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
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
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
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
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
0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37
-2
-4
-6
-8
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.
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
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
15
10
0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37
-5
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
400
300
100
0
1 4 7 10 13 16 19 22 25 28 31 34
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
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
15
10
0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37
-5
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
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
Santoso, Purbayu Budi dan Muliawan Hamdani. 2007. Statistika Deskriptif Dalam
Bidang Ekonomi dan Niaga. Erlangga. Jakarta
jumlah
400
350
300
250
200
jumlah
150
100
50
0
0 10 20 30 40
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
14
12
10
8
Tracking
6 UCL
4 CL
LCL
2
0
0 10 20 30 40
-2
-4