Anda di halaman 1dari 14

Masa depan suatu perusahaan salah satunya ditentukan oleh kemampuan produk yang

dibuat untuk memenuhi permintaan konsumen. Ketidakpastian jumlah permintaan ini


mengakibatkan suatu perusahaan harus memikirkan metoda yang tepat untuk mengatasinya.
Salah satu metoda untuk mengatasi masalah ketidakpastian jumlah permintaan adalah metode
peramalan. Peramalan (forecasting) merupakan bagian vital bagi setiap organisasi bisnis dan
untuk setiap pengambilan keputusan manajemen yang sangat signifikan.
Peramalan menjadi dasar bagi perencanaan jangka panjang perusahaan. Di area
fungsional keuangan, peramalan memberikan dasar dalam menentukan anggaran dan
pengendalian biaya. Di bagian pemasaran, peramalan penjualan dibutuhkan untuk merencanakan
produk baru, kompensasi tenaga penjual, dan beberapa keputusan penting lainnya. Di bagian
produksi dan operasi menggunakan data-data peramalan untuk perencanaan kapasitas, fasilitas,
produksi, penjadwalan, dan pengendalian persedian (inventory control). Penetapkan kebijakan
ekonomi, seperti tingkat pertumbuhan ekonomi, tingkat pengangguran, tingkat inflasi, dan lain
sebagainya dapat pula dilakukan dengan teknik metode peramalan dan pengukuran kesalahan
peramalan. 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 inventory.
Penulisan laporan akhir ini melakukan sebuah perhitungan peramalan terhadap jumlah
produk meja TV yang akan dibuat berdasarkan data jumlah permitaan pada tahun sebelumnya.
Peramalan ini dilakukan untuk mengetahui berapa jumlah permintaan terhadap produk meja TV
di masa yang akan datang. Peramalan ini diharapkan dapat meminimalisasi
jumlah inventory yang berlebihan di gudang dan mengantisipasi jumlah permintaan yang
meningkat secara tidak pasti.
Perumusan masalah merupakan pokok permasalahan yang akan dilakukan penelitian dan
pembahasan dalam penulisan laporan akhir ini. Permasalahan yang ingin dipecahkan
dalam penulisan laporan akhir ini adalah bagaimana cara meramalkan jumlah produk meja
TV dengan menggunakan metode weight moving average, metode single exponential smoothing,
dan metode regresi linier.
Tujuan penulisan merupakan pokok permasalahan yang ingin dicapai dalam penulisan
laporan akhir ini. Tujuan-tujuan penulisan laporan akhir modul peramalan akan dijabarkan
berikut ini. Mengetahui hasil peramalan jumlah produk meja TV dengan menggunakakan
metode weight moving average, metode single exponential smoothingdengan 0,2 dan metode
regresi linier. Mengetahui hasil perhitungan tracking signal dari hasil peramalan metode weight
moving average, metode single exponential smoothingdengan 0,2 dan metode regresi
linier. Mengetahui metode peramalan yang memilikipenyimpangan terkecil dan mengetahui
perhitungan moving range.

TINJAUAN PUSTAKA
Peramalan (forecasting) adalah kegiatan mengistemasi apa yang akan terjadi pada masa
yang akan datang. Peramalan diperlukan karena adanya perbedaan kesenjangan waktu (timelag)
antara kesadaran akan dibutuhkannya suatu kebijakan baru dengan waktu pelaksanaan kebijakan
tersebut. Perbedaan waktu tersebut panjang, maka peran peramalan begitu penting dan sangat

1.
a.
b.
2.
a.

b.

c.

dibutuhkan, terutama dalam penentuan kapan terjadi suatu sehingga dapat dipersiapkan tindakan
yang perlu dilakukan. Metode peramalan akan membantu dalam mengadakan pendekatan analisa
terhadap tingkah laku atau pola dari data yang lalu, sehingga dapat memberikan cara pemikiran,
pengerjaan dan pemecahan yang sistematis dan pragmatis, serta memberikan tingkat keyakinan
yang lebih besar atas ketepatan hasil ramalan yang dibuat (www.usu.ac.id/teknikindustri/peramalan).
Perencanaan disuatu instansi baik itu pemerintah maupun swasta, peramalan merupakan
kebutuhan yang sangat mendasar. Baik maupun buruknya ramalan dapat mempengaruhi seluruh
bagian instansi, karena waktu tenggang untuk pengambilan keputusan dapat berkisar dari
beberapa tahun. Peramalan merupakan alat bantu yang penting dalam perencanaan yang efektif
dan efisien (www.usu.ac.id/teknik-industri/peramalan).
Kegunaan dari suatu peramalan dapat dilihat pada saat pengambilan keputusan.
Keputusan yang baik adalah keputusan yang didasarkan atas pertimbangan apa yang terjadi saat
keputusan tersebut dilakukan. Keputusan yang diambil kurang tepat sebaiknya keputusan
tersebut tidak dilaksanakan. Pengambilan keputusan merupakan masalah yang selalu dihadapi
maka peramalan juga merupakan masalah yang selalu dihadapi karena peramalan berkaitan erat
dengan pengambilan suatu keputusan. Baik tidaknya suatu peramalan yang disusun, ditentukan
oleh metode, informasi maupun data yang digunakan atau pun ketepatan ramalan yang dibuat.
Data yang digunakan tidak dapat meyakinkan maka hasil peramalan yang disusun juga akan
sukar dipercaya ketepatannya(www.usu.ac.id/teknik-industri/peramalan).
Sistem peramalan, penggunaan berbagai model peramalan akan memberikan nilai
ramalan yang berbeda dan derajat dari galat peramalan yang berbeda pula. Salah satu seni dalam
melakukan peramalan adalah memilih model peramalan yang terbaik yang mampu
mengidentifikasi dan menanggapi pola aktifitas historis dari data. Peramalan dapat dibedakan
dari beberapa segi tergantung dari cara melihatnya (ririez.blog.uns.ac.id).
Dilihat dari sifat penyusunannya, maka peramalan dapat dibedakan atas dua macam, yaitu:
Peramalan yang subjektif, yaitu peramalan yang didasarkan atas perasaan atau intuisi dari orang
yang menyusunnya. Pandangan orang yang menyusunnya sangat menentukan baik tidaknya hasil
ramalan tersebut.
Peramalan yang objektif, yaitu peramalan yang didasarkan atas data yang relevan pada masa
lalu, dengan menggunakan teknikteknik dan metodemetode dalam penganalisaannya.
Dilihat dari jangka waktu ramalan yang disusun, maka peramalan dapat dibedakan atas tiga
macam, yaitu:
Peramalan jangka pendek, yaitu peramalan yang dilakukan untuk penyusunan hasil ramalan
yang jangka waktunya satu tahun atau kurang. Peramalan ini digunakan untuk mengambil
keputusan dalam hal perlu tidaknya lembur, penjadwalan kerja, dan lain-lain keputusan kontrol
jangka pendek.
Peramalan jangka menengah, yaitu peramalan yang dilakukan untuk penyusunan hasil ramalan
yang jangka waktunya satu hingga lima tahun ke depan. Peramalan ini lebih mengkhususkan
dibandingkan peramalan jangka panjang, biasanya digunakan untuk menentukan aliran kas,
perencanaan produksi, dan penentuan anggaran.
Peramalan jangka panjang, yaitu peramalan yang dilakukan untuk penyusunan hasil ramalan
yang jangka waktunya lebih dari lima tahun yang akan datang. Peramalan jangka panjang
digunakan untuk pengambilan keputusan mengenai perencanaan produk dan perencanaan pasar,
pengeluaran biaya perusahaan, studi kelayakan pabrik, anggaran, purchase order, perencanaan
tenaga kerja serta perencanaan kapasitas kerja.

3. Berdasarkan sifat ramalan yang telah disusun, maka peramalan dapat dibedakan atas dua
macam, yaitu:
a. Peramalan kualitatif, yaitu peramalan yang didasarkan atas kualitatif pada masa lalu. Hasil
peramalan yang dibuat sangat tergantung pada orang yang menyusunnya. Hasil peramalan
tersebut ditentukan berdasarkan pemikiran yang bersifat intuisi, judgement atau pendapat, dan
pengetahuan serta pengalaman dari penyusunnya. Biasanya permalan secara kualitatif ini
didasarkan atas hasil penyelidikan, seperi delphi, scurve, analogies dan penelitian bentuk
atau morphological research atau didasarkan atas ciriciri normative seperti decision
matrices atau decisions trees.
b. Peramalan kuantitatif, yaitu peramalan yang didasarkan atas data kuntitatif pada masa lalu. Hasil
peramalan yang dibuat sangat tergantung pada metoda yang dipergunakan dalam peramalan
tersebut. Metoda yang berbeda akan diperoleh hasil peramalan yang berbeda, adapun yang perlu
diperhatikan dari penggunaan metoda tersebut, adalah baik tidaknya metoda yang dipergunakan,
sangat ditentukan oleh perbedaan atau penyimpangan antara hasil ramalan dengan kenyataan
yang terjadi. Metoda yang baik adalah metoda yang memberikan nilainilai perbedaan atau
penyimpangan yang mungkin. Peramalan kuantitatif hanya dapat digunakan apabila terdapat tiga
kondisi sebagai berikut (ririez.blog.uns.ac.id):
1) Adanya informasi tentang keadaan yang lain.
2) Informasi tersebut dapat dikuantifikasikan dalam bentuk data.
3) Diasumsikan bahwa pola yang lalu akan berkelanjutan pada masa yang akan datang.
Menurut Gasperzs (2004), dalam melakukan peramalan terdiri dari beberapa tahapan
khususnya jika menggunakan metode kuantitatif. Langkah-langkah tersebut adalah sebagai
berikut:
1. Definisikan tujuan peramalan.
2. Buatlah diagram pencar (plot data).
3. Memilih model peramalan yang tepat.
4. Lakukan peramalan.
5. Hitung kesalahan ramalan (forecast error).
6. Pilih metode peramalan dengan kesalahan yang terkecil.
7. Lakukan verifikasi.
Menurut Baroto
(2002), metode
peramalan
yang
digunakan
antara
lain
metodeweight moving average (WMA), single exponential smoothing, dan regresi linier. Berikut
ini merupakan rumus-rumus yang digunakan untuk masing-masing metode.
1. Metode weight moving average

Dimana:
= ramalan permintaan (real) untuk periode t.
ft
= permintaan aktual pada periode t.
c1
= bobot masing-masing data yang digunakan (ci = 1), ditentukan secara subyektif.
m
= jumlah periode yang digunakan untuk peramalan (subyektif).
2.
Metode single exponential smoothing
Dimana:


ft

= perkiraan permintaan pada periode t


= suatu nilai (0 < < 1) yang ditentukan secara subyektif
= permintaan aktual pada periode t
= perkiraan permintaan pada periode t-1.
3. Metode regresi linier
Regresi linier adalah suatu metode populer untuk berbagai macam permasalahan.
Peramalan time series, formula regresi linier cocok digunakan bila pola data adalah trend.
Formula asli regresi linier adalah sebagai berikut:

Dimana:
= nilai dari fungsi (permintaan) pada periode t (variabel terikat).
a0, b
= intercept dan slope.
t
= periode (variabel bebas).
et
= error atau kesalahan; penyimpangan pada periode t.
Menurut Walpole (1995), nilai a dan b dapat dihitung dengan rumus:
b=
a=

Menurut Gaspersz (2004), teori tentang ukuran akurasi peramalan terdiri dari mean
absolute deviation (MAD), mean forecast error (MFE), mean absolute percentage
error (MAPE), tracking signal, dan moving range. Berikut ini merupakan penjelasan untuk
masing-masing metode akurasi kesalahan.
1. Mean absolute deviation (MAD), disebut juga rata-rata penyimpangan absolut, yang dapat
dihitung dengan rumus sebagai berikut:

Dimana: n adalah banyaknya periode data.


2. Mean forecast error (MFE), disebut juga galat peramalan, yang dapat dihitung dengan rumus
sebagai berikut:

3. Mean absolute percentage error (MAPE), disebut juga rata-rata persentase kesalahan absolut,
yang dapat dihitung dengan rumus sebagai berikut:

4. Tracking signal adalah suatu ukuran bagaimana baiknya suatu ramalan memperkirakan nilainilai aktual. Suatu ramalan diperbaharui setiap minggu, bulan atau triwulan, sehingga data
permintaan yang baru dibandingkan terhadap nilai-nilai ramalan.Tracking signal dihitung
sebagai running sum of the forecast errors dibagi dengan mean absolute deviation.

Tracking signal yang positif menunjukkan bahwa nilai aktual permintaan lebih besar daripada
ramalan, sedangkan apabila negatif berarti nilai aktual permintaan lebih kecil daripada ramalan.
Suatu tracking signal disebut baik apabila memiliki RSFE yang rendah dan mempunyai positive
error yang sama banyak atau seimbang dengan negative error, sehingga pusat dari tracking
signal mendekati nol.
5. Metode moving range dilakukan berdasarkan pada dua metode, yaitu exponential
smoothing dan weighted moving everage. Dari kedua metode tersebut haruslah memilih MAD
yang terkecil, maka hasil perhitungan dalam moving range dapat digunakan dengan rumus
sebagai berikut:
MR =

Dimana:
Ft
= nilai peramalan untuk periode waktu ke-t.
At = nilai aktual pada periode t.
Ft-1 = nilai ramalan untuk satu periode waktu yang lalu, t-1.
At-1 = nilai aktual untuk satu periode waktu yang lalu, t-1.
METODOLOGI PENELITIAN
Langkah pertama adalah perumusan masalah yang menjelaskan bagaimana cara atau
teknik pemecahan masalah yang digunakan. Permasalahan yang ingin dipecahkan
dalam penulisan laporan ini adalah bagaimana cara meramalkan jumlah produk meja TVdengan
menggunakan metode weighted moving average, metode single exponential smoothing, dan
metode regresi linier. Langkah kedua adalah menentukan tujuan penulisan yang ingin dicapai

pada penulisan laporan akhir ini. Tujuan penulisan ini menjadi tolak ukur dalam proses
pengambilan data agar data yang diambil sesuai dengan metode-metode yang digunakan dan
mengurangi terjadinya kesalahan dalam proses pengambilan data.
Langkah ketiga adalah melakukan tinjauan pustaka berupa pemahaman materi yang
berhubungan dengan pengolahan data yang akan dilakukan meliputi definisi peramalan, teknik
peramalan serta metode-metode yang digunakan dalam peramalan. Langkah keempat melakukan
pengumpulan data yang berisi teknik pengumpulan data, jenis data yang digunakan, data apa saja
yang diperlukan, dan lain sebagainya. Data-data yang dikumpulkan meliputi data aktual dari
jumlah permintaan produk meja TV selama 1 tahun yang diambil dari data jumlah permintaan
ditahun sebelumnya.
Pengolahan data berisi tentang teknik dan metode-metode yang digunakan dalam proses
peramalan. Proses pengolahan data yang dilakukan meliputi perhitungan peramalan dengan
menggunakan metode weighted moving average, metode single exponential smoothing, dan
metode regresi linier, membuat tracking signal dari hasil peramalan metode weighted moving
average, metode single exponential smoothing, dan metode regresi linier, dan membuat peta
kontrol moving average berdasarkan nilai MAD terkecil dari setiap metode peramalan. Proses
pengolahan data ini menghasilkan sebuah output yang dapat menjelaskan tentang hasil yang
ingin dicapai pada tujuan penulisan. Analisis dilakukan untuk menjelaskan hasil yang diperoleh
dari proses pengolahan data. Langkah terakhir adalah menarik kesimpulan yang diperoleh dari
proses pengolahan data dan menjawab tujuan penulisan yang ingin dicapai. Saran diberikan
untuk memperbaiki proses praktikum selanjutnya dan untuk meminimalkan kesalahan dalam
proses pengolahan data.
HASIL PENELITIAN
Data penjualan diketahui dari bulan Januari sampai dengan Desember, yaitu pada periode
ke-1 sampai ke-12. Data penjualan aktual dilambangkan dengan huruf A diperoleh dari
penambahan 2 digit terakhir NPM. Berikut ini merupakan data penjualan aktual dari produk meja
TV.
TABEL 1
DATA PENJUALAN AKTUAL
Bulan

Indeks Waktu
(t)

Penjualan

2 DigitNP
M

Penjualan Aktual
(A)

Januari
Februari
Maret
April
Mei
Juni
Juli
Agustus
September
Oktober
November
Desember

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

513
509
512
514
509
508
512
511
513
511
509
512

26
26
26
26
26
26
26
26
26
26
26
26

539
535
538
540
535
534
538
537
539
537
535
538

Berdasarkan data penjualan aktual di atas, maka penjualan untuk satu periode ke depan
dapat diramalkan dengan metode weight moving average dan single exponential smoothing. Data
penjualan aktual di atas juga dapat digunakan untuk meramalkan selama satu tahun ke depan,
yaitu menggunakan metode regresi linier.
Metode weight moving average disebut juga model rata-rata bergerak terbobot.
Diasumsikan bahwa permintaan pasar terhadap produk akan tetap stabil sepanjang waktu.
Metode ini bertujuan untuk meramalkan jumlah penjualan meja TV untuk satu periode ke depan.
Perhitungan kali ini dilakukan dengan menggunakan periode berbobot 3, hasil perhitungannya
dapat dilihat pada Tabel 2.
TABEL 2
PERAMALAN METODE WEIGHT MOVING AVERAGE (WMA)
Bulan

Indeks
Waktu
(t)

Penjualan
Aktual
(A)

Ramalan
Berdasarkan
MA = 3

Pembulatan

Januari
Februari
Maret
April
Mei
Juni
Juli
Agustus
September
Oktober
November
Desember
Januari

1
2
3
4
5
6
7
8
9
10
11
12
13

539
535
538
540
535
534
538
537
539
537
535
538

537,17
538,50
537,17
535,33
536,17
536,83
538,17
537,67
536,33
536,83

538
539
538
536
537
537
539
538
537
537

Metode peramalan yang kedua adalah single exponential smooting, yang disingkat
dengan SES. Metode ini disebut juga dengan model pemulusan eksponensial dengan satu jenis
kecenderungan, yaitu menaik atau menurun. Metode SES bertujuan untukmeramalkan jumlah
pejualan meja TV satu periode ke depan berdasarkan data masa lalu. Perhitungan yang akan
dilakukan terdiri dari 9 jenis konstanta pemulusan, yang dilambangkan dengan alpha ().
Konstanta pemulusan yang digunakan bernilai 0,1 sampai dengan 0,9. Berikut ini
merupakan tabel rangkuman dari metode single exponential smooting berdasarkan nilai MAD.
Tabel 3
Rangkuman Berdasarkan Nilai MAD
Konstanta
MAD
Pemulusan ()
0,1
1,862
0,2
1,857
0,3
1,938
0,4
2,08
0,5
2,206
0,6
2,309
0,7
2,387
0,8
2,482
0,9
2,55

Berdasarkan tabel rangkuman metode single exponential smooting diatas, maka


dilakukan perhitungan manual untuk nilai MAD terkcil. Berikut ini merupakan peramalan
metode SES dengan menggunakan konstanta sebesar 0,2.
TABEL 4
PERAMALAN METODE SINGLE EXPONENTIAL SMOOTHING = 0,2
Bulan

Index

Aktual

Ramalan

Pembulatan

Januari

539

537,08

538

Februari

535

537,46

538

Maret

538

536,97

537

April

540

537,17

538

Mei

535

537,74

538

Juni

534

537,19

538

Juli

538

536,55

537

Agustus

537

536,84

537

September

539

536,87

537

Oktober

10

537

537,30

538

November

11

535

537,24

538

Desember

12

538

536,79

537

Januari

13

537,03

538

Ramalan indeks waktu ke-1


Ramalan indeks waktu ke-2

=
= 537,08 + 0,2 (539-537,08)

= 537,46 = 538 unit


Regresi linier adalah suatu metode populer untuk berbagai macam permasalahan.
Peramalan time series, formula regresi linier cocok digunakan bila pola data adalah trend.
Metode regresi linier bertujuan untuk meramalkan jumlah pejualan meja TV satu periode ke
depan berdasarkan data masa lalu. Berikut ini merupakan data penjualan aktual dari produk meja
TV.
TABEL 5
PERHITUNGAN NILAI-NILAI UNTUK METODA REGRESI LINIER
No

Periode
(x)

Aktual
Penjualan
(Y)
539

X.Y

x2

539

535

1070

538

1614

540

2160

16

535

2675

25

534

3204

36

538

3766

49

537

4296

64

539

4851

81

Diketahui:
b

10

10

537

5370

100

11

11

535

5885

121

12

12

538

6456

144

Total

78

6445

41886

650

X = 78
X2= 650

Y = 6445
XY = 41886

=
=
= -0,045

=
=
= 537,38

=
Periode peramalan untuk bulan Januari (X = 13)
= 537,8 + (-0,045)(13)
= 536,80
TABEL 6
PERAMALAN METODE REGRESI LINIER
Bulan

Indeks Waktu
(t)

Penjualan Aktual
(A)

Ramalan

Pembulatan

Januari
Februari
Maret
April
Mei
Juni
Juli
Agustus
September
Oktober
November
Desember

13
14
15
16
17
18
19
20
21
22
23
24

539
535
538
540
535
534
538
537
539
537
535
538

536,80
536,75
536,71
536,66
536,62
536,57
536,53
536,48
536,44
536,39
536,35
536,30

537
537
537
537
537
537
537
537
537
537
537
537

Berdasarkan hasil peramalan weight moving average pada tabel 2, maka dapat dilakukan
pemeriksaan
kehandalan
model
peramalan
yang
dipilih.
Pemeriksaan
dilakukandengan menggunakan peta kontrol tracking signal. Hasil perhitungan dapat dilihat
pada Tabel 7 dan grafiknya pada Gambar 1. Contoh perhitungannya adalah sebagai berikut:
a. Nilai error (e) = A f
= aktual forecast
= 540 - 538
=2
b. MAD =
c. Tracking signal =
TABEL 7

TRACKING SIGNAL DARI PERAMALAN METODE WMA

Periode

Forecas
t
(f)

Aktual
(A)

Erro
r

RSFE
Kumulatif

Absolute
Error

Kumulatif
AbsoluteErro
r

MAD

Tracking
Signal

(1)
1
2
3
4
5
6
7
8
9

(2)
538
539
538
536
537
537
539
538
537

(3)
540
535
534
538
537
539
537
535
538

(4)
2
-4
-4
2
0
2
-2
-3
1

(5)
2
-2
-6
-4
-4
-2
-4
-7
-6

(6)
2
4
4
2
0
2
2
3
1

(7)
2
6
10
12
12
14
16
19
20

(8)
2,00
3,00
3,33
3,00
2,40
2.33
2.29
2.38
2.22

(9)
1,00
-0,67
-1,80
-1,33
-1,17
-0,86
-1,75
-2,94
-2,70

Gambar 1
Tracking Signal Metode WMA

Berdasarkan hasil peramalan single exponential smoothing dengan = 0,2 pada Tabel 4,
maka dapat dilakukan pemeriksaan kehandalan model peramalan yang dipilih. Pemeriksaan
dilakukan menggunakan peta kontrol tracking signal. Perhitungan dapat dilihat pada Tabel 8 dan
grafiknya pada Gambar 2.
Tabel 8
Tracking Signal Metode Single Exponential Smoothing = 0,2
Periode

Forecas
t
(f)

Aktual
(A)

Erro
r

RSFE
Kumulatif

Absolute
Error

Kumulatif
AbsoluteErro
r

MAD

Tracking
Signal

(1)
1
2
3
4
5
6
7
8
9
10
11
12

(2)
538
538
537
538
538
538
537
537
537
538
538
537

(3)
539
535
538
540
535
534
538
537
539
537
535
538

(4)
1
-3
1
2
-3
-4
1
0
2
-1
-3
1

(5)
1
-2
-1
1
-2
-6
-5
-5
-3
-4
-7
-6

(6)
1
3
1
2
3
4
1
0
2
1
3
1

(7)
1
4
5
7
10
14
15
15
17
18
21
22

(8)
1,00
2,00
1,67
1,75
2,00
2,33
2,14
1,86
1,89
1,80
1,91
1,83

(9)
1,00
-1,00
-0,60
0,57
-1,00
-2,58
-2,34
-2,69
-1,59
-2,22
-3,66
-3,28

Contoh perhitungannya adalah sebagai berikut:


a. Nilai error (e)
= Af
= aktual forecast
= 539 - 538
= 1
b. MAD =

c. Tracking Signal =
Gambar 2
Tracking Signal Metode SES = 0,2

Berdasarkan hasil peramalan metode regresi linier pada Tabel 6, maka dapat dilakukan
pemeriksaan kehandalan model peramalan yang dipilih. Pemeriksaan dilakukan menggunakan
peta kontrol tracking signal. Perhitungan dapat dilihat pada Tabel 9 dan grafiknya pada
Gambar 3. Contoh perhitungannya adalah sebagai berikut:
a. Nilai error (e) = A f
= aktual forecast
= 539 - 537
=2
b. MAD =
c. Tracking Signal =
TABEL 9
TRACKING SIGNAL METODE REGRESI LINIER

Periode

Forecas
t
(f)

Aktual
(A)

Erro
r

(1)
1
2
3
4
5
6
7
8
9
10
11
12

(2)
537
537
537
537
537
537
537
537
537
537
537
537

(3)
539
535
538
540
535
534
538
537
539
537
535
538

(4)
2
-2
1
3
-2
-3
1
0
2
0
-2
1

RSFE
Kumulatif

Absolute
Error

Kumulatif
AbsoluteErro
r

(5)
(6)
2
2
0
2
1
1
4
3
2
2
-1
3
0
1
0
0
2
2
2
0
0
2
1
1
Gambar 3
Tracking Signal Metode Regresi Linier

(7)
2
4
5
8
10
13
14
14
16
16
18
19

MAD

Tracking
Signal

(8)
2,00
2,00
1,67
2,00
2,00
2,17
2,00
1,75
1,78
1,60
1,64
1,57

(9)
1,00
0,00
0,60
2,00
1,00
-0,46
0,00
0,00
1,12
1,25
0,00
0,63

Hasil peramalan dengan menggunakan ketiga metode peramalan, yaitu weight moving
average, single exponential smoothing, dan regresi linier maka dapat dibandingkan
hasilnya berdasarkan nilai MAD terkecil. Nilai MAD pada weight moving average, single
exponential smoothing ( = 0,2), dan regresi linier adalah 2,33, 1,83, dan 1,58. Berdasarkan
perhitungan manual dari ketiga metode peramalan tersebut diketahui bahwa nilai MAD terkecil
terdapat pada metode regresi linear, sehingga metode yang terpilih berdasarkan MAD
terkecil adalah metode regresi linier. Hasil perhitungan moving range dari metode regresi linier
dapat dilihat pada Tabel 10 dan grafiknya pada Gambar 4. Berikut ini merupakan contoh
perhitungan moving range dari metode regresi lnier.
a. Moving range (MR) periode ke-2
=
=
=4

b. Rata-rata moving range


= = 2,64
c. Batas kelas atas (BKA) = = 2,66 2,64 = 7,02
d. Batas kelas bawah (BKB) = = -2,66 2,64 = -7,02
Bulan
Januari
Februari
Maret
April
Mei
Juni
Juli
Agustus
September
Oktober
November
Desember

Tabel 10
Tabulasi Perhitungan Moving Range dari Metode Regresi Linier
Peramalan
Penjualan Aktual
A-F
MR Absolute
537
539
2
537
535
-2
4
537
538
1
3
537
540
3
2
537
535
-2
5
537
534
-3
1
537
538
1
4
537
537
0
1
537
539
2
2
537
537
0
2
537
535
-2
2
537
538
1
3
Total
29

Gambar 4

Peta Kontrol Moving Range Regresi Linier

Data peramalan penjualan meja TV dapat dihitung dengan menggunakan software,


yaitu WinQSB. Berikut ini merupakan output dari perhitungan data peramalan penjualanmeja
TV dengan menggunakan software pada metode regresi linier, karena metode ini memiliki nilai
MAD terkecil. Hasil perhitung dengan software dapat dilhat pada Gambar 5 dan Gambar 6.
Gambar 5
Hasil Peramalan Sotware Metoda Regresi Linier
Gambar 6
Grafik Peramalan Software Metoda Regresi Linier

Hasil perhitungan peramalan dengan menggunakan metode weight moving average dapat
dilihat bahwa pada periode pertama, kedua dan ketiga tidak memiliki nilai peramalan. Faktor
penyebabnya karena jumlah satuan waktu yang digunakan dalam membuat rata-rata bergeraknya
adalah 3 satuan waktu, sehingga peramalan pertama hanya bisa dilakukan pada periode keempat,
yaitu bulan April. Metode ini menggunakan bobot untuk setiap nilai yang dijadikan acuan,
semakin dekat dengan periode ramalan, maka semakin besar bobotnya. Metode perhitungan
tersebut bobot yang terbesar adalah 3 untuk setiap satu periode sebelum nilai ramalan, sedangkan
untuk dua periode dan tiga periode sebelumnya menggunakan bobot 2 dan 3.
Metode single exponential smoothing menggunakan 9 nilai atau disebut juga konstanta
penghalus, semakin dekat nilai tersebut dengan 0 maka semakin halus data yang digunakan.
Nilai konstanta penghalus yang digunakan adalah (0,2), nilai tersebut didasarkan atas MAD
terkecil dari 9 nilai yang dihitung dengan menggunakan software. Pemilihan nilai konstanta
pada metode single exponential smoothing ini didasari oleh tingkat kesalahan rata-rata yang
paling kecil dari nilai konstanta yang lain. Berdasarkan perhitungan tersebut data aktual yang
digunakan menunjukkan bahwa data tersebut bersifat stabil atau kenaikan dan penurunannya
relatif belum terlalu signifikan.
Metode terakhir yang digunakan adalah metode regresi linier. Metode ini memiliki
kelebihan dari pada metode peramalan yang telah digunakan sebelumnya. Kelebihan dari metode
ini adalah dapat meramalkan lebih dari satu periode ke depan, hal tersebut dapat dilihat dari hasil

ramalan yang diperoleh. Ramalan yang diperoleh adalah ralaman untuk 12 periode ke depan
dimulai dari bulan ke-13 hingga ke-24 dengan menggunakan data 12 bulan pertama.
Perhitungan tracking signal terlihat bahwa ada nilai error yang menunjukkan selisih nilai
ramalan terhadap aktualnya. Hasil perhitungannya menunjukkan nilai negatif maka hasil ramalan
kurang dari aktualnya, sebaliknya jika positif menunjukkan bahwa hasil ramalan mencukupi
permintaan atau lebih. Peta kontrol untuk sebagian besar metode menunjukkan bahwa nilai
ramalan berada dalam batas kontrol atau dengan kata lain seragam karena semua titiknya berada
dalam batas kontrol.
Moving range menunjukkan bahwa metode peramalan yang memiliki nilai MAD paling
kecil adalah metode regresi linier, dengan demikian metode regresi linier dapat dikatakan baik
karena memiliki nilai penyimpangan yang paling kecil dan tidak melebihi batas kendali yang
ditentukan. Peta moving range menunjukkan perbandingan nilai data aktual dengan nilai
peramalan dari kebutuhan yang sama, pada peta kontrol dapat dilihat bahwa hasil ramalan
memiliki kualitas atau berada dalam batas kontrol. Perhitungan software menunjukkan hasil yang
tidak berbeda jauh dengan perhitungan secara menual, hal yang membedakan adalah proses
pembulatanya. Perhitungan software menunjukkan adanya kemiringan negatif atau semakin lama
semakin turun jumlah ramalannya.
KESIMPULAN DAN SARAN
Kesimpulan dilakukan berdasarkan pengolahan data dan tujuan penulisan yang ingin
dicapai dan kesimpulannya akan diuraikan berikut ini. Hasil peramalan jumlah produk meja TV
dengan menggunakakan metode weight moving average berkisar dari 536 sampai
539 unit. Peramalan dengan metode single exponential smoothing dengan 0,2 berkisar dalam
rentang 537 sampai 538 unit. Metode regresi linier diperoleh jumlah yang sama untuk setiap
periodenya, yaitu 537 unit produk. Peta kontrol tracking signaluntuk sebagian besar metode
menunjukkan bahwa nilai ramalan berada dalam batas kontrol atau dapat dikatakan seragam
karena semua titiknya berada dalam batas kontrol. Metode peramalan yang terbaik dari ketiga
metode tersebut adalah metode regresi linier, karena metode ini memiliki nilai MAD yang paling
kecil dari metode-metode yang lain. Peta moving range menunjukkan perbandingan nilai data
aktual dengan nilai peramalan dari kebutuhan yang sama, pada peta kontrol dapat dilihat bahwa
hasil ramalan memiliki kualitas atau berada dalam batas kontrol.
Adapun beberapa saran yang dapat bermanfaat sebagai acuan pada praktikum
selanjutnya. Metode peramalan yang digunakan sebaiknya ditambahkan agar dapat lebih
dianalisa hasil dari setiap ramalnnya. Data yang diambil sebaiknya data yang akurat dari sebuah
perusahaan agar dapat diaplikasikan di dunia kerja. Data yang diramalkan sebaiknya memakai
data yang berbeda-beda dari setiap kelompok agar lebih variatif dan memudahkan praktikan
dalam memahami modul peramalan.

Baroto, Teguh. 2002. Perencanaan dan Pengendalian Produksi. Jakarta: Pustaka Tangga.
Ririez.blog.uns.ac.id.
Vincent Gaspersz, Dr, D.Sc., CFPIM, CIQA, 2004. Production Planning and
Control. Jakarta: PT. Gramedia.
Walpole, E. 1995. Pengantar Statistika. Edisi Ketiga. Jakarta: PT. Gramedia.
www.usu.ac.id/teknik-industri/peramalan.

Inventory