Anda di halaman 1dari 28

LAPORAN PRAKTIKUM

PERENCANAAN DAN PENGENDALIAN PRODUKSI


ACARA I
PERAMALAN

Disusun Oleh :
Nama

: Luluatul Fatehah

NIM

: 11/318864/TP/10110

Shift

: IV

Co - Asisten

: 1. Moh. Hidayatullah
2. Aprilian Megasari

LABORATORIUM SISTEM PRODUKSI


JURUSAN TEKNOLOGI INDUSTRI PERTANIAN
FAKULTAS TEKNOLOGI PERTANIAN
UNIVERSITAS GADJAH MADA
YOGYAKARTA
2013
BAB I
PENDAHULUAN
A.

Latar Belakang
Peramalan 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
tepat
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. 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 II
TINJAUAN 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 pabrik
2. Menentukan rencana jangka menengah produk yang ada dan dibuat
dengan fasilias yang ada.
3. Menentukan rencana jangka pendek
Langkah 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 peramalan
6. Melakukan peramalan.
7. Mengukur kesalahan peramalan
8. 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 ratarata.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.
2.

Hasil peramalan tidak valid, sehingga tidak dapat diterapkan.


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 III
METODE PRAKTIKUM

A.

Alat dan Bahan


Alat :
1. Komputer/Laptop
2. Software WinQSB
Bahan :
1. Set Data

B.

Prosedur Praktikum
1. Ditentukan tujuan peramalan (ramalan penjualan)
2. Ditentukan jangka waktu peramalan (6 bulan ke depan)
3. Dikumpulkan dan dianalisis data
a. 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 ada
a. 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 WinQSB
b. Dipilih Forecasting and Linier Regression
c. Pada menu File dipilih pilihan New Problem dan diisikan :
1) Pada menu Problem type =Time Series and Forecasting.
2) Pada menu Problem title =Peramalan
3) Time unit = Month
4) Number of time units (Periods) = 36
5) Problem type = Time series
6) Klik OK

d. 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 MAD
j. 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 diperoleh
m. Untuk melihat gambar hasil peramlan klik Show Forecasting in
Graph
6. Diukur kesalahan
a. 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 peramalan
Digunakan formula Tracking Signal (TS) 3 untuk memverifikasi
metode peramalan yang dipilih dan dilakukan analisis untuk hasil
peramalan masing-masing produk.
BAB IV
HASIL DAN PEMBAHASAN
A.

Hasil
1. Grafik Data Aktual

Produk 1
280
270
260

produk 1

250
240
230
220
0

10

15

20

25

30

35

40

Grafik 1 Kecenderungan Data untuk Produk 1

Produk 2
500
400
300

Produk 2

200
100
0
0

10

15

20

25

30

35

40

Grafik 2 Kecenderungan Data untuk Produk 2

Produk 3
400
350
300
250

Produk 3

200
150
100
50
0
0

10

15

20

25

30

35

40

Grafik 3 Kecenderungan Data untuk Produk 3


2. Tabel Forecast
a. Tabel Forecast Produk 1 dengan menggunakan metode Simple
Average
Forecast
Result
for
peramal
an
11-15Foreca Foreca
2013
Actual st by
st
CFE
Month
Data
SA
Error
1
250
2
250
250
0
3

270

250

245

256,66
67

20
11,666
7

255

253,75

1,25

250

260

254
253,33
33

240

254,28
57

-4
6,6666
72
14,285
7

MAD

MAPE
(%)

MSE

20

10

8,3333
44
9,5833
44
5,5833
44
12,250
02
2,0357
1

Trackin
g
Signal
0

200

0
3,7037
04

10,555
55
8,2291
64
7,3833
31
7,2638
88

178,70
36
134,41
84
110,73
47
99,686
32

4,0564
36
3,1648
76
2,8519
01
2,8039
35

8,2670
07

114,6

3,2537
13

0,7894
75
1,1645
59
0,7562
09
1,6864
27
0,2462
4

R
s

260

10

255

11

250

12

255

13

270

252,5
253,33
33

7,5
1,6666
72

253,5
253,18
18
253,33
33

-3,5
1,8181
76
16,666
67
9,6153
9
1,0714
26

14

245

15

255

254,61
54
253,92
86

16

258

254

17

260

254,25

18

250

254,58
82

5,75
4,5882
4
9,3333
3
3,8421
1,3500
06
1,2857
21
13,772
7
3,1739
2
3,0416
7

254,33
33
253,84
21

19

245

20

250

21

255

22

255

253,65
253,71
43

23

240

253,77
27

24

250

253,17
39

25

250

253,04
17

26

265

252,92

27

250

253,38
46

28
29

240
255

253,25
93
252,78

12,08
3,3846
1
13,259
3
2,2142

5,4642
94
7,1309
66
3,6309
66
5,4491
42
22,115
81

8,1711
31
7,4484
13
7,0535
72
6,5776
27
7,4183
81

107,30
62
95,691
95
87,347
75
79,707
57
96,213
43

3,2075
76
2,9238
2,7714
2
2,5842
92
2,8833
38

0,6687
32
0,9573
81
0,5147
7
0,8284
36
2,9812
19

12,500
43
13,571
85
17,571
85
23,321
85

7,5873
81
7,1219
56
6,9138
26
6,8410
86

95,924
38
89,154
63
84,277
66
81,076
71

2,9634
39
2,7817
76
2,6996
84
2,6691
75

1,6475
29
1,9056
36
2,5415
53
3,4090
86

18,733
61

6,7085
66

77,545
84

2,6201
23

2,7924
91

9,4002
84
5,5581
82
6,9081
88
8,1939
09
5,5788
1
8,7527
3
11,794
4
0,2855
99
3,0990
1
16,358
3
-

6,8543
86
6,6958
45
6,4285
53
6,1836
56

78,077
24
74,744
84
71,098
73
67,791
79

2,6862
01
2,6257
08
2,5208
94
2,4248
61

6,5286
14

73,332
52

2,5754
87

6,3827
58

70,582
14

2,5187
08

6,2435
46
6,4770
04

68,026
71
71,142
7

2,4644
56
2,5482
18

6,3580
66

68,847
04

2,5022
8

6,6136
66
6,4565

72,808
56
70,383

2,6142
21
2,5518

1,3714
26
0,8300
94
1,0746
1
1,3250
91
0,8545
2
1,3713
1
1,8890
6
4,41E02
0,4874
1
2,4734
1
-

57
30

250

252,86
21

31

255

252,76
67

32

240

252,83
87

33

255

252,43
75

34

240

252,51
52

35

250

252,14
71

36

255

37
38
39
40
41
42

CFE
MAD
MSE
MAPE
Trk.Sign
al
R-

252,08
57
252,16
67
252,16
67
252,16
67
252,16
67
252,16
67
252,16
67
36,796
9
6,2530
39
66,429
84
2,4869
62
5,8846
4
0,0424

79
2,8620
8
2,2333
37
12,838
7
2,5625
12,515
2
2,1470
6
2,9142
91

14,144
17,006
1
14,772
7
27,611
5
25,049
37,564
1
39,711
2
36,796
9

44

36

68

6,3325
97

68,238
82

2,5033
5

6,1959
55

66,130
45

2,4490
99

6,4102
38

69,314
38

2,5426
59

6,2899
96

67,353
52

2,4946
04

6,4786
37

70,058
83

2,5770
3

6,3512
38

68,133
87

2,5264
94

6,2530
39

66,429
84

2,4869
62

2,1906
5
2,6854
8
2,3842
6
4,3074
3,9823
5
5,7981
5
6,2525
1
5,8846
4

square

26

b. Tabel Forecast Produk 2 dengan menggunakan Metode Double


Exponential Smoothing with Trend
Forecast
Result
for
peramal
an
11-152013
Month

Forecast
Actual by
Data
DEST
1
250

Foreca
st
Error

260

250

270

260,4

280

273,088

260

285,576
3

255

285

290

266,145
8
254,807
1
283,446
9

295

295,665
5

10

300

11

310

302,148
7
306,909
5

12

290

316,538

13

285

14

310

10
9,6000
06
6,9120
18
25,576
3
11,145
8
30,192
87
6,5531
31
0,6654
7
2,1486
5
3,0905
46
26,538
11,188
5
25,373
35

296,188
5
284,626
6

CFE

MAD

MSE

MAPE
(%)

Trackin
g
Signal

10
9,8000
03
8,8373
41

100
96,080
06
79,978
7

3,8461
54
3,7008
56
3,2900
96

13,022
09

223,52
11

4,9268
34

12,646
83
15,571
17
14,282
88

203,66
27
321,65
38
281,83
81

4,8156
49
5,7787
06
5,2759
9

0,0718
55
0,8073
3
1,2833
18
1,8578
81

25,870
42

12,580
7

246,66
37

4,6446
9

2,0563
57

23,721
77
26,812
32
0,2743
53
10,914
2
14,459
17

11,421
59
10,588
48
12,038
44

219,76
96
198,74
78
244,70
37

4,2081
93
3,8870
69
4,3656
1

11,967
61
12,998
82

234,74
37
266,21
01

4,3289
59
4,6255
74

2,0769
24
2,5322
15
2,28E02
0,9119
8
1,1123
45

10
19,600
01
26,512
02
0,9357
10,210
1
19,982
76
26,535
89

1
2
3

308,063
8
319,187
2
325,817
8
336,172
4

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

430,715
3
411,715
5

30

425

430,170
1

31

430

433,024

32

435

436,711
9

33

440

440,946
7

34

440

445,514
4

347,289
1
311,479
5
337,876
8
354,932
8
367,928
7
373,979
1
388,545
1
399,990
5
410,326
1

6,9362
49
0,8128
05
4,1821
59
3,8276
37
42,289
1
28,520
54
12,123
23
5,0671
69
2,9287
4
6,0209
35
1,4548
65
9,46E03
9,6739
2
30,715
3
13,284
48
5,1700
7
3,0240
5
1,7119
1
0,9467
2
5,5144
4

21,395
42
22,208
22
26,390
38
30,218
02

12,565
78
11,782
25
11,307
24
10,867
27

250,63
17
233,96
69
220,43
71
208,33
21

4,4524
61
4,1725
64
3,9909
86
3,8224
44

12,071
16,449
49
28,572
72
33,639
89

12,612
92
13,450
16
13,383
82
12,987
79

296,11
17
323,33
85
314,52
02
300,76
57

4,3803
79
4,5913
27
4,5349
5
4,3860
26

1,7026
73
1,8848
88
2,3339
36
2,7806
46
0,9570
4
1,2229
96
2,1348
71
2,5901
17

30,711
15
36,732
09
38,186
95
38,196
41
47,870
33

12,530
56
12,247
53
11,797
84
11,326
3
11,262
75

287,48
44
276,56
12
265,12
61
254,52
1
248,33
12

4,2231
34
4,1084
09
3,9527
68
3,7947
52
3,7373
89

2,4509
01
2,9991
42
3,2367
76
3,3723
64
4,2503
24

17,155
06
30,439
54

11,983
21
12,029
69

274,07
55
270,58
98

3,8833
68
3,8563
11

1,4315
91
2,5303
69

25,269
47

11,793
15

262,18
09

3,7652
82

2,1427
25

22,245
42

11,500
84

253,74
64

3,6632
15

1,9342
43

20,533
51

11,185
07

245,65
55

3,5577
42

1,8357
96

19,586
79

10,865
12

238,00
68

3,4532
87

1,8027
22

14,072
36

10,702
98

231,71
59

3,3866
2

1,3148
07

35

450

36

450

37
38
39
40
41
42

445,075
7
454,002
1
454,976
6
459,031
2
463,085
7
467,140
2
471,194
8
475,249
3

4,9243
16
4,0021
4

18,996
67

10,533
02

225,61
4

3,3191
98

1,8035
35

14,994
54

10,346
42

219,62
55

3,2497
75

1,4492
48

14,9945
4
10,3464
2
219,625
5
3,24977
5
1,44924
8

CFE
MAD
MSE
MAPE
Trk.Sign
al
Rsquare

Alpha=0
,52
F(0)=25
0
F'(0)=25
0

c. Tabel Forecast Produk 3 dengan Metode Holt-Winters Additive


Algorithm
Forecast
Result
for
peramal
an
11-15-

Actual

Forecast

Foreca

CFE

MAD

MSE

MAPE

Trackin

R-

2013
Month

by
HWA

st
Error

Data
250

255

250

260

265

258,393
264,483
5

270

290

269,834
274,946
7

280

305,161
8

275

278,087

270

270,992
2

10

270

265,318
9

11

265

268,495
5

12

260

13

270

14

280

15

290

16

285

17

295

299,514
284,664
8

18

300

301,678
3

19

290

305,539
4

261,123
4
255,361
1
275,295
288,487
8

(%)

g
Signal

square

5
1,6069
95
0,5164
8
0,1659
85
15,053
34
25,161
8
3,0870
4
0,9921
6

5
6,6069
95
7,1234
74
7,2894
59
22,342
8
2,8190
3
5,9060
7
6,8982
2

5
3,3034
97
2,3744
91
1,8223
65
4,4685
61

25
13,791
22
9,2830
61
6,9691
83
50,895
98

1,9607
84
1,2894
3
0,9245
86
0,7088
08
1,6052
08

7,9174
4

147,93
3

2,8354
02

7,2273
82

128,16
11

2,5907
1

6,4479
79

112,26
4

2,3128
04

4,6811
22
3,4954
8
1,1234
4
14,638
92
4,7049
56
1,5121
77

2,2171
5,7125
9
6,8360
3
7,8028
87
12,507
84
14,020
02
0,4939
6
9,8412
48

6,2516
61

102,22
5

2,2484
65

5,9760
44

93,224
33

2,1555
24

5,5348
98
6,2935
66
6,1713
66
5,8385
66

84,864
13
95,650
28
89,995
38
83,730
47

1,9988
48
2,2840
96
2,2376
53
2,1150
67

5
0,3560
5
0,8171
8
1,0698
3
0,3546
4
0,9559
1
1,2350
8
1,2398
2
2,0267
54
2,4012
78

6,4169
27
6,6618
19

92,192
14
93,106
16

2,3135
7
2,3879
38

-7,70E02
1,4772
61

8,1629
94

6,3686
69

87,795
01

2,2803
78

7,3764

6,8781
53

96,332
66

2,4513
8

1,2817
43
1,0724
4

14,514
10,335
21
1,6782
5
15,539
4

1
2
3
4
0,6579
17

285

284,994
4

5,62E03

21

285

279,998
2

22

280

283,392
4

23

275

276,090
3

24

270

270,350
4

5,0018
01
3,3924
3
1,0903
3
0,3504
3
5,1126
4
18,356
8
15,899
87
4,8897
7
8,4284
06
7,2911
1
7,3433
5
17,360
2
0,5795
9

20

265,112
6
251,643
2
274,100
1

25

260

26

270

27

290

28

300

29

320

304,889
8
311,571
6

30

330

337,291
1

31

335

342,343
4

32

325

342,360
2

33

320

320,579
6

34

320

315,186
3

35

310

318,452
9

4,8137
21
8,4528
5

36

310

302,716
8

7,2832
34

7,3707
9
2,3689
9
5,7614
1
6,8517
5
7,2021
8
12,314
8
6,0419
77
21,941
85

6,5164
41

91,262
53

2,3224
64

6,4407
09

87,950
3

2,2940
92

6,2955
53

84,310
22

2,2425
43

6,0589
52

80,531
97

2,1586
32

5,8107
55

77,035
93

2,0704
21

5,7816
67
6,2846
72
6,6544
88

74,915
22
85,397
49
91,836
28

2,0660
87
2,2553
96
2,3795
24

1,1311
1
0,3678
1
0,9151
6
1,1308
5
1,2394
6
2,1299
8
0,9613
83
3,2973
01

17,052
08
25,480
48

6,5891
28
6,6548
16

89,320
49
88,667
54

2,3517
61
2,3618
37

2,5879
11
3,8288
79

18,189
38

6,6767
57

87,443
15

2,3565
81

2,7242
83

10,846
02
6,5141
5
7,0937
4
2,2800
1
10,732
9
3,4496
3

6,6989
77

86,325
87

2,3510
97

7,0428
87

93,262
95

2,4475
64

6,8409
09

90,358
99

2,3767
38

6,7794
79

88,323
01

2,3503

6,8286
95

87,826
77

2,3613
71

6,8416
82

86,833
02

2,3610
3

1,6190
57
0,9249
3
1,0369
6
0,3363
1
1,5717
3
0,5042
1

37
38
39
40
41
42
CFE
MAD
MSE
MAPE
Trk.Sign
al
Rsquare

307,659
1
305,318
3
302,977
4
300,636
6
298,295
7
295,954
9
-3,44963
6,84168
2
86,8330
2
2,36103
-0,50421

c=1
Alpha=0
,87
Beta=0,
78
Gamma
=1
F(0)=25
0
T(0)=0
S(1)=0

3. Grafik Verifikasi
a. Grafik Verifikasi Produk 1

0
Tracking signal
ucl

-2

lcl

-4

-6

-8

Grafik 4 Verifikasi Tracking Signal Produk 1

b. Grafik Verifikasi Produk 2

5
4
3
2

Tracking signal

ucl

lcl

-1
-2
-3
-4

Grafik 5 Verifikasi Tracking Signal Produk 2

c. Grafik Verifikasi Produk 3


6
5
4
3
2
1
0

Tracking signal
ucl
lcl

-1
-2
-3
-4

Grafik 6 Verifikasi Tracking Signal Produk 3

B.

Pembahasan
Praktikum 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 V
KESIMPULAN
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. USA
Gaspersz, 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.