MODUL I
PERAMALAN
Disusun oleh:
Kelompok II
Arthur Paays
(4413215070)
(4413215071)
Depriansyah
(4413215072)
MI BABIV Hal-2
DAFTAR GA
Gambar 2. 1 Tampilan WinQSB Problem Specification.................................................10
Gambar 2. 2 Tampilan WinQSB Historical Data.............................................................10
Gambar 2. 3 Tampilan WinQSB Forecasting Setup.......................................................11
Gambar 2. 4 Tampilan WinQSB Forecasting Result......................................................11
Y.
DAFTAR TAB
Tabel 3. 1 Data permintaan tahun lalu..............................................................................13
Tabel 3. 2 Penghitungan peramalan Moving Average.......................................................14
Tabel 3. 3 Verifikasi Peramalan Metode Moving Average.................................................14
Tabel 3. 4 Penghitungan Peramalan Metode Double Moving Average.............................15
Tabel 3. 5 Verifikasi peramalan Metode Double Moving Average.....................................16
Tabel 3. 6 Penghitungan Peramalan Metode Weighted Moving Average..........................17
Tabel 3. 7 Verifikasi Peramalan Metode Weighted Moving Average.................................17
Tabel 3. 8 Penghitungan peramalan metode Single Exponential Smoothing....................18
Tabel 3. 9 Verifikasi Peramalan Metode Single Exponential Smoothing...........................19
Tabel 3. 10 Penghitungan peramalan metode Single Exponential Smoothing untuk 12
bulan berikutnya.............................................................................................20
Tabel 3. 11 Penghitungan Peramalan Metode Double Exponential Smoothing................20
Tabel 3. 12 Verifikasi Peramalan Metode Double Exponential Smoothing........................20
DAFTAR LAMPIRAN
Lampiran 1. 1 Peramalan Metode Moving Average menggunakan Software WinQSB
Lampiran 1. 2 Peramalan Metode Weighted Moving Average menggunakan Software
WinQSB
Lampiran 1. 3 Peramalan Metode Single Exponential Smoothing (SES) menggunakan
Software WinQSB
MI BABIV Hal-3
Lampiran 1. 4 Peramalan Metode Double Exponential Smoothing menggunakan Software
WinQSB
BAB I
PENDAHULUAN
1.1. LATAR BELAKANG
Perkembangan produk dalam dunia industri akan semakin dibutuhkan untuk menuju
Indonesia sebagai negara maju. Produk merupakan titik awal dan titik akhir kesuksesan
dalam industri manufaktur. Oleh karena itu, kesuksesan dalam persaingan industri
tersebut akan ditentukan oleh keberhasilan mengembangkan produk sesuai dengan
keinginan dan harapan konsumen.
Perancangan dan pengembangan produk adalah semua proses yang berhubungan
dengan keberadaan produk yang meliputi segala aktivitas mulai dari identifikasi keinginan
konsumen sampai fabrikasi, penjualan dan pengiriman dari produk (Widodo, 2003).
Perancangan dan pengembangan produk inilah yang menjadi suatu bagian dari
perubahan abstrak yang ada dalam dunia usaha.
Setiap produk memiliki komponen komponen penyusunnya. Antara lain dari
bagian pertama merupakan dasar bentuk, ukuran dan tujuannya. Pada bagian kedua
terdapat spesifikasi dari produk itu antara lain harga, bahan kemasan, kualitas, nama,
jenis. Selanjutnya pada bagian ketiga merupakan pendukung dari suatu produk. Bagian
ini merupakan meliputi garansi, maintenance, perusahaan, pelayanan pengiriman, dan
suku cadang.
Desain meja belajar selalu mengalami perkembangan, baik dari segi bentuk
ataupun penambahan fungsi. Tetapi seiring dengan perkembangan tersebut seringkali
desain meja belajar kurang memeperhatikan nilai ergonomi, karena desain meja belajar
saat ini cenderung lebih mengutamakan desain bentuk yang simple dan minimalis
sebagai tuntutan trend, sehingga fungsi utama dari meja belajar tersebut terabaikan, dan
menimbulkan kelemahan, mulai dari dimensinya bahkan volume dari desain meja belajar
sebelumnya.
Produk yang menjadi rancangan pada penelitian ini adalah meja belajar lipat
multifungsi yang ergonomis. Fungsi-fungsi dari perancang tersebut adalah meja ini selain
berfungsi sebagai meja belajar bisa juga untuk meja laptop sambil lesehan dan bisa juga
untuk meja makan. Banyak sekali desain dan model meja belajar yang menjadi inovasi
yang sangat di minati dari kalangan konsumen. Dari masalah tersebut maka perlu ada
MI BABIV Hal-2
rancangan ulang (redesign) pada meja belajar yang dapat dikatakan ergonomis, aman,
nyaman dan mengurangi kelelahan melalui perancangan fasilitas kerja baru.
Sebelum melaksanakn proses produksi di masa yang akan mendatang, kami
senantiasa melakukan peramalan akan jumllah permintaan meja belajar lipat oleh
masyarakat. Hal ini penting bagi kami agar dapat mempersiapkan diri dan menjaga stok
penyimpanan sebelum melakukan proses produksi. Diharapkan dengan adanya hasil dari
peramalan yang dilakukan, kami mampu menjaga konsistensi diri dalam menjelajahi
pasar.
1.2. PERUMUSAN MASALAH
1. Membuat peramalan permintaan untuk 12 periode.
2. Memilih metode peramalan terbaik dilihat dari biaya yang dikeluarkan
menggunakan software WinQSB
1.3. TUJUAN PRAKTIKUM
Tujuan praktikum Sistem Produksi Modul I (Peramalan) sebagai berikut :
1. Memahami manfaat dan posisi peramalan dalam sistem produksi
2. Memahami metode dan teknik peramalan.
3. Mampu memilih metode peramalan terbaik untuk memecahkan masalah
peramalan.
4. Dapat menggunakan metode dan teknik peramalan untuk menentukan
kebutuhan pasar sebagai dasar penyususnan rencana produksi.
5. Menentukan peramalan pada bulan ke 13-24.
1.4. PEMBATASAN MASALAH
Fokus masalah yang diamati pada Modul I :
1. Peramalan dihitung dengan menggunakan software WinQSB sub aplikasi FC
(Forecasting)
2. Peramalan terhadap produk kursi dilakukan hanya untuk jangka waktu 12 bulan
ke depan.
3. Metode peramalan yang digunakan adalah Simple Average, Moving Average,
Weighted Moving Average, Moving Average with Linear Trend, Single
Exponential Smoothing, Single Exponential Smoothing With Trend, Double
Exponential Smoothing, Double Exponential Smoothing With Trend, Adaptive
Exponential Smoothing, dan Linear Regresion With Time.
BAB II
LANDASAN TEORI
MI BABIV Hal-3
2.1. PENGERTIAN PERAMALAN PERMINTAAN
Peramalan permintaan merupakan tingkat permintaan produk-produk yang
diharapkan akan terealisasi untuk jangka waktu tertentu pada masa yang akan datang.
Peramalan permintaan adalah masukan yang sangat penting dalam membuat keputusan
perencanaan dan pengendalian perusahaan.Keputusan operasional produksi juga sangat
dipengaruhi oleh hasil peramalan permintaan. Karena bagian operasional produksi
bertanggung jawab terhadap pembuatan produk yang dibutuhkan konsumen.
Permintaan akan suatu produk dari suatu perusahaan merupakan hasil dari
berbagai faktor yang saling berinteraksi dalam pasar. Faktor ini kadang kala berada diluar
kendali perusahaan. Faktor-faktor tersebut antara lain:
1. Siklus hidup produk
Siklus hidup suatu produk biasanya mengikuti suatu pola yang disebut kurva S.
Kurva S menggambarkan besarnya permintaan terhadap waktu, dimana sikus
hidup suatu produk akan dibagi menjadi fase pengenalan, fase pertumbuhan,
fase kematangan dan akhirnya fase penurunan. Untuk menjaga kelangsungan
usaha, maka perlu dilakukan inovasi disaat yang tepat.
2. Faktor-faktor lain
Faktor lain yang mempengaruhi permintaan adalah reaksi balik dari pesaing,
perilaku konsumen yang berubah, dan usaha-usaha yang dilakukan sendiri oleh
perusahaan seperti meningkatkan kualitas, pelayanan, anggaran iklan, dan
kebijaksanaan pembayaran secara kredit.
Karakteristik peramalan yang baik didasarkan oleh:
1. Akurasi
Akurasi dari hasil peramalan diukur dengan kebiasaan dan kekonsistensian
peramalan tersebut. Hasil peramalan dikatakan bias bila peramalan tersebut
terlalu tinggi atau terlalu rendah dibandingnkan dengan kenyataan. Hasil
peramalan dikatakan konsisten bila besarnya kesalahan peramalan relatif kecil.
Peramalan yang terlalu rendah mengakibatkan kekurangan persediaan
sehingga permintaan konsumen tidak dapat dipenuhi dengan segera, akibatnya
adalah perusahaan akan kehilangan pelangaan dan kehilangan keuntungan
penjualan. Peramalan yang terlalu tinggi akan mengakibatkan terjadinya
penumpukan persediaan. Keakuratan dari hasil peramalan berperan penting
dalam menyeimbangkan persediaan yang ideal (meminimasi persediaan dan
memaksimalkan tingkat pelayanan)
MI BABIV Hal-4
2. Biaya
Biaya yang diperlukan dalam pembuatan suatu peramalan tergantung dari
jumlah item yang diramalkan, lamanya periode peramalan dan metode
peramalan yang dipakai.
3. Kemudahan
Penggunaan metode peramalan yang sederhana, mudah dibuat, dan mudah
diaplikasikan akan memberikan keuntungan bagi perusahaan.
2.2. KEGUNAAN PERAMALAN
Dalam hubungan dengan waktu, peramalan dapat digunakan dalam 3 hal, yaitu
sebagai berikut:
1. Peramalan jangka panjang
Digunakan untuk perencanaan produk dan perencanaan sumber daya.
2. Peramalan jangka menengah
Digunakan untuk menentukan aliran kas, perencanaan produksi, dan
penentuan anggaran.
3. Peramalan jangka pendek
Digunakan untuk mengambil keputusan dalam hal perlu tidaknya lembur,
penjadwalan kerja, dan keputusan control jangka pendek lainnya.
2.3. METODE PERAMALAN
Secara umum peramalan diklasifikasikan menjadi 2 macam, yaitu peramalan yang
bersifat subyektif dan peramalan yang bersifat objektif. Perbedaannya adalah dalam cara
mendapatkan hasil ramalan. Peramalan subyektif lebih menekankan pada keputusankeputusan hasil diskusi, pendapat pribadi, dan intuisi. Sedangkan peramalan obyektif
meruapak prosedur peramalan yang mengikuti aturan matematis dan statistic dalam
menunjukkan hubungan antara permintaan dengan satu atau lebih variable yang
mempengaruhinya.
2.3.1 Metode Peramalan Subyektif
1. Metode Delphi, cara yang digunakan dalam metode ini adalah dengan
mengumpulkan pendapat ahli dari bidang yang berbeda secara terpisah.
Hal ini bertujuan untuk menghindari pengaruh kelompok. Jika terdapat
perbedaan pendapat yang signifikan maka akan dinyatakan lagi kepada
yang bersangkutan hingga akhirnya diperoleh angka estimasi tertentu
pada interval yang dapat diterima.
MI BABIV Hal-5
2. Metode Penelitian Pasar, cara yang dilakukan
mengumpulkan
dan
menganalisa
fakta
secara
adalah dengan
sistematis
yang
MI BABIV Hal-6
2.5. DEFINISI PERAMALAN TIME SERIES
Analisa Deret Waktu didasarkan pada asumsi bahwa deret waktu tersebut terdiri
dari komponen-kompenen trend, siklus, pola musiman, dan variasi acak yang akan
menunjuk pada pola tertentu. Kompenen diatas akan dipakai sebagai dasar dalam
membuat persamaan matematis. Metode ini digunakan untuk meramalkan permintaan
yang dimasa lalunya cukup konsisten dalam periode waktu yang lama, sehingga
diharapkan pola tersebut akan berlanjut.
Trend merupakan sifat dari permintaan dimasa lalu terhadap waktu., apakah
permintaan tersebut cenderung naik, turun atau konstan. Jika permintaan suatu produk
berulang secara periodik maka ini di sebut siklus. Pola siklus sangat berguna untuk
peramalan jangka menengah dan jangka panjang.
Pola musiman merupakan fluktuasi permintaan suatu produk yang dapat naik atau
turun disekitar garis trend dan biasanya berulang setiap tahun. Pola ini biasanya di
pengaruhi oleh faktor cuaca, musim liburan dan sebagainya. Variasi acak biasanya terjadi
untuk kejadian yang tidak mempunyai pola tertentu, seperti bencana alam.
Berikut adalah beberapa metode yang digunakan dalam meramalkan permintaan
secara time series.
2.5.1.
.........................................(2.1)
Dimana :
A
MI BABIV Hal-7
2.5.2.
Average (WMA)
Metode WMA merupakan solusi untuk mengatasi kelemahan kedua dari
metode MA. Secara matematis dapat ditulis sebagai berikut:
.....................................................................(2.2)
Dimana :
Wt = Bobot permintaan aktual pada periode t
At = Permintaan aktual pada periode
2.5.3.
...........................................................(2.3)
2.5.4.
Metode Winter
Teknik MA dan ES hanya cocok digunakan bila data yang ada bersifat
stasioner. Bila data permintaan bersifat musiman dan mempunyai trend, maka
dapat diselesaikan dengan metode Winter. Salah satu masalah dalam penggunaan
metode Winter adalah penentuan nilai , dan yang akan meminimumkan MSE
dan MAPE. Pendekatan untuk menentukan nilai parameter tersebut biasanya
dilakukan secara trial and error.
2.5.5.
Model Winter menggunakan model trend dari Holt, dimana model ini dimulai
dengan perkiraan trend sebagai berikut:
.................................................(2.4)
MI BABIV Hal-8
2.5.6.
yang
akan
ketidakpastian tersebut.
2. Peramalan seharusnya
terjadi,
memberikan
tetapi
tidak
informasi
dapat
tentang
menghilangkan
berapa
ukuran
MI BABIV Hal-9
MSE dihitung dengan menjumlahkan kuadrat semua kesalahan peramalan
pasa setiap periode dan membaginya dengan jumlah periode peramalan.
3. Rata-rata kesalahan peramalan (Mean Forecast Error = MFE)
MFE sangat efektif untuk mengetahui apakah suatu hasil peramalan selama
periode tertentu terlalu tinggi atau rendah. MFE dihitung dengan menjumlahkan
semua kesalahan peramalan selama periode peramalan dan membaginya
dengan jumlah periode peramalan.
4. Rata-rata persentase Kesalahan Absolut (Mean Absolute Percentage Error =
MAPE)
MAPE merupakan ukuran kesalahan relative dan biasanya dibandingkan
dengan MAD, karena MAPE menyatakan persentase kesalahan hasil
peramalan terhadap permintaan aktual selama periode tertentu yang akan
memberikan informasi persentase kesalahan terlalu tinggi atau terlalu rendah.
2.7. PROSEDUR PERAMALAN MENGGUNAKAN SOFTWARE WINQSB
Praktikum peramalan dilakukan dengan menggunakan software WinQSB, dengan
langkah-langkah sebagai berikut:
1. Buka program WinQSB dan pilih modul Forecasting.
2. Muncul tampilan sebagai berikut:
MI BABIV Hal-10
5. Klik gambar
MI BABIV Hal-11
6. Pilih metode yang akan digunakan lalu klik OK, maka akan muncul hasil
peramalan untuk periode yang akan datang, seperti berikut:
MI BABIV Hal-12
BAB III
PENGUMPULAN DAN PENGOLAHAN DATA
3.1. PENGUMPULAN DATA
3.1.1.
Alat
Perangkat Lunak
o
Worksheet (Microsoft Excel)
o
Work Processor (Microsoft Word)
o
WinQSB Program
3.1.2.
Bahan
Bahan yang digunakan dalam praktikum ini adalah data permintaan satu tahun
lalu. Tabel 3.1 merupakan data permintaan tahun lalu yang akan digunakan dalam
pengolahan data.
Tabel 3.1 Data permintaan tahun lalu
No
1
2
3
4
5
6
7
8
9
10
11
12
Bulan
Jan
Feb
Mar
Apr
Mei
Jun
Jul
Agust
Sep
Okt
Nov
Des
Permintaan
1400
1375
1410
1450
1750
1800
1850
1800
1500
1550
1560
1600
MI BabIII Hal-13
Yt
1
2
3
4
5
6
7
8
9
1
0
11
1
2
Bulan
At
ft
Jan
Feb
Mar
Apr
Mei
Jun
Jul
Agust
Sep
1400
1375
1410
1450
1750
1800
1850
1800
1500
1395
1412
1537
1667
1800
1817
55
338
263
183
0
-317
55
338
263
183
0
317
3025
114469
69344
33611
0
100278
0,038
0,193
0,146
0,099
0
0,211
-55
-338
-263
-183
0
317
283
75
80
183
317
Okt
1550
1717
-167
167
27778
0,108
167
150
Nop
1560
1617
-57
57
3211
0,036
57
110
Des
1600
1537
63
63
4011
0,040
-63
120
363
1443
355728
Jumlah
MAPE
MR
bar
UCL
LCL
A +/B +/-
165
438,9
-438,9
292,6
146,3
131
8
11,1 %
Bulan
Apr
Mei
Jun
Jul
Agust
Sep
Okt
Nop
Des
ft-at
-55
-338
-263
-183
0
317
167
57
-63
438,9
438,9
438,9
438,9
438,9
438,9
438,9
438,9
438,9
-438,9
-438,9
-438,9
-438,9
-438,9
-438,9
-438,9
-438,9
-438,9
292,6
292,6
292,6
292,6
292,6
292,6
292,6
292,6
292,6
-292,6
-292,6
-292,6
-292,6
-292,6
-292,6
-292,6
-292,6
-292,6
146,3
146,3
146,3
146,3
146,3
146,3
146,3
146,3
146,3
B(-)
-146,3
-146,3
-146,3
-146,3
-146,3
-146,3
-146,3
-146,3
-146,3
MI BabIII Hal-14
MA
500
ft-at
400
MR BAR
300
UCL
LCL
200
A(+)
100
A(-)
B(+)
B(-)
-100
-200
-300
-400
-500
Gambar 3.1 Grafik peramalan metode Moving Average
3.2.2.
Bulan
Jan
Feb
1400
1375
Mar
1410
Apr
1450
Mei
1750
Jun
1800
Jul
1850
Agust
1800
Sep
1500
10
Okt
1550
139
5
141
2
153
7
166
7
180
0
181
7
171
7
161
7
144
8
153
8
166
8
176
1
177
8
171
7
1714
1923
2064
1928
1594
(ft-at)
n=3
MR
86
86
7396
0,048
-86
-73
73
5329
0,040
73
159
-264
264
69696
0,147
264
191
-428
428
183184
0,285
428
163
-44
44
1936
0,029
44
383
MI BabIII Hal-15
11
Nop
1560
12
Des
1600
153
7
157
0
162
3
157
4
1417
1363
Jumlah
MAP
E
11,25 %
MR
bar
143
143
20449
0,092
-143
188
237
237
56169
0,148
-237
93
-344
127
6
344159
0,788
1178
196
Bulan
Jun
Jul
Agust
Sep
Okt
Nop
Des
ft-at
-86
73
264
428
44
-143
-237
196
196
196
196
196
196
196
521,36
521,36
521,36
521,36
521,36
521,36
521,36
-521,36
-521,36
-521,36
-521,36
-521,36
-521,36
-521,36
347,57
347,57
347,57
347,57
347,57
347,57
347,57
-347,57
-347,57
-347,57
-347,57
-347,57
-347,57
-347,57
173,79
173,79
173,79
173,79
173,79
173,79
173,79
B(-)
-173,79
-173,79
-173,79
-173,79
-173,79
-173,79
-173,79
MI BabIII Hal-16
DMA
600
ft-at
400
MR Bar
UCL
200
LCL
A(+)
A(-)
B(+)
B(-)
-200
-400
-600
Gambar 3.2 Grafik Peramalan Metode Double Moving Average
MI BabIII Hal-17
3.2.3.
t
1
2
Feb
Mar
Apr
Mei
Jun
Jul
Agust
Sep
10
Okt
11
Nop
12
Des
1375
1410
1450
1750
1800
1850
1800
1500
1550
1560
1600
1402
1435
1656
1755
1830
1810
1595
1565
1552
48
316
144
95
-30
-310
-45
-5
48
261
7%
MR Bar
156
Jumlah
MAPE
48
316
144
95
30
310
45
5
48
1041
2304
99856
20736
9025
900
96100
2025
25
2304
233275
0,033
0,180
0,080
0,051
0,017
0,207
0,029
0,003
0,030
1
-48
-316
-144
-95
30
310
45
5
-48
MR
268
172
49
125
280
265
40
53
1251
Bulan
Apr
Mei
Jun
Jul
Agust
Sep
Okt
Nop
Des
ft-at
-48
-316
-144
-95
30
310
45
5
-48
MR Bar
156
156
156
156
156
156
156
156
156
UCL
414,96
414,96
414,96
414,96
414,96
414,96
414,96
414,96
414,96
LCL
-414,96
-414,96
-414,96
-414,96
-414,96
-414,96
-414,96
-414,96
-414,96
A(+)
276,64
276,64
276,64
276,64
276,64
276,64
276,64
276,64
276,64
A(-)
-276,64
-276,64
-276,64
-276,64
-276,64
-276,64
-276,64
-276,64
-276,64
B(+)
138,32
138,32
138,32
138,32
138,32
138,32
138,32
138,32
138,32
B(-)
-138,32
-138,32
-138,32
-138,32
-138,32
-138,32
-138,32
-138,32
-138,32
MI BabIII Hal-18
WMA
500
ft-at
400
MR Bar
300
UCL
LCL
200
A(+)
100
A(-)
B(+)
B(-)
-100
-200
-300
-400
-500
3.2.4.
n= 3
= 0,5
Bulan
(at)
(ft)
(at - ft)
| at- ft
|
(at - ft)^2
|(at - ft)/at|
(ft-at) n=3
MR
1
2
3
4
5
6
7
8
9
10
11
12
Jumlah
Jan
Feb
Mar
Apr
Mei
Jun
Jul
Agust
Sep
Okt
Nop
Des
1400
1375
1410
1450
1750
1800
1850
1800
1500
1550
1560
1600
1400
1388
1399
1424
1587
1694
1772
1786
1643
1596
1578
-25
23
51
326
213
156
28
-286
-93
-36
22
378
25
23
51
326
213
156
28
286
93
36
22
1259
625
529
2601
106276
45369
24336
784
81796
8649
1296
484
272745
0,018
0,016
0,035
0,186
0,118
0,085
0,016
0,191
0,060
0,023
0,014
1
25
-23
-51
-326
-213
-156
-28
286
93
36
-22
48
29
274
113
56
128
314
193
56
58
1270
MAPE
6,92%
MR
bar
126.98
MI BabIII Hal-19
Bulan
ft-at
Feb
Mar
Apr
Mei
Jun
Jul
Agust
Sep
Okt
Nop
Des
25
-23
-51
-326
-213
-156
-28
286
93
36
-22
126,98
126,98
126,98
126,98
126,98
126,98
126,98
126,98
126,98
126,98
126,98
337,77
337,77
337,77
337,77
337,77
337,77
337,77
337,77
337,77
337,77
337,77
-337,77
-337,77
-337,77
-337,77
-337,77
-337,77
-337,77
-337,77
-337,77
-337,77
-337,77
225,18
225,18
225,18
225,18
225,18
225,18
225,18
225,18
225,18
225,18
225,18
-225,18
-225,18
-225,18
-225,18
-225,18
-225,18
-225,18
-225,18
-225,18
-225,18
-225,18
B(-)
112,59
112,59
112,59
112,59
112,59
112,59
112,59
112,59
112,59
112,59
112,59
SES
400
300
ft-at
MR Bar
200
UCL
LCL
100
A(+)
A(-)
B(+)
B(-)
-100
-200
-300
-400
Gambar 3.4 Grafik Peramalan Metode Single Exponential Smoothing
-112,59
-112,59
-112,59
-112,59
-112,59
-112,59
-112,59
-112,59
-112,59
-112,59
-112,59
MI BabIII Hal-20
3.2.5.
Bulan
At
S'(SES
)
ft=a+bm
(at - ft)
| at- ft |
(at - ft)^2
|(at-ft)/at|
(ft-at)
n=3
MR
Jan
1400
1400
1400
1400
Feb
1375
1388
1394
1381
-6
1400
-25
25
625
0.0182
25
Mar
1410
1399
1393
1404
Apr
1450
1375
35
35
1225
0.0248
-35
60
13
1410
40
40
1600
0.0276
-40
1424
1412
1437
Mei
1750
1587
1506
1669
81
1450
300
300
90000
0.1714
-300
260
Jun
1800
1694
1640
1747
53
1750
50
50
2500
0.0278
-50
250
Jul
1850
1772
Agust
1800
1733
1811
39
1800
50
50
2500
0.0270
-50
1850
-50
50
2500
0.0278
50
100
1786
1779
1793
Sep
1500
1643
1714
1571
-71
1800
-300
300
90000
0.2000
300
250
10
Okt
1550
1596
1620
11
Nop
1560
1573
-23
1500
50
50
2500
0.0323
-50
350
-9
1550
10
10
100
0.0064
-10
1578
1587
1569
40
12
Des
1600
1589
1584
1595
1560
40
40
1600
0.0250
-40
30
200
950
195150
S"(DES)
a1
b1
Jumlah
MAPE
5,35%
MR bar
1345
134.5
Bulan
ft-at
Feb
Mar
Apr
Mei
Jun
Jul
Agust
Sep
Okt
Nop
Des
25
-35
-40
-300
-50
-50
50
300
-50
-10
-40
134,5
134,5
134,5
134,5
134,5
134,5
134,5
134,5
134,5
134,5
134,5
357,78
357,78
357,78
357,78
357,78
357,78
357,78
357,78
357,78
357,78
357,78
-357,78
-357,78
-357,78
-357,78
-357,78
-357,78
-357,78
-357,78
-357,78
-357,78
-357,78
238,52
238,52
238,52
238,52
238,52
238,52
238,52
238,52
238,52
238,52
238,52
-238,52
-238,52
-238,52
-238,52
-238,52
-238,52
-238,52
-238,52
-238,52
-238,52
-238,52
B(+)
B(-)
119,26
119,26
119,26
119,26
119,26
119,26
119,26
119,26
119,26
119,26
119,26
-119,26
-119,26
-119,26
-119,26
-119,26
-119,26
-119,26
-119,26
-119,26
-119,26
-119,26
MI BabIII Hal-21
DES
400
ft-at
MR Bar
300
UCL
200
CL
A(+)
100
A(-)
B(+)
B(-)
-100
-200
-300
-400
Gambar 3.5 Grafik Peramalan Metode Double Exponential Smoothing
BAB IV
KESIMPULAN DAN SARAN
4.1. KESIMPULAN
1. Berdasarkan hasil verifikasi peramalan dengan metode Moving Average,
Double Moving Average, Weighted Moving Average, Single Moving Average,
Single Exponential Smoothing, dan Double Exponential Smoothing, didapatkan
hasil bahwa peramalan dengan metode DES memiliki eror yang terkecil, yaitu
dengan nilai MAPE sebebsar 5,35% sehingga metode ini menghasilkan hasil
peramalan dengan data yang lebih akurat daripada metode yang lain.
2. Hasil peramalan untuk bulan berikutnya menggunakan metode
DES
MI BabIII Hal-22
Juli
Agustus
September
Oktober
November
Desember
: 1630
: 1635
: 1640
: 1645
: 1650
: 1655
4.2. SARAN
1. Dilakukan uji validasi terhadap hasil yang diperoleh menggunakan aplikasi
WinQSB.
2. Untuk mengetahui efektifitas dan validitas dari data peramalan dapat
menggunakan WinQSB sebaiknya menggunakan software statistik lainnya
seperti POM-QM for Windows sebagai pembanding
3. Pemilihan metode peramalan juga harus didasarkan pada jenis barang/produk
yang dijual, terutama bila produk yang dijual ada produk musiman maka harus
menggunakan metode yang sesuai
4. Hasil peramalan harus di-perbarui setiap bulannya menggunakan data aktual
bulan-bulan sebelumnya agar peramalan bulan berikutnya dapat lebih akurat.
DAFTAR PUSTAKA
Herjanto, Edy.2007. Manajemen Operasi (Edisi 3). Jakarta. Penerbit: Grasindo
Maarif, Mohamad Syamsul dan Hendri Tanjung. 2003. Manajemen Operasi.
Jakarta. Penerbit: Grasindo
Prasetya, Hery dan Fitri Lukiastuti. 2009. Manajemen Operasi. Yogyakarta.
Penerbit: MedPress
Lampiran 1.3 Peramalan Metode Single Exponential Smoothing menggunakan Software WinQSB