (t) 1 2 3 4 5 6 7 8 9 10 11 12 Penjualan Aktual (A) 529 525 528 530 525 524 528 527 529 527 525 528 Ramalan 527.34 527.29 527.25 527.20 527.16 527.11 527.06 527.02 526.98 526.93 526.89 526.84 528 528 528 528 528 528 528 528 527 527 527 527 1 4 9 16 25 36 49 64 81 100 121 144 650 529 1050 1584 2120 2625 3144 3696 4216 4761 5270 5775 6336 41106 X2 Y2

III-14

Tabel 3.6 (Lanjutan) Hasil Peramalan Metode Regresi Linier Januari Februari Maret April Mei Juni Juli Agustus September Oktober November Desember 13 14 15 16 17 18 19 20 21 22 23 24 526,79 526,75 526,70 526,66 526,61 526,57 526,52 526,48 526,43 526,39 526,34 526,30 527 527 527 527 527 527 527 527 527 527 527 527

Peramalan Metode Regresi Linier

531 530 529 528 527 A&f 526 525 524 523 522 521 1 2 3 4 5 6 7 Bulan 8 9 10 11 12 Penjualan Aktual Peramalan

Gambar 3.3 Metode Regresi Linier

Setiap hasil peramalan dari ketiga metode yang digunakan, mempunyai akurasi yang berbeda-beda. Oleh karena itu untuk menentukan metode yang terbaik, maka menggunakan teori

III-15

ukuran akurasi peramalan dengan mencari nilai Mean Absolute Deviation (MAD), Tracking Signal (TS), dan Moving Range (MR). Berikut tersebut: A | | merupakan rumus-rumus untuk mencari nilai-nilai

MR = |(Ft-1 At-1) (Ft At)|

Tabel rangkuman untuk hasil perhitungan MAD dan TS untuk masing-masing metode dapat dilihat pada Tabel 3.7, Tabel 3.8, dan Tabel 3.9. Peta kontrol tracking signal juga dibuat untuk masing-masing metode dengan menggunakan batas kontrol atas (BKA) dan batas kontrol bawah yang sudah ditetapkan yaitu 4. Peta-peta tersebut dapat dilihat pada Gambar 3.4, Gambar 3.5, dan Gambar 3.6. Contoh perhitungan pada tabel tracking signal untuk metode WMA di periode 1 dapat dilihat seperti berikut ini: Error = A f = 530 528 = 2 Absolute Error = |Error|= 2 A

III-16

Tabel 3.7 Tracking Signal Metode Weight Moving Average Periode 1 2 3 4 5 6 7 8 9 Forecast (f) 528 529 528 526 527 527 529 528 527 Aktual (A) 530 525 524 528 527 529 527 525 528 Error (e=A-f) 2 -4 -4 2 0 2 -2 -3 1 RSFE Kumulatif 2 -2 -6 -4 -4 -2 -4 -7 -6 Absolute Error 2 4 4 2 0 2 2 3 1 2,22 Kumulatif Absolute Error 2 6 10 12 12 14 16 19 20 2 3 3,33 3 2,4 2,33 2,28 2,37 2,22 MAD Tracking Signal 1 -0,67 -1,82 -1,33 -1,67 -0,86 -1,75 -2,95 -2,70

Gambar 3.4 Peta Kontrol Metode Weight Moving Average

Contoh perhitungan pada tabel tracking signal untuk metode SES di periode 1 dapat dilihat seperti berikut ini: Error = A f = 529 528 = 1 Absolute Error = |Error|= 1

III-17

MAD = 1/1 = 1 TS = 1/1 = 1

Tabel 3.8 Tracking Signal Metode Single Exponential Smoothing Periode 1 2 3 4 5 6 7 8 9 10 11 12 Forecast (f) 528 528 527 528 528 528 527 527 527 528 528 527 Aktual (A) 529 525 528 530 525 524 528 527 529 527 525 528 Error (e=A-f) 1 -3 1 2 -3 -4 1 0 2 -1 -3 1 RSFE Kum 1 -2 -1 1 -2 -6 -5 -5 -3 -4 -7 -6 Absolute Error 1 3 1 2 3 4 1 0 2 1 3 1 1,83 Kumulatif Absolute Error 1 4 5 7 10 14 15 15 17 18 21 22 1 2 1,67 1,75 2 2,33 2,14 1,87 1,89 1,8 1,91 1,83 MAD Tracking Signal 1 -1 -0,6 0,57 -1 -2,57 -2,34 -2,67 -1,59 -2,22 -3,66 -3,28

PETA KONTROL TRACKING SIGNAL SES

5 4 3 2 1
A-f BKA

0 -1 -2 -3 -4 -5
Periode

TS 1 2 3 4 5 6 7 8 9 10 11 12
BKB

Gambar 3.5 Peta Kontrol Tracking Signal Metode Single Exponential Smoothing

III-18

Contoh perhitungan pada tabel tracking signal untuk metode Regresi Linier di periode 1 dapat dilihat seperti berikut ini: Error = A f = 529 527 = 2 Absolute Error = |Error|= 2 A A
Tabel 3.9 Tracking Signal Metode Regresi Linier Periode 1 2 3 4 5 6 7 8 9 10 11 12 Forecast (f) 528 528 528 528 528 528 528 528 527 527 527 527 Aktual (A) 529 525 528 530 525 524 528 527 529 527 525 528 Error (e=A-f) 1 -3 0 2 -3 -4 0 -1 2 0 -2 1 RSFE Kumulatif 1 -2 -2 0 -3 -7 -7 -8 -6 -6 -8 -7 Absolute Error 1 3 0 2 3 4 0 1 2 0 2 1 1,58 Kumulatif Absolute Error 1 4 4 6 9 13 13 14 16 16 18 19 1 2 1.33 1.5 1.8 2.17 1.86 1.75 1.78 1.6 1.64 1.58 MAD Tracking Signal 1 -1 -1.5 0 -1.67 -3.22 -3.76 -4.57 -3.37 -3.75 -4.88 -4.43

III-19

PETA KONTROL TRACKING SIGNAL REGRESI LINIER

5 4 3 2 1
A-f BKA

0 -1 -2 -3 -4 -5 -6
Periode

TS 1 2 3 4 5 6 7 8 9 10 11 12
BKB

Gambar 3.6 Peta Kontrol Tracking Signal Metode Regresi Linier

Hasil perhitungan moving range (MR) dirangkum dalam tabel yang dapat dilihat pada Tabel 3.10. Berikut contoh perhitungan MR pada bulan pertama dan perhitungan untuk menentukan BKA dan BKB untuk grafik moving range seperti dapat dilihat pada Gambar 3.7: MR = |(527 529) (527 525)| = 4 A BKA = 2,66 x 2,64 = 7,02 BKB = -2,66 x 2,64 = -7,02
Tabel 3.10 Moving Range Bulan Januari Februari Peramalan 528 528 Penjualan Aktual 529 525 1 -3 4 A-F MR Absolute

III-20

Tabel 3.10 (Lanjutan) Moving Range Maret April Mei Juni Juli Agustus September Oktober November Desember 528 528 528 528 528 528 527 527 527 527 Total 528 530 525 524 528 527 529 527 525 528 0 2 -3 -4 0 -1 2 0 -2 1 3 2 5 1 4 1 2 2 2 3 29

Gambar 3.7 Grafik Moving Range

3.2.2 Perhitungan Software Peramalan juga dapat ditentukan hasilnya dengan menggunakan software yaitu WIN_QSB. Hasil perhitungan (output) dengan menggunakan software tersebut untuk ketiga metode dapat dilihat pada Gambar 3.8, Gambar 3.10, dan Gambar 3.12.

III-21

Software ini juga dapat menunjukkan grafik hasil peramalan untuk masing-masing metode, yang dapat dilihat pada Gambar 3.9, Gambar 3.11, dan Gambar 3.13.

Gambar 3.8 Output Metode Weight Moving Average

Gambar 3.9 Output Grafik Weight Moving Average

III-22

Gambar 3.10 Output Metode Single Exponential Smoothing

Gambar 3.11 Output Grafik Single Exponential Smoothing

III-23

Gambar 3.12 Output Metode Regresi Linier

Gambar 3.13 Output Grafik Regresi Linier

3.3

Analisis

Peramalan produksi tempat pajangan ini menggunakan data produksi terdahulu. Peramalan dilakukan selama 12 periode atau

III-24

satu tahun. Perhitungan peramalan dilakukan dengan cara manual dan software. Metode yang digunakan ada 3 yaitu metode Weight Moving Average, Single Exponetial Smoothing dan Regresi Linier. Metode Weight Moving Average atau lebih singkatnya WMA memakai rata-rata terbobot sebesar 3 untuk peramalan tempat pajangan ini. Hasil peramalan untuk periode ke 4 (april) dilakukan pertama kali karena memakai rata-rata bergerak terbobot 3 yaitu sebesar 527,17 atau dibulatkan menjadi 528 unit yang maksudnya produksi tempat pajangan pada periode 4 adalah sebesar 528 unit. Periode berikutnya sampai periode ke 12 dapat dilihat pada Tabel 3.2. Pada tracking signal metode WMA ada 9 periode yang digunakan perhitungannya karena WMA memiliki bobot 3 bulanan maka 3 bulan awal tidak ada peramalan. Mean Absolute Deviation (MAD) atau rata-rata penyimpangan absolut pada metode WMA yang dilakukan dengan pengolahan data secara manual didapat hasil sebesar 2,22. Nilai MAD 2,22 diperoleh dari nilai absolut error dari nilai error. Nilai error sendiri merupakan nilai aktual dikurangi nilai peramalan. Gambar 1 peta kontrol tracking signal metode WMA menunjukkan bahwa data-data hasil peramalan tersebut dapat dikatakan baik karena tidak ada yang melewati ketetapan hasil nilai BKA 2,14. dan BKB yaitu 4 dan -4. Berdasarkan perhitungan software nilai MAD dengan metode WMA didapatkan terlalu sebesar bagi Jika dibandingkan nilai dengan tersebut perhitungan manual terdapat selisih 0,08. Perbedaan 0,08 tidak signifikan peramalan. Perbedaan dikarenakan pembulatan angka dibelakan koma yang dilakukan pada perhitungan manual dan perhitungan software berbeda. Peramalan dengan menggunakan metode Single Exponetial Smoothing atau lebih singkatnya SES menggunakan nilai = 0,2.

III-25

Nilai tersebut didapat dari perhitungan dengan menggunakan software WIN QSB yang mencari nilai MAD paling kecil diantara nilai = 0,1 sampai = 0,9. Peramalan dengan menggunakan metode SES ini dilakukan dengan menggunakan nilai aktual dan nilai ramalan waktu sebelumnnya, jadi misalkan perhitungan peramalan untuk periode 2 tidak dapat dilakukan sebelum menyelesaikan perhitungan peramalan untuk periode 1 terlebih dahulu. Hasil peramalan untuk periode 4 dengan menggunakan metode SES didapat hasil sebesar 527,18 atau dibulatkan menjadi 528 unit yang maksudnya produksi tempat pajangan pada periode 4 (April) adalah sebesar 528 unit. Selengkapnya untuk peramalan dengan menggunakan metode SES dapat dilihat pada tabel 3.4. Metode SES juga dibuat tracking signal untuk mengetahui nilai MAD. Nilai MAD untuk = 0,2 adalah sebesar 1,83. Nilai MAD 1,83 diperoleh dari nilai absolut error dari nilai error. Nilai error sendiri merupakan nilai aktual dikurangi nilai peramalan. Gambar 2 peta kontrol tracking signal metode SES menunjukkan bahwa data-data hasil peramalan tersebut dapat dikatakan baik karena tidak ada yang melewati ketetapan nilai BKA dan BKB yaitu 4 dan -4. Berdasarkan perhitungan software nilai MAD dengan metode SES = 0,2 didapatkan hasil sebesar 1,85. Jika dibandingkan dengan perhitungan manual terdapat selisih 0,02. Perbedaan 0,02 tidak terlalu signifikan bagi peramalan. Perbedaan nilai tersebut dikarenakan pembulatan angka dibelakan koma yang dilakukan pada perhitungan manual dan perhitungan software berbeda. Hasil perhitungan manual dengan menggunakan metode regresi linier digunakan untuk mengetahui nilai peramalan untuk 12 periode secara langsung, tidak seperti pada metode WMA dan SES yang mengetahui nilai peramalannya secara bertahap untuk satu periode. Hasil peramalan untuk periode 16 (April) adalah

III-26

sebesar 526,66 unit yang dibulatkan menjadi 527 unit yang artinya produksi tempat pajangan pada periode 16 (april) adalah sebesar 527 unit. Selengkapnya untuk peramalan dengan menggunakan metode regresi linier dapat dilihat pada tabel 5. Metode regresi linier juga dibuat tracking signal untuk mengetahui nilai MAD. Nilai MAD unutk metode regresi linier adalah sebesar 1,58. Nilai MAD 1,58 diperoleh dari nilai absolut error dari nilai error. Nilai error sendiri merupakan nilai aktual dikurangi nilai peramalan. Gambar 3.6 peta kontrol tracking signal metode regresi linier menunjukkan bahwa tidak ada data yang melewati batas kontrol baik atas maupun bawah. Berdasarkan perhitungan software nilai MAD dengan metode regresi linier didapatkan hasil sebesar 1,57. Jika dibandingkan dengan perhitungan manual terdapat selisih 0,01. Perbedaan 0,01 tidak terlalu signifikan bagi peramalan. Perbedaan nilai tersebut dikarenakan pembulatan angka dibelakan koma yang dilakukan pada perhitungan manual dan perhitungan software berbeda. Moving range merupakan suatu ukuran akurasi peramalan. Data-data yang digunakan untuk perhitungan moving range berdasarkan data peramalan dengan nilai MAD terkecil. Hasil peramalan berdasarkan tiga metode yang sebelumnya telah dihitung dan didapatkan hasil MAD terkecil yang terdapat pada metode regresi linier yaitu sebesar 1,58. Tabel 3.10 moving range menyajikan nilai peramalan berdasarkan metode regresi linier dengan data penjualan aktual. Kolom A-F merupakan kolom pengurangan nilai aktual dengan nilai peramalannya. Mencari nilai MR absolute setiap periodenya dengan perhitungan selisih forecasting t-1 dengan aktual t-1 dikurangi selisih forecasting t dengan aktual t. Lalu MR absolute dijumlahkan keseluruhnya didapat nilai sebesar 29, dari nilai

III-27

tersebut dicari nilai BKA dan BKB yang masing-masing bernilai 7,02 dan -7,02. Grafik moving range digunakan agar memperjelas dan mempertegas hasil peramalan yang diplotkan pada grafik. Berdasarkan grafik moving range dapat disimpulkan bahwa tidak ada nilai yang keluar dari BKA dan BKB yang artinya data hasil peramalan yang dibuat antara data aktual dan data peramalan tidak ada perbedaan yang signifikan.