TUGAS SISTEM PRODUKSI

“FORECASTING”

Oleh

Alfredo (160403061)

LABORATORIUM PENGUKURAN DAN STATISTIK

DEPARTEMEN TEKNIK INDUSTRI
F A K U L T A S T E K N I K
UNIVERSITAS SUMATERA UTARA
M E D A N
2018
 BAB I
PENDAHULUAN

1.1 Latar Belakang

Dalam kegiatan produksi, peramalan dilakukan untuk menentukan jumlah
permintaan terhadap suatu produk dan merupakan langkah awal dari proses
perencanaan dan pengendalian produksi. Dalam peramalan ditetapkan jenis
produk apa yang diperlukan (what), jumlahnya (how many), dan kapan
dibutuhkan (when). Tujuan peramalan dalam kegiatan produksi adalah untuk
meredam ketidakpastian, sehingga diperoleh suatu perkiraan yang mendekati
keadaan yang sebenarnya. Suatu perusahaan biasanya menggunakan prosedur tiga
tahap untuk sampai pada peramalan penjualan, yaitu diawali dengan melakukan
peramalan lingkungan, diikuti dengan peramalan penjualan industri, dan diakhiri
dengan peramalan penjualan perusahaan. Peramalan merupakan bagian awal dari
suatu proses pengambilan keputusan. Sebelum melakukan peramalan harus
diketahui terlabih dahulu apa sebenarnya persoalan dalam pengambilan keputusan
itu.
Untuk dapat melakukan penjualan secara efisien, diperlukan adanya suatu
peramalan yang tepat, sehingga tidak terjadi kelebihan atau kekurangan produksi
dan proses pendistribusian produk dapat berjalan lancar. Peramalan penjualan
produk yang tepat akan terwujud jika dibuat suatu perencanaan dan analisis untuk
menentukan seberapa besar volume penjualan yang harus dicapai. Saat ini banyak
teknik analisis data yang canggih dapat digunakan untuk peramalan, guna
mengantisipasi penyimpangan atau ketidakpastian dalam peramalan yang akan
berdampak buruk bagi perusahaan.
 BAB II
ISI

2.1. Peramalan (Forecasting) 1

Peramalan merupakan bagian awal dari suatu proses pengambilan suatu
keputusan. Sebelum melakukan peramalan harus diketahui terlebih dahulu apa
sebenarnya persoalan dalam pengambilan keputusan itu.

2.2. Pendefenisian Tujuan Peramalan

Tujuan peramalan dilihat dengan waktu yaitu:
1. Jangka pendek (Short Term)
Menentukan kuantitas dan waktu dari item dijadikan produksi. Biasanya
bersifat harian ataupun mingguan dan ditentukan oleh Low Management.
2. Jangka Menengah (Medium Term)
Menentukan kuantitas dan waktu dari kapasitas produksi. Biasanya bersifat
bulanan ataupun kuartal dan ditentukan oleh Middle Management.
3. Jangka Panjang (Long Term)
Merencanakan kuantitas dan waktu dari fasilitas produksi. Biasanya bersifat
tahunan, 5 tahunan, 10 tahunan, ataupun 20 tahun dan ditentukan oleh Top
Management.

2.3. Karakteristik Peramalan yang Baik

Peramalan yang baik mempunyai beberapa kriteria yang penting, antara
lain akurasi, biaya, dan kemudahan. Penjelasan dari kriteria-kriteria tersebut
adalah sebagai berikut:
1. Akurasi
Akurasi dari suatu peramalan diukur dengan hasil kebiasaan dan konsistensi
peramalan tersebut. Hasil peramalan dikatakan bias bila peramalan tersebut
terlalu tinggi atau telalu rendah dibanding dengan kenyataan yang sebenarnya

1
Rosnani Ginting, Sistem Produksi, Graha Ilmu, Yogyakarta, 2009, hal. 33-37.
 terjadi. Hasil peramalan dikatakan konsisten jika besarnya kesalahan
peramalan relatif kecil. Peramalan yang terlalu rendah akan mengakibatkan
kekurangan persediaan sehingga permintaan konsumen tidak dapat dipenuhi
segera, akibatnya perusahaan kemungkinan kehilangan pelanggan dan
keuntungan penjualan. Peramalan yang terlalu tinggi akan mengakibatkan
terjadinya penumpukan barang / persediaan, sehingga banyak modal tersia-
siakan. Keakuratan hasil peramalan berperan dalam menyeimbangkan
persediaan ideal.
2. Biaya
Biaya yang diperlukan dalam pembuatan suatu peramalan tergantung jumlah
item yang diramalkan, lamanya periode peramalan, dan metode peramalan
yang digunakan. Pemilihan metode peramalan harus sesuai dengan dana yang
tersedia dan tingkat akurasi yang ingin didapat, misalnya item-item yang
penting akan diramalkan dengan metode yang sederhana dan murah. Prinsip
ini merupakan adopsi dari hukum Pareto (Analisa ABC).
3. Kemudahan
Penggunaan metode peramalan yang sederhana, mudah dibuat, dan mudah
diaplikasikan akan memberikan keuntungan bagi perusahaan. Adalah percuma
memakai metode yang canggih tetapi tidak dapat diaplikasikan pada sistem
perusahaan karena keterbatasan dana, sumber daya manusia, maupun
peralatan teknologi.

2.3.1. Faktor-faktor yang Mempengaruhi Pemilihan Teknik Peramalan

Peramalan dimaksudkan untuk memperkecil resiko yang timbul akibat
pengambilan keputusan dalam suatu perencanaan produksi. Semakin besar upaya
yang dikeluarkan tentu resiko dapat diperkecil. Namun upaya memperkecil resiko
tersebut dibatasi biaya yang diperlukan.
Faktor-faktor yang harus dipertimbangkan dalam peramalan:
1. Horizon Peramalan
Ada dua aspek dari horison waktu yang berhubungan dengan masing-masing
metode peramalan yaitu:
 a. Cakupan waktu di masa yang akan datang
Perbedaan dari metode peramalan yang digunakan sebaiknya disesuaikan.
b. Jumlah periode dimana ramalan diinginkan
Beberapa teknik dan metode peramalan yang hanya dapat meramal untuk
peramalan satu atau dua periode di muka, teknik dan metode lain dapat
meramalkan beberapa waktu di depan.
2. Tingkat ketelitian
Tingkat ketelitian yang dibutuhkan sangat erat hubungannya dengan tingkat
perincian yang dibutuhkan dalam suatu peramalan. Dalam suatu pengambilan
keputusan diharapkan variasi atau penyimpangan atas ramalan antara 10% -
15% sedangkan pengambilan keputusan yang lain variasi 5% sudah
berbahaya.
3. Ketersediaan data
Metode yang digunakan sangat besar manfaatnya. Apabila dari data yang lalu
diketahui adanya pola musiman, maka untuk untuk peramalan satu tahun ke
depan sebaiknya digunakan metode variasi musiman. Sedangkan apabila
diketahui hubungan antar variabel saling mempengaruhi, maka perlu
digunakan metode sebab akibat atau korelasi.
4. Bentuk pola data
Dasar utama metode peramalan adalah anggapan bahwa pola data yang
diramalkan akan berkelanjutan. Sebagai contoh, beberapa deret yang
menunjukan pola musiman, atau trend. Metode peramalan yang lain mungkin
lebih sederhana, terdiri dari satu nilai rata-rata, dengan fluktuasi yang acakan
atau random yang terkandung. Karena perbedaan kemampuan metode
peramalan untuk mengidentifikasi pola-pola data, maka perlu adanya usaha
penyesuaian pola data.
5. Biaya
Umumnya ada empat jenis biaya dalam proses peramalan yaitu: biaya
pengembangan, biaya penyimpanan, biaya operasi, dan biaya kesempatan
penggunaan teknik peramalan. Adanya perbedaan nyata berpengaruh atas
 menarik tidaknya penggunaan metode tertentu untuk suatu keadaan yang
dihadapi.
6. Jenis dari model
Sebagai tambahan perlu diperhatikan anggapan beberapa dasar yang penting
dalam nyata. Banyak metode peramalan telah menganggap adanya beberapa
model dari keadaan yang diramalkan. Model-model ini merupakan suatu
derat dimana waktu digambarkan sebagai unsur penting untuk menentukan
perubahan-perubahan dalam pola, yang mungkin secara sistematik dapat
dijelaskan dengan analisis regresi atau korelasi.
7. Mudah tidaknya penggunaan dan aplikasinya.
Satu prinsip umum dalam penggunaan metode ilmiah dari peramalan untuk
manajemen dan analisis adalah metode-metode yang dapat dimengerti dan
mudah diaplikasikan yang akan dipergunakan dalam pengambilan keputusan
dan analisa.

2.4. Prinsip-prinsip Peramalan2

Ada lima prinsip peramalan yang sangat perlu diperhatika untuk
mendapatkan hasil peramalan yang baik yaitu:
Prinsip 1: Ramalan pasti mengandung error. Hampir tidak pernah ditemui bahwa
hasil peramalan persis seperti kenyataan di lapangan. Peramalan
mengurangi faktor ketidakpastian tetapi tidak peran mampu untuk
menghilangkannya. Artinya peramal hanya bisa mengurangi
ketidakpastian yang akan terjadi, tetapi tidak dapat menghilangkan
ketidakpastian tersebut.
Prinsip 2 : Peramalan seharusnya mencakup ukuran dari error. Karena peramalan
pasti mengandung kesalahan, maka adalah penting bagi peramal
untuk menginformasikan seberapa besar kesalahan yang mungkin
terjadi. Besarnya kesalahan dapat dijelaskan dalam bentuk kisaran

2
Sukaria Sinulingga, Perencanaan dan Pengendalian Produksi, Graha Ilmu, Yogyakarta, 2010,
hal. 110.
 hasil peramalan baik dalam unit atau persentase dan probablitias
tentang permintaan sesungguhnya akan berada dalam kisaran tersebut.
Prinsip 3: Peramalan item yang dikelompokkan dalam famili selalu lebih akurat
dibandingkan dengan peramalan dalam item per item. Jika famili
produk sebagai sebuah kesatuan diramalkan maka persentasse I akan
semakin kecil, tetapi apabila diramalkan masing-masing sebagai
indivudual product maka persentase erorr akan semakin tinggi.
Prinsip 4: Peramalan jangka pendek lebih akurat dibanding dengan peramalan
jangka panjang. Hal ini desebabkan karena pada peramalan jangka
pendek faktor-faktor yang mempengaruhi permintaan relatif masih
konstan sedangkan peramalan jangka panjang kemungkinan
terjadinya perubahan faktor-faktor yang mempengaruhi permintaan
besar.
Prinsip 5: Apabila dimungkinkan, perkiraan besarnya permintaan lebih disukai
berdasasrkan perhitungan dari pada hasil peramalan. Misalnya, dalam
perencanaan produksi dalam lingkungan make to stock, apabila
besarnya permintaan terhadap produk akhir telah diperkirakan
berdasarkan hasil peramalan maka besarnya jumlah part, komponen,
sub assembly, dan bahan baku untuk produk tersebut lebih baik
dihitung berdasarkan principle of dependent demand dari pada
masing-masing ditetapkan berdasarkan hasil peramalan.
Hal-hal yang harus diperhatikan dalam memilih metode peramalan adalah:
a. Item yang akan diramalkan
b. Interaksi situasi
c. Waktu persiapan
d. Jumlah data historis yang tersedia
2.5. Klasifikasi Teknik Peramalan3
Pada umumnya peramalan dapat dibedakan dari beberapa segi tergantung
dari cara melihatnya. Apabila dilihat dari sifat penyusunannya, maka peramalan
dapat dibedakan atas dua macam, yaitu:
1. Dilihat dai sifat penyusunannya
a. Peramalan yang subjektif
Yaitu peramalan yang lebih menekankan pada keputusan-keputusan hasil
diskusi, pendapat pribadi seseorang, intuisi dari orang yang menyusunnya.
Dalam hal ini pandangan dari orang yang menyusunnya sangat
menentukan baik tidaknya hasil ramalan tersebut.
b. Peramalan yang objektif
Yaitu peramalan yang didasarkan atas data yang relevan pada masa lalu,
dengan menggunakan teknik-teknik dan metode-metode dalam
penganalisaan data tersebut.
2. Dilihat dari jangka waktu ramalan yang disusun
a. Peramalan jangka panjang, yaitu peramalan yang dilakukan untuk
penyusunan hasil ramalan yang jangka waktunya lebih dari satu setengah
tahun. Peramalan seperti ini misalnya diperlukan dalam penyusunan
rencana pembangunan suatu negara, dan rencana investasi suatu
perusahaan.
b. Paramalan jangka menengah, yaitu peramalan yang dilakukan untuk
penyusunan hasil ramalan dalam jangka waktu satu bulan atau dua bulan
sampai satu tahun. Ramalan jangka menengah umumnya lebih berkaitan
dengan rencana produksi tahunan dan akan mencerminkan hal-hal seperti
puncak dan lembah suatu permintaan dan kebutuhan untuk menjamin
adanya tambahan sumber daya untuk tahun berikutnya.
c. Peramalan jangka pendek, yaitu peramalan yang dilakukan untuk
penyusunan hasil ramalan dengan jangka waktu yang kurang dari satu

3
Rosnani Ginting, op.cit., hal. 38-44.
 setengah tahun. Contohnya adalah penyusunan rencana produksi, rencana
penjualan, rencana persediaan, dan anggaran perusahaan.
3. Berdasarkan sifat ramalan yang telah disusun, maka peramalan dapat
dibedakan atas dua macam, yaitu:
a. Peramalan kualitatif, yaitu peramalan yang didasarkan atas data kualitatif
pada masa lalu. Hasil peramalan yang dibuat sangat tergantung dengan
orang yang menyusunnya. Hal ini penting karena hasil peramalan tersebut
ditentukan berdasarkan pemikiran yang bersifat pendapat, intuitif,
pengetahuan, dan pengalaman.
2. Peramalan kuantitatif, yaitu peramalan yang didasarkan atas data
kuantitatif masa lalu. Hasil peramalan yang dibuat sangat tergantung pada
metode yang dipergunakan dalam peramalan tersebut.

Metode
Delphi

Dugaan
Managemen

Riset Pasar
Model
Kulitatif Dugaan
Managemen
Metode
kelompok
terstruktur
Peramalan
Analogi
Regresi Rata-rata
Historis

Moving
Time Series Smoothing
Average
Metode
Kuantitatif
Ekponential
Dekomposisi
Smoothing
Kausal

Gambar 2.1. Taksonomi Teknik Peramalan

2.6. Peramalan Kualitatif (Judgement Method)
Peramalan kualitatif biasanya digunakan bila tidak ada atau sedikit data
masa lalu tersedia. Dalam metode ini, pendapat pakar dan prediksi mereka
dijadikan dasar untuk menetapkan permintaan yang akan datang. Beberapa
metode kualitatif yang banyak dikenal antara lain:
1. Metode Delphi
Adapun tahapan yang dilakukan adalah:
a. Tentukan beberapa pakar mengisi sebagai partisipan. Sebaiknya bervariasi
dengan latar belakang disiplin ilmu yang berbeda.
b. Melalui kuisioner (e-mail), diperoleh peramalan dari seluruh partisipan,
c. Simpulkan hasilnya, kemudian distribusikan kembali kepada seluruh
partisipan dengan pertanyaan yang baru.
d. Simpulakan kembali revisi peramalan dan kondisi, kemudian
dikembangkan dengan pertanyaan yang baru.
e. Apabila diperlukan ulangi tahap 4. Seluruh hasil akhir akhir
didistribusikan kepada seluruh partisipan.
2. Dugaan manajemen (management estimate) atau Panel Consensus
Dimana peramalan semata-mata berdasarkan pertimbangan manajemen,
umumnya oleh manajer senior. Metode ini akan cocok dalam situasi yang
sangat sensitif terhadap intuisi dari suatu atua sekelompok kecil orang yang
karena pengalamannya mampu memberikan opini yang kritis dan relevan.
Teknik akan dipergunakan dalam situasi dimana tidak ada situasi dimana
tidak ada alternatif lain dari model peramalan yang dapat diterapkan.
3. Riset Pasar
Metode ini mengumpulkan dan menganalisa fakta secara sistematis pada
bidang yang berhubungan dengan pemasaran. Salah satu teknik utama adalah
survei pasar yang akan memberikan informasi mengenai selera yang
diharapkan konsumen, dimana informasi tersenut diperoleh dengan cara
kuesioner.
4. Metode Kelompok Terstruktur.
Metode ini melibatkan orang-orang yang berpengalaman dalam berbagai
bidang. Perbedaan dengan metode Delphi terletak pada interaksi antar
anggota panel. Dalam metode ini terdapat diskusi antaranggota secara
langsung sedangkan dalam metode Delphi sama sekali tidak ada interaksi
lisan.
5. Analogi Historis
Metode ini berdasarkan pada data masa lalu dari produk-produk yang dapat
disamakan secara analogi. Analogi historis cenderung akan menjadi terbaik
untuk penggantian produk di pasar dan apabila terdapat hubungan substitusi
langsung dari produk dalam pasar itu.

2.7. Peramalan Kuantitatif

Pada metode ini, data historis masa lalu digunakan untuk meramalkan
permintaan masa depan. Ada dua kelompok besar metode kuantitatif, yaitu:
1. Time Series
Metode Time Series adalah metode peramalan secara kuantitatif dengan
menggunakan waktu sebagai dasar peramalan. Untuk membuat suatu
peramalan diperlukan data historis. Data inilah yang diakumulasikan dalam
beberapa periode waktu. Metode seri waktu mengasumsikan bahwa apa yang
telah terjadi di masa lalu akan terus terjadi di masa yang akan datang. Time
series memakai teknik statistik yang menggunakan data historis.
Ada empat komponen utama yang mempengaruhi analisa ini, yaitu:
a. Trend / Kecenderungan
Trend merupakan sifat dari permintaan dimasa lalu terhadap waktu
terjadinya bila ada pertambahan/kenaikan atau penurunan dari data
observasi jangka panjang.
b. Siklus
Digunakan bila data dipengaruhi oleh fluktuasi jangka panjang atau
memiliki siklus yang berulang secara periodik.
 c. Musiman (Seasonal)
Pola ini digunakan bila suatu deret waktu dipengaruhi oleh faktor musim
(seperti mingguan, bulanan, dan harian).
d. Horizontal
Pola ini dipakai bila nilai-nilai dari data observasi berfluktuasi di sekitar
nilai konstan rata-rata. Dengan demikian dapat dikatakan pola ini sebagai
stationary pada rata-rata hitungannya. Misalnya, pola ini terdapat bila
suatu produk mempunyai jumlah penjualan yang tidak menaik atau
menurun selama beberapa periode waktu.
Adapun metode peramalan yang termasuk dalam metode Time Series
adalah:
1. Metode Smoothing (penghalusan)
a. Moving Average
1. Single Moving Average
2. Linier Moving Average
3. Double Moving Average
4. Weighted Moving Average
b. Metode Eksponensial Smoothing
1. Single Exponential Smoothing
2. Double Exponential Smoothing
3. Exponential Smoothing dengan musiman
2. Metode Regresi
3. Metode Dekomposisi

2.7.1. Metode Smoothing

Metode smoothing digunakan untuk melicinkan atau mengurangi
ketidakteraturan ramalan berdasarkan data yang lalu. Metode smoothing dapat
dibagi lagi menjadi beberapa metode, antara lain :
1. Moving Average
Moving Average diperoleh dengan merata-rata permintaan berdasarkan
beberapa data masa lalu yang terbaru. Tujuannya adalah untuk mengurangi atau
menghilangkan variasi acak permintaan dalam hubungannya dengan waktu.
a. Single Moving Average
Merupakan peramalan untuk satu periode ke depan dari periode rata-rata.
b. Weigthed Moving Average
Weighted moving averages adalah metode perhitungan dengan cara
mengalikan tiap-tiap periode dengan faktor bobot dan membagikannya dengan
hasil produk yang merupakan penjumlahan faktor bobot. Metode Eksponensial
Smoothing

2.7.2. Metode Proyeksi Kecenderungan dengan Regresi

Metode kecenderungan dengan regresi merupakan dasar kecenderungan
untuk suatu persamaan, sehingga dengan dengan dasar persamaan tersebut dapat
diproyeksikan hal-hal yang akan diteliti pada masa yang akan datamg. Untuk
peramalan jangka pendek dan jangka panjang, ketepatan peramalan dengan
metode ini sangat baik. Data yang dibutuhkan untuk metode ini adalah tahunan,
minimal lima tahun. Namun, semakin banyak data yang dimiliki semakin baik
hasil yang diperoleh.
Bentuk fungsi dari metode ini dapat berupa:
a) Konstan, dengan fungsi peramalan (Yt):

Yt = a, dimana a 
Y 1

N
Dimana: Yt = nilai tambah
N = jumlah periode
b) Linear, dengan fungsi peramalan:
Yt = a + bt
Y  bt n ty   t   y 
Dimana : a  b
n   t 2   t 
2
n
c) Kuadratis, dengan fungsi peramalan :
Yt = a + bt + ct2

Dimana : a
Y  b t  c  t 2
c
  b
b
  
n     2

  t 2 2
 n t 4

   t  Y  n tY

   t 2  Y  n t 2Y

   t 2  t 2  n t 3

   t   n t 2
2

d) Eksponensial, dengan fungsi peramalan :

Yt = aebt
Dimana :

 ln Y  b t n t ln Y   t  ln Y
ln a  b
n t 2   t 
2
n

e) Siklis, dengan fungsi peramalan :

2t 2t
Yˆt  a  b sin  c cos
n n

Dimana :
2t 2t
Y  na  b sin n
 c cos
n
2t 2t 2t 2t 2t
Y sin n
 a sin
n
 b sin 2
n
 c sin
n
cos
n
2t 2t 2t 2t 2t
Y cos n
 a cos
n
 c cos2
n
 b sin
n
cos
n

2.7.3. Metode Dekomposisi

Yaitu hasil ramalan ditentukan dengan kombinasi dari fungsi yang ada
sehingga tidak dapat diramalkan secara biasa. Model tersebut didekati dengan
fungsi linear atau siklis, kemudian bagi t atas kwartalan sementara berdasarkan
pola data yang ada. Metode dekomposisi merupakan pendekatan peramalan yang
tertua. Terdapat beberapa pendekatan alternatif untuk mendekomposisikan suatu
deret berkala yang semuanya bertujuan memisahkan setiap komponen deret data
seteliti mungkin. Konsep dasar pemisahan bersifat empiris dan tetap, yang mula-
mula memisahkan unsure musiman, kemudian trend dan akhirnya unsur siklis
Adapun langkah-langkah perhitungannya adalah sebagai berikut:
1. Ramalkan fungsi Y biasa (dt=a+bt)
2. Hitung nilai indeks
3. Gabungkan nilkai perolehan indeks kemudian ramalkan yang baru.

2.7.3. Metode Kausal4

Analisis data yang digunakan dalam metode kausal adalah model regresi.
Model regresi berganda dengan persamaan tunggal bentuk dan model mampu
menunjukkan berapa persen variabel terikat dapat dijelaskan oleh variabel bebas
dengan koefisien determinsai (R2). Variabel-variabel bebas tersebut kemudian
dilakukan pengujian apakah berpengaruh nyata atau tidak terhadap variabel tak
bebas dengan melakukan uji-t dan perhitungannya lebih sederhana Penaksiran
parameter diduga dengan metode kuadrat terkecil biasa (Ordinary Least Square)
atau metode kuadrat terkecil. Untuk mendapat hasil OLS terbaik dan tak bias
(Best Linier Unbiased Estimator), model regresi linier
harus memenuhi asumsi-asumsi sebagai berikut:
1. E(ui)=0; nilai rata-rata untuk kesalahan pengganggu sama dengan nol “Ui”
meyatakan variabel-varibel lain yang mempengaruhi Yi akan tetapi tidak
terwakili di dalam model.
2. Cov (ui,uj) = 0 ; i ¹ j; tidak ada autokorelasi antara kesalahan pengganggu
Pada saat xi sudah terobservasi, deviasi Yi dari meannya tidak
menunjukkan adanya pola {E(ui,uj) = 0}.
3. Homoskedastis; variasi ui sama ; var (ui) = s2 untuk setiap i.

4
Alex Marlis, Peramalan Dan Faktor-Faktor Penentu Fluktuasi Harga Cabai Merah Di Enam Kota
Besar Di Jawa – Bali, 2010, IPB, Bogor.
 4. Covarians antara ui dan xi sama dengan nol {cov (ui,xi) = 0}; Peubah
bebas X1, X2,....Xk konstan dalam pengambilan sampel dan bebas
terhadap kesalahan pengganggu.
5. Peubah bebas X saling bebas atau tidak ada kolinieritas ganda diantara
peubah bebas X
6. ei ~ N (0;s2), artinya kesalahan pengganggu mengikuti distribusi normal
dengan rata-rata nol dan varian
7. Model regresi dispesifikasi secara benar
Sebelum membuat model, perlu diperhatikan hal-hal sebagai berikut:
- Bagaimana yang dikatakan oleh teori
- Variabel- variabel apa saja yang perlu diperhatikan
- Bagaimana bentuk fungsinya
Apabila asumsi-asumsi di atas dapat terpenuhi, maka koefisen regresi (parameter)
yang diperoleh merupakan penduga linier terbaik dan tak bias. Penelitian ini
menggunakan model peramalan kausal dengan variabel dummy (boneka), untuk
menganalisis faktor-faktor yang mempengaruhi harga cabai merah di Indonesia.
Variabel dummy digunakan untuk menjelaskan data kualitatif yang menunjukan
kategori tertentu.
Persamaan yang akan digunakan pada metode peramalan kausal adalah
sebagai berikut :
Y X X X X D 
Dimana : i Y = Nilai tambah
a = intersep model
ß1.,ß4 = slope variabel bebas
X1 = Variabel 1
X2 = Variabel 2
X3 = Variabel 3
X4 = Variabel 4
D1 = variabel dummy untuk budaya masyarakat
Keterangan : ß1, ß2, ß4, ß5> 0
ß3<0
2.8. Kriteria Performance Peramalan
Besar kesalahan suatu peramalan dapat dihitung dengan beberapa cara
antara lain, yaitu:
1. Mean Square Error (MSE)
m

 X t  Ft 
2

MSE  t 1

N
dimana:
Xt : data aktual periode t

Ft : nilai ramalan periode t

N : banyaknya periode
2. Standard Error of Estimate (SEE) :
m

 X  Ft 
2
t
SEE  t 1

N t
dimana :
F = Derajat Kebebasan
Untuk data konsatan, f=1
Untuk data linear, f=2
Untuk data kwadratis, f=3
Untuk data siklis, f=3
3. Percentage Error (PEt) :
 X  Ft 
PEt   t   100 %
 Xt 

dimana nilai dari PEt bisa positip ataupun negatip

4. . Mean Absolute Percentage Error (MAPE)
m

 PEt
MAPE  t 1

N
PE t : percentage error t
5. Mean Absoulute Deviation (MAD).
1
𝑀𝐴𝐷 = 𝑛 ∑𝑛𝑡=1 |𝑌 − 𝑌̅|

Y : Nilai Aktual Pada Periode Waktu t

𝑌̅ : Nilai Ramalan Pada Periode Waktu t

2.9. Proses Verifikasi

Proses verifikasi dilakukan untuk melihat apakah metode peramalan yang
diperoleh representative terhadap data. Proses verifikasi dengan menggunakan
Moving Range Chart (MRC), dapat digambarkan pada Gambar 2.2.

UCL
A L
2/3 UCL
B
1/3 UCL
C
CCL
C CLL
2/3
CLllLCL
B
LK
2/3 LCL
A MLL
LCL

Gambar 2.2. Moving Range Chart

Harga MR diperoleh dari:
N 1

 MR t
MR  t 2

n 1
Dimana : MRt  YT  YTt   Yt 1  YFt 1 

atau : MRt  et  et 1
 Kondisi out of control dapat diperiksa dengan menggunakan empat aturan
berikut:
1. Aturan Satu Titik
Bila ada titik sebaran (Y-YF) berada di luar UCL dan LCL.
2. Aturan Tiga Titik
Bila ada tiga buah titik secara berurutan berada pada salah satu sisi, yang
mana dua diantaranya jatuh pada daerah A.
3. Aturan Lima Titik
Bila ada lima buah titik secara berurutan berada pada salah satu sisi, yang
mana empat diantaranya jatuh pada daerah B.
4. Aturan Delapan Titik
Bila ada delapan buah titik secara berurutan berada pada salah satu sisi, pada
daerah C.

2.10. Koefisien Korelasi5

Dalam pasal ini kita akan membicarakan masalah pengukuran hubungan
antara dua peubah X dan Y, dan bukan meramalkan nilai Y dari pengetahuan
mengenai peubah bebas X seperti dalam regresi linear. Sebagai misal, bila X
menyatakan besarnya biaya iklan dan Y besarnya penjualan tahunan total.
Perlu diigatkan bahwa koefisien korelsi antara dua peubah adalah suatu
ukuran hubungan linear antara kedua peubah tersebut, sehingga nilai r = 0
berimplikasi tidak adanya hubungan linear, bukan bahwa antara kedua peubah itu
pasti tidak terdapat hubungan. Jadi, bila antara X dan Y terdapat suatu hubungan
kuadratik yang kuat, kita masih akan memperoleh korelasi nol meskipun jelas ada
hubungan tak linear yang kuat antara kedua peubah tersebut.
Ukuran korelasi linear antara dua peubah yang paling banyak digunakan
adalah yang disebut koefisien korelasi momen hasil kali Pearson atau ringkasnya
koefisien korelasi contoh. Sekarang akan diberikan rumus untuk menghitung
koefisien korelasi tersebut dari data hasil pengukuran, meskipun kedua peubahnya

5
Ronald Walpole, Pengantar Statistik, PT Gramedia, Jakarta, 1993, hal. 369-372.
diukur dalam satuan yang berbeda. Jadi, bila X dan Y menyatakan tinggi dan
bobot badan seseorang, maka rumus berikut ini masih dapat memberikan suatu
ukuran hubungan linear antara kedua peubah tersebut.
Koefisien korelasi. Ukuran hubungan linear antara linear antara dua peubah X
dan Y diduga dengan koefisien korelasi contoh r, yaitu:
n  X i Yi  ( X i )( Yi )
r=
n  X 2
i 
 ( X i ) 2 n  Y 2 i  ( Yi ) 2 

Dari penjelasan tersebut diperoleh bahwa:

JKG= (n—1) (s2y-b2s2x)
dimana, JKG merupakan jumlah kuadrat galat.
Dengan membagi kedua sisi persamaan ini dengan (n-1)s2y
Dengan membagi kedua sisi persamaan ini dengan (n-1) s2y , kita
memperoleh hubungan
JKG
r2 =1-
(n - 1)s 2 y
dan karena JKG dan s2y keduanya tidak pernah negatif , maka kita simpulkan
bahwa r2 nilainya pasti nol dan 1. Akibatnya , r mengambil nilai dari -1 sampai
+1. Nilai r = -1 akan terjadi bila JKG = 0 dan semua titik contoh perletak pada
suau garis lurus yang mempunyai kemiringan negative. Bila semua titik contoh
terletak paada satu titik garis lurus denan kemiringan positif, maka JKG = 0 dan
kita memperoleh nilai r = +1. Jadi, hubungan linear sempurna terdapat antara
nilai-nilai X dan Y dalam contoh, bila r = +1 atau -1. Bila r mendekati +1 dan -1,
hubungan antara kedua peubah tersebut kuat dan kita katakana terdapat korelasi
yang tinggi antara keduanya. Akan tetapi, bila r mendekati nol, hubungan linear
antara X dan Y sangat lemah atau mungkin tidak sama sekali.
Harus sangat berhati-hati dalam menafsirkan r di luar yang dikatakan di
atas. Sebagai, misal, nilai r = 0,3 dan r = 0,6 hanya bermakna bahwa kita
mempunyai dua korelasi positif, yang satu sedikit lebih kuat daripada yang lain.
Adalah salah satu bila disimpulkan bahwa r = 0,6 menunjukkan adanya hubungan
linear yang dua kali lebih kuat daripada yang ditunjukkan oleh r = 0,3. Di pihak
lain, bila kita perhatikan r2 , yang biasanya disebut koefisien determinasi contoh,
maka kita mempunyai bilangan yang menunjukkan hubungan yang menyatakan
proporsi keragaman total nilai-nilai peubah Y yang dapat dijelaskan oleh nilai-
nilai peubah X melalui hubungan linear tersebut. Jadi suatu korelasi sebesar r =
0,6 bermakna bahwa 0,36 atau 36% diantara keragaman total nilai-nilai Y dalam
contoh dapat dijelaskan oleh hubungan linearnya dengan nilai-nilai X.
Koefisien korelasi disimbolkan r. Koefisien korelasi memiliki nilai antara
–1 dan +1 ( -1 ≤ r ≤ 1 ).
a. Jika koefisien korelasi bernilai positif ( r + ) maka variabel berkorelasi positif,
apabila nilai r mendekati +1 maka semakin kuat hubungan antar variabel,
demikian sebaliknya.
b. Jika koefisien korelasi bernilai negatif ( r - ) maka variabel berkorelasi negatif,
apabila nilai r mendekati –1 maka semakin kuat hubungan antar variabel,
demikian sebaliknya.
c. Jika koefisien korelasi bernilai 0 maka variabelnya tidak ada hubungan.
d. Jika koefisien korelasi bernilai +1 dan –1 maka hubungan antar variabel
sempurna.
Untuk menentukan keeratan hubungan antar variabel tersebut, maka
diberikan patokan6 :
a. r = 0 ---- tidak ada hubungan antar variabel.
b. 0 < r < 0,20 ----korelasinya antar variabel sangat lemah.
c. 0,20 ≤ r ≤ 0,40 ---- korelasinya antar variabel lemah.
d. 0,40 < r < 0,70 ---- korelasinya antar variabel cukup berarti.
e. 0,70 < r <0,90 ---- korelasinya antar variabel kuat.
f. 0,90 < r < 1,00 ---- korelasinya antar variabel sangat kuat.
g. r = 1 dan -1, korelasinya antar variabel sempurna. Begitu juga apabila nilai
koefisien korelasinya negatif.

6
Amiyela, “KorelasidanRegresi” 2011 <http://smic-
community.blogspot.com/2011/08/korelasi- dan-regresi.html> [21/02/2018, pukul 20.48]
2.11. Peranan Peramalan dalam Sistem Produksi7
Peramalan merupakan tahap awal dari perencanaan dan pengandalian
produksi. Pada tahapan ini ingin diketahui bagaimana keadaan pada masa yang
akan datang. Keadaan masa yang akan datang yang dimaksud adalah:

1. Apa yang dibutuhkan (jenis)

2. Berapa yang dibutuhkan (jumlah/kuantitas)
3. Kapan dibutuhkan (waktu)
Peran peramalan dalam perencanaan proses produksi adalah sebagai
berikut:
1. Business Planning
Berisi rencana pendanaan, pembiayaan dan keuangan perusahaan sebagai
dasar untuk membuat rencana pemasaran.
2. Marketing Planning
Rencana tentang produk yang akan dibuat, penjualan dan pemasaran, sebagai
dasar untuk membuat production planning.
3. Master Production Schdule (MPS)
Rencana berapa end-item yang harus dibuat pada tiap periode selama 1-5
tahun. End-item adalah produk akhir, merupakan dekomposisi dari production
planning.
4. Resource Planning8
Rencana kapasitas yang diperlukan untuk memenuhi production plan, dapat
dinyatakan dalam jam orang atau jam mesin. Merupakan bahan pertimbanagn
untuk ekspansi orang, mesin, pabrik, dan lain-lain. Ditetapkan berdasarkan

7
Dini Wahyuni dan Nazlina. Diktat Sistem Produksi, Departemen Teknik Industri USU, Medan,
2008, hal.13-17.
8
http://alnaradcliffe.blogspot.com/2011/07/peramalan-forecasting.html diakses:21/02/2018 pukul
19.30
 kapasitas yang tersedia. Jika kapasitas tersedia tidak mencukupi, maka
production plan diubah sehingga secara otomatis business plan berubah.
5. Rought Cut Capacity Planning (RCCP)
Rencana untuk menentukan kapasitas yang diperlukan untuk memenuhi MPS.
Hasilnya berupa jenis orang/mesin yang diperlukan untuk tiap work centre
pada setiap periode. Merupakan bahan pertimbangan untuk penambahan jam
kerja atau sub kontrak.
6. Demand Management
Aktivitas memprediksi kebutuhan di masa datang dikaitkan dengan kapasitas.
Terdiri dari aktivitas forecasting, distribution requirement planning, order
entry, shipment, dan service part requirement. Sebagai dasar untuk
menentukan marketing, purchasing, dan MPS.
7. Material Requirement Planning (MRP)
Menetapkan rencana kebutuhan material untuk melaksanakan MPS. Output
MRP adalah purchasing dan PAC (Production Activity Control), dan MRP
menghasilkan rencana pembelian meliputi jumlah due date, release date.
Input MRP adalah MPS, Bill of Material, dan inventory status. MRP
divalidasi dengan Capacity Requirement Planning.
8. Capacity Requirement Planning (CRP)
Rencana kebutuhan kapasitas yang dibutuhkan untuk merelealisasikan MPS di
tiap periode dan tiap mesin. CRP lebih teliti dan lebih rinci dibanding RCCP,
karena didasarkan pada planning order. Jika kapasitas tidak tersedia bisa
ditambah dengan over time, merubah routing dan lain-lain. Jika tidak tercapai
MPS harus dirubah.
9. Production Activity Control (PAC)
Sering disebut distributor shop floor control (SFC), aktivitas membuat produk
setelah bahan dibeli. PAC terdiri dari aktivitas awal hingga akhir suatu job
berdasarkan urutan kedatangan job, lalu membebankan job ke work station,
dan melakukan pelaporan. Hasil laporan akan merupakan feedback bagi MPS.
10. Purchasing
Merupakan aktivitas memilih vendor, membuat order pembelian, dan
menjadwalkan vendor.
11. Performance Measurement
Evaluasi sistem untuk melihat seberapa jauh hasil yang diperoleh
dibandingkan dengan rencana yang telah ditetapkan. Sebagai bahan evaluasi
pencapaian bisnis planning.
 DAFTAR PUSTAKA

Ginting, Rosnani. 2007. Sistem Produksi. Medan: Graha Ilmu

http://alnaradcliffe.blogspot.com/2011/07/peramalan-forecasting.html
http://smic-community.blogspot.com/2011/08/korelasi- dan-regresi.html
Marlis, Alex. 2010. Peramalan Dan Faktor-Faktor Penentu Fluktuasi Harga
Cabai Merah Di Enam Kota Besar Di Jawa – Bali. Bogor: IPB
Sinulingga, Sukaria. 2008. Pengantar Teknik Industri. Yogyakarta: Graha Ilmu
Sinulingga, Sukaria. 2009. Perencanaan dan Prngandalian Produksi.
Yogyakarta: Graha Ilmu
Wahyuni, Dini dan Nazlina. 2008. Diktat Sisitem Produksi. Medan: Departemen
Teknik Industri
Walpole, Ronald. 1993. Pengantar Statistik. Jakarta: PT Gramedia