MODUL V
PERAMALAN PERMINTAAN
1. DESKRIPSI MODUL
Modul ini membahas tentang peramalan perencanaan produksi dengan menggunakan data
aktual sebelum tahun perhitungan. Oleh karena itu, peramalan hanya diperlukan dalam sistem
manufaktur make to stock. Peramalan kebutuhan yang akan datang dihitung dengan
menggunakan metode-metode peramalan yang sesuai, dan dari metode-metode tersebut dipilih
yang memberikan hasil terbaik. Langkah terpenting dalam menggunakan metode peramalan
adalah kegiatan verifikasi model peramalan yang digunakan. Hasil peramalan digunakan
sebagai bahan pertimbangan dalam menentukan jumlah produksi pada kurun waktu tertentu
di masa yang akan datang, yang selanjutnya digunakan untuk kegiatan perencanaan produksi
Gambar.1 dibawah ini menunjukan posisi modul ini dalam siklus manufaktur.
Data Modul 3
Antropometri Workspace
Deskripsi
Awal
Design
Jenis & Jumlah
Produk Mesin
Gambar Stasiun
Kerja (mesin)
Assembly Chart
Modul 2
Modul 1 Spesifikasi Teknis &
Gambar Teknik Perencanaan
Penelitian Pasar Flow process chart Modul 4
Proses
Time Study
Bill of Materials
Data Inventory
Penjualan Master Waktu Baku & OPC/
Masa Lalu File Precedence Graph
Modul 6
Modul 5 Modul 7
Perencanan & Kapasitas Produksi
Peramalan Hasil Peramalan
& Rencana Produksi Line Balancing &
Pengendalian
Produksi Penjadwalan
Produksi
Jadwal Produksi
2. Tujuan Praktikum
a. Mampu memahami manfaat dan posisi peramalan dalam sistem industri.
b. Mampu memahami definisi tentang beberapa hal yang berkaitan dengan metode
peramalan.
Dari Gambar 2. terlihat bahwa pada peramalan diperlukan data aktual sebelum tahun
perhitungan sebagai acuan sebelum melakukan peramalan. Oleh karena itu, peramalan hanya
diperlukan dalam sistem manufaktur make to stock. Kemudian data aktual tersebut dilihat pola
datanya yang kemudian dilakukan pemilihan metode yang seusai dengan pola data,
selanjutnya data tersebut dihitung menggunakan metode-metode permalan yang sesuai
sehingga diperoleh hasil peramalan terbaik. Kemudian Hasil peramalan digunakan sebagai
bahan pertimbangan dalam menentukan jumlah produksi pada kurun waktu tertentu di masa
yang akan datang.
3.2 Output
Seperti tujuan praktikum di atas, bahwa pada peramalan akan menghasilkan output
berupa:
1. Hasil data peramalan untuk 1 tahun ke depan
Output yang dihasilkan ini merupakan pemilihan berdasarkan kriteria error terkecil
dari metode yang digunakan, metode tersebut yang nantinya akan digunakan untuk
meramalkan data permintaan untuk 1 tahun ke depan.
4. LANDASAN TEORI
4.1 Pendahuluan
Peramalan merupakan aktivitas pertama dalam menentukan jadwal produksi adalah suatu
perkiraan tingkat permintaan yang diharapkan untuk suatu produk atau beberapa produk dalam
periode waktu tertentu di masa yang akan datang. Peramalan merupakan tingkat permintaan
produk-produk yang diharapkan akan terealisir untuk jangka waktu tertentu pada masa yang
akan datang. Peramalan adalah suatu input yang sangat penting dalam perencanaan dan
pengambilan keputusan. Karena bagian operasional produksi bertanggung jawab terhadap
pembuatan produk yang dibutuhkan oleh konsumen, maka keputusan-keputusan operasi
produksi sangat dipengaruhi hasil dari peramalan. Peramalan ini digunakan untuk meramalkan
permintaan dari produk yang bersifat bebas (tidak tergantung), seperti peramalan produk jadi.
Ide dasar yang mendasari setiap metode peramalan adalah penggunaan data-data masa
lalu untuk memprediksikan nilai-nilai dimasa yang akan datang. Ada dua pengkategorian
metode peramalan:
Berdasarkan Sifatnya :
Secara garis besar untuk kategori berdasarkan sifatnya, permalan terbagi ke dalam dua
kategori utama, yaitu : Metode kualitatif dan metode kuantitatif. Taksonomi peramalan dapat
dilihat seperti pada gambar 3.
1. Metode kualitatif
Metode kualitatif ini dugunakan apabila data masa lalu tidak tersedia atau
walaupun tersedia namun jumlahnya tidak mencukupi. Teknik kualitatif
mengkombinasikan informasi dengan pengalaman, penilaian, dan intuisi untuk
menghasilkan pola-pla yang mungkin dapat diterapkan dalam memprediksi masa
yang akan datang.
Peramalan metode kualitatif paling sesuai diterapkan dalam dua kondisi berikut :
o Tidak terdapat atau kurangnya data kuantitatif yang berkualitas. Misalnya,
dalam peramalan bagi produk atau pasar baru
o Terdapat data kuantitatif yang cukup, tetapi terdapat faktor-faktor tertentu
yang menyebabkan teknik kualitattif lebih sesuai untuk diterapkan. Misalnya,
meskipun terdapat data yang cukup mengenai kondisi historis ekonomi di
Indonesia, kondisi-kondisi non ekonomi (politik dan lain sebagainya) sangat
mempengaruhi keadaan dimasa depan.
2. Metode kuantitatif
Dalam metode ini, pola historis data digunakan untuk mengekploras
(meramalkan) masa datang. Terdapat dua teknik kuantitatif utama analisis deret
waktu (time series analysis) dan model structural (structural model) atau model
kausal.
Peramalan dengan menggunakan metode kuantitatif dapat diterapkan apabila
terdapat 3 kondisi yaitu :
1. Tersedia informasi masa lalu
2. Informasi tersebut dapat dikuantifikasikan dalam bentuk numerik
3. Diasumsikan pola data masa lalu akan berulang di masa mendatang
Dengan kata lain, jika asumsi tersebut tidak dipenuhi maka kemungkinan besar
hasil ramalan menjadi tidak akurat.
Kaitan antara pola data time series dengan metode time series :
Gambar 4. Kaitan Antara Pola Data Time Series dengan Metode Time Series
A. Model Naïve
Naïve Model merupakan metode paling sederhana yang digunakan untuk peramalan.
i) Pola Data Stasioner
Naïve 1 adalah model yang paling sederhana untuk data yang stasioner dirumuskan :
(7)
ii) Pola Data yang Mengandung Trend
Naïve 2 adalah model yang paling sederhana untuk data yang mengandung trend
dirumuskan :
(8)
iii)Pola Data Musiman atau Gabungan Musiman dan Trend
Naïve 3 adalah model yang paling sederhana untuk data yang mengandung pola
musiman atau gabungan musiman dan trend dirumuskan sebagai berikut :
(9)
Pemilihan model dibuat dengan jalan mem-plot data. Jika besaran (magnitude) dari variasi
meningkat, model adalah multiplikatif. Tidak ada perbedaan yang substansial antara kedua
jenis model tersebut.
(13)
(14)
(15)
(16)
(17)
Nilai At menyatakan estimasi besarnya (level) nilai ramalan pada waktu t, nilai Tt
menyatakan nilai slope pada waktu t. Nilai pembobotan α dan γ dapat ditentukan oleh
user, namun dalam beberapa software telah dilakukan optimisasinya.
iii)Model Winter atau Triple Eksponensial Smoothing
Model Holt-Winters digunakan untuk memodelkan data dengan pola musiman, baik
mengandung trend maupun tidak. Winter’s Method memberikan tiga pembobotan dalam
prediksinya, yaitu α, γ dan δ yang bernilai antara 0 dan 1. Pembobotan α memberikan
pembobotan pada nilai ramalan, γ memberikan pembobotan pada efek trend, dan δ
memberikan pembobotan pada efek musiman.
keacakan data dengan melihat koefisien autokorelasinya. Model ARIMA juga bisa digunakan
untuk mengatasi masalah sifat keacakan, trend, musiman bahkan sifat siklis data data deret
waktu yang dianalisis.
Ada empat pemodelan mewakili ARIMA yaitu :
a) Model Autoregressive (AR(p))
Model Autoregressive (AR) menunjukkan nilai prediksi variabel dependen Zt hanya
merupakan fungsi linier dari sejumlah Zt aktual sebelumnya. Sebagai contoh, nilai
variabel dependen Zt hanya dipengaruhi oleh nilai variabel tersebut satu periode
sebelumnya maka model tersebut disebut dengan model autoregresif tingkat pertama
atau disingkat AR(1). Sehingga bentuk model AR(1) dapat dinyatakan dalam
persamaan sebagai berikut (Wei, 1994).
(26)
(27)
Secara umum model AR(p) adalah (Cryer, 1986) :
(28)
Dengan :
Z = variabel dependen
Zt-1, Zt-p = kelambanan (lag) dari Z
at = residual (kesalahan pengganggu)
p = tingkat AR (orde dari AR)
b) Model Moving Average (MA(q))
Model Moving Average (MA) menunjukkan bahwa nilai prediksi variabel dependen
Zt hanya dipengaruhi oleh nilai residual pada periode sebelumnya. Sebagai contoh, nilai
variabel dependen Zt hanya dipengaruhi oleh nilai residual pada satu periode
sebelumnya maka disebut dengan model MA tingkat pertama atau disingkat dengan
model MA(1).
Sehingga bentuk model MA(1) dapat ditulis sebagai berikut (Wei, 1994).
t (29)
t-1 (30)
Secara umum bentuk model MA(q) adalah (Cryer, 1986) :
(31)
Dengan :
at = residual
at-1, at-p = kelambanan (lag) dari residual
q = tingkat MA (orde MA)
(33)
(35)
Dengan :
(36)
(37)
Keterangan :
Dies down : turun cepat secara eksponensial (sinusoida)
Cut of after lag p : terputus setelah lag p
H1 :
Statatistik uji : Q*
(39)
(41)
(43)
(44)
6. PE (Percentage Error)
Adalah presentase kesalahan
(46)
(47)
Dengan
Yi : pengamatan pada waktu i
: ramalan pada waktu i
(48)
9. TS (Tracking Signal)
Tracking signal merupakan alat yang penting dalam memonitor sistem peramalan
jangka pendek . Tracking signal dikembangkan oleh Trigg dan mengindikasikan
kegagalan suatu sistem peramalan yang disebabkan oleh perubahan pada pola
yang mendasarinya. Dengan drajat kepercayaan statistis tertentu. Tracking Signal
ini didasarkan pada error peramalan.
(49)
(50)
Dengan :
Xi : pengamatan pada waktu i
Fi : ramalan pada waktu i
n : banyak data testing
selain itu juga dapat menggunakan tracking signal yang merupakan ketepatan peramalan yang
melihat pada pembagi kumulatif error dari peramalan dengan nilai MAD. Hasil dari tracking
signal yaitu berupa perbandingan dengan melihat bahwa nilainya berada pada suatu batasan
yang berupa batas atas dan batas bawah. Dimana biasanya diberikan batasan dari ±3 sampai
dengan ±8. Pengambilan keputusan diterimanya suatu metode tersebut merupakan metode
yang dipilih jika suatu nilai error berada dalam batasan tersebut.
(51)
Dengan
Yi : pengamatan pada waktu i
: ramalan pada waktu i
MAD : Mean Absolute Deviation
6. Prosedur Praktikum
A. Naïve Model
Langkah-langkah yang dilakukan :
1. Masukkan data dalam minitab
2. Plot data time series
Stat > time series plot >simple ok
3. Hitung sesuai rumus Naïve 1, Naïve 2 dan Naïve 3 dan hitung nilai error dengan Excel
4. Validasi dengan membandingkan plot data dengan plot model naïve
5. Hitung nilai MSE dengan Excel dan pilih yang terkecil
6. Buat peramalan
Studi kasus 1
Suatu perusahaan ABC ingin meramalkan penjualan suatu produk yang datanya dalam
kuartalan. Dengan data sebagai berikut :
1. Entry Data
3. Hitung sesuai rumus Naïve 1 (Y1_hat), Naïve 2 (Y2_hat) dan Naïve 3 (Y3_hat) dan error
4. Validasi dengan membandingkan plot data dengan plot model naïve. Pilih yang paling
sesuai dengan plot data sales.
Studi kasus 2
Gunakan data studi kasus 1 dan bandingkan nilai MSE atau MSD nya
1. Dengan plot time series yang sama dengan kasus 1 maka langsung ke langkah 3
2. Pilih Stat > time series > moving average ok
Laboratorium Optimasi Sistem Industri & Kualitas
Praktikum Perancangan Teknik Industri 2013 / Modul 5 – Peramalan Permintaan 22
5. Diperoleh hasilnya
Dari model moving average diperoleh MSE 21478,6 dan Peramalan pada kuartal 1,2,3,4
tahun 2005 diperoleh dengan nilai yang sama yaitu 650.
C. Model–model Eksponensial
Dalam minitab ada 3 model yaitu single eksponensial smoothing, double eksponensial
smoothing dan winters.
4. Pilih Variable, masukkan data time series. In pilih alpha dan gamma enter angka
yang sesuai.
5. Buat ramalannya
Analysis of Variance
Source DF SS MS F P
Regression 3 247542 82514 7.14 0.005
Residual Error 12 138669 11556
Total 15 386211
Source DF Seq SS
kuartal1 1 123526
kuartal2 1 1504
kuartal3 1 122512
iii) Prosedur Model Regresi untuk Data dengan Linier Trend dan Seasonal (variasi
konstan)
1. Masukkan data dalam minitab
2. Plot data time series
Stat > time series plot >simple
Analisis ada trend dan seasonal ? jika ada sampai berapa
3. Buat dummy variabel sesuai jumlah seasonal
4. Pilih Stat > regression< regression
5. Forecasting
Laboratorium Optimasi Sistem Industri & Kualitas
Praktikum Perancangan Teknik Industri 2013 / Modul 5 – Peramalan Permintaan 31
Analysis of Variance
Source DF SS MS F P
Regression 4 371967 92992 71.82 0.000
Residual Error 11 14243 1295
Total 15 386211
Analisa : Dari data yang ada bila dibuat plot time series menunjukkan adanya pola trend
dan seasonal dan dari pemilihan model yang baik memang menunjukkan model yang
terbaik adalah winters model dan regresi dengan trend dan seasonal.
Kriteria kesalahan ramalan
Model
MSE MAD MAPE
Winter’s Method 4372.69 52.29 9.67
Regresi Trend & 11556
Seasonal
E. Model ARIMA
Prosedur Praktikum ARIMA
1. Tahap identifikasi
a) Menggambar/plot data
Pilih menu Stat > Time series > time series plot
Lihat pola datanya apakah sudah stationer atau belum
b) Menggambar ACF dan PACF
Pilih menu Stat > Time series > Autocorerrelation (untuk menggambar ACF) dan
pilih > Partial Autocorerrelation (untuk menggambar PACF). Setelah itu muncul
tampilan seperti di bawah ini :
Klik data yang akan dicari pada kotak series klik store ACF, store t statistic dan
Ljung Box.
2. Tahap Estimasi parameter dan pemeriksaan diagnostik
Langkah-langkahnya
a) Pilih menu Stat > Time series > ARIMA.
Setelah itu muncul tampilan seperti di bawah ini
b) Klik data yang akan diramal kemudian isi kolom autoregressive, difference dan
moving average sesuai model yang cocok. Misal model yang cocok AR (1) maka
isi kolom autoregressive dengan 1 yang lainnya 0.
c) Pilih Graph pilih ACF for residuals fungsinya untuk mendeteksi proses whitenoise
pada residual klik Ok
3. Tahap peramalan
Jika akan meramalkan 5 ke depan periode maka isi lead dengan angka 5 dan isi origin
untuk data 5 periode sebelumnya, jika diisi dengan angka 65 artinya akan meramalkan
data dari 65 sampai 75. Abaikan yang lain klik ok
Studi kasus 7
Data jumlah barang tertentu yang terjual per hari disuatu supermarket yang diamati
mulai periode Maret sampai Juni 2010 (110 hari), terdapat 100 data in sampel, yang
dibuat model dan 10 data out sampel untuk validasi.
Data in sampel
1008 1026 1036 984 1019
1015 1015 1049 992 1014
1006 1019 1039 967 1014
1017 1034 1040 966 1018
1015 1033 1019 970 998
1006 1021 1007 982 996
1013 1017 1008 995 994
1009 1008 1020 981 983
1011 1009 1022 990 994
1009 984 1023 1003 992
995 964 1031 1005 997
1024 964 1011 1016 990
1008 976 1019 1028 993
999 985 1009 1003 988
997 997 1005 993 1004
999 1008 1012 995 995
1004 999 1017 1003 995
1001 1003 1000 1003 1011
1003 1024 997 1013 991
1018 1029 983 1020 994
1. Menggambar/plot data
Pilih menu Stat > Time series > time series plot
Lihat pola datanya apakah sudah stationer atau belum
(a)
(b)
Gambar 5 Plot data in sampel (a) dan data out sampel (b)
Plot ACF menunjukkan korelasi pada lag 1, 2, dan 3 melewati garis merah. Garis
merah adalah selang kepercayaan yang merupakan batas signifikan autokorelasi.
Berdasarkan diagram ACF dapat dikatakan bentuk ACF turun secara eksponensial.
Dari Plot PACF menunjukkan hanya pada lag 1 keluar dari garis merah.
Berdasarkan ACF dan PACF menujukkan data telah stasioner.
Identifikasi awal dengan melihat plot data, nilai sampel ACF dan PACF nya
mengindikasikan bahwa data penjualan ini mengikuti model ARIMA(1,0,0) atau
AR(1), karena bentuk ACF yang turun secara eksponensial dan PACF yang
terputus setelah di lag 1.
Menunjukkan taksiran parameter model AR(1) tersebut signifikan berbeda dari nol
dengan tingkat kepercayaan 95%. Hal ini dapat dilihat dari t hitung atau nilai p =
0,00 < α = 0,05.
Setelah dilakukan pengujian kesignifikan parameter langkah selanjutnya adalah
uji kesesuaian model yang meliputi kecukupan model (uji apakah residualnya white
noise) dan uji asumsi distribusi normal.
Lag 12 24 36 48
Chi-Square 11.8 19.2 31.3 39.7
DF 10 22 34 46
P-Value 0.296 0.634 0.600 0.732
Terlihat bahwa dengan Statistik uji Ljung Box, pada lag 12 p-value adalah 0,296,
lag 24 p-value = 0,634 dan seterusnya. Nilai p tersebut lebih besar dari α = 0,05.
Artinya bahwa residual telah memenuhi syarat white noise (tidak ada korelasi
antara residual pada lag t dengan residual pada lag 12, lag 24 dan seterusnya).
Berdasarkan uji Kolmogorov Smirnov diperoleh nilai p > 0,15 yang lebih besar dari
nilai α = 0,05 sehingga dapat disimpulkan bahwa residual memenuhi asumsi
berdistribusi normal. Karena semua parameter dalam model signifikan dan
residualnya telah memenuhi syarat white noise dan berdistribusi normal maka
model dugaan awal sesuai. Secara matematis model ARIMA (1,0,0) dapat
dituliskan dalam bentuk matematis adalah Zt = 202,679 + 0,7983 Zt-1 + at dengan
MSE = 106,1.
4. Tahap peramalan dilakukan karena seluruh parameter model signifikan dan seluruh
asumsi residualnya terpenuhi. Hasil ramalan in sample dan out sample dapat dilihat
pada Gambar 6.
(a) (b)
Gambar 6. Plot Ramalan Out Sample (a) Dan In Sample (b)
Pemilihan model terbaik yaitu ARIMA (1,0,0) dapat dilakukan berdasarkan criteria
in sampel (data training) dengan Mean Square Error (MSE) = 106,1 dan
Berdasarkan kriteria out sampel (data testing), pemilihan model dapat dilakukan
dengan memperhatikan nilai Mean Absolute Percentage Error (MAPE) yang kecil,
diperoleh :
Dalam penelitian ini akan dilakukan prediksi penjualan pada hari ke-111 sampai
115, hasil prediksi menggunakan ARIMA (1,0,0). Berdasarkan Tabel 4 ditunjukkan
pertumbuhan nominal penjualan mengalami peningkatan.
7. TUGAS PENDAHULUAN
Tugas Pendahuluan 1
1. Jelaskan definisi peramalan!
2. Mengapa perlu adanya peramalan!
3. Sebutkan dan jelaskan kategori peramalan!
4. Sebutkan dan jelaskan pola data di peramalan dan sebutkan metode yang dapat dipakai
pada pola data tersebut, kemudian berikan contohnya masing-masing 1 contoh kasus
untuk setiap pola datanya!
5. Sebutkan dan tuliskan rumus untuk uji kesalahan pada peramalan!
6. Sebutkan langkah-langkah atau tahapan dalam melakukan peramalan!
Tugas Pendahuluan 2
1. Jelaskan definisi ARIMA ?
2. Jelaskan perbedaan AR, MA, ARMA dan ARIMA?
3. Sebutkan dan jelaskan tahapan pada prosedur Box Jenkins!
Tugas Pendahuluan 3
1. Kerjakan data pada tabel dibawah ini dengan menggunakan Tracking Signal! Dengan
batasan -3 s/d +3, kemudian lakukan analisa.
Data
Periode hasil peramalan
Penjualan
1 5752 5736
2 5740 5748
3 5737 5741
4 5740 5737
5 5735 5739
6 5749 5735
7 5734 5746
8 5737 5736
9 5740 5736
10 5747 5739
11 5741 5745
12 5747 5741
2. Tugas Kelompok: cari jurnal tentang peramalan untuk tahun 2011 – 2013.
8. DAFTAR PUSTAKA
Aswi dan Sukarna. 2006. Analisis Deret Waktu. Makassar :Andira Publisher.
Box, G.E.P., Jenkins, G.M., dan Reissel, G.C. 1994. Time Series Analysis Forecasting and
Control, 3rd Edition. Englewood Cliffs: Prentice Hall.
Makridakis, Wheelwright, Gee Mc. 1988. Metode dan Aplikasi Peramalan, Jilid 1. Jakarta :
Erlangga.
Makridakis, Wheelwright, Gee Mc. 1999. Metode dan Aplikasi Peramalan, Edisi kedua.
Jakarta : Bina Rupa Aksara.
Wei, W.W.S. 1994. Time Series Univariate and Multivariate Methods. Canada: Addison
Wesley Publishing Company, Inc.
Data Praktikum