LAPORAN PRAKTIKUM

MODUL I
PERAMALAN

Disusun oleh:
Kelompok II
Arthur Paays

(4413215070)

Asti Kukuh Yulitaningtyas

(4413215071)

Depriansyah

(4413215072)

LABORATORIUM SISTEM PRODUKSI

FAKULTAS TEKNIK UNIVERSITAS PANCASILA
2016
DAFTAR ISI
DAFTAR ISI......................................................................................................................... i
DAFTAR GAMBAR............................................................................................................. ii
DAFTAR TABEL................................................................................................................. iii
DAFTAR LAMPIRAN......................................................................................................... iv
BAB I PENDAHULUAN......................................................................................................1
1.1. Latar Belakang......................................................................................................1
1.2. Perumusan Masalah.............................................................................................2
1.3. Tujuan Praktikum..................................................................................................2
1.4. Pembatasan Masalah...........................................................................................2
BAB II LANDASAN TEORI.................................................................................................3
2.1. Pengertian Peramalan Permintaan.......................................................................3
2.2. Kegunaan Peramalan...........................................................................................4
2.3. Metode Peramalan...............................................................................................4
2.4. Prosedur Peramalan.............................................................................................5
2.5. Definisi Peramalan Time Series............................................................................6
2.6. Verifikasi dan Pengendalian Peramalan...............................................................8
2.7. Prosedur Peramalan Menggunakan Software WinQSB........................................9
BAB III PENGUMPULAN DAN PENGOLAHAN DATA......................................................13
3.1. Pengumpulan Data.............................................................................................13
3.2. Pengolahan Data................................................................................................14
BAB IV KESIMPULAN DAN SARAN................................................................................22
4.1. Kesimpulan.........................................................................................................22
4.2. Saran..................................................................................................................22
DAFTAR PUSTAKA............................................................................................................ v

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

YGambar 3. 1 Grafik peramalan metode Moving Average...............................................15

Gambar 3. 2 Grafik Peramalan Metode Double Moving Average.....................................16
Gambar 3. 3 Grafik peramalan metode Weighted Moving Average..................................18
Gambar 3. 4 Grafik Peramalan Metode Single Exponential Smoothing............................19
Gambar 3. 5 Grafik Peramalan Metode Double Exponential Smoothing..........................21

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

berhubungan dengan pemasaran. Yang paling biasa dilakukan adalah

dengan mengadakan survey konsumen.
2.3.2 Metode Peramalan Obyektif
1. Metode Intrinsik, metode ini membuat peramalan hanya berdasarkan
pada proyeksi permintaan historis tanpa mempertimbangkan faktorfaktor eksternal yang mempengaruhinya. Metode ini hanya cocok
digunakan untuk peramalan jangka pendek pada kegiatan produksi.
Metode peramalan intrinsic diwakili oleh analisis deret waktu atau Time
series.
2. Metode Ekstriksik, metode ini mempertimbangkan faktor-faktor eksternal
yang mungkin mempengaruhi besarnya permintaan dimasa yang akan
datang. Metode ini digunakan untuk peramalan jangka panjang yang
dapat menunjukkan hubungan sebab akibat yang jelas dalam hasil
peramalannya. Metode ekstrinsik banyak digunakan untuk peramalan
pada tingkat agregat. Kelemahan dari metode ini adalah dalam hal
mahalnya biaya aplikasinya dan frekuensi perbaikan hasil peramalan
yang rendah kerana sulitnya mengumpulkan informasi perubahan faktorfaktor eksternal yang terukur. Metode ini diwakili oleh metode regresi.
2.4. PROSEDUR PERAMALAN
Berikut adalah langkah-langkah yang dilakukan dalam perencanaan jangka pendek:
1. Agresikan data permintaan masa lalu item-item yang sama per periode.
2. Buat diagram pencar data permintaan agregat masa lalu untuk family yang
akan diramalkan kebutuhan pasarnya.
3. Tentukan model-model peramalan deret waktu yang sesuai dengan pola data
permintaan masa lalu.
4. Hitung parameter-parameter untuk setiap model peramalan yang telah
ditentukan.
5. Tentukan ukuran error yang akan digunakan untuk mengevaluasi model
peramalan.
6. Hitung error yang dihasilkan setiap model peramalan.
7. Evaluasi model peramalan dengan membandingkan error yang dihasilkan oleh
setiap model peramalan.
8. Pilih metode peramalan yang memiliki error terkecil
9. Dengan menggunakan metode peramalan terbaik, ramalkan permintaan agrerat
untuk periode kedepan yang telah ditentukan.

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.

Rata-rata Bergerak / Moving Average (MA)

Moving Average diperoleh dengan merata-rata permintaan berdasarkan

beberapa data permintaan masa lalu terbaru. Tujuannya adalah untuk menghindari
atau menghilangkan variasi acak permintaan dalam hubungannya dengan waktu.
Disebut rata-rata bergerak karena jika ada data permintaan aktual terbaru, maka
data terdahulu akan dikeluarkan dari perhitungan.
Metode MA dapat ditulis dengan persamaan :

.........................................(2.1)
Dimana :
A

= Permintaan aktual pada periode t

= Jumlah data permintaan yang dilibatkan dalam perhitungan

Kelemahan dari metode MA adalah sebagai berikut :

1. Peramalan selalu berdasarkan data terbaru tanpa mempertimbangkan
data-data sebelumnya.
2. Setiap data dianggap memiliki bobot yang sama.
3. Diperlukan dana yang cukup besar dalam penyimpanan dan proses data
karena membutuhkan memori yang besar.

MI BABIV Hal-7
2.5.2.

Rata Rata Bergerak dengan Bobot / Weighted Moving

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.

Pemulusan Exponential / Exponential Smoothing (ES)

Kelemahan teknik MA dalam kebutuhan akan data-data masa lalu yang

cukup banyak bias diatasi dengan menggunakan teknis ES.
Persamaan matematisnya adalah sebagai berikut:

...........................................................(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.

Metode Winter dengan trend

Model Winter menggunakan model trend dari Holt, dimana model ini dimulai
dengan perkiraan trend sebagai berikut:
.................................................(2.4)

Dimana merupakan konstanta pecahan, Tt adalah perkiraan trend pada

periode-t, dan Ft adalah rata-rata eksponential, maka peramalan baru akan
melibatkan rata-rata eksponential ditambah trend.

MI BABIV Hal-8
2.5.6.

Metode Winter dengan faktor musiman

Pola dari permintaan musiman merupakan karakteristik dari beberapa

rangkaian permintaan. Proses umum dari permintaan musiman dapat dinyatakan
dalam persamaan matematis berikut:
............................................................................(2.5)

Dimana adalah tingkat permintaan rata-rata, adalah faktor musiman, dan

t adalah distribusi permintaan normal dengan mean nol.
2.5.7.

Metode Winter Lengkap

Metode Winter yang lengkap merupakan kombinasi dari metode Winter

sebelumnya.
2.6. VERIFIKASI DAN PENGENDALIAN PERAMALAN
Dalam membuat peramalan atau menerapkan hasil suatu peramalan, maka pasti
ada beberapa hal yang harus dipertimbangkan, yaitu:
1. Peramalan pasti mengandung kesalahan, artinya peramal hanya bias
mengurangi ketidakpastian yang akan terjadi, tetapi tidak dapat menghilangkan
ketidakpastian

yang

akan

ketidakpastian tersebut.
2. Peramalan seharusnya

terjadi,

memberikan

tetapi

tidak

informasi

dapat

tentang

menghilangkan
berapa

ukuran

kesalahan, artinya karena peramalan pasti mengandung kesalahan, maka

penting bagi peramal untuk menginformasikan seberapa besar kesalahan yang
mungkin terjadi.
3. Peramalan jangka pendek lebih akurat dibandingkan permalan jangka panjang.
Hal ini disebabkan karena peramalan jangka pendek dipengaruhi oleh faktorfaktor permintaan yang bersifat konstan.
Ukuran akurasi hasil peramalan yang merupakan ukuran kesalahan peramalan
merupakan ukuran tentang tingkat perbedaan antara hasil peramalan dengan permintaan
yang sebenarnya terjadi. Ada 4 ukuran yang biasanya digunakan, yaitu:
1. Rata-rata Deviasi Mutlak (Mean Absolut Deviation = MAD)
MAD merupakan rata-rata kesalahan mutlak selama periode tertentu tanpa
memperhatikan apakan hasil peramalan lebih besar atau lebih kecil
dibandingkan kenyataannya.
2. Rata-rata Kuadrat Kesalahan (Mean Square Error = MSE)

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:

Gambar 2.1 Tampilan WinQSB Problem Specification

3. Pilih problem type Time Series Forecasting

dan isi judul peramalan dan

periode peramalan lalu klik OK

4. Muncul tampilan seperti berikut, isi jumlah permintaan tiap periode masa lalu.

MI BABIV Hal-10

Gambar 2.2 Tampilan WinQSB Historical Data

5. Klik gambar

, sehingga muncul tampilan sebagai berikut;

Gambar 2.3 Tampilan WinQSB Forecasting Setup

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:

Gambar 2.4 Tampilan WinQSB Forecasting Result

Untuk memunculkan grafik, klik tanda

MI BABIV Hal-12

Gambar 2. 5 Tampilan WinQSB Grafik

BAB III
PENGUMPULAN DAN PENGOLAHAN DATA
3.1. PENGUMPULAN DATA
3.1.1.

Alat

Dalam praktikum ini digunakan :

Perangkat keras Komputer

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

Sumber : Pengumpulan data

MI BabIII Hal-13

3.2. PENGOLAHAN DATA

3.2.1.

Yt
1
2
3
4
5
6
7
8
9
1
0
11
1
2

Bulan

At

Metode Moving Average

ft

Tabel 3.2 Penghitungan peramalan Moving Average

(ft-at)
(at-ft)
|at- ft| (at - ft)^2
|(at-ft)/at|
MR
n=3

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 %

Sumber : Pengumpulan data

Bulan
Apr
Mei
Jun
Jul
Agust
Sep
Okt
Nop
Des

ft-at

Tabel 3.3Verifikasi Peramalan Metode Moving Average

UCL
LCL
A(+)
A(-)
B(+)

-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

Sumber : Pengumpulan data

-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.

Metode Double Moving Average

Tabel 3.4 Penghitungan Peramalan Metode Double Moving Average
|atat
s'
s''
ft
(at-ft)
(at - ft)^2
|(at-ft)/at|
ft|

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

Sumber : Pengumpulan data

Bulan
Jun
Jul
Agust
Sep
Okt
Nop
Des

ft-at

-86
73
264
428
44
-143
-237

Tabel 3.5 Verifikasi peramalan Metode Double Moving Average

MR Bar
UCL
LCL
A(+)
A(-)
B(+)

196
196
196
196
196
196
196

Sumber : Pengumpulan data

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.

Metode Weighted Moving Average

Tabel 3.6 Penghitungan Peramalan Metode Weighted Moving Average

n= 3 W1=0,1 W2=0,2 W3=0,7
(ft-at)
Bulan
at
ft
(at - ft) | at- ft | (at - ft)^2
|(at - ft)/at|
n=3
Jan
1400

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

Sumber : Pengumpulan data

Tabel 3.7 Verifikasi Peramalan Metode Weighted Moving Average

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

Sumber : Pengumpulan data

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

Gambar 3.3 Grafik peramalan metode Weighted Moving Average

3.2.4.

Metode Single Exponential Smoothing

Tabel 3.8 Penghitungan peramalan metode Single Exponential Smoothing

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%

Sumber : Pengumpulan data

MR
bar

126.98

MI BabIII Hal-19

Bulan

ft-at

Tabel 3.9 Verifikasi Peramalan Metode Single Exponential Smoothing

MR Bar
UCL
LCL
A(+)
A(-)
B(+)

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

Sumber : Pengumpulan data

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.

Metode Double Exponential Smoothing

Tabel 3.10 Penghitungan Peramalan Metode Double Exponential Smoothing

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

Sumber : Pengumpulan data

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

Tabel 3.11 Verifikasi Peramalan Metode Double Exponential Smoothing

MR Bar
UCL
LCL
A(+)
A(-)

134,5
134,5
134,5
134,5
134,5
134,5
134,5
134,5
134,5
134,5
134,5

Sumber : Pengumpulan data

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

menggunakan rumus F13= a12+b12 , sehingga didapatkan hasil peramalan untuk

12 bulan berikutnya yaitu:
Januari
: 1600
Februari
: 1605
Maret
: 1610
April
: 1615
Mei
: 1620
Juni
: 1625

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 1.1 Peramalan Metode Moving Average menggunakan Software WinQSB

Hasil peramalan permintaan metode MovingAverage (n=3)

Grafik peramalan permintaan dengan metode Moving Average (n=3)

Lampiran 1.2 Peramalan Metode WeightedMoving Averagemenggunakan Software WinQSB

Hasil peramalan permintaan metode Weighted Moving Average

Grafik peramalan permintaan dengan Weighted Moving Average

Lampiran 1.3 Peramalan Metode Single Exponential Smoothing menggunakan Software WinQSB

Hasil peramalan permintaan metode Single Exponential Smoothing

Grafik peramalan permintaan dengan metode Single Exponential Smoothing

Lampiran 1.4 Peramalan Metode Double Exponential Smoothing (DES)menggunakan Software

WinQSB

Hasil Peramalan Permintaan MetodeDouble Exponential Smoothing(DES)

Peramalan Permintaan MetodeDouble Exponential Smoothing (DES)