Puji syukur kami ucapkan kepada Tuhan Yang Maha Esa karena berkat
rahmat-Nya kami dapat menyelesaikan Laporan Praktikum Terintegrasi Industri II
Modul 5 Forecasting ini. Pertama penulis mengucapkan terima kasih kepada
bapak Dr. Eng Mohammad Sofitra, ST., MT selaku Kaprodi Teknik Industri serta
kepada Bapak Ivan Sujana, ST., MT dan Ibu Ratih Rahmawati, ST., MT selaku
dosen pembimbing dalam Praktikum Terintegrasi Industri II yang telah banyak
memberikan pengarahan dalam menyelesaikan laporan sehingga tepat pada
waktunya.
Pembuatan laporan ini bertujuan dalam memenuhi tugas akhir dari
Praktikum Terintegrasi Industri II yang terdiri dari 5 modul yaitu, Forecasting,
Perancangan Proses Manufaktur, Standarisasi Kerja, Perencanaan Produksi, dan
Line Balancing. Selain itu diharapkan mahasiswa mampu mengetahui peranan
praktikum dari disetiap modulnya.
Penulis menyadari laporan ini masih jauh dari sempurna. Maka dari itu
penulis memohon maaf dan akan menerima segala masukan yang diberikan untuk
menyempurnakan laporan praktikum ini. Penulis berharap laporan ini berguna
bagi siapapun yang membacanya.
Penulis
1
Praktikum Terintegrasi Industri 2
Modul 5 Forecasting
Kelompok 3
DAFTAR ISI
KATA PENGANTAR................................................................................................i
DAFTAR ISI............................................................................................................ii
DAFTAR TABEL...................................................................................................iv
DAFTAR GAMBAR...............................................................................................v
DAFTAR GRAFIK.................................................................................................vi
BAB I PENDAHULUAN........................................................................................1
1.2 Tujuan........................................................................................................2
BAB IV ANALISA................................................................................................59
BAB V PENUTUP.................................................................................................68
5.1 Kesimpulan..............................................................................................68
5.2 Saran........................................................................................................69
DAFTAR PUSTAKA.............................................................................................70
DAFTAR TABEL
DAFTAR GAMBAR
DAFTAR GRAFIK
BAB I
PENDAHULUAN
1.2 Tujuan
Adapun tujuan dalam praktikum ini adalah sebagai berikut:
1. Mampu mengetahui manfaat dan posisi forecasting dalam sistem
industri.
2. Mampu mengimplementasikan metode metode dan teknik dalam
forecasting.
BAB II
TINJAUAN PUSTAKA
1. Plot data.
Ploting data harus dilakukan sebelum melakukan metode peramalan
untuk menentukan pola data yang terjadi. Dengan data yang ada
diperoleh diagram pencarnya.
2. Memilih alternatif metode yang sesuai dengan pola data masa lalu.
Dengan asumsi, pola akan berulang pada periode yang akan datang.
Pola data trend terjadi bila mana data pengamatan mengalami kenaikan
atau penurunan selama periode jangka panjang. Suatu data pengamatan
yang mempunyai trend disebut data nonstasioner. Plot data trend
dicontohkan pada gambar 2.7 yaitu berupa data harga suatu produk yang
meningkat dari tahun ke tahun.
... (2.1)
4. Filter Kalman
Banyak digunakan pada bidang rekayasa sistem untuk memisahkan
sinyal dari noise yang masuk ke sistem. Metoda ini menggunakan
pendekatan model state space dengan asumsi white noise memiliki
distribusi Gaussian.
5. Multivariate
6. Smoothing
Dipakai untuk mengurangi ketidakteraturan data yang bersifat
musiman dengan cara membuat keseimbangan rata-rata dari data masa
lampau.
1. Regression
...........................................................(2.2)
..........................................................(2.3)
..........................................................(2.4)
...........................................................(2.5)
..............................................................(2.6)
..............................................................(2.7)
.................................................(2.8)
Dimana:
E = Xt Ft (kesalahan pada periode ke t)
X = data aktual pada periode ke t
F = nilai ramalan pada periode ke t
n = banyak periode waktu
Metode peramalan yang dipilih adalah metode peramalan yang
memberikan nilai error yang terkecil.
Menurut Lerbin R. Aritonang R. (2002:32) ada beberapa teknik
peramalanuntuk menggunakannya didasarkan pada kondisi data tertentu,
berukut 3 pendekatan yang dapat dijadikan dasar dalam memilih teknik
peramalan:
1. Pendekatan Otokorelasi
Peramalan yang digunakan diorientasikan pada waktu yang akan datang
didasarkan pengetahuan maupun peramalan pada waktu yang lalu.
2. Pendekatan Ukuran Simpangan PeramalanPemilihan teknik peramalan
juga didasarkan pada error (e) yang merupakan selisih nilai data yang
ada dengan nilai proyeksinya pada setiap periode peramalan. Errorr
yang digunakan sebagai ukuran simpangan peramalan berupa MSE
(Mean Square Errorr). Secara sederhana dapat diketahui bahwa besar
MSE berarti semakin besar selisih antara data historis yang ada (yang
sesungguhnya) dengan nilai proyeksinya, sebaliknya semakin kecil MSE
berarti semakin akurat peramalannya.
3. Pendekatan Horison Waktu
seringkali sulit diukur dan variasinya sangat tinggi. Lebih lanjut, nilai
yang didapat dengan pendekatan seperti ini tidak bergantung dari analit.
Limit deteksi hanya berguna untuk mengontrol ketidakmurnian yang
tidak diinginkan yang konsentrasinya harus tidak lebih dari level tertentu
dan mengontrol kontaminan dengan konsentrasi rendah, sedangkan
materi yang bermanfaat harus ada pada konsentrasi yang cukup tinggi
agar dapat menjadi fungsional. Limit deteksi dan kuantitasi seringkali
bergantung pada kemampuan instrumen (AOAC, 2002).
Limit deteksi dan limit kuantisasi, limit deteksi (LOD) adalah
konsentrasi terendah yang masih dapat terdeteksi oleh suatu alat. Besar
limit deteksi biasanya dinyatakan dengan nilai rata-rata blangko + 3 S,
dimana S adalah standar deviasi (simpangan baku) dari blangko.
Sedangkan limit kuantitasi adalah konsentrasi terendah yang dapat
ditentukan dengan besar presisi dan akurasi ynag dapat diterima. Besar
limit kuantitasi biasanya dinnyuatakan dengan nilai rata-rata blanko
+10 S. Cara lain untuk menentukan batas deteksi dan kuantitasi adalah
melalui penentuan rasio S/N (signal to noise ratio). Nilai simpangan
baku blanko ditentukan dengan cara menghitung tinggi derau pada
pengukuran blanko sebanyak 20 kali pada analit yang memberikan
respon (Harmita, 2004).
Uji t dan F
Uji signifikansi meliputi uji t-student dan uji F. Uji t
membandingkan rata-rata ulangan yang dilakukan oleh dua metode dan
membuat asumsi dasar atau hipotesis nol, bahwa tidak ada perbedaan
yang signifikan antara nilai rata-rata dari dua set data (James, 1999). Uji
t memberikan jawaban ya atau tidak terhadap pembenaran dari hipotesis
nol dengan keyakinan yang pasti, seperti 95% atau bahkan 99%. Nilai
kritik untuk t didapat dari tabel pada derajat bebas yang tepat. Jika nilai t
hitung lebih besar dari nilai t tabel maka hipotesis nol dapat ditolak yang
berarti terdapat perbedaan yang signifikan antara dua metode.
Uji F atau uji rasio-varian digunakan untuk membandingkan antara
dua standar deviasi, yang berarti membandingkan pula ketelitian antara
dua metode. Asumsi dasar atau hipotesis nol dari uji ini adalah bahwa
Anova
Selain uji t dan F juga digunakan uji One Way Anova untuk menguji
apakah rata-rata lebih dari dua sampel berbeda secara signifikan atau
tidak. Hipotesis nol (H0) yaitu rata-rata populasi adalah identik,
sedangkan hipotesis tandingannya (H1) yaitu rata-rata populasi tidak
identik. H0 diterima jika nilai probabilitas > 0.05 dan H0 ditolak jika
probabilitas < 0.05 (Santoso 2000).
Bahan Acuan
Bahan acuan memainkan peranan penting untuk mengeahui akurasi
dalam melakukan validasi atau verifkasi. Bahan acuan disini dapat
diartikan sebaga bahan atau zat yang memiliki sifat-sifat tertentu yang
cukup homogen dan stabil yang telah ditetapkan untuk dapat digunakan
dalam pengukuran atau dalam pengujian suatu contoh. Bahan acuan
dapat digunakan untuk mengontrol presisi pengukuran walaupun bahan
acuan tidak memiliki nilai acuan (assigned value), sedangkan untuk
kalibrasi atau untuk mengontrol kebenaran pengukuran hanya bahan
acauan yang memiliki nilai acuan yang dapat digunakan (Dara, 2010).
Kalibrasi dan pengontrolan analisis sangat penting, karena menyangkut
kehandalan hasil pengujian. Untuk pengambilan keputusan yang krusial
diperlukan hasil pengujian yang dapat dipercaya (Nuryatini 2010).
Bahan acuan dapat dibagi menjadi dua yaitu Certified Reference
Material (CRM) dan Standard Reference Material (SRM). CRM dapat
ditelusur hingga standar internasional dengan ketidakpastian yang telah
diketahui dan oleh karena itu dapat digunakan untuk mengukur semua
aspek bias secara bersamaan, dengan asumsi bahwa tidak ada
ketidaksesuaian matriks. Perlu dipastikan bahwa nilai ketidakpastian
yang dimiliki cukup kecil sehingga dapat mendeteksi bias pada kisaran
tertentu. Tetapi jika nilainya tidak cukup kecil, penggunaan CRM masih
mengukur apa yang diukur. Ghozali (2009) menyatakan bahwa uji validitas
digunakan untuk mengukur sah, atau valid tidaknya suatu kuesioner. Suatu
kuesioner dikatakan valid jika pertanyaan pada kuesioner mampu untuk
mengungkapkan sesuatu yang akan diukur oleh kuesioner tersebut.
Suatu tes dapat dikatakan memiliki validitas yang tinggi jika tes
tersebut menjalankan fungsi ukurnya, atau memberikan hasil ukur yang
tepat dan akurat sesuai dengan maksud dikenakannya tes tersebut. Suatu tes
menghasilkan data yang tidak relevan dengan tujuan diadakannya
pengukuran dikatakan sebagai tes yang memiliki validitas rendah. Sisi lain
dari pengertian validitas adalah aspek kecermatan pengukuran. Suatu alat
ukur yang valid dapat menjalankan fungsi ukurnya dengan tepat, juga
memiliki kecermatan tinggi. Arti kecermatan disini adalah dapat mendeteksi
perbedaan-perbedaan kecil yang ada pada atribut yang diukurnya.
Dalam pengujian validitas terhadap kuesioner, dibedakan menjadi 2,
yaitu validitas faktor dan validitas item. Validitas faktor diukur bila item
yang disusun menggunakan lebih dari satu faktor (antara faktor satu dengan
yang lain ada kesamaan). Pengukuran validitas faktor ini dengan cara
mengkorelasikan antara skor faktor (penjumlahan item dalam satu faktor)
dengan skor total faktor (total keseluruhan faktor).Validitas item
ditunjukkan dengan adanya korelasi atau dukungan terhadap item total (skor
total), perhitungan dilakukan dengan cara mengkorelasikan antara skor item
dengan skor total item. Bila kita menggunakan lebih dari satu faktor berarti
pengujian validitas item dengan cara mengkorelasikan antara skor item
dengan skor faktor, kemudian dilanjutkan mengkorelasikan antara skor item
dengan skor total faktor (penjumlahan dari beberapa faktor).
Dari hasil perhitungan korelasi akan didapat suatu koefisien korelasi
yang digunakan untuk mengukur tingkat validitas suatu item dan untuk
menentukan apakah suatu item layak digunakan atau tidak. Dalam
penentuan layak atau tidaknya suatu item yang akan digunakan, biasanya
dilakukan uji signifikansi koefisien korelasi pada taraf signifikansi 0,05,
artinya suatu item dianggap valid jika berkorelasi signifikan terhadap skor
total. Untuk melakukan uji validitas ini menggunakan program SPSS.
Teknik pengujian yang sering digunakan para peneliti untuk uji validitas
adalah menggunakan korelasi Bivariate Pearson(Produk Momen Pearson).
Analisis ini dengan cara mengkorelasikan masing-masing skor item dengan
skor total. Skor total adalah penjumlahan dari keseluruhan item. Item-item
pertanyaan yang berkorelasi signifikan dengan skor total menunjukkan
item-item tersebut mampu memberikan dukungan dalam mengungkap apa
yang ingin diungkap Valid. Jika r hitung r tabel (uji 2 sisi dengan sig.
0,05) maka instrumen atau item-item pertanyaan berkorelasi signifikan
terhadap skor total (dinyatakan valid).
BAB III
PENGOLAHAN DATA DAN PEMBAHASAN
hasil konversi
4,000.00
0 2 4 6 8 10 12
Xt
Fn = t =1
n1
X 1+ X 2+ + X 16 +17
F17=
171
F 17=5516
Besarnya kesalahan terhadap peramalan dapat diketahui
dengan beberapa metode yaitu CFE, MAD, MSE dan MAPE.
|error t|
MAD n= t=2
n1
n
error 2t
MSEn = t =2
n1
n
PEt
MAPEn= t=2
n1
dimana,
|error n|
PE n= x 100
Xn
error 17=6074,035516
error 17=558
17
CFE17 = error t
t=2
|error t|
MAD 17= t=2
171
|error 2 +error 3 ++ error 16+ error 17|
MAD 17=
16
error2t
MSE17= t=2
171
error 22 +error 23 ++ error 216+ error 217
MSE17=
16
( 268 )2 + (559 )2+ + ( 868 )2 + ( 558 )2
MSE17=
16
MSE17= 289591
|error 17|
PE 17 = x 100
X 17
|558|
PE 17= x 100
6074,03
PE 17=9,18
17
PEt
MAPE 17= t=2
171
PE 2+ PE 3 ++ PE 16 + PE 17
MAPE 17=
16
5,24+(12,60)++(13,72)+(9,18)
MAPE 17=
16
MAPE 17=8,23
Simple Average
5800.00
5600.00
5400.00
5200.00
Demand 5000.00
4800.00
4600.00
4400.00
Periode
Demand Peramalan
error t =X t F t
Besarnya kesalahan terhadap peramalan dapat diketahui
dengan beberapa metode yaitu CFE, MAD, MSE dan MAPE.
Berikut ini adalah rumus yang digunakan dalam perhitungan
keempat metode tersebut:
n
CFE n= error t
t =4
|error t|
MAD n= t =4
n3
n
error 2t
MSEn = t= 4
n3
n
PEt
MAPE n= t =4
n3
dimana,
|error t|
PE t= x 100
Xt
error 17=6074,035701
error 17=373
17
CFE17 = error t
t =4
17
|error t|
MAD 17= t =4
173
|error 4|+|error 5|++|error 16|+|error17|
MAD 17=
14
|( 453 )|+|(799)|++|(876)|+|(373)|
MAD17=
14
error2t
MSE17= t=4
173
error 24 +error 25 ++ error216 +error 217
MSE17=
14
MSE17=240259
|error 17|
PE 17 = x 100
X 17
|373|
PE 17= x 100
6074,03
PE 17=6,15
17
PEt
MAPE 17= t =4
173
PE 4 + PE 5 ++ PE 16 + PE 17
MAPE 17=
14
8,61+13,92+ +13,84+6,15
MAPE 17=
14
MAPE 17=7,44
Periode
Demand Peramalan
F17= ( x X 16 ) +( ( 1) x F 16)
|error t|
MAD n= t=2
n1
n
error 2t
MSEn = t =2
n1
n
PEt
MAPEn= t=2
n1
dimana,
|error t|
PEt= x 100
Xt
error 17=6074,036083
error 17=9
17
CFE17 = error t
t=2
|error t|
MAD17 = t=2
171
error2t
MSE17= t=2
171
error 22 +error 23 ++ error 216+ error 217
MSE17=
16
MSE17=263263
|error 17|
PE 17= x 100
X 17
|9|
PE 17 = x 100
6074,03
PE 17 =0,15
17
PEt
MAPE 17= t=2
171
PE 2+ PE 3 ++ PE 16 + PE 17
MAPE 17=
16
5,24+(14,21)++16,62+(0,15)
MAPE17=
16
MAPE 17=7,67
Periode Demand Peramalan =0,765 e |e| e2 PE (%) | PE | MSE MAD MAPE CFE
1 4857.40 4857
2 5125.84 4857 268 268 72062 5.24% 5.24% 72062 268.444 5.24% 268
3 4432.95 5063 -630 630 396658 -14.21% 14.21% 234360 449.126 9.72% -361
4 5258.39 4581 677 677 458916 12.88% 12.88% 309212 525.228 10.78% 316
5 5737.71 5099 639 639 407701 11.13% 11.13% 333834 553.550 10.86% 955
6 5553.34 5588 -34 34 1177 -0.62% 0.62% 267303 449.703 8.81% 920
7 5827.86 5561 266 266 70999 4.57% 4.57% 234586 419.162 8.11% 1187
8 5561.45 5765 -204 204 41535 -3.66% 3.66% 207007 388.396 7.47% 983
9 6053.77 5609 444 444 197517 7.34% 7.34% 205821 395.400 7.46% 1427
10 5298.05 5949 -651 651 424158 -12.29% 12.29% 230080 423.830 7.99% 776
11 5581.70 5451 131 131 17056 2.34% 2.34% 208778 394.507 7.43% 907
12 6279.67 5551 729 729 530946 11.60% 11.60% 238066 424.885 7.81% 1635
13 5591.83 6108 -517 517 266881 -9.24% 9.24% 240467 432.528 7.93% 1119
14 5599.93 5713 -113 113 12837 -2.02% 2.02% 222957 407.972 7.47% 1005
15 5171.43 5627 -455 455 207139 -8.80% 8.80% 221827 411.340 7.57% 550
16 6330.31 5278 1052 1052 1106548 16.62% 16.62% 280809 454.046 8.17% 1602
17 6074.03 6083 -9 9 83 -0.15% 0.15% 263263 426.236 7.67% 1593
18 5365.93 6076 -710 710 504431 -13.24% 13.24% 277450 442.942 8.00% 883
19 5238.31 5533 -295 295 86744 -5.62% 5.62% 266855 434.696 7.87% 588
20 5684.01 5308 376 376 141746 6.62% 6.62% 260270 431.633 7.80% 965
21 5165.36 5596 -430 430 185055 -8.33% 8.33% 256510 431.560 7.83% 535
22 5119.77 5266 -147 147 21516 -2.87% 2.87% 245319 417.995 7.59% 388
23 5411.52 5154 257 257 66194 4.75% 4.75% 237177 410.690 7.46% 645
6000.00
4000.00
Demand
2000.00
0.00
Periode
|error t|
MAD n= t =4
n3
n
error 2t
MSEn = t= 4
n3
n
PEt
MAPEn= t =4
n3
dimana,
|error t|
PEt= x 100
Xt
error 17=6074,035779
error 17=295
17
CFE17 = error t
t =4
|error t|
MAD17 = t =4
173
|error 4|+|error 5|++|error 23|+|error 24|
MAD 17=
14
|498|+|795|++|925|+|295|
MAD 17=
14
MAD 17=420,954
17
error2t
MSE17= t=4
173
2 2 2 2
error 4 +error 5 ++ error16 +error 17
MSE17=
14
MSE17=239465
|error 17|
PE 17= x 100
X 17
|295|
PE 17= x 100
6074,03
PE 17 =4,86
17
PEt
MAPE 17= t =4
173
PE 4 + PE 5 ++ PE 16 + PE 17
MAPE 17=
14
MAPE 17=7,32
Periode
Demand Peramalan
S (}t=eltf {xS{s1}u
r(xS-be{+ rfl)ih}rp(b{1t-
gst}u 's}u
rp{
}
at =( 2 x S 't ) S t
} right )
S 'tS t
bt =
1 (x )
Ft +1=at +b t
Dimana:
Ft = peramalan pada periode t
|error t|
MAD n= t=3
n2
n
error 2t
MSEn = t =3
n2
|PEt|
MAPEn= t=3
n2
dimana,
error t
PE t= x 100
Xt
Perhitungan manual:
S '17=( x X 17 ) + ( 1 ) x S'171
} right )
S'17S17
( )
b17=
1
x
0,765
b =(
0,235 )
17 x ( 6076,166038,32 )=123
F18=a17 +b17
F18=6114+123=6237
error 17=6074,036798=(724)
835+1111++1435+(724)
MAD 17= =657,628
15
error 17
PE 17= x 100
X 17
724
PE 17 = x 100 =11,92
6074,03
|PE3|+|PE4|+ +|PE16|+|PE17|
MAPE 17=
17
MAPE17=12
Periode
Demand Peramalan
b=
(
n(( t x X t ) ( t x X t ) ))
2
( n x ( t 2( t ) ))
a=
Xt b x t
n n
Ft =a+(b x t)
Dimana:
N = banyaknya demand
t = periode
Xt = demand
Ft = peramalan pada periode ke-t
Selain perhitungan peramalan, juga terdapat perhitungan
error dan besar kesalahan terhadap hasil peramalan. Adapun cara
menghitung error adalah sebagai berikut:
error t =X t F t
Besarnya kesalahan terhadap peramalan dapat diketahui
dengan beberapa metode yaitu CFE, MAD, MSE dan MAPE.
|error t|
MAD n= t=2
n1
n
error 2t
MSEn = t =2
n1
n
|PEt|
MAPE n= t=2
n1
dimana,
error t
PE t= x 100
Xt
Perhitungan manual:
17( 103258,4( 153 x 6074,03 ) )
b= =627,04
( 17 x (178597184,37 ) )
6074,03 627,04 x 153
a= =94,23
17 17
F17= (94,23 )+ ( 627,04 x 17 ) =10565,45
error 17=6074,033133=2941
64410,83
MAD17= =3975,024
16
error 22 +error 23 ++ error 216+ error 217
MSE17=
16
( 5024 )2+ ( 4129 )2+ + ( 3399 )2 + ( 2941 )2
MSE17=
16
64410,83
MSE17= =16399470
16
error 17
PE 17= x 100
X 17
2941
PE 17= x 100 =48,42
6074,03
|PE2|+|PE3|++|PE 16|+|PE17|
MAPE17=
16
|98,02 |+|93,15 |++|53,70 |+|48,42 |
MAPE17=
16
1145,30
MAPE17= =72
16
Linier Regresi
8000.00
7000.00
6000.00
5000.00
4000.00
Demand
3000.00
2000.00
1000.00
0.00
Periode
Demand Peramalan
36 5556
Error 1 2 3 4 5 6 7 8 9 101112131415161718192021
Periode
BAB IV
ANALISA
Berdasarkan tabel rekapitulasi yang dapat dilihat pada tabel 3.9, nilai
MSE terkecil terdapat pada metode WMA sebesar 5001534, nilai MAD
terkecil terdapat pada metode WMA sebesar 9034, nilai MAPE terkecil
terdapat pada metode WMA sebesar 160.81% dan nilai CFE terkecil
terdapat pada metode LR sebesar -4834.05. Maka metode yang terpilih yaitu
metode Weight Moving Average.
SMA, SES, DES dan LR, oleh karena itu menjadi alasan dipilihnya metode
Weight Moving Average sebagai metode terbaik.
MR
dengan menghitung nilai , UCL, LCL, Region A, Region B dan
MR didapat dari selisih antar error periode sekarang dengan error
MR
periode sebelumnya. Nilai kemudian digunakan untuk mencari nilai
BAB V
PENUTUP
5.1 Kesimpulan
Berdasarkan hasil pembahasan di bab sebelumnya maka dapat
disimpulkan adalah sebagai berikut:
1. Manfaat forecasting didalam proses produksi/perakitan mobil Tamiya
PT. SEDAPTU adalah untuk mengetahui persediaan kapasitas yang akan
diproduksi serta menetapkan hasil peramalannya sebagai acuan dalam
melakukan proses produksi, hal ini terdapat data permintaan (demand)
untuk 12 periode, dari periode ke 25 sampai ke periode 36, yakni
sebesar 5556. Sehingga posisi forecasting dalam sistem produksi pada
perusahaan ini sangatlah penting, yaitu untuk mengoptimalkan kinerja
produksi perusahaan sehingga dapat memenuhi permintaan konsumen
(demand) dengan tepat serta sebagai langkah dalam pengambilan
keputusan penentuan jumlah produksi yang akan dilakukan pada periode
selanjutnya sehingga tidak terjadi kekurangan atau kelebihan persediaan
yang menyebabkan kerugian bagi perusahaan tersebut.
2. Setelah mengolah data demand dan peramalan terkait penggunaan
beberapa metode, seperti SA, SMA, SES, WMA, DES, dan LR,
didapatkan pola data yang dominan adalah siklis, namun ada pula
terdapat pola data musiman, yakni pada metode Weight Moving Average,
Double Exponential Smoothing dan Linier Regresi. Selain itu,
didapatkan beberapa uji kesalahan atau error dan verifikasi data yang
diantaranya menggunakan perhitungan rumus MSE, MAD, MAPE, CFE
untuk semua metode peramalan, maka didapat nilai error paling kecil
yaitu pada metode Weight Moving Average, untuk itu metode ini dipilih
sebagai metode terbaik.
3. Implementasi metode dan teknik forecasting yang dapat dilakukan
didalam bidang industri adalah dalam memprediksi permintaan
konsumen dengan tepat di periode selanjutnya berdasarkan periode masa
lalu, untuk itu teknik peramalan sangat dibutuhkan dalam sistem
produksi, terutama di perusahaan bidang manufaktur. Sehingga
MR
peta Moving Range Chart, Nilai kemudian digunakan untuk
5.2 Saran
Saran untuk Praktikum Terintegrasi Industri II modul 5 Peramalan
adalah:
1. Praktikan sebaiknya lebih teliti dalam melakukan pengolahan data dan
perhitungan manual forecasting sehingga akan didapatkan hasil yang
sesuai dengan tujuan.
2. Praktikan sebaiknya lebih menguasai software yang mendukung dalam
melakukan forecasting, seperti EViews, Microsoft Excel, SPSS dan
WinQSB.
3. Praktikan sebaiknya memahami materi forecasting lebih baik sehingga
mudah dalam melakukan analisis terhadap hasil modul peramalan ini.
DAFTAR PUSTAKA