LAPORAN PRAKTIKUM PERENCANAAN DAN PENGENDALIAN PRODUKSI ACARA 1 PERAMALAN

Disusun oleh : Nama NIM Kelompok Ass : Agustina Pika Wulansari : 10/300327/TP/09802 : C / SHIFT 2 : Mariani Agustin Antonius Angga C.

LABORATORIUM SISTEM PRODUKSI JURUSAN TEKNOLOGI INDUSTRI PERTANIAN FAKULTAS TEKNOLOGI PERTANIAN UNIVERSITAS GADJAH MADA YOGYAKARTA 2012

BAB I PENDAHULUAN

A. Latar Belakang Dalam suatu industri terdapat banyak faktor ketidak pastian yang perlu dipertimbangkan dalam pengambilan keputusan manajemen, seperti penentuan jumlah dan waktu pembelian bahan baku, jumlah pekerja, jadwal produksi. Keputusan manajemen yang tepat akan menghasilkan produksi yang efektif dan efisien sehingga mendukung produktivitas perusahaan dan pada akhirnya menambah profit perusahaan. Peramalan merupakan suatu bentuk seni dan ilmu yang digunakan untuk memperkirakan suatu kejadian dimasa depan. Dengan adanya peramalan, orang sudah dapat memperkirakan peristiwa apa yang akan terjadi di masa depan sekaligus menyiapkan tindakan guna mengantisipasi segala kemungkinan yang akan terjadi. Suatu peramalan tidak memiliki nilai mutlak, akan tetapi lebih bersifat subjektif, artinya jika dua orang melakukan peramalan secara bersama-sama, hasil yang diperoleh belum tentu sama. Peramalan yang akan dibahas pada praktikum ini adalah peramalan yang memiliki tingkat resiko yang tinggi, karena menyangkut hidup-matinya suatu perusahaan dan tentunya akan berdampak langsung kepada karyawan maupun terhadap harga barang di pasar. Tanpa peramalan, keputusan yang diambil tentunya akan menjadi kurang akurat. Dengan adanya peramalan, diharapkan akan tercipta suatu keputusan dengan tingkat prediksi yang baik sehingga apa yang dihasilkan tidak melenceng terlalu jauh dari kenyataan. Peramalan memerlukan berbagai kegiatan untuk mengenali dan memantau berbagai sumber permintaan produk atau jasa, yang meliputi peramalan, pencatatan pesanan, membuat janji penyerahan, menentukan kebutuhan unit-unit operasional untuk mengkoordinasi seluruh kegiatan secara terpadu. Sasaran peramalan dapat dikategorikan berdasarkan jangka waktunya ke dalam sasaran jangka panjang , jangka menengah, jangka pendek, dan segera. Dalam peramalan juga harus diketahui jenis data yang

digunakan apakah berjenis konstan, trend, ataukah musiman. Sehingga dapat dipilih metode peramalan yang paling akurat dan juga mencegah atau meminimalisir terjadinya bias.

B. Tujuan Praktikum 1. Mengajarkan mahasiswa untuk melakukan peramalan dengan bantuan komputer. 2. Mengajarkan mahasiswa untuk memilih metode peramalan dengan benar.

C. Manfaat Praktikum 1. Praktikan mampu melakukan peramalan secara cepat menggunakan software WinQsb. 2. Praktikan mampu melakukan peramalan yang bermanfaat di dunia kuliah bahkan di dunia pekerjaan nantinya. 3. Praktikan mampu memilih metode peramalan yang tepat sesuai dengan jenis data.

BAB II TINJAUAN PUSTAKA

Dalam dunia industri peramalan biasanya didefinisikan sebagai suatu perkiraan tingkat permintaan yang diharapkan untuk suatu produk atau beberapa produk dalam periode waktu tertentu dimasa yang akan datang. Peramalan merupakan taksiran ilmiah yang memiliki sedikit kesalahan yang disebabkan adanya keterbatasan kemampuan manusia. Hasil-hasil ramalan sangat diperlukan dalam pengambilan keputusan yang organisasi. Jangka waktu peramalan yang diperlukan harus sesuai dengan keputusan itu. Jika keputusan akan diperlukan untuk waktu enam bulan, maka ramalan yang hanya ketepatan untuk satu bulan ke depan tidak bisa digunakan sebagai acuan dalam keputusan tersebut. Oleh karena itu kriteria pemilihan metode peramalan yang tepat adalah keseimbangan antara waktu pengambilan keputusan, jangka waktu ramalan dan ketepatan. Tujuan dari peramalan adalah untuk mengurangi resiko dalam pengambilan keputusan untuk masa yang akan datang. Karena peramalan tidak mungkin mengeliminasi semua resiko, maka keputusan yang diambil merupakan keputusan dengan asumsi peramalannya benar, disertai kelonggaran untuk kesalahan. Keputusan-keputusan yang memerlukan peramalan antara lain (Anonim, 2012): 1. Penjadwalan Sumber Daya Yang Tersedia 2. Kebutuhan Sumber Daya Tambahan 3. Penentuan Sumber Daya Yang Diinginkan Apabila dilihat dari sifat penyusunnya, maka peramalan dapat dibedakan menjadi dua macam, yaitu (Nasution, 2008): 1. Peramalan Kualitatif (Subyektif), yaitu peramalan berdasarkan atas perasaan atau intuisi dari orang yang menyusunnya. Dalam hal ini pandangan atau ketajaman orang yang menyusunnya sangat menentukan baik tidaknya hasil peramalan. Hasil peramalan yang ada sangat ditentukan oleh pemikiran yang bersifat intuisi, judgment (pendapat) dan pengetahuan serta pengalaman dari penyusunnya. Biasanya orang yang

berpartisipasi dalam permalan ini adalah orang-orang yang ahli dan berpengalaman. Metode peramalan ini dibagi menjadi dua yaitu: a. Metode Eksploratoris Analisa menggunakan data masa lalu dan masa kini sebagai titik awalnya dan bergerak kearah masa depan secara heuristic, seringkali dengan melihat semua kemungkinan yang ada. b. Metode Normatif Proses analisa dimulai dengan menetapkan sasaran dan tujuan yang akan datang, kemudian bekerja mundur untuk melihat apakah hal ini dapat dicapai, berdasarkan kendala, sumber daya, dan teknologi yang tersedia. 2. Peramalan Kuantitatif (Obyektif), yaitu peramalan yang didasarkan atas data yang relevan pada masa lalu dengan menggunakan teknis-teknis dan metode-metode dalam analisa data. Hasil peramalan yang dibuat sangat bergantung pada metode yang digunakan dalam peramalan tersebut. Metode yang berbeda akan menghasilkan peramalan yang berbeda. Metode yang baik adalah metode yang memberikan nilai-nilai

penyimpangan sekecil mungkin antara hasil peramalan dengan kenyataan yang terjadi. Dilihat dari jangka waktu ramalan yang disusun, peramalan dapat dibedakan atas dua macam yaitu (Ravindran, 2009): 1. Peramalan Jangka Panjang, yaitu peramalan yang dilakukan untuk menyusun hasil peramalan yang jangka waktunya lebih dari satu setengah tahun atau tiga semester. 2. Peramalan Jangka Pendek, yaitu peramalan yang dilakukan untuk penyusunan hasil ramalan yang kurang dari satu setengah tahun atau tiga semester. Persyaratan dalam peramalan kuantitatif adalah memeuhi tiga kondisi sebagai berikut (Taha, 2007): 1. Adanya informasi tentang keadaan yang lain 2. Informasi tersebut dapat dikuantifikasikan

3. Pola data yang lalu diasumsikan akan berkelanjutan pada masa yang akan datang. Adapun metode-metode peramalan kuantitatif adalah sebagai berikut (Taha, 2007): 1. Metode Kuantitatif Causal Dalam metode ini dilakukan asumsi atas adanya hubungan sebab akibat antara input dan output pada suatu sistem akan mempengaruhi output sistem tersebut. Hubungan input-output tersebut dicari lebih dahulu. 2. Metode Kuantitatif Time Series Metode peramalan ini memperkirakan keadaan dimasa yang akan datang berdasarkan data masa lalu dengan asumsi proses bersifat stabil. Pola seri data masa lalu diekstrapolasi untuk meramalkan keadaan dimasa akan datang. Teknik peramalan yang sering digunakan dalam metode ini antara lain : a. Metode Perataan (Average) b. Pemulusan (Smoothing) Eksponensial c. Trend Projection Metode time series adalah metode peramalan secara kuantitatif dengan menggunakan waktu sebagai dasar peramalan. Secara umum, permintaan pada masa yang akan datang dipengaruhi oleh waktu. Untuk membuat suatu peramalan diperlukan data historis (masa lalu) permintaan. Data inlah yang akan dianalisis dengan menggunakan parameter waktu sebagai dasar analisis (Baroto, 2002). Langkah penting dalam memilih suatu metode time series yang tepat adalah dengan mempertimbangkan jenis pola data, sehingga metode yang paling tepat dengan pola tersebut dapat diuji. Pola data dapat dibedakan menjadi 4 jenis bentuk pola data, yaitu (Pardede, 2005): 1. Pola Horisontal (H) atau Horizontal Data Pattern Pola data dalam peramalan biasanya berfluktuaasi di sekitar nilai rata-rata yang konstan. Suatu produk yang penjualannya tudak meningkat atau menurun selama waktu tertentu termasuk jenis ini dan disebut pola data horisontal.

2. Pola Musiman (S) Atau Seasional Data Pattern Pola data ini terjadi bilamana suatu deret dipengaruhi oleh faktor musiman seperti tahunan, bulanan, atau harian. 3. Pola Siklis (C) Atau Cyclied Data Pattern Pola data ini terjadi bilamana data dipengaruhi oleh fluktuasi ekonomi jangka panjang seperti yang berhubungan gengan siklus bisnis. 4. Pola Trend (T) Trend Data Pattern Pola data ini terjadi bilamana terdapat kenaikan atau penurunan sekuler jangka waktu yang lebih panjang yang berkaitan dengan data. Misalnya penjualan pada banyakperusahaan, Produk Bruto Nasional (GNP), dan berbagai faktor bisnis atau ekonomi lainya mengikuti suatu pola trend selama perubahannya sepanjang waktu. Ketepatan metode peramalan disebut juga dengan verifikasi atau uji validasi. Uji ini digunakan untuk melihat apakah data yang diambil memiliki perbedaan simpangan kesalahan yang cukup kecil. Dalam tahap ini penyimpangan yang kecil dicari sehingga bisa diperkirakan bahwa antara hasil ramalan dan data observasi diyakini tidak memiliki perbedaan yang mencolok (Wignjosoebroto, 2003). Mean Absolute Deviation (MAD), ukuran pertama kesalahan peramalan keseluruhan untuk sebuah model adalah (MAD). Nilai ini dihitung dengan mengambil jumlah nilai absolut dari tiap kesalahan peramalan dibagi dengan peramalan dibagi dengan jumlah periode data (Heizer and Render, 2004).

BAB III METODE PRAKTIKUM

A. Alat dan Bahan Alat: 1. Komputer 2. Software WINQSB Bahan: 1. Data Penjualan Produk I 2. Data Penjualan Produk II 3. Data Penjualan Produk III

B. Prosedur Praktikum 1. Menentukan tujuan peramalan yaitu ramalan penjualan 2. Menentukan jangka waktu peramalan yaitu enam bulan ke depan 3. Mengumpulkan dan menganalisis data Memplotkan data penjualan aktual selama 36 periode diplotkan dengan microsoft Excel dan mengamati pola perubahannya apakah berpola konstan, trend atau musiman. 4. Menentukan teknik peramalan yang sesuai dengan pola data yang ada : Untuk data produk pertama yang merupakan data konstan

menggunakan metode yaitu metode Simple Average. Untuk data produk kedua yang merupakan data trend menggunakan metode yaitu metode Double Exponential Smoothing. Untuk data produk ketiga yang merupakan data musiman

menggunakan metode yaitu metode Holt Winter Additive Algorithm. 5. Melakukan peramalan Menjalankan program WINQSB dengan : Memilih Forecasting and Linear Regression Pada menu File dipilih pilihan New Problem dan diisikan : Problem type = Time Series Forecasting

Problem title = peramalan atau nama lain Time unit = Month Number of time unit (periods) = 36 Problem type = Time Series Klik OK Data penjualan yang ada dimasukkan pada baris yang tersedia dengan cara menyalin dari data excel yang telah diplotkan sebelumnya.

Data peramalan disimpan dalam folder untuk masing-masing data. Dalam menu Solve and Analyze dipilih Perform Forecasting Dalam Forecasting Method, dipilih metode peramalan untuk masing - masing jenis data yaitu simple average untuk produk I, double exponential smoothing untuk produk II dan Holt Winter Additive Algorithm untuk produk III.

Dalam Method Parameters dipilih assign values untuk nilai yang sudah diketahui dan Search for the best untuk pencarian terbaik oleh komputer.

Dalam Number of periods to forecast diisikan angka 6 untuk meramalkan enam periode ke depan. Klik OK untuk melihat masing - masing hasil peramalan yang dipilih. Untuk melihat gambar hasil peramalan, klik Show

Forecasting in Graph. 6. Melakukan pengukuran kesalahan Menggunakan ukuran MAD (Mean Absolute Deviation) yang terkecil untuk memilih metode peramalan yang paling baik. 7. Melakukan verifikasi Membuat plot grafik dari Formula Tracking Signal (TS) 3 untuk memverifikasi metode peramalan yang dipilih

 8. Melakukan analisis untuk hasil peramalan masing - masing produk.

BAB IV HASIL DAN PEMBAHASAN

A. HASIL ( TERLAMPIR) Grafik ploting data awal ( Produk 1, Produk 2 dan Produk 3) Hasil forecast dari praktikum (Peramalan 1, Peramalan 2 dan Peramalan 3) Grafik hasi verifikasi (Produk 1, Produk 2 dan Produk 3)

B. PEMBAHASAN Pada praktikum perencanaan dan pengendalian produksi kali ini merupakan praktikum peramalan. Pada praktikum peramalan ini memiliki tujuan yaitu untuk mengajarkan mahasiswa agar melakukan peramalan dengan bantuan komputer. Dan juga dari praktikum peramalan ini dapat mengajarkan mahasiswa untuk memilih metode peramalan dengan benar. Pada praktikum peramalan ini praktikan melakukan peramalan dari data dari 3 buah produk pada handout praktikum dengan memakai software WinQSB. Pada praktikum ini terdapat prosedur praktikum yaitu diawali dengan menetapkan tujuan peramalan, yaitu melakukan peramalan penjualan. Kemudian praktikan menentukan jangka waktu peramalan yaitu peramalan untuk 6 bulan kedepan. Tahap selanjutnya yaitu mengumpulkan dan menganalisis data yang diawali dengan mengetik data demand produk 1, 2 dan 3 pada Microsoft Excel lalu melihat pola data dari tiap produk itu. Dari data yang sudah diplotkan itu dilihat apakah bentuk data nya merupakan data konstan, data trend atau data musiman. Cara melihat pola data produk 1 adalah dengan memblok cell-cell data demand produk 1 lalu memilih Insert Chart - Point - Line. Pola data produk 2 dan 3 juga dilihat dengan cara yang sama. Setelah dilakukan plot grafik diketahui bahwa data produk 1 memiliki pola konstan, produk 2 memiliki pola trend dan produk 3 memiliki pola musiman dengan trend. Pola konstan merupakan pola data yang persebarannya menunjukan pola acak dan cenderung membentuk lintasan yang lurus, sejajar sumbu X grafik. Pola trend merupakan pola data yang memiliki persebaran data yang membentuk lintasan yang memiliki gradien (kemiringan) baik menaik atau menurun. Pola trend-seasonal atau musiman merupakan pola data yang memiliki persebaran data yang memiliki siklus naik-turun data tertentu dan memiliki kemiringan. Berdasarkan pola data yang sudah diplotkan tadi kemudian praktikan memasukan data demand untuk diproses dengan software sesuai dengan jenis pola datanya. Software yang digunakan untuk melakukan peramalan penjualan ini adalah WinQSB. Program ini dapat dijalankan dengan cara double click file FC.exe (Forecasting and Linear Regression) pada folder WinQSB. Folder

WinQSB ini bisa diakses dengan klik Start Application Wine - Wine C:\ Browser. Setelah masuk ke program WinQSB langkah selanjutnya yaitu mengklik File - New Problem - Poblem Type: Time Series Forecasting dipilih, karena analisa yang dilakukan menggunakan data time series yaitu data yang telah dimiliki sebelumnya. Tahap selanjutnya yaitu mengisi Problem Title dengan Produk 1, dan Periods dengan 36 karena data yang dimasukan terdapat 36 periode, Time Units tetap diisi dengan Months. Setelah tabel sudah muncul, data dari Excel di blok dan di copy kemudian di kolom kosong pada WinQSB diblok dan dilakukan paste dengan menekan tombol Ctrl+V. Angka-angka data akan terisi lalu praktikan melakukan peramalan dengan langkah: klik Solve and Analyze - Perform Forecasting.Pemilihan Forecasting Method sesuai dengan jenis pola data. Untuk produk 1 yang memiliki pola konstan digunakan metode Simple Average (SA). Method Parameter dipilih Assign Value dan Search Criterion dipilih MAD. MAD ini yang nantinya akan digunakan dalam melakukan verifikasi hasil peramalan. Number of Periods to Forecast diisi dengan 6, karena memang pada peramalan ini ditentukan untuk meramalkan dalam enam periode kedepan. Pada proses peramalan metode SA pada produk 1 ini diperoleh hasil seperti pada bagian lampiran. Tabel hasil ini memiliki 10 kolom sbb: 1. Month = bulan ataupun periode yang digunakan dalam data 2. Actual Data = nilai dari data yang telah dimiliki sebelumnya yang digunakan sebagai dasar dalam peramalan 3. Forecast by SA = nilai hasil peramalan berdasarkan Actual Data periodeperiode sebelumnya 4. Forecast Penyimpangan (FE) = besar selisih antara nilai hasil peramalan dengan nilai aktual pada periode yang sama 5. CFE (Cummulative FE) = RSFE (Running Sum FE) = penjumlahan dari FE pada suatu periode dan periode-periode sebelumnya 6. MAD (Mean Absolute Deviation) = nilai absolute rerata dari FE suatu periode dan periode-periode sebelumnya

7. MSE (Mean Square Penyimpangan) = nilai FE suatu periode dan periodeperiode sebelumnya yang dikuadratkan lalu direrata 8. MAPE (Mean Absolute Percentage Penyimpangan) = persentase rerata dari absolute FE terhadap nilai data aktual dari suatu periode dan periodeperiode sebelumnya. 9. Tracking Signal = nilai CFE dibagi dengan nilai MAD dalam suatu periode. Nilai ini digunakan dalam grafik verifikasi peramalan. 10. R-square = nilai determinasi, atau nilai R (korelasi) yang dikuadratkan Suatu peramalan bisa dilakukan dengan berbagai metode. Metode yang disimulasikan disesuaikan dulu dengan pola data masa lalu yang dimiliki. Bila pola datanya konstan maka metode yang bisa dipakai antara lain: Simple Average, Weighted Moving Average, Exponential Smoothing, Adaptive Exponential Smoothing. Adapun untuk pola data trend metode yang cocok digunakan antara lain: Moving Average with Linear Trend, Exponential Smoothing with Linear Trend, Double Exponential Smoothing, Double Exponential Smoothing with Linear Trend, Linear Regression. Sedangkan untuk pola data musiman pilihannya adalah metode Winters. Metode SA merupakan metode perataan paling sederhana yang akan menghasilkan ramalan yang baik hanya jika data menjadi acuan tidak menunjukkan adanya trend, dan tidak menunjukkan adanya unsur musiman. Metode SA ini hanya menghitung rerata dari data masa lalu untuk memperoleh hasil ramalan. Metode WMA juga termasuk metode sederhana dalam peramalan. Metode sederhana yang biasa digunakan adalah metode Moving Average (MA) dan metode Weighted Moving Average (WMA). Metode WMA adalah

pengembangan dari MA dengan menambahkan faktor bobot. Metode MA menggunakan rata-rata beberapa data terakhir sebagai data prakiraan masa berikutnya. Metode ini sangat sederhana karena merata-ratakan beberapa data terakhir. Metode ini memuluskan perubahan data yang sangat tinggi atau sangat rendah. Metode WMA meramalkan dengan beberapa data terakhir dengan memberikan bobot yang berbeda-beda. Hal ini bisa didasarkan dengan pengaruh

data yang lebih baru adalah lebih besar dari data yang lebih lama terhadap keadaan di masa datang. Metode Exponential Smoothing merupakan prosedur perbaikan terusmenerus pada peramalan terhadap objek pengamatan terbaru. Metode peramalan ini menitik-beratkan pada penurunan prioritas secara eksponensial pada objek pengamatan yang lebih tua. Dalam pemulusan eksponensial atau exponential smoothing terdapat satu atau lebih parameter pemulusan yang ditentukan secara eksplisit, dan hasil ini menentukan bobot yang dikenakan pada nilai observasi. Dengan kata lain, observasi terbaru akan diberikan prioritas lebih tinggi bagi peramalan daripada observasi yang lebih lama. Metode Exponential Smoothing dibagi lagi berdasarkan menjadi beberapa metode yaitu single, double, dan tripler. SES biasa digunakan pada peramalan jangka pendek. Model mengasumsikan bahwa data berfluktuasi di sekitar nilai rerata yang tetap, tanpa trend atau pola pertumbuhan konsisten. Dalam aplikasinya, model pemulusan eksponensial terdiri atas tiga tipe yang dipakai secara luas dalam deret waktu yang bervariasi. Pemulusan eksponensial sederhana/tunggal (Tipe I) adalah model pemulusan eksponensial yang dipakai untuk data deret waktu yang tidak memiliki tren dengan pola pertumbuhan (pattern of growth) yang konstan. Double Exponential Smoothing (Tipe II) adalah sebuah metode pemulusan eksponensial untuk memecahkan permasalahan deret waktu yang menunjukkan tren linear yang berupa perubahan lambat. Dua metode ini terangkum dalam bentuk yang lebih popular yakni : (1) Single Exponential Smoothing satu parameter yang bekerja dengan sebuah konstanta pemulusan tunggal, (2) Double Exponential Smoothing: dua parameter Holt-Winters yang bekerja dengan dua konstanta pemulusan. (3) Metode ketiga adalah metode Winter (Tipe III) yang disebut juga metode Triple Exponential Smoothing: Holt Winters. Metode ini adalah metode pemulusan eksponensial yang melakukan pendekatan terhadap prediksi data musiman. Metode Holt-Winters (tipe III) yang dapat

dipakai untuk prediksi data musiman. Metode ini juga berisi dua pendekatan yakni: a) Metode Holt-Winters multiplikatif (multiplicative Holt-Winters method) yang cocok untuk variasi data musiman yang mengalami peningkatan/penurunan (fluktuasi). Karakteristik mendasar dari metode Holt-Winters multiplikatif adalah ukuran dari fluktuasi musiman bersifat variasi dan tergantung pada pemulusan keseluruhan (overall smoothing) dari deret waktunya. b) Metode Holt-Winters aditif (additive Holt-Winters method) yang cocok untuk variasi musiman yang bersifat konstan. Karakteristik mendasar dari metode Holt-Winters aditif adalah ukuran dari fluktuasi musiman bersifat tetap (steady seasonal fluctuations) dan tergantung pada pemulusan keseluruhan (overall smoothing) dari deret waktunya. Dari peramalan ini diperoleh nilai rerata MAD. Nilai MAD ini digunakan untuk parameter dalam penentuan besar penyimpangan suatu peramalan sehingga menjadi patokan dalam menentukan metode peramalan yang terbaik dari berbagai alternatif. Nilai MAD yang rendah berarti menunjukkan peramalan yang akurat. Hasil peramalan selama 6 bulan yang tertampil menunjukkan hasil yang konstan yaitu 252,1667. Hal ini disebabkan metode yang digunakan Simple Average yaitu metode yang paling sederhana. Nilai MAD yang dipetoleh yaitu 6,253039.

Kemudian nilai TS ( Tracking Signal) yang diperoleh dari peramalan kemudian kembali diuji dengan menggunakan peta kendali di Microsoft Excel dengan batas atas (UCL) 3, batas tengah (CL) 0 dan batas bawah (LCL) -3. Ternyata berdasarkan grafik yang diplotkan, masih ada data yang bias atau out of control yaitu 1 data di atas UCL dan 5 data dibawah LCL. Metode peramalan produk 2 dilakukan langkah yang sama dengan data 1. Hanya yang berbeda pada data kedua ini (produk 2) untuk pemilihan forecasting method nya menggunakan metode Double Exponential Smoothing With Linear Trend dengan menggunakan alpha 0,5. Kemudian diperoleh juga nilai MAD 10,34642 dan diperoleh nilai peramalan yaitu pada periode 37 yaitu 454,9766, pada periode 38 yaitu 459,0312, pada

periode 39 yaitu 463,0857, pada periode 40 yaitu 467,1402, pada periode 41 yaitu 471,1948 dan pada periode 42 yaitu 475,2493. Selanjutnya nilai TS diplotkan ke grafik menggunakan Ms. Excel dengan menggunakan 3. Berdasarkan grafik tersebut masih ada data yang bias yaitu ada 6 data yang bias terhadap UCL. Metode peramalan produk 3 ( musiman) dilakukan langkah yang sama dengan produk sebelumnya, hanya dibedakan pada pemilihan Forecasting Method yaitu dipilih metode Holt-Winters Addtitive Algorithm dengan nilai alpha, beta dan gama masing-masing secara berurutan masing-masing yaitu 0,0,1 dan diperoleh nilai MAD 7,428571 dan hasil peramalan untuk enam bulan kedepan, masingmasing periode bulannya yaitu sebesar 310. Kemudian nilai TS yang diperoleh dari peramalan kemudian dari peramalan kemudian kembali diuji dengan menggunakan peta kendali di ms. Excel dengan batas atas (UCL) 3, batas tengah (CL) 0 dan batas bawah (LCL) -3. Ternyata berdasarkan grafik yang diplotkan, masih ada data yang bias atau out of control yaitu 20an data di atas UCL. Sebenarnya untuk Method Parameter yang dipilih pada produk 3 yaitu Search the Best, tapi karena proses nya dalam menentukan alpha beta gama sekitar 15 menit dan demi pengefektifan praktikum, sehingga langsung ditentukan nilai alpha-beta-gama nya. Method Parameter yang dipilih yaitu Search the Best, hal ini berarti nilai , , dari peramalan akan disimulasikan oleh software secara otomatis agar menghasilkan hasil peramalan terbaik. Nilai adalah konstanta smoothing untuk data konstan, nilai adalah konstanta smoothing untuk data trend, adalah konstanta smoothing untuk data musiman. Pada produk 1 peramalan bernilai tetap karena data memang berpola konstan sehingga hasilnya pun bernilai konstan. Pada produk 2 hasil semakin besar nilai konstanta ini maka hasil peramalan akan semakin halus. Nilai adalah konstanta penghalus pada peramalan, nilainya berkisar antara 0 sampai 1. Bila konstanta yang digunakan bernilai kecil maka hasil peramalan akan cenderung kurang mengikuti pola dari data masa lalu yang dijadikan acuan peramalan. Hal ini berarti hasil peramalan tidak begitu halus dan kurang responsif dalam menghadapi perubahan meski perubahan pada masa yang akan mendatang belum tentu terjadi dengan pola yang sama seperti pada masa lalu yang dijadikan acuan.

Berdasarkan peta kendali tiga produk tersebut, dapat dilihat bahwa semua nilai TS ada yang berada diluar area kontrol dan itu berarti hasil analisis belum sesuai dengan teori yang menyatakan bahwa metode dengan nilai MAD terkecil maka nilai TS seharusnya berada dalam control. Meskipun demikian metode ini merupakan metode yang terbaik dengan nilai MAD paling kecil dibandingkan dengan metode yang lain. Bila plot TS itu melebihi batas kontrol berarti hasil peramalan itu tidak akurat (tidak valid untuk data tersebut) dan perlu dilakukan peramalan ulang baik dengan metode berbeda atau sama tapi dengan asumsi yang berbeda sampai diperoleh TS yang berada dalam batas kontrol. Terdapat berbagai informasi pada hasil peramalan menggunakan WinQSB seperti Forecast by SA yaitu merupakan peramalan dengan menggunakan ratarata dari jumlah dengan permintaan periode sebelumnya. Forecast Error yaitu merupakan selisish dari actual data dengan forecast by SA. CFE ( Cumulative Forecast) merupakan jumlah forecast error dengan periode-periode sebelumnya. MAD ( Mean Absolute Deviation) merupakan rata-rata dari jumlah antara forecast error yang diabsolutkan (tidaak ada nilai minus). MSE (Mean Square Error) merupakan hasil dari penjumlahan kuadrat forecast error dibagi dengan jumlah periode. Sedangkan MAPE (Mean Absolute Percentage Error) diperoleh dari nilai absolute dari forecast error dibagi dengan jumlah periode. R square menyatakan koefisien determinasi yang berkisar antara 0-1. Semakin nilai R mendekati 1 maka hubungan antara x dan y semakin kuat.

BAB V KESIMPULAN

1. Peramalan bisa dilakukan dengan bantuan computer yaitu menggunakan software WinQSB yaitu program Forecasting and Linear Regression. 2. Dalam memilih metode peramalan dengan benar terdapat langkah-langkah sbb: a. Mengidentifikasi pola data: konstan, trend, atau musiman. Bila pola datanya konstan maka metode yang bisa dipakai antara lain: Simple Average, Weighted Moving Average, Exponential Smoothing, Adaptive Exponential Smoothing. Adapun untuk pola data trend metode yang cocok digunakan antara lain: Moving Average with Linear Trend, Exponential Smoothing with Linear Trend, Double Exponential Smoothing, Double Exponential Smoothing with Linear Trend, Linear Regression. Sedangkan untuk pola data musiman pilihannya adalah metode Winters. b. Melakukan peramalan dengan alternatif metode-metode yang disesuaikan dengan pola data tersebut c. Memilih satu hasil peramalan yang telah dilakukan dengan nilai MAD terkecil (nilai penyimpangan terkecil) lalu melakukan verifikasi hasil peramalan dari metode itu. Verifikasi dilakukan dengan membuat plot grafik TS 3 MAD. Hasil plot yang berada dalam kontrol berarti

metode permalaan itu akurat digunakan untuk data tersebut Produk 1 (konstan) = Simple Average ( MAD = 6,253039) Produk 2 ( trend ) = Double Exponential Smoothing With Trend (MAD =10,34642) Produk 3 ( musiman) = Holt-Winters Additive Algorithm ( MAD =7,428571)

d. Bila plot menunjukan nilai TS yang melebihi batas kontrol maka peramalan perlu dilakukan lagi dengan metode yang berbeda atau metode yang sama tapi dengan asumsi yang berbeda sampai diperoleh hasil verifikasi peramalan yang berada dalam kontrol (valid).

DAFTAR PUSTAKA

Anonim . 2012. Industrial Engineering_umc. Dalam http://nakqfajar.wordpress. com/2009/05/22/industrial-enginerring_umc-2/ diakses hari Selasa 20 November 2012 pada pk 20:00 WIB. Baroto, Teguh. 2002. Perencanaan dan Pengendalian Produksi . Jakarta : Ghalia Indonesia. Heizer, J. And Render, B. 2001. Operation Management. Edisi Terjemahan. Salemba. Jakarta. Nasution, Arman Hakim. 2008. Perencanaan dan Pengendalian Produksi. Yogyakarta: Graha Ilmu. Pardede, Pontas M. 2005. Manajemen Operasi dan Produksi: Teori, Model, dan Kebijakan. Yogyakarta: Andi Offset. Ravindran, A. Ravi. 2009. The Operation Research Series. CRC Press. London. Taha, Hamdy A. 2007. Operation Research: An Introduction. 8th Edition. Pearson Prentice Hall. New Jersey. Wignjosoebroto, Sritomo. 2003. Pengantar Teknik dan Manajemen Industri. Surabaya: Guna Widya.

LAMPIRAN HASIL

Grafik ploting data awal

PRODUK 1
275 270 265 260 255 250 245 240 235 230 225 1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 Periode

Demand

Series1

PRODUK 2
500 450 400 350 300 250 200 150 100 50 0 1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 Periode

Demand

Series1

PRODUK 3
400 350 300 Demand 250 200 150 100 50 0 1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 periode Series1

Forecast Result for PERAMALAN P1 11-17-2012Actual Month Data 1 250 2 250 3 270 4 245 5 255 6 250 7 260 8 240 9 260 10 255 11 250 12 255 13 270 14 245 15 255 16 258 17 260 18 250 19 245 20 250 21 255 22 255 23 240 24 250 25 250 26 265 27 250 28 240 29 255 30 250 31 255 32 240 33 255 34 240 35 250 36 255 37 38 39 40 41 42 CFE MAD MSE MAPE Trk.Signal R-square Forecast byForecast SA Error 250 250 256,6667 253,75 254 253,3333 254,2857 252,5 253,3333 253,5 253,1818 253,3333 254,6154 253,9286 254 254,25 254,5882 254,3333 253,8421 253,65 253,7143 253,7727 253,1739 253,0417 252,92 253,3846 253,2593 252,7857 252,8621 252,7667 252,8387 252,4375 252,5152 252,1471 252,0857 252,1667 252,1667 252,1667 252,1667 252,1667 252,1667 -36,7969 6,253039 66,42984 2,486962 -5,88464 0,042426 0 20 -11,6667 1,25 -4 6,666672 -14,2857 7,5 1,666672 -3,5 1,818176 16,66667 -9,61539 1,071426 4 5,75 -4,58824 -9,33333 -3,8421 1,350006 1,285721 -13,7727 -3,17392 -3,04167 12,08 -3,38461 -13,2593 2,214279 -2,86208 2,233337 -12,8387 2,5625 -12,5152 -2,14706 2,914291 CFE MAD MSE MAPE (%) Tracking Signal 0 3,703704 4,056436 3,164876 2,851901 2,803935 3,253713 3,207576 2,9238 2,77142 2,584292 2,883338 2,963439 2,781776 2,699684 2,669175 2,620123 2,686201 2,625708 2,520894 2,424861 2,575487 2,518708 2,464456 2,548218 2,50228 2,614221 2,551868 2,50335 2,449099 2,542659 2,494604 2,57703 2,526494 2,486962 0 2 0,789475 1,164559 0,756209 1,686427 -0,246245 0,668732 0,957381 0,51477 0,828436 2,981219 1,647529 1,905636 2,541553 3,409086 2,792491 1,371426 0,830094 1,07461 1,325091 -0,854517 -1,371309 -1,889055 4,41E-02 -0,487415 -2,473405 -2,190645 -2,685482 -2,384255 -4,307399 -3,982347 -5,798149 -6,252508 -5,884638 R-square

0 20 8,333344 9,583344 5,583344 12,25002 -2,03571 5,464294 7,130966 3,630966 5,449142 22,11581 12,50043 13,57185 17,57185 23,32185 18,73361 9,400284 5,558182 6,908188 8,193909 -5,57881 -8,75273 -11,7944 0,285599 -3,09901 -16,3583 -14,144 -17,0061 -14,7727 -27,6115 -25,049 -37,5641 -39,7112 -36,7969

0 10 10,55555 8,229164 7,383331 7,263888 8,267007 8,171131 7,448413 7,053572 6,577627 7,418381 7,587381 7,121956 6,913826 6,841086 6,708566 6,854386 6,695845 6,428553 6,183656 6,528614 6,382758 6,243546 6,477004 6,358066 6,613666 6,456544 6,332597 6,195955 6,410238 6,289996 6,478637 6,351238 6,253039

0 200 178,7036 134,4184 110,7347 99,68632 114,6 107,3062 95,69195 87,34775 79,70757 96,21343 95,92438 89,15463 84,27766 81,07671 77,54584 78,07724 74,74484 71,09873 67,79179 73,33252 70,58214 68,02671 71,1427 68,84704 72,80856 70,38336 68,23882 66,13045 69,31438 67,35352 70,05883 68,13387 66,42984

0 1 0,150794 0,155258 0,105875 0,145295 5,94E-02 6,07E-02 6,37E-02 5,60E-02 5,79E-02 8,44E-02 4,96E-02 5,11E-02 5,83E-02 7,04E-02 5,75E-02 3,99E-02 3,66E-02 3,73E-02 3,80E-02 3,14E-02 3,27E-02 3,45E-02 2,77E-02 2,77E-02 3,06E-02 2,92E-02 3,09E-02 2,95E-02 3,64E-02 3,41E-02 0,043283 4,57E-02 0,042426

Forecast Result for PERAMALAN P2 11-17-2012Actual Month Data 1 250 2 260 3 270 4 280 5 260 6 255 7 285 8 290 9 295 10 300 11 310 12 290 13 285 14 310 15 315 16 320 17 330 18 340 19 305 20 340 21 350 22 360 23 365 24 380 25 390 26 400 27 420 28 400 29 425 30 425 31 430 32 435 33 440 34 440 35 450 36 450 37 38 39 40 41 42 CFE MAD MSE MAPE Trk.Signal R-square Forecast byForecast DEST Error 250 260,4 273,088 285,5763 266,1458 254,8071 283,4469 295,6655 302,1487 306,9095 316,538 296,1885 284,6266 308,0638 319,1872 325,8178 336,1724 347,2891 311,4795 337,8768 354,9328 367,9287 373,9791 388,5451 399,9905 410,3261 430,7153 411,7155 430,1701 433,024 436,7119 440,9467 445,5144 445,0757 454,0021 454,9766 459,0312 463,0857 467,1402 471,1948 475,2493 14,99454 10,34642 219,6255 3,249775 1,449248 Alpha=0,52 F(0)=250 F'(0)=250
Forecast Result for PERAMALAN P2 11-17-2012 Actual Month Data 1 250 2 260 3 270 4 280 5 260 6 255 7 285 8 290 Forecast by Forecast DEST Error 250 260,4 273,088 285,5763 266,1458 254,8071 283,4469 10 9,600006 6,912018 -25,5763 -11,1458 30,19287 6,553131 CFE MAD MSE MAPE (%) Tracking Signal 3,846154 3,700856 3,290096 4,926834 4,815649 5,778706 5,27599 1 2 3 0,071855 -0,80733 1,283318 1,857881 R-square

CFE

MAD

MSE

MAPE (%) Tracking Signal 3,846154 3,700856 3,290096 4,926834 4,815649 5,778706 5,27599 4,64469 4,208193 3,887069 4,36561 4,328959 4,625574 4,452461 4,172564 3,990986 3,822444 4,380379 4,591327 4,53495 4,386026 4,223134 4,108409 3,952768 3,794752 3,737389 3,883368 3,856311 3,765282 3,663215 3,557742 3,453287 3,38662 3,319198 3,249775

R-square

10 9,600006 6,912018 -25,5763 -11,1458 30,19287 6,553131 -0,66547 -2,14865 3,090546 -26,538 -11,1885 25,37335 6,936249 0,812805 4,182159 3,827637 -42,2891 28,52054 12,12323 5,067169 -2,92874 6,020935 1,454865 9,46E-03 9,67392 -30,7153 13,28448 -5,17007 -3,02405 -1,71191 -0,94672 -5,51444 4,924316 -4,00214

10 19,60001 26,51202 0,9357 -10,2101 19,98276 26,53589 25,87042 23,72177 26,81232 0,274353 -10,9142 14,45917 21,39542 22,20822 26,39038 30,21802 -12,071 16,44949 28,57272 33,63989 30,71115 36,73209 38,18695 38,19641 47,87033 17,15506 30,43954 25,26947 22,24542 20,53351 19,58679 14,07236 18,99667 14,99454

10 9,800003 8,837341 13,02209 12,64683 15,57117 14,28288 12,5807 11,42159 10,58848 12,03844 11,96761 12,99882 12,56578 11,78225 11,30724 10,86727 12,61292 13,45016 13,38382 12,98779 12,53056 12,24753 11,79784 11,3263 11,26275 11,98321 12,02969 11,79315 11,50084 11,18507 10,86512 10,70298 10,53302 10,34642

100 96,08006 79,9787 223,5211 203,6627 321,6538 281,8381 246,6637 219,7696 198,7478 244,7037 234,7437 266,2101 250,6317 233,9669 220,4371 208,3321 296,1117 323,3385 314,5202 300,7657 287,4844 276,5612 265,1261 254,521 248,3312 274,0755 270,5898 262,1809 253,7464 245,6555 238,0068 231,7159 225,614 219,6255

1 2 3 0,071855 -0,80733 1,283318 1,857881 2,056357 2,076924 2,532215 2,28E-02 -0,91198 1,112345 1,702673 1,884888 2,333936 2,780646 -0,95704 1,222996 2,134871 2,590117 2,450901 2,999142 3,236776 3,372364 4,250324 0,978066 1,431591 2,530369 2,142725 1,934243 1,835796 1,802722 1,314807 1,803535 1,449248

10 19,60001 26,51202 0,9357 -10,2101 19,98276 26,53589

10 9,800003 8,837341 13,02209 12,64683 15,57117 14,28288

100 96,08006 79,9787 223,5211 203,6627 321,6538 281,8381

Forecast Result for PERAMALAN P3 11-17-2012Actual Forecast byForecast CFE Month Data HWA Error 1 250 2 255 250 5 3 260 255 5 4 265 260 5 5 270 265 5 6 290 270 20 7 280 290 -10 8 275 280 -5 9 270 275 -5 10 270 270 0 11 265 270 -5 12 260 265 -5 13 270 260 10 14 280 270 10 15 290 280 10 16 285 290 -5 17 295 285 10 18 300 295 5 19 290 300 -10 20 285 290 -5 21 285 285 0 22 280 285 -5 23 275 280 -5 24 270 275 -5 25 260 270 -10 26 270 260 10 27 290 270 20 28 300 290 10 29 320 300 20 30 330 320 10 31 335 330 5 32 325 335 -10 33 320 325 -5 34 320 320 0 35 310 320 -10 36 310 310 0 37 310 38 310 39 310 40 310 41 310 42 310 CFE MAD MSE MAPE Trk.Signal R-square 60 7,428571 80 2,576597 8,076923 c=1 Alpha=0 Beta=0 Gamma=1 F(0)=250 T(0)=0 S(1)=0 MAD MSE MAPE (%) Tracking Signal 1,960784 1,941931 1,923551 1,905626 2,903811 3,015081 2,844095 2,720065 2,417836 2,364731 2,324581 2,439508 2,526579 2,592414 2,536546 2,589876 2,53557 2,586276 2,542492 2,415368 2,385384 2,359602 2,337526 2,400385 2,452518 2,623442 2,649735 2,778316 2,787005 2,743856 2,7546 2,717347 2,635003 2,65238 2,576597 1 2 3 4 5 3,6 3,181818 2,666667 3 2,307692 1,571429 3 4,333333 5,6 5 6,26087 7,083333 5,538462 4,925926 5,185185 4,5 3,793103 3,066667 1,5 2,941176 5,473684 6,75 8,909091 10,08696 10,85106 9,489796 8,96 9,24 7,846154 8,076923 R-square

5 10 15 20 40 30 25 20 20 15 10 20 30 40 35 45 50 40 35 35 30 25 20 10 20 40 50 70 80 85 75 70 70 60 60

5 5 5 5 8 8,333333 7,857143 7,5 6,666667 6,5 6,363636 6,666667 6,923077 7,142857 7 7,1875 7,058824 7,222222 7,105263 6,75 6,666667 6,590909 6,521739 6,666667 6,8 7,307693 7,407407 7,857143 7,931035 7,833333 7,903226 7,8125 7,575758 7,647059 7,428571

25 25 25 25 100 100 89,28571 81,25 72,22222 67,5 63,63636 66,66666 69,23077 71,42857 68,33334 70,3125 67,64706 69,44444 67,10526 63,75 61,90476 60,22727 58,69565 60,41667 62 75 75,92593 87,5 87,93104 85,83334 86,29032 84,375 81,81818 82,35294 80

0,780822

0,85371 0,821862 0,848214 0,956759 0,998484

Grafik Hasil verifikasi peramalan

PRODUK 1
4 2 0 Demand 1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 -2 -4 -6 -8 Periode UCL CL LCL

PRODUK 2
5 4 3 2 Demand 1 0 -1 -2 -3 -4 Periode 1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 UCL CL LCL

PRODUK 3
12 10 8 Demand 6 4 2 0 -2 -4 1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 Periode UCL CL LCL