LAPORAN PRAKTIKUM

PERENCANAAN DAN PENGENDALIAN PRODUKSI

ACARA KE I
PERAMALAN

Disusun Oleh:
Nama : Dimas Eko Prasetyo
NIM : 15/384326/SV/08683
Kelompok : B/1
Hari, tanggal : Selasa, 3 Oktober 2016
Co.Assistent : 1. Salisa C
2. Farah Nadia
3. Muthi’ah Aisyah
4. Irfan Raditya
5. Ferninda Berliana P
PROGRAM DIPLOMA III AGROINDUSTRI
SEKOLAH VOKASI
UNIVERSITAS GADJAH MADA
YOGYAKARTA
2016
 BAB I
PENDAHULUAN
A. Latar Belakang
Pada era sekarang, perkembangan teknologi semakin berkembang dan semakin
maju. Perusahaan dalam bidang informasi dan komunikasi selalu memunculkan
inovasi-inovasi yang tiada hentinya. Semua kegiata tidak lepas dari yang namaya
teknologi, seperti kegiatan memasak, bekerja, bermain, belajar dsb. Oleh karena itu,
semua masyarakat selalu membutuhkan teknologi seiring dengan bertambahnya
waktu. Contohnya teknologi komputer yang sangat mendunia dalam kontribusi dan
kinerjanya.
Teknologi komputer merupakan salah satu teknologi yang paling pesat
perkembanganya. Bahkan penggunaan sistem informasi dan komunikasi
menggunakan teknologi komputer. Dari semua kalangan baik dari anak – anak,
dewasa bahkan tua sekalipun dapat mengoperasikan komputer sesuai dengan
kebutuhannya masing – masing. Dalam perusahaan, teknik komputer sangatlah
dibutuhkan untuk proses produksi, distribusi, maupun pemasaran. Proses produksi
haruslah membutuhkan perencanaan yang matang untuk mendapatkan keuntungan
bagi perusahaan dan meminimalisir kerugian.
Selain perencanaan, dibutuhkan peramalan dimana pada proses peramalan
salah satu bagian vital bagi setiap organisasi bisnis dan untuk setiap pengambilan
keputusan manajemen yang sangat signifikan. Peramalan menjadi dasar bagi
perencanaan jangka pendek, jangka menengah, maupun jangka panjang
perusahaan. Dalam area fungsional keuangan, peramalan memberikan dasar dalam
menentukan anggaran dan pengendalian biaya. Pada bagian pemasaran, peramalan
penjualan dibutuhkan untuk merencanakan produk baru, kompensasi tenaga
penjual, dan beberapa keputusan penting lainnya.

B. Tujuan Praktikum
1. Mengajarkan mahasiswa untuk melakukan peramalan dengan bantuan
komputer.
2. Mengajarkan mahasiswa untuk memilih metode peramalan dengan benar.
 BAB II
TINJAUAN PUSTAKA

Peramalan merupakan suatu metode untuk memperkecil tingkat resiko yang

mungkin terjadi. Upaya peramalan,ndata yang menunjang, dan rekomendasi yang
tepat berdasarkan atas ramalan yang dilakukan,saat ini memiliki peran penting
dalam kegiatan perekonomian dan niaga. Untuk melakukan peramalan diperlukan
metode tertentu dan metode mana yang digunakan tergantung dari data dan
informasi yang akan diramal serta tujuan yang hendak dicapai. Proses peramalan
memberikan pengaruh terhadap tingkat inventori yang akan dimiliki perusahaan.
peramalan akan memprediksi jumlah permintaan dimasa yang akan datang atau
jumlah produk yang harus diproduksi dimasa yang akan datang sehingga dengan
melakukan proses peramalan, perusahaan akan dapat memperkirakan inventori
yang harus dilakukan dimasa depan (Santosa,2007).
Peramalan dapat dilakukan secara kuantitatif maupun kualitatif. Pengukuran
secara kuantitatif menggunakan metode statistik, sedangkan pengukuran kualitatif
berdasarkan pendapat atau judgment dari yang melakukan peramalan. Dalam
peramalan dikenal dengan prediksi yang artinya proses peramalan suatu variabel
dimasa datang dengan lebih mendasarkan pada pertimbangan intuisi daripada data
masa lampau. Meskipun lebih menekankan pada intuisi, dalam prediksi juga seing
digunakan data kuantitatif sebagai pelengkap informasi dalam melakukan
peramalan. Dalam prediksi, peramalan sebagai yang sangat baik tergantung pada
kemampuan, pengalaman dan kepekaan dari sipembuat ramalan (Herjanto,2010).
Tujuan utama dari peramalan dalam manajemen permintaan adalah untuk
meramalkan permintaan dari item – item independent demand di masa yang akan
datang. Dengan demikian jelas bahwa tujuan utama peramalan dalam manajemen
permintaan adalah untuk mencapai efektivitas dan efisiensi dari manajemen
produksi dan inventori dalam industri manufaktur. Peramalan berdasarkan rencana
operasi yaitu ramalan ekonomi yang membahas siklus bisnis dengan memprediksi
tingkat inflasi dan indikator perencanaan lainnya, ramalan teknologi yang berkaitan
dengan tingkat kemajuan teknologi dan produk baru dan ramalan permintaan yang
berkaitan dengan proyeksi permintaan terhadap produk perusahaan. Ramalan ini
disebut juga ramalan penjualan, yang mengarahkan produksi, kapasitas dan siatem
penjadualan perusahaan (Gaspersz,1988).
Metode Peramalan Kuantitatif dapat dikelompokkan menjadi dua jenis, yaitu
model seri waktu atau metode deret berkala atau time series, dimana metode yang
dipergunakan untuk menganalisis serangkaian data yang merupakan fungsi dari
waktu. Yang kedua yaitu model atau metode kausal digunakan
untuk mengasumsikan variabel yang diramalkan menunjukkan adanya hubungan
sebab akibat dengan satu atau beberapa variabel bebas (independent variable).
Model seri waktu atau metode deret berkala terbagi menjadi rata-rata bergerak atau
moving averages, penghalusan eksponensial atau exponential smoothing, dan
proyeksi trend atau trend projection. Konsumen tidak perlu lagi menunggu
barang diproduksi namun sudah tersedia di inventori sehingga hal tersebut dapat
meningkatkan service level kepada konsumen dari perusahaan (Setyawan, 2012).
 BAB III
METODOLOGI PRAKTIKUM
A. ALAT DAN BAHAN
1. Alat
a. Komputer
b. Laptop
c. Bolpoint
2. Bahan
a. Modul Praktikum
b. Software WinQsb

B. PROSEDUR KERJA
1. Membaca do’a sesuai dengan agama masing – masing
2. Menyiapkan berbagai alat dan bahan untuk praktikum
3. Menyalakan komputer
4. Pilih Control Panel, Region & Language
5. Klik Additional Settings
6. Pada Decimal Symbol diganti koma, pada digit Grouping Symbol diganti
titik, pada Currency Symbol diganti dolar, klik apply, klik ok
7. Klik apply, klik ok, close
8. Buka Ms.Excel
9. Memasukan data sesuai tabel, blok keseluruhan data historical
10. Klik insert, chart, pilih line with markers, save (produk satu data cenderung
konstan)
11. Blok historical data,copy
12. Buka aplikasi WinQsb, pilih Forecasting and Linier Progression
13. Klik file, New Problem, Problem Type atur Time Series Forecasting, Problem
Title Produk 1, Time Unit Month dan Number of Time Unit diatur 36, klik ok
14. Blok keseluruhan data, klik paste, klik File, Save Problem (file name diganti
Produk1.fcc save as type diganti all file, klik ok
15. Klik file, save problem (produk1.xls sebagai file name), klik ok
16. Klik Solve and Analyze, perform forecasting, ubah forecasting metodh
dengan simple average (karane data konstan), number of period forecasting
diubah 5 karena peramalan untuk 5 bulan kedepan, metodh parameter assign
values, klik retain other metodhs result klik ok
17. Klik save as (sa1.fcc,sa1.xls), klik ok
18. Klik results, show forecasting in graph, save sal.jpg
19. Klik window,forecast result (2), blok tracking signal, copy, pindahkan ke
excel
20. Buat tabel baru, UCL,CL,LCL (3,0,-3)
 BAB IV
HASIL DAN PEMBAHASAN
A. Hasil
1. Data masa lalu produk 1

Actual
Month Data
1 250
2 250
3 270
4 245
5 255
6 250
7 260
8 240
9 260
10 255
11 250
12 255
13 270
14 245
15 255
16 258
17 260
18 250
19 245
20 250
21 255
22 255
23 240
24 250
25 250
26 265
27 250
28 240
29 255
30 250
31 255
32 240
33 255
 34 240
35 250
36 255

2. Grafik pola data produk

PRODUK I
275
270
265
260
255
250
245
240
235
230
225
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37

3. Hasil metode Simple Average

Forecast MAPE
######## Actual by Forecast CFE MAD MSE (%) Tracking R-square
Month Data SA Error Signal
1 250
2 250 250 0 0 0 0 0 0 0
3 270 250 20 20 10 200 3,703704 2 1
4 245 256,6667 -11,6667 8,333344 10,55555 178,7036 4,056436 0,789475 0,150794
5 255 253,75 1,25 9,583344 8,229164 134,4184 3,164876 1,164559 0,155258
6 250 254 -4 5,583344 7,383331 110,7347 2,851901 0,756209 0,105875
7 260 253,3333 6,666672 12,25002 7,263888 99,68632 2,803935 1,686427 0,145295
8 240 254,2857 -14,2857 -2,03571 8,267007 114,6 3,253713 -0,24624 5,94E-02
9 260 252,5 7,5 5,464294 8,171131 107,3062 3,207576 0,668732 6,07E-02
10 255 253,3333 1,666672 7,130966 7,448413 95,69195 2,9238 0,957381 6,37E-02
11 250 253,5 -3,5 3,630966 7,053572 87,34775 2,77142 0,51477 5,60E-02
12 255 253,1818 1,818176 5,449142 6,577627 79,70757 2,584292 0,828436 5,79E-02
13 270 253,3333 16,66667 22,11581 7,418381 96,21343 2,883338 2,981219 8,44E-02
14 245 254,6154 -9,61539 12,50043 7,587381 95,92438 2,963439 1,647529 4,96E-02
 15 255 253,9286 1,071426 13,57185 7,121956 89,15463 2,781776 1,905636 5,11E-02
16 258 254 4 17,57185 6,913826 84,27766 2,699684 2,541553 5,83E-02
17 260 254,25 5,75 23,32185 6,841086 81,07671 2,669175 3,409086 7,04E-02
18 250 254,5882 -4,58824 18,73361 6,708566 77,54584 2,620123 2,792491 5,75E-02
19 245 254,3333 -9,33333 9,400284 6,854386 78,07724 2,686201 1,371426 3,99E-02
20 250 253,8421 -3,8421 5,558182 6,695845 74,74484 2,625708 0,830094 3,66E-02
21 255 253,65 1,350006 6,908188 6,428553 71,09873 2,520894 1,07461 3,73E-02
22 255 253,7143 1,285721 8,193909 6,183656 67,79179 2,424861 1,325091 3,80E-02
23 240 253,7727 -13,7727 -5,57881 6,528614 73,33252 2,575487 -0,85452 3,14E-02
24 250 253,1739 -3,17392 -8,75273 6,382758 70,58214 2,518708 -1,37131 3,27E-02
25 250 253,0417 -3,04167 -11,7944 6,243546 68,02671 2,464456 -1,88906 3,45E-02
26 265 252,92 12,08 0,285599 6,477004 71,1427 2,548218 4,41E-02 2,77E-02
27 250 253,3846 -3,38461 -3,09901 6,358066 68,84704 2,50228 -0,48741 2,77E-02
28 240 253,2593 -13,2593 -16,3583 6,613666 72,80856 2,614221 -2,47341 3,06E-02
29 255 252,7857 2,214279 -14,144 6,456544 70,38336 2,551868 -2,19065 2,92E-02
30 250 252,8621 -2,86208 -17,0061 6,332597 68,23882 2,50335 -2,68548 3,09E-02
31 255 252,7667 2,233337 -14,7727 6,195955 66,13045 2,449099 -2,38426 2,95E-02
32 240 252,8387 -12,8387 -27,6115 6,410238 69,31438 2,542659 -4,3074 3,64E-02
33 255 252,4375 2,5625 -25,049 6,289996 67,35352 2,494604 -3,98235 3,41E-02
34 240 252,5152 -12,5152 -37,5641 6,478637 70,05883 2,57703 -5,79815 0,043283
35 250 252,1471 -2,14706 -39,7112 6,351238 68,13387 2,526494 -6,25251 4,57E-02
36 255 252,0857 2,914291 -36,7969 6,253039 66,42984 2,486962 -5,88464 0,042426
37 252,1667
38 252,1667
39 252,1667
40 252,1667
41 252,1667

CFE -36,7969
MAD 6,253039
MSE 66,42984
MAPE 2,486962
Trk.Signal -5,88464
R-square 0,042426
4. Grafik forecasting dengan metode Simple Average

5. Tabel UCL,CL dan LCL metode Simple Average

Tracking
Signal UCL CL LCL

0 3 0 -3
2 3 0 -3
0,789475 3 0 -3
1,164559 3 0 -3
0,756209 3 0 -3
1,686427 3 0 -3
-0,24624 3 0 -3
0,668732 3 0 -3
0,957381 3 0 -3
0,51477 3 0 -3
0,828436 3 0 -3
2,981219 3 0 -3
1,647529 3 0 -3
1,905636 3 0 -3
2,541553 3 0 -3
3,409086 3 0 -3
2,792491 3 0 -3
 1,371426 3 0 -3
0,830094 3 0 -3
1,07461 3 0 -3
1,325091 3 0 -3
-0,85452 3 0 -3
-1,37131 3 0 -3
-1,88906 3 0 -3
4,41E-02 3 0 -3
-0,48741 3 0 -3
-2,47341 3 0 -3
-2,19065 3 0 -3
-2,68548 3 0 -3
-2,38426 3 0 -3
-4,3074 3 0 -3
-3,98235 3 0 -3
-5,79815 3 0 -3
-6,25251 3 0 -3
-5,88464 3 0 -3

6. Grafik UCL,CL dan LCL metode Simple Average

Grafik UCL,CL,LCL metode Simple Average

4

0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37
-2

-4

-6

-8

Tracking Signal UCL CL LCL

7. Kesimpulan grafik

Garis hijau tua menunjukan garis batas atas, garis hijau muda
menunjukan garis batas bawah, sedangkan garis abu-abu menunjukan garis
 rerata. Terdapat 6 titik berada di luar garis batas (out control) dan 30 titik
didalam batas kontrol (in control) pada grafik diatas.

8. Hasil forecasting dengan metode Single Exponential Smoothing (SES)

Forecast Forecast MAPE

######## Actual by by Forecast CFE MAD MSE (%) Tracking R-square
Month Data SA SES Error Signal
1 250
2 250 250 250 0 0 0 0 0 0 0
3 270 250 250 20 20 10 200 3,703704 2 1
4 245 256,6667 250 -5 15 8,333333 141,6667 3,149408 1,8 0,214286
5 255 253,75 250 5 20 7,5 112,5 2,852252 2,666667 0,285714
6 250 254 250 0 20 6 90 2,281802 3,333333 0,216216
7 260 253,3333 250 10 30 6,666667 91,66666 2,542527 4,5 0,375
8 240 254,2857 250 -10 20 7,142857 92,85714 2,774547 2,8 9,64E-02
9 260 252,5 250 10 30 7,5 93,75 2,908498 4 0,176471
10 255 253,3333 250 5 35 7,222222 86,11111 2,803196 4,846154 0,213043
11 250 253,5 250 0 35 6,5 77,5 2,522877 5,384615 0,18774
12 255 253,1818 250 5 40 6,363636 72,72727 2,471777 6,285714 0,222223
13 270 253,3333 250 20 60 7,5 100 2,88308 8 0,333333
14 245 254,6154 250 -5 55 7,307693 94,23077 2,81829 7,526316 0,234497
15 255 253,9286 250 5 60 7,142857 89,28571 2,75704 8,4 0,258994
16 258 254 250 8 68 7,2 87,6 2,779956 9,444445 0,30651
17 260 254,25 250 10 78 7,375 88,375 2,846593 10,57627 0,367836
18 250 254,5882 250 0 78 6,941176 83,17647 2,679147 11,23729 0,338867
19 245 254,3333 250 -5 73 6,833333 79,94444 2,643684 10,68293 0,259029
20 250 253,8421 250 0 73 6,473684 75,73684 2,504543 11,27642 0,242095
21 255 253,65 250 5 78 6,4 73,2 2,477355 12,1875 0,262286
22 255 253,7143 250 5 83 6,333333 70,90476 2,452756 13,10526 0,282567
23 240 253,7727 250 -10 73 6,5 72,22727 2,530661 11,23077 0,179857
24 250 253,1739 250 0 73 6,217391 69,08696 2,420632 11,74126 0,170704
25 250 253,0417 250 0 73 5,958333 66,20834 2,319773 12,25175 0,162436
26 265 252,92 250 15 88 6,32 72,56 2,453397 13,92405 0,205925
27 250 253,3846 250 0 88 6,076923 69,76923 2,359035 14,48101 0,196448
28 240 253,2593 250 -10 78 6,222222 70,88889 2,425985 12,53571 0,133438
29 255 252,7857 250 5 83 6,178571 69,25 2,40937 13,43353 0,145328
30 250 252,8621 250 0 83 5,965517 66,86207 2,326289 13,91329 0,139618
31 255 252,7667 250 5 88 5,933333 65,46667 2,314105 14,83146 0,151321
32 240 252,8387 250 -10 78 6,064516 66,58064 2,373865 12,8617 0,105078
33 255 252,4375 250 5 83 6,03125 65,28125 2,360956 13,76166 0,114895
 34 240 252,5152 250 -10 73 6,151515 66,33334 2,415675 11,867 7,96E-02
35 250 252,1471 250 0 73 5,970588 64,38235 2,344625 12,2266 7,71E-02
36 255 252,0857 250 5 78 5,942857 63,25714 2,333659 13,125 8,52E-02
37 252,1667 250
38 252,1667 250
39 252,1667 250
40 252,1667 250
41 252,1667 250

CFE -36,7969 78
MAD 6,253039 5,942857
MSE 66,42984 63,25714
MAPE 2,486962 2,333659
Trk.Signal -5,88464 13,125
R-square 0,042426 8,52E-02
Alpha=0
F(0)=250
9. Grafik forcasting dengan Single Exponential Smoothing

10 Tabel UCL,CL dan LCL metode Single Exponential Smoothing

Tracking UCL CL LCL

Signal

0 3 0 -3
 2 3 0 -3
1,8 3 0 -3
2,666667 3 0 -3
3,333333 3 0 -3
4,5 3 0 -3
2,8 3 0 -3
4 3 0 -3
4,846154 3 0 -3
5,384615 3 0 -3
6,285714 3 0 -3
8 3 0 -3
7,526316 3 0 -3
8,4 3 0 -3
9,444445 3 0 -3
10,57627 3 0 -3
11,23729 3 0 -3
10,68293 3 0 -3
11,27642 3 0 -3
12,1875 3 0 -3
13,10526 3 0 -3
11,23077 3 0 -3
11,74126 3 0 -3
12,25175 3 0 -3
13,92405 3 0 -3
14,48101 3 0 -3
12,53571 3 0 -3
13,43353 3 0 -3
13,91329 3 0 -3
14,83146 3 0 -3
12,8617 3 0 -3
13,76166 3 0 -3
11,867 3 0 -3
12,2266 3 0 -3
13,125 3 0 -3
11. Grafik UCL,CL,LCL metode Single Exponential Smoothing

Grafik UCL,CL dan LCL metode Single

Exponential Smoothing
20

15

10

0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37
-5

Tracking UCL CL LCL

12. Kesimpulan grafik kontrol data

Garis hijau tua menunjukan garis batas atas, garis hijau muda
menunjukan garis batas bawah, sedangkan garis abu – abu menunjukan garis
rerata dan garis biru adalah data. Dari grafik diatas dapat disimpulkan terdapat
7 data yang ada didalam garis batas kontrol dan terdapat 29 data yang berada
diluar garis batas kontrol.
13. Data masa lalu produk II

Bulan historical
ke- data
1 250
2 260
3 270
4 280
5 260
6 255
7 285
8 290
9 295
 10 300
11 310
12 290
13 285
14 310
15 315
16 320
17 330
18 340
19 305
20 340
21 350
22 360
23 365
24 380
25 390
26 400
27 420
28 400
29 425
30 425
31 430
32 435
33 440
34 440
35 450
36 450

14. Grafik pola data produk II

 Produk II
500

400

300

200 historical data

100

0
1 4 7 10 13 16 19 22 25 28 31 34

15. Hasil forcasting dengan metode Moving Average

Forecast MAPE
######## Actual by Forecast CFE MAD MSE (%) Tracking R-square
Month Data 1-MAT Error Signal
1 250
2 260 250 10 10 10 100 3,846154 1
3 270 260 10 20 10 100 3,774929 2
4 280 270 10 30 10 100 3,707095 3
5 260 280 -20 10 12,5 175 4,703399 0,8
6 255 260 -5 5 11 145 4,154876 0,454546
7 285 255 30 35 14,16667 270,8333 5,216783 2,470588
8 290 285 5 40 12,85714 235,7143 4,717834 3,111111
9 295 290 5 45 11,875 209,375 4,339969 3,789474
10 300 295 5 50 11,11111 188,8889 4,042935 4,5
11 310 300 10 60 11 180 3,961222 5,454545
12 290 310 -20 40 11,81818 200 4,228071 3,384615
13 285 290 -5 35 11,25 185,4167 4,02193 3,111111
14 310 285 25 60 12,30769 219,2308 4,332899 4,875
15 315 310 5 65 11,78571 205,3571 4,136785 5,515152
16 320 315 5 70 11,33333 193,3333 3,965166 6,176471
17 330 320 10 80 11,25 187,5 3,906737 7,111111
18 340 330 10 90 11,17647 182,3529 3,849939 8,052631 0,978559
19 305 340 -35 55 12,5 240,2778 4,273577 4,4
20 340 305 35 90 13,68421 292,1053 4,590447 6,576923
21 350 340 10 100 13,5 282,5 4,503782 7,407407 0,993172
22 360 350 10 110 13,33333 273,8095 4,421591 8,25 0,968221
 23 365 360 5 115 12,95455 262,5 4,282876 8,877193 0,976103
24 380 365 15 130 13,04348 260,8696 4,268289 9,966667 0,93771
25 390 380 10 140 12,91667 254,1667 4,197281 10,83871 0,932273
26 400 390 10 150 12,8 248 4,12939 11,71875 0,929835
27 420 400 20 170 13,07692 253,8462 4,153718 13 0,897294
28 400 420 -20 150 13,33333 259,2592 4,185061 11,25 0,986548
29 425 400 25 175 13,75 272,3214 4,245679 12,72727 0,941149
30 425 425 0 175 13,27586 262,931 4,099276 13,18182 0,963754
31 430 425 5 180 13 255 4,001393 13,84615 0,970408
32 435 430 5 185 12,74194 247,5806 3,909394 14,51899 0,97577
33 440 435 5 190 12,5 240,625 3,822737 15,2 0,98016
34 440 440 0 190 12,12121 233,3333 3,706896 15,675 0,991674
35 450 440 10 200 12,05882 229,4118 3,663229 16,58537 0,986298
36 450 450 0 200 11,71429 222,8571 3,558566 17,07317 0,9959
37 450
38 450
39 450
40 450
41 450

CFE 200
MAD 11,71429
MSE 222,8571
MAPE 3,558566
Trk.Signal 17,07317
R-square 0,9959
m=1

16. Grafik forecasting dengan Moving Average

 17. Tabel UCL,CL,LCL metode Moving Average

Forecast MAPE
######## Actual by Forecast CFE MAD MSE (%) Tracking R-square
Month Data 1-MAT Error Signal
1 250
2 260 250 10 10 10 100 3,846154 1
3 270 260 10 20 10 100 3,774929 2
4 280 270 10 30 10 100 3,707095 3
5 260 280 -20 10 12,5 175 4,703399 0,8
6 255 260 -5 5 11 145 4,154876 0,454546
7 285 255 30 35 14,16667 270,8333 5,216783 2,470588
8 290 285 5 40 12,85714 235,7143 4,717834 3,111111
9 295 290 5 45 11,875 209,375 4,339969 3,789474
10 300 295 5 50 11,11111 188,8889 4,042935 4,5
11 310 300 10 60 11 180 3,961222 5,454545
12 290 310 -20 40 11,81818 200 4,228071 3,384615
13 285 290 -5 35 11,25 185,4167 4,02193 3,111111
14 310 285 25 60 12,30769 219,2308 4,332899 4,875
15 315 310 5 65 11,78571 205,3571 4,136785 5,515152
16 320 315 5 70 11,33333 193,3333 3,965166 6,176471
17 330 320 10 80 11,25 187,5 3,906737 7,111111
18 340 330 10 90 11,17647 182,3529 3,849939 8,052631 0,978559
19 305 340 -35 55 12,5 240,2778 4,273577 4,4
20 340 305 35 90 13,68421 292,1053 4,590447 6,576923
21 350 340 10 100 13,5 282,5 4,503782 7,407407 0,993172
 22 360 350 10 110 13,33333 273,8095 4,421591 8,25 0,968221
23 365 360 5 115 12,95455 262,5 4,282876 8,877193 0,976103
24 380 365 15 130 13,04348 260,8696 4,268289 9,966667 0,93771
25 390 380 10 140 12,91667 254,1667 4,197281 10,83871 0,932273
26 400 390 10 150 12,8 248 4,12939 11,71875 0,929835
27 420 400 20 170 13,07692 253,8462 4,153718 13 0,897294
28 400 420 -20 150 13,33333 259,2592 4,185061 11,25 0,986548
29 425 400 25 175 13,75 272,3214 4,245679 12,72727 0,941149
30 425 425 0 175 13,27586 262,931 4,099276 13,18182 0,963754
31 430 425 5 180 13 255 4,001393 13,84615 0,970408
32 435 430 5 185 12,74194 247,5806 3,909394 14,51899 0,97577
33 440 435 5 190 12,5 240,625 3,822737 15,2 0,98016
34 440 440 0 190 12,12121 233,3333 3,706896 15,675 0,991674
35 450 440 10 200 12,05882 229,4118 3,663229 16,58537 0,986298
36 450 450 0 200 11,71429 222,8571 3,558566 17,07317 0,9959
37 450
38 450
39 450
40 450
41 450

CFE 200
MAD 11,71429
MSE 222,8571
MAPE 3,558566
Trk.Signal 17,07317
R-square 0,9959
m=1

18. Grafik UCL,CL dan LCL metode Moving Average

 Grafik UCL,CL,LCL metode Moving
Average
20

15

10

0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37
-5

Tracking Signal UCL CL LCL

19. Kesimpulan grafik

Garis hijau tua menunjukan garis batas atas, garis hijau muda menunjukan
garis batas bawah, sedangkan garis abu – abu menunjukan garis mean dan garis
merah adalah data. Dari hasil grafik diatas dapat diketahui bahwa jumlah data
in control adalah 9 data dengan jumlah data out control ada 27 data.

20. Hasil forcasting dengan Metode Single Exponential Smoothing Trend

Forecast Forecast MAPE R-

######## Actual by by Forecast CFE MAD MSE (%) Tracking square
Bln Data 1-MAT SEST Error Signal
1 250
2 260 250 250 10 10 10 100 3,846154 1
3 270 260 250 20 30 15 250 5,626781 2
4 280 270 250 30 60 20 466,6667 7,322615 3
5 260 280 250 10 70 17,5 375 6,4535 4
6 255 260 250 5 75 15 305 5,554957 5
7 285 255 250 35 110 18,33333 458,3333 6,675914 6
8 290 285 250 40 150 21,42857 621,4286 7,692655 7
9 295 290 250 45 195 24,375 796,875 8,637853 8
10 300 295 250 50 245 27,22222 986,1111 9,529943 9
11 310 300 250 60 305 30,5 1247,5 10,51243 10
12 290 310 250 40 345 31,36364 1279,545 10,81068 11
13 285 290 250 35 380 31,66667 1275 10,93318 12
 14 310 285 250 60 440 33,84615 1453,846 11,581 13
15 315 310 250 65 505 36,07143 1651,786 12,22771 14
16 320 315 250 70 575 38,33333 1868,333 12,87086 15
17 330 320 250 80 655 40,9375 2151,563 13,58158 16
18 340 330 250 90 745 43,82353 2501,471 14,33976 17
19 305 340 250 55 800 44,44444 2530,556 14,54493 18
20 340 305 250 90 890 46,84211 2823,684 15,17259 19
21 350 340 250 100 990 49,5 3182,5 15,84254 20
22 360 350 250 110 1100 52,38095 3607,143 16,54316 21
23 365 360 250 115 1215 55,22727 4044,318 17,22332 22
24 380 365 250 130 1345 58,47826 4603,261 17,9619 23
25 390 380 250 140 1485 61,875 5228,125 18,70921 24
26 400 390 250 150 1635 65,4 5919 19,46084 25
27 420 400 250 170 1805 69,42308 6802,885 20,26912 26
28 400 420 250 150 1955 72,40741 7384,259 20,9073 27
29 425 400 250 175 2130 76,07143 8214,286 21,6312 28
30 425 425 250 175 2305 79,48276 8987,069 22,30518 29
31 430 425 250 180 2485 82,83334 9767,5 22,95702 30
32 435 430 250 185 2670 86,12904 10556,45 23,58837 31
33 440 435 250 190 2860 89,375 11354,69 24,20066 32
34 440 440 250 190 3050 92,42424 12104,55 24,77585 33
35 450 440 250 200 3250 95,58823 12925 25,35434 34
36 450 450 250 200 3450 98,57143 13698,57 25,89977 35
37 450 250
38 450 250
39 450 250
40 450 250
41 450 250

CFE 200 3450

MAD 11,71429 98,57143
MSE 222,8571 13698,57
MAPE 3,558566 25,89977
Trk.Signal 17,07317 35
R-square 0,9959
m=1 Alpha=0
Beta=0
F(0)=250
T(0)=0
21. Grafik hasil forecasting dengan Metode Single Exponential Smoothing Trend
22. Tabel UCL,CL dan LCL dengan Metode Single Exponential Smoothing
Trend

Trk
Signal UCL CL LCL
1 -3 0 3
2 -3 0 3
3 -3 0 3
4 -3 0 3
5 -3 0 3
6 -3 0 3
7 -3 0 3
8 -3 0 3
9 -3 0 3
10 -3 0 3
11 -3 0 3
12 -3 0 3
13 -3 0 3
14 -3 0 3
15 -3 0 3
16 -3 0 3
17 -3 0 3
18 -3 0 3
19 -3 0 3
20 -3 0 3
21 -3 0 3
22 -3 0 3
 23 -3 0 3
24 -3 0 3
25 -3 0 3
26 -3 0 3
27 -3 0 3
28 -3 0 3
29 -3 0 3
30 -3 0 3
31 -3 0 3
32 -3 0 3
33 -3 0 3
34 -3 0 3
35 -3 0 3

23. Grafik UCL,CL,LCL dengan Metode Single Exponential Smoothing Trend

Grafik UCL,CL,LCL dengan Metode

Single Exponential Smoothing
Trend
40
30
20
10
0
-10 1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37

Tracking Signal LCL CL UCL

24. Kesipulan grafik

Garis hijau tua menunjukan garis batas atas, garis hijau muda
menunjukan garis batas bawah, sedangkan garis abu – abu menunjukan garis
rerata dan garis merah adalah data. Dari grafik diatas dapat disimpulkan
terdapat 3 data in control dan 33 data out control.
25. Kesimpulan total
a. Produk I
Diketahui bahwa pola dari data produk pertama adalah pola
konstan sehingga peramalan yang dilakukan menggunakan metode atau
teknik simple average dan simple exponential smoothing dari grafik yang
bersumber dari data historis. Hasil dari teknik simple average adalah CFE
-36,7969, MAD 6,253039, MSE 66,42984, MAPE 2,486962 dan
Tracking Signal -5,88464, sedangkan penggunaan metode single
exponential smoothing menghasilkan nilai CFE 78, MAD 5,942857,
MSE 63,25714, MAPE 2,333659, dan Tracking Signal 13,125. MAD
menunjukan presentase kesalahan dengan merata-tara dugaan kesalahan.
MAPE menunjukan seberapa besar kesalahan dibandingkan dengan nilai
nyata sedangkan Tracking Signal menunjukan validasi
peramalan,dimana nilai Tracking Signal metode simple average bernilai
negatif, yang berarti nilai aktual permintaan lebih kecil dibandingkan
hasil peramalan. Sebaliknya, nilai tracking signal pada metode single
exponential smooting menunjukan nilai positif yang berarti nilai
peramalan lebih besar dibandingkan dengan hasil permintaan aktual.
Dari grafik yang dilengkapi batas atas dan batas bawah dapat diketahu
besaran data in control pada metode simple average adalah 31 data,
sedangkan banyaknya data out controlnya adalah 5 data. Pada metode
single exponential smoothing diketahui jumlah data in controlnya adalah
7 data, dan jumlah data out controlnya 29 data. Dari besaran data in
control dan out control yang telah diketahui sebelumnya maka dapat
disimpulkan bahwa metode simple average lebih baik dari metode single
exponential smoothing karena jumlah data in controlnya lebih banyak.
b. Produk II
Diketahui bahwa data-data pada produk dua membentuk pola
trend yang menunjukan kenaikan dari pengolahan data masa lalu berupa
grafik. Pola data trend mendorong penggunaan metode moving average
dan single exponantial smoothing trend. Pada perhitungan metode moving
 average dihasilkan nilai CFE 200; MAD 11,71429; MSE 222,8571; MAPE
3,558566; dan Tracking Signal 17,07; sedangkan pada teknik single
smoothing exponential trend menunjukan nilai CFE 3450; MAD
98,57143; MSE 13698,57; MAPE 25,8997 dan Tracking Signal 35, dari
data diatas dapat disimpulkan bahwa metode moving average lebih baik
karena data yang dihasilkan bernilai lebih kecil atau lebih dekat dengan
nol. Diketahui besaran data in control pada metode moving average adalah
9 data dari grafik yang dilengkapi batas atas dan batas bawah, sedangkan
banyaknya data out controlnya adalah 27 data. Diketahui jumlah data in
controlnya adalah 3 data pada metode single exponential smoothing trend
dan jumlah data out controlnya 33 data dari besaran data in control dan out
control yang telah diketahui sebelumnya. Kesimpulannya bahwa metode
moving average lebih baik dari metode single exponential smoothing trend
karena jumlah data in controlnya lebih banyak pada metode single
exponential smoothing trend.

B. Pembahasan
Peramalan merupakan aktivitas fungsi bisnis yang memperkirakan
penjualan dan penggunaan produk sehingga produk-produk itu dapat dibuat
dalam kuantitas yang tepat. Peramalan merupakan dugaan terhadap permintaan
yang akan datang berdasarkan pada beberapa variabel peramal, sering
berdasarkan data deret waktu historis. Peramalan menggunakan teknik-teknik
peramalan yang bersifat formal maupun informal. Kegiatan peramalan
merupakan bagian integral dari pengambilan keputusan manajemen.
Peramalan mengurangi ketergantungan pada hal-hal yang belum pasti serta
peramalan memiliki sifat saling ketergantungan antar divisi atau bagian.
Kesalahan dalam proyeksi penjualan akan mempengaruhi pada ramalan
anggaran, pengeluaran operasi, arus kas, persediaan, dan sebagainya.
Dua hal pokok yang harus diperhatikan dalam proses peramalan
yang akurat dan bermanfaat. Terdapat dua pendekatan untuk melakukan
peramalan yaitu dengan pendekatan kualitatif dan pendekatan kuantitatif.
Metode peramalan kualitatif digunakan ketika data historis tidak tersedia.
Metode peramalan kualitatif adalah metode subyektif. Metode ini didasarkan
pada informasi kualitatif. Metode peramalan kuantitatif dapat dibagi menjadi
dua tipe, causal dan time series. Metode peramalan causal meliputi faktor-
faktor yang berhubungan dengan variabel yang diprediksi seperti analisis
regresi. Peramalan time series merupakan metode kuantitatif untuk
menganalisis data masa lampau yang telah dikumpulkan secara teratur
menggunakan teknik yang tepat. Hasilnya dapat dijadikan acuan untuk
peramalan nilai di masa yang akan datang. Model deret berkala dapat
digunakan dengan mudah untuk meramal, sedang model kausal lebih berhasil
untuk pengambilan keputusan dan kebijakan. Peramalan harus mendasarkan
analisisnya pada pola data yang ada.
Teknik peramalan secara kualitatif merupaka peramalan yang
melibatkan pendapat pribadi, pendapat ahli, metode delphi penelitian pasar dan
lain-lain. Bertujuan untuk menggabungkan seluruh informasi yang diperoleh
secara logika, unbased & sistematis yang dihubungkan dengan faktor interest
si pengambil keputusan. Beberapa teknik kualitatif yang sering dipergunakan
adalah delphi method, market research, panel consensus, visionary forecast,
historical analogue, management estimate, dan structured group methods.
Teknik peramalan secara kuantitatif digunakan pada saat data masa lalu cukup
tersedia. Beberapa teknik kuantitatif yang sering dipergunakan yaitu time
series model dan causal model. Peramalan time series merupakan metode
kuantitatif untuk menganalisis data masa lampau yang telah dikumpulkan
secara teratur menggunakan teknik yang tepat.
Proses untuk melakukan peramalan, mahasiswa harus mengetahui
proses – proses dalam peramalan sehingga dapat melakukan peramalan yang
baik dan benar. Sebelum memulai peramalan kita hendak memiliki permintaan
pelanggan masa lalu. Data yang digunakan adalah data permintaan produk I
yang terdapat pada modul yang berjumlah 36 data, diminta untuk meramalkan
permintaan untuk 5 bulan kedepan. Setelah itu kita ketahui pola datanya
dengan mengeplotkan data tersebut menjadi diagram scatter pada Microsoft
Excel. Caranya dengan mengeblok data historik, lalu pilih scatter diagram,
pilih diagram scatter yang terdapat garisnya. Setelah itu diketahui data bersifat
konstan.
Setelah itu membuka aplikasi WinQsb, pilih Forecasting and Linier
Progression,klik file, New Problem, Problem Type atur Time Series
Forecasting, Problem Title Produk 1, Time Unit Month dan Number of Time
Unit diatur 36 lalu pilih OK. Dilanjutkan dengan klik File, Save Problem
dimana file name diganti Produk1.fcc save as type diganti all file, klik OK
dilanjutkan dengan save kedua produk1.xls sebagai file name, klik OK, fcc
digunakan untuk membuka data dengan program WinQsb dan format xls untuk
membuka data menggunakan program excel. Kedua klik Solve and Analyze,
perform forecasting, ubah forecasting metodh dengan simple average
dikarenakan pola data konstan, number of period forecasting diubah 5 karena
peramalan untuk 5 bulan kedepan, metodh parameter assign values, klik retain
other metodhs result klik OK
Kemudian akan tampil berupa tabel dan parameter peramalan lalu
klik save as pada format fcc dan xls. Setelah itu klik results, show forecasting
in graph maka akan ditampilkan hasil dari peramalan dalam format grafik, save
grafik menggunakan format .jpg. tahap selanjutnya adalah klik window,
forecast result (2), blok tracking signal, copy, pindahkan ke excel. Buat tabel
baru pada Excel, dengan UCL, CL dan LCL berturut-turut 3,0,-3, blok seluruh
tabel tracking signal UCL, CL dan LCL, insert,chart,line with marker, maka
akan menghasilkan data berupa tabel yang dilengkapi batas atas dan batas
bawah. Dan dari tabel dapat disimpulkan data mana yang in control dan data
mana yang keluar dari batas atas dan batas bawah atau out control.
Hasil praktikum perencanaan dan pengendalian produksi tentang
peramalan menggunakan dua produk dimana pada produk I diketahui berpola
konstan dan produk II berpola trend. Data trend pada produk II mendorong
penggunaan teknik peramalan moving average dan single exponential
smoothing trend, sedangkan data konstan pada produk I mendorong
penggunaan teknik simple average dan single exponential smoothing.
Peramalan menggunakan 36 yang ditulis ulang pada MS.Excel yang nantinya
akan diproses ulang pada software WinQsb. Jumlah periode yang akan
diramalkan selama 5 bulan kedepan.
Hasil data dari peramalan menggunakan sofware pada acara 1
tentang peramalan adalah CFE, MAD, MSE, MAPE, Tracking Signal dan R-
Square. CFE atau Cumulative Forcast Error adalah jumlah kumulatif dari
kesalahan peramalan dari periode sebelum. Mean Absolute Deviation adalah
rata-rata kesalahan selama periode tertentu tanpa memperhatikan apakah hasil
peramalan lebih besar atau lebih kecil. Mean Absolute Percentage Error
merupakan ukuran kesalahan relatif, MAPE menyatakan presentase kesalahan
peramalan terhadap permintaan aktual selama periode tertentu yang
memberikan informasi presentase kesalahan tertinggi atau terendah.
Tracking Signal adalah suatu ukuran bagaimana baiknya suatu
peramalan memperkirakan nilai-nilai aktual. Tracking signal yang positif
menunjukan bahwa nilai aktual permintaan lebih besar daripada ramalan,
sedangkan tracking signal yang negatif berarti nilai aktual permintaan lebih
kecil daripada ramalan. Mean Square Error adalah suatu metode yang
digunakan untuk mengevaluasi suatu hasil peramalan, dimana masing-masing
kesalahan dikuadratkan dan dijumlahkan dengan jumlah observasi. Pendekatan
ini mengatur kesalahan peramalan yang besar karena kesalahan-kesalahan itu
dikuadratkan.
Produk I diketahui bersifat konstan dari hasil grafik historical data
yang menunjukan mayoritas data membentuk satu garis konstan. Penggunaan
metode simple average pada produk I mengasilkan nilai MAD 6,253039 , MSE
66,42984, Tracking Signal -5,88464, CFE -36,7969, dan MAPE 2,486962,
sedangkan penggunaan metode single exponential smoothing menghasilkan
nilai, MAD 5,942857, CFE 78, Tracking Signal 13,125, MAPE 2,333659, dan
MSE 63,25714, berdasarkan hasil analisa perhitungan maka penggunaan
teknik Single Exponential Smoothing lebih baik karena menghasilkan angka
yang lebih kecil dibandingkan Simple Average, hasil juga disertai nilai
Tracking Signal yang positif.
 Dilihat dari grafik yang disertai batas kontrol atas dan bawah metode
Simple Average memiliki data 17 data in control dan 19 data out control,
sementara teknik Single Exponential Smoothing memiliki 2 data in control dan
34 data out control. Maka dilihat dari grafik teknik peramalan Simple Average
merupakan metode yang lebih baik untuk digunakan dalam peramalan,
sedangkan kesimpulan secara keseluruhan produk memperlukan perbaikan
karena masih terdapat data out of control yang jumlahnya masih relatif tinggi.
Produk II dari hasil grafik data diketahui menunjukan pola trend
dimana data membentuk pola lebih naik. Penggunaan metode moving average
menghasilkan nilai Tracking Signal 17,07, MAD 11,71429, MAPE 3,558566
MSE 222,8571, dan CFE 200, sedangkan pada teknik single smoothing
exponential trend menunjukan nilai Tracking Signal 35, MSE 13698,57, MAD
98,57143, MAPE 25,8997 dan CFE 3450, dari hasil tersebut dapat disimpulkan
bahwa metode moving average dapat meramalkan lebih baik karena nilai-nilai
yang diketahui lebih kecil dibandingkan single smoothing exponential trend.
Sedangkan dari hasil grafik pada metode single smoothing exponential trend
diketahui terdapat 2 data in control dan 34 data out control, sedangkan. yang
memiliki batas kontrol atas dan batas kontrol bawah metode moving average
menghasilkan 5 data in control dan 31 data out control. Kesimpulannya adalah
metode yang lebih baik untuk digunakan adalah moving average, sedangkan
untuk kesimpulan secara keseluruhan produk masih perlu perbaikan karena
masih banyak ditemukan data yang di luar batas atas maupum batas bawah atau
out of control.
Aplikasi dalam industri dengan peramalan penerapan menggunakan
software winqsb yang dapat mengolah data menjadi grafik dan menjadi olahan
data yang dapat mengetahui batas atas dan batas bawah. Dengan mengetahui
batas atas dan batas bawah dari suatu produk, maka dapat menentukan mutu
dari produk tersebut dengan mengetahui standar dari produk tersebut. Sehingga
perusahan dapat memilah produk mana yang keluar dari spesifikasi perusahaan
untuk menjaga kualitas produk yang nantinya akan didistribusikan kepada
konsumen. Produk yang cacat akan diproses kembali sehingga meminimalisir
kerugian yang dapat menurunkan profit dari perusahaan. Produk yang cacat
biasanya melebihi batas atas dan batas bawah darn termasuk out of control.
 BAB V
PENUTUP

A. Kesimpulan
1. Peramalan menggunakan media komputer akan lebih efektif apabila
menggunakan software komputer seperti WinQSB karena selain cepat, data
berupa grafik yang diberikan juga mampu mempermudah kita dalam
menafsirkan peramalan permintaan tersebut.
2. Metode dalam peramalan yang benar dapat dilakukan dengan metode weigthed
moving average atau rata-rata bergerak terbobot ini lebih responsive terhadap
perubahan, kemudian ada metode single exponential smoothing dimana model
peramalan ini bekerja hampir serupa dengan alat thermostat, dimana apabila
forecast error adalah positif, yang berarti nilai aktual permintaan lebih tinggi
dari pada nilai ramalan (A–F>0), maka model pemulusan eksponensial akan
secara otomatis meningkatkan ramalan begitu juga sebaliknya, dan yang
terakhir metode regresi linear.

B. Saran
1. Pada saat praktikum, lebih banyak sesi tanya jawab agar menambah nilai
pada saat praktikum dimulai.
2. Lab sudah nyaman dan bersih tetapi Acnya lebih dingin.
3. Pada saat praktikum dimulai harap mengkondisikan lebih baik lagi agar
jalannya praktikum lebih tertib.
 DAFTAR PUSTAKA

Gaspersz, Vincent.1988. Production Planning And Inventory Control. Gramedia

Pustaka Utama. Jakarta

Herjanto, Eddy. 2010. Manajemen Operasi. Grasindo. Jakarta

Santoso, Purbayu Budi dan Muliawan Hamdani. 2007. Statistika Deskriptif Dalam
Bidang Ekonomi dan Niaga. Erlangga. Jakarta

Setyawan, Aris Budi. 2012. Peramalan Produksi.

www.arisbudi.staff.gunadarma.ac.id/download/peramalan-
produksi.html. Diakses pada tanggal 7 Oktober 2016 pada pukul
19.00 WIB
 TUGAS !!!!!!!
1. Data Produk
periode jumlah
1 250
2 255
3 260
4 265
5 270
6 290
7 280
8 275
9 270
10 270
11 265
12 260
13 270
14 280
15 290
16 285
17 295
18 300
19 290
20 285
21 285
22 280
23 275
24 270
25 260
26 270
27 290
28 300
29 320
30 330
31 355
32 325
33 320
34 320
35 310
36 310
 2. Grafik Produk

jumlah
400
350
300
250
200
jumlah
150
100
50
0
0 10 20 30 40

3. Hasil metode HWA

#### Act Forec Forec Forec Forec CF MAPE Tracki

## ual ast by ast by ast by ast E MAD MSE (%) ng
Mon Dat 1-
th a MAT SEST HWA Error Signal
1 250
1,960
2 255 270 270 250 5 5 5 25 784 1
1,941
3 260 280 270 255 5 10 5 25 931 2
1,923
4 265 290 270 260 5 15 5 25 551 3
1,905
5 270 300 270 265 5 20 5 25 626 4
2,903
6 290 280 270 270 20 40 8 100 811 5
8,333 3,015
7 280 275 270 290 -10 30 333 100 081 3,6
7,857 89,28 2,844 3,181
8 275 305 270 280 -5 25 143 571 095 818
2,720 2,666
9 270 310 270 275 -5 20 7,5 81,25 065 667
6,666 72,22 2,417
10 270 315 270 270 0 20 667 222 836 3
2,364 2,307
11 265 320 270 270 -5 15 6,5 67,5 731 692
 6,363 63,63 2,324 1,571
12 260 330 270 265 -5 10 636 636 581 429
6,666 66,66 2,439
13 270 310 270 260 10 20 667 666 508 3
6,923 69,23 2,526 4,333
14 280 305 270 270 10 30 077 077 579 333
7,142 71,42 2,592
15 290 330 270 280 10 40 857 857 414 5,6
68,33 2,536
16 285 335 270 290 -5 35 7 334 546 5
7,187 70,31 2,589 6,260
17 295 340 270 285 10 45 5 25 876 87
7,058 67,64 2,535 7,083
18 300 350 270 295 5 50 824 706 57 333
7,222 69,44 2,586 5,538
19 290 360 270 300 -10 40 222 444 276 462
7,105 67,10 2,542 4,925
20 285 325 270 290 -5 35 263 526 492 926
2,415 5,185
21 285 360 270 285 0 35 6,75 63,75 368 185
6,666 61,90 2,385
22 280 370 270 285 -5 30 667 476 384 4,5
6,590 60,22 2,359 3,793
23 275 380 270 280 -5 25 909 727 602 103
6,521 58,69 2,337 3,066
24 270 385 270 275 -5 20 739 565 526 667
6,666 60,41 2,400
25 260 400 270 270 -10 10 667 667 385 1,5
2,452 2,941
26 270 410 270 260 10 20 6,8 62 518 176
7,307 2,623 5,473
27 290 420 270 270 20 40 693 75 442 684
7,407 75,92 2,649
28 300 440 270 290 10 50 407 593 735 6,75
7,857 2,778 8,909
29 320 420 270 300 20 70 143 87,5 316 091
7,931 87,93 2,787 10,08
30 330 445 270 320 10 80 035 104 005 696
10 105,8 2,928 12,35
31 355 445 270 330 25 5 8,5 333 847 294
9,193 131,4 3,132 8,157
32 325 450 270 355 -30 75 548 516 134 895
9,062 128,1 3,083 7,724
33 320 455 270 325 -5 70 5 25 083 138
8,787 124,2 2,989 7,965
34 320 460 270 320 0 70 879 424 656 517
 8,823 123,5 2,996
35 310 460 270 320 -10 60 529 294 602 6,8
8,571 2,910
36 310 470 270 310 0 60 428 120 985 7
37 470 270 310
38 470 270 310
39 470 270 310
40 470 270 310
41 470 270 310

4. Grafik forecasting dengan metode HWA

5. Tabel UCL,CL dan LCL metode HWA

Tracking UCL CL LCL
Signal

1 3 0 -3
2 3 0 -3
3 3 0 -3
4 3 0 -3
5 3 0 -3
3,6 3 0 -3
3,181818 3 0 -3
2,666667 3 0 -3
3 3 0 -3
2,307692 3 0 -3
1,571429 3 0 -3
3 3 0 -3
4,333333 3 0 -3
5,6 3 0 -3
5 3 0 -3
6,26087 3 0 -3
7,083333 3 0 -3
5,538462 3 0 -3
4,925926 3 0 -3
5,185185 3 0 -3
4,5 3 0 -3
3,793103 3 0 -3
3,066667 3 0 -3
1,5 3 0 -3
2,941176 3 0 -3
5,473684 3 0 -3
6,75 3 0 -3
8,909091 3 0 -3
10,08696 3 0 -3
12,35294 3 0 -3
8,157895 3 0 -3
7,724138 3 0 -3
7,965517 3 0 -3
6,8 3 0 -3
7 3 0 -3
 6. Grafik UCL,CL dan LCL metode HWA

14

12

10

8
Tracking
6 UCL

4 CL
LCL
2

0
0 10 20 30 40
-2

-4

7. Kesimpulan grafik
Garis orange menunjukan garis batas atas, garis kuning
menunjukan garis batas bawah, sedangkan garis abu – abu menunjukan
garis rerata serta garis biru menunjukan data. Dari grafik diatas dapat
disimpulkan terdapat 10 data yang ada didalam garis batas kontrol dan
terdapat 26 data yang berada diluar garis batas kontrol.
8. Hasil forecasting dengan metode HWM
Forecast Forecast Forecast Forecast
####### Actual by by by by Forecast CFE MAD MSE
Month Data 1-MAT SEST HWA HWM Error
1 250
2 255 270 270 250 250 5 5 5 2
3 260 280 270 255 255 5 10 5 2
4 265 290 270 260 260 5 15 5 2
5 270 300 270 265 265 5 20 5 2
6 290 280 270 270 270 20 40 8 10
7 280 275 270 290 290 -10 30 8,333333 10
8 275 305 270 280 280 -5 25 7,857143 89,2857
9 270 310 270 275 275 -5 20 7,5 81,2
10 270 315 270 270 270 0 20 6,666667 72,2222
11 265 320 270 270 270 -5 15 6,5 67,
12 260 330 270 265 265 -5 10 6,363636 63,6363
13 270 310 270 260 260 10 20 6,666667 66,6666
14 280 305 270 270 270 10 30 6,923077 69,2307
15 290 330 270 280 280 10 40 7,142857 71,4285
16 285 335 270 290 290 -5 35 7 68,3333
17 295 340 270 285 285 10 45 7,1875 70,312
18 300 350 270 295 295 5 50 7,058824 67,6470
19 290 360 270 300 300 -10 40 7,222222 69,4444
20 285 325 270 290 290 -5 35 7,105263 67,1052
21 285 360 270 285 285 0 35 6,75 63,7
22 280 370 270 285 285 -5 30 6,666667 61,9047
23 275 380 270 280 280 -5 25 6,590909 60,2272
24 270 385 270 275 275 -5 20 6,521739 58,6956
25 260 400 270 270 270 -10 10 6,666667 60,4166
26 270 410 270 260 260 10 20 6,8 6
27 290 420 270 270 270 20 40 7,307693 7
28 300 440 270 290 290 10 50 7,407407 75,9259
29 320 420 270 300 300 20 70 7,857143 87,
30 330 445 270 320 320 10 80 7,931035 87,9310
31 355 445 270 330 330 25 105 8,5 105,833
32 325 450 270 355 355 -30 75 9,193548 131,451
33 320 455 270 325 325 -5 70 9,0625 128,12
34 320 460 270 320 320 0 70 8,787879 124,242
35 310 460 270 320 320 -10 60 8,823529 123,529
36 310 470 270 310 310 0 60 8,571428 12
37 470 270 310 310
38 470 270 310 310
39 470 270 310 310
40 470 270 310 310
41 470 270 310 310
 9. Grafik forcasting dengan HWM

10. Tabel UCL,CL dan LCL metode HWM

Tracking UCL CL LCL
Signal
1 3 0 -3
2 3 0 -3
3 3 0 -3
4 3 0 -3
5 3 0 -3
3,6 3 0 -3
3,181818 3 0 -3
2,666667 3 0 -3
3 3 0 -3
2,307692 3 0 -3
1,571429 3 0 -3
3 3 0 -3
4,333333 3 0 -3
5,6 3 0 -3
5 3 0 -3
6,26087 3 0 -3
7,083333 3 0 -3
5,538462 3 0 -3
4,925926 3 0 -3
5,185185 3 0 -3
4,5 3 0 -3
3,793103 3 0 -3
3,066667 3 0 -3
1,5 3 0 -3
2,941176 3 0 -3
5,473684 3 0 -3
6,75 3 0 -3
8,909091 3 0 -3
10,08696 3 0 -3
12,35294 3 0 -3
8,157895 3 0 -3
7,724138 3 0 -3
7,965517 3 0 -3
6,8 3 0 -3
7 3 0 -3
11. Grafik UCL,CL,LCL metode HWM

14

12

10

8
Tracking
6 UCL
4 CL
LCL
2

0
0 10 20 30 40
-2

-4

12. Kesimpulan grafik kontrol data

Garis orange menunjukan garis batas atas, garis kuning
menunjukan garis batas bawah, sedangkan garis abu – abu menunjukan
garis rerata dan garis biru adalah data. Dari grafik diatas dapat disimpulkan
terdapat 10 data yang ada didalam garis batas kontrol dan terdapat 26 data
yang berada diluar garis batas kontrol.
13. Kesimpulan total
Diketahui bahwa pola dari data produk pertama adalah pola
musiman sehingga peramalan yang dilakukan menggunakan metode atau
teknik HWA dan HWM dari grafik yang bersumber dari data historis. MAD
menunjukan presentase kesalahan dengan merata-tara dugaan kesalahan.
MAPE menunjukan seberapa besar kesalahan dibandingkan dengan nilai
nyata sedangkan Tracking Signal menunjukan validasi peramalan,dimana
nilai Tracking Signal metode HMA maupun HWM bernilai positif yang
berarti nilai peramalan lebih besar dibandingkan dengan hasil permintaan
aktual. Dari grafik yang dilengkapi batas atas dan batas bawah dapat
diketahu besaran data in control pada metode HWA adalah 10 data,
sedangkan banyaknya data out controlnya adalah 26 data. Pada metode
HWM diketahui jumlah data in controlnya adalah 10 data, dan jumlah data
out controlnya 26 data. Sehingga metode menggunakan HWA maupun
HWM tidak ada perbedaan.