LAPORAN PRAKTIKUM

MODUL I
PERAMALAN

Disusun oleh:
Kelompok II
1. Ari Handayani (4409216094)
2. Caecilia Eka A.W.S. (4409216097)
3. Dwi Darmawan Saputra (4409216100)

LABORATORIUM SISTEM PRODUKSI

FAKULTAS TEKNIK UNIVERSITAS PANCASILA
2012
 DAFTAR ISI

Halaman
DAFTAR ISI ........................................................................................................................ i
DAFTAR GAMBAR ............................................................................................................ ii
DAFTAR TABEL ............................................................................................................... iii
DAFTAR LAMPIRAN ........................................................................................................ iv
BAB I PENDAHULUAN..................................................................................................... 1
1.1. Latar Belakang .................................................................................................... 1
1.2. Perumusan Masalah ........................................................................................... 2
1.3. Tujuan Praktikum ................................................................................................ 2
1.4. Pembatasan Masalah.......................................................................................... 3
BAB II LANDASAN TEORI................................................................................................ 4
2.1. Pengertian Peramalan Permintaan ..................................................................... 4
2.2. Kegunaan Peramalan ......................................................................................... 4
2.3. Metode Peramalan .............................................................................................. 5
2.4. Prosedur Peramalan ........................................................................................... 6
2.5. Definisi Peramalan Time Series .......................................................................... 6
2.6. Verifikasi dan Pengendalian Peramalan .............................................................. 9
2.7. Prosedur Peramalan Menggunakan Software WinQSB......................................10
BAB III PENGUMPULAN DAN PENGOLAHAN DATA .....................................................12
3.1. Pengumpulan Data ............................................................................................12
3.2. Pengolahan Data ...............................................................................................13
BAB IV KESIMPULAN DAN SARAN ................................................................................29
4.1. Kesimpulan ........................................................................................................29
4.2. Saran .................................................................................................................30
DAFTAR PUSTAKA .........................................................................................................31

i
 DAFTAR GAMBAR

Halaman
Gambar 2. 1 Tampilan WinQSB – Problem Specification .................................................10
Gambar 2. 2 Tampilan WinQSB – Historical Data ............................................................10
Gambar 2. 3 Tampilan WinQSB – Forecasting Setup ......................................................11
Gambar 2. 4 Tampilan WinQSB – Forecasting Result .....................................................11
Gambar 3. 1 Grafik peramalan metode Moving Average ................................................ 15
Gambar 3. 2 Grafik Peramalan Metode Double Moving Average .....................................18
Gambar 3. 3 Grafik peramalan metode Weighted Moving Average..................................21
Gambar 3. 4 Grafik Peramalan Metode Single Exponential Smoothing ...........................24
Gambar 3. 5 Grafik Peramalan Metode Double Exponential Smoothing ..........................28
.

ii
 DAFTAR TABEL

Halaman
Tabel 3. 1 Data permintaan tahun lalu .............................................................................12
Tabel 3. 2 Penghitungan peramalan Moving Average ......................................................13
Tabel 3. 3 Verifikasi Peramalan Metode Moving Average ................................................14
Tabel 3. 4 Penghitungan Peramalan Metode Double Moving Average ............................16
Tabel 3. 5 Verifikasi peramalan Metode Double Moving Average ....................................17
Tabel 3. 6 Penghitungan Peramalan Metode Weighted Moving Average .........................19
Tabel 3. 7 Verifikasi Peramalan Metode Weighted Moving Average ................................20
Tabel 3. 8 Penghitungan peramalan metode Single Exponential Smoothing ...................22
Tabel 3. 9 Verifikasi Peramalan Metode Single Exponential Smoothing ..........................23
Tabel 3. 10 Penghitungan peramalan metode Single Exponential Smoothing untuk 12
bulan berikutnya ............................................................................................25
Tabel 3. 11 Penghitungan Peramalan Metode Double Exponential Smoothing ................26
Tabel 3. 12 Verifikasi Peramalan Metode Double Exponential Smoothing .......................27
Tabel 4. 1 Rekapitulasi Hasil Peramalan Permintaan AADC Chair ................................. 29
Tabel 4. 2 Data permintaan yang akan datang menggunakan SES .................................29

iii
 DAFTAR LAMPIRAN

Lampiran 1. 1 Peramalan Metode Simple Average menggunakan Software WinQSB

Lampiran 1. 2 Peramalan Metode Moving Average menggunakan Software WinQSB
Lampiran 1. 3 Peramalan Metode Weighted Moving Average menggunakan Software
WinQSB
Lampiran 1. 4 Peramalan Metode Moving Average With Linear Trend menggunakan
Software WinQSB
Lampiran 1. 5 Peramalan Metode Single Exponential Smoothing (SES) menggunakan
Software WinQSB
Lampiran 1. 6 Peramalan Metode Single Exponential Smoothing With Trend
menggunakan Software WinQSB
Lampiran 1. 7 Peramalan Metode Double Exponential Smoothing menggunakan Software
WinQSB
Lampiran 1. 8 Peramalan Metode Double Exponential Smoothing With Trend
menggunakan Software WinQSB
Lampiran 1. 9 Peta Proses Operasi Pembuatan AADC Chair

iv
 BAB I
PENDAHULUAN

1.1. Latar Belakang

Peramalan permintaan dibutuhkan agar tidak terjadi kesenjangan yang
cukup tinggi antara permintaan pasar dengan tingkat produksi dan stok barang di
pabrik. Peramalan adalah suatu perkiraan tingkat permintaan yang diharapkan
untuk suatu produk atau beberapa prodk dalam periode waktu tertentu di masa
yang akan datang. Sehingga peramalan merupakan suatu taksiran yang ilmiah.
Peramalan permintaan akan menjadi masukan dalam keputusan perencaan dan
pengendalian produksi.
Karakteristik peramalan yang baik didasarkan oleh:
a. Akurasi
Akurasi dari hasil peramalan diukur dengan kebiasaan dan kekonsistensian
peramalan tersebut. Hasil peramalan dikatakan bias bila peramalan tersebut
terlalu tinggi atau terlalu rendah dibandingnkan dengan kenyataan. Hasil
peramalan dikatakan konsisten bila besarnya kesalahan peramalan relatif
kecil.Peramalan yang terlalu rendah mengakibatkan kekurangan persediaan
sehingga permintaan konsumen tidak dapat dipenuhi dengan segera, akibatnya
adalah perusahaan akan kehilangan pelangaan dan kehilangan keuntungan
penjualan. Peramalan yang terlalu tinggi akan mengakibatkan terjadinya
penumpukan persediaan. Keakuratan dari hasil peramalan berperan penting
dalam menyeimbangkan persediaan yang ideal (meminimasi persediaan dan
memaksimalkan tingkat pelayanan)
b. Biaya
Biaya yang diperlukan dalam pembuatan suatu peramalan tergantung dari
jumlah item yang diramalkan, lamanya periode peramalan dan metode
peramalan yang dipakai.
c. Kemudahan
Penggunaan metode peramalan yang sederhana, mudah dibuat, dan mudah
diaplikasikan akan memberikan keuntungan bagi perusahaan.

Peramalan pasti mengandung kesalahan, artinya peramal hanya bisa

mengurangi ketidakpastian yang akan terjadi tetapi tidak dapat menghilangkan
ketidakpastian tersebut. Peramalan seharusnya memberikan informasi tentang
berapa ukuran kesalahan, artinya karena peramalan pasti mengandung kesalahan

1
 2

maka penting bagi peramal untuk menginformasikan seberapa besar kesalahan

yang mungkin terjadi.

Hal-hal yang diperlukan dalam membuat peramalan secara statistik:

a. Membuat suatu gambaran permintaan dan waktu (ploting data permintaan),
dimana permintaan sebagai ordinat (x) dan waktu sebagai absis (y)
b. Menentukan model peramalan yang akan digunakan
c. Menilai kesalahan peramalan yang akan digunakan
d. Menilai kesalahan peramalan yang diperkirakan (MAD, MSE, MAPE)
e. Membuat verifikasi dan pengendalian peramalan (MR chart)
f. Membuat suatu keputusan untuk menggunakan teknik/model peramalan
tertentu berdasarkan pertimbangan yang ada (perkiraan nilai kesalahan
peramalan yang terkecil dan hasil verifikasi model peramalan)

Kursi kerja merupakan jenis kursi yang memiliki banyak model atau variasi.
Permintaan akan kursi kantor bersifat fluktuatif dan bergantung atas desain dari
penggunaan pekerjaan suatu perusahaan. Kursi yang didesain disesuaikan dengan
kebutuhan pekerjaan, dengan rancangan yang ergonomis dan nyaman digunakan.

1.2. Perumusan Masalah

Dalam praktikum Sistem Produksi Modul 1, PT Furniture Mesindo
memproduksi kursi kantor dengan rumusan masalah sebagai berikut :
1. Membuat peramalan permintaan untuk periode waktu tertentu.
2. Memilih metode peramalan terbaik dilihat dari biaya yang dikeluarkan
menggunakan software WinQSB

1.3. Tujuan Praktikum

Tujuan praktikum Sistem Produksi Modul 1 (Peramalan) sebagai berikut :
1. Memahami manfaat dan posisi peramalan dalam sistem produksi
2. Memahami metode dan teknik peramalan.
3. Mampu memilih metode peramalan terbaik untuk memecahkan masalah
peramalan.
4. Dapat menggunakan metode dan teknik peramalan untuk menentukan
kebutuhan pasar sebagai dasar penyususnan rencana produksi.
 3

1.4. Pembatasan Masalah

Fokus masalah yang diamati pada modul 1 :
1. Peramalan dihitung dengan menggunakan software WINQSB sub aplikasi FC
(Forecasting)
2. Peramalan terhadap produk kursi dilakukan hanya untuk jangka waktu 12 bulan
ke depan.
3. Metode peramalan yang digunakan adalah Simple Average, Moving Average,
Weighted Moving Average, Moving Average with Linear Trend, Single
Exponential Smoothing, Single Exponential Smoothing With Trend, Double
Exponential Smoothing, Double Exponential Smoothing With Trend, Adaptive
Exponential Smoothing, dan Linear Regresion With Time.
 BAB II
LANDASAN TEORI

2.1. Pengertian Peramalan Permintaan

Peramalan permintaan merupakan tingkat permintaan produk-produk yang
diharapkan akan terealisasi untuk jangka waktu tertentu pada masa yang akan
datang. Peramalan permintaan adalah masukan yang sangat penting dalam
membuat keputusan perencanaan dan pengendalian perusahaan. Keputusan
operasional produksi juga sangat dipengaruhi oleh hasil peramalan permintaan.
Karena bagian operasional produksi bertanggung jawab terhadap pembuatan
produk yang dibutuhkan konsumen.
Permintaan akan suatu produk dari suatu perusahaan merupakan hasil dari
berbagai faktor yang saling berinteraksi dalam pasar. Faktor ini kadang kala berada
diluar kendali perusahaan. Faktor-faktor tersebut antara lain:
1. Siklus Bisnis
Permintaan akan suatu produk di pengaruhi oleh kondisi ekonomi yang
membentuk siklus bisnis dengan fase-fase inflasi, resesi, depresi dan masa
pemulihan.

2. Siklus hidup produk

Siklus hidup suatu produk biasanya mengikuti suatu pola yang disebut kurva S.
Kurva S menggambarkan besarnya permintaan terhadap waktu, dimana sikus
hidup suatu produk akan dibagi menjadi fase pengenalan, fase pertumbuhan,
fase kematangan dan akhirnya fase penurunan. Untuk menjaga kelangsungan
usaha, maka perlu dilakukan inovasi disaat yang tepat.

3. Faktor-faktor lain
Faktor lain yang mempengaruhi permintaan adalah reaksi balik dari pesaing,
perilaku konsumen yang berubah, dan usaha-usaha yang dilakukan sendiri oleh
perusahaan seperti meningkatkan kualitas, pelayanan, anggaran iklan, dan
kebijaksanaan pembayaran secara kredit.

2.2. Kegunaan Peramalan

Dalam hubungan dengan waktu, peramalan dapat digunakan dalam 3 hal,
yaitu sebagai berikut:
1. Peramalan jangka panjang
Digunakan untuk perencanaan produk dan perencanaan sumber daya.

4
 5

2. Peramalan jangka menengah

Digunakan untuk menentukan aliran kas, perencanaan produksi, dan
penentuan anggaran.

3. Peramalan jangka pendek

Digunakan untuk mengambil keputusan dalam hal perlu tidaknya lembur,
penjadwalan kerja, dan keputusan control jangka pendek lainnya.

2.3. Metode Peramalan

Secara umum peramalan diklasifikasikan menjadi 2 macam, yaitu peramalan
yang bersifat subyektif dan peramalan yang bersifat objektif. Perbedaannya adalah
dalam cara mendapatkan hasil ramalan. Peramalan subyektif lebih menekankan
pada keputusan-keputusan hasil diskusi, pendapat pribadi, dan intuisi. Sedangkan
peramalan obyektif meruapak prosedur peramalan yang mengikuti aturan
matematis dan statistic dalam menunjukkan hubungan antara permintaan dengan
satu atau lebih variable yang mempengaruhinya.

2.3.1 Metode Peramalan Subyektif

1. Metode Delphi, cara yang digunakan dalam metode ini adalah dengan
mengumpulkan pendapat ahli dari bidang yang berbeda secara terpisah.
Hal ini bertujuan untuk menghindari pengaruh kelompok. Jika terdapat
perbedaan pendapat yang signifikan maka akan dinyatakan lagi kepada
yang bersangkutan hingga akhirnya diperoleh angka estimasi tertentu
pada interval yang dapat diterima.
2. Metode Penelitian Pasar, cara yang dilakukan adalah dengan
mengumpulkan dan menganalisa fakta secara sistematis yang
berhubungan dengan pemasaran. Yang paling biasa dilakukan adalah
dengan mengadakan survey konsumen.

2.3.2 Metode Peramalan Obyektif

1. Metode Intrinsik, metode ini membuat peramalan hanya berdasarkan
pada proyeksi permintaan historis tanpa mempertimbangkan factor-
faktor eksternal yang mempengaruhinya. Metode ini hanya cocok
digunakan untuk peramalan jangka pendek pada kegiatan produksi.
Metode peramalan intrinsic diwakili oleh analisis deret waktu atau Time
series.
2. Metode Ekstriksik, metode ini mempertimbangkan faktor-faktor eksternal
yang mungkin mempengaruhi besarnya permintaan dimasa yang akan
 6

datang. Metode ini digunakan untuk peramalan jangka panjang yang

dapat menunjukkan hubungan sebab akibat yang jelas dalam hasil
peramalannya. Metode ekstrinsik banyak digunakan untuk peramalan
pada tingkat agregat. Kelemahan dari metode ini adalah dalam hal
mahalnya biaya aplikasinya dan frekuensi perbaikan hasil peramalan
yang rendah kerana sulitnya mengumpulkan informasi perubahan faktor-
faktor eksternal yang terukur. Metode ini diwakili oleh metode regresi.

2.4. Prosedur Peramalan

Berikut adalah langkah-langkah yang dilakukan dalam perencanaan jangka
pendek :
1. Agresikan data permintaan masa lalu item–item yang sama per periode.
2. Buat diagram pencar data permintaan agregat masa lalu untuk family yang
akan diramalkan kebutuhan pasarnya.
3. Tentukan model-model peramalan deret waktu yang sesuai dengan pola data
permintaan masa lalu.
4. Hitung parameter-parameter untuk setiap model peramalan yang telah
ditentukan.
5. Tentukan ukuran error yang akan digunakan untuk mengevaluasi model
peramalan.
6. Hitung error yang dihasilkan setiap model peramalan.
7. Evaluasi model peramalan dengan membandingkan error yang dihasilkan oleh
setiap model peramalan.
8. Pilih metode peramalan yang memiliki error terkecil
9. Dengan menggunakan metode peramalan terbaik, ramalkan permintaan agrerat
untuk periode kedepan yang telah ditentukan.

2.5. Definisi Peramalan Time Series

Analisa Deret Waktu didasarkan pada asumsi bahwa deret waktu tersebut
terdiri dari komponen-kompenen trend, siklus, pola musiman, dan variasi acak yang
akan menunjuk pada pola tertentu. Kompenen diatas akan dipakai sebagai dasar
dalam membuat persamaan matematis. Metode ini digunakan untuk meramalkan
permintaan yang dimasa lalunya cukup konsisten dalam periode waktu yang lama,
sehingga diharapkan pola tersebut akan berlanjut.
Trend merupakan sifat dari permintaan dimasa lalu terhadap waktu., apakah
permintaan tersebut cenderung naik, turun atau konstan. Jika permintaan suatu
 7

produk berulang secara periodic maka ini di sebut siklus. Pola siklus sangat
berguna untuk peramalan jangka menengah dan jangka panjang.
Pola musiman merupakan fluktuasi permintaan suatu produk yang dapat
naik atau turun disekitar garis trend dan biasanya berulang setiap tahun. Pola ini
biasanya di pengaruhi oleh faktor cuaca, musim liburan dan sebagainya. Variasi
acak biasanya terjadi untuk kejadian yang tidak mempunyai pola tertentu, seperti
bencana alam.
Berikut adalah beberapa metode yang digunakan dalam meramalkan
permintaan secara time series.

2.5.1. Rata-rata Bergerak / Moving Average (MA)

Moving Average diperoleh dengan merata-rata permintaan
berdasarkan beberapa data permintaan masa lalu terbaru. Tujuannya adalah
untuk menghindari atau menghilangkan variasi acak permintaan dalam
hubungannya dengan waktu. Disebut rata-rata bergerak karena jika ada data
permintaan aktual terbaru, maka data terdahulu akan dikeluarkan dari
perhitungan.
Metode MA dapat ditulis dengan persamaan :
A A  ....  A
t t 1 t  ( N  1)
MA 
N ........................................... (2.5.1)
Dimana :
A = Permintaan aktual pada periode t
N = Jumlah data permintaan yang dilibatkan dalam perhitungan

Kelemahan dari metode MA adalah sebagai berikut :

1. Peramalan selalu berdasarkan data terbaru tanpa mempertimbangkan
data-data sebelumnya.
2. Setiap data dianggap memiliki bobot yang sama.
3. Diperlukan dana yang cukup besar dalam penyimpanan dan proses data
karena membutuhkan memori yang besar.

2.5.2. Rata – Rata Bergerak dengan Bobot / Weighted Moving Average (WMA)
Metode WMA merupakan solusi untuk mengatasi kelemahan kedua
dari metode MA. Secara matematis dapat ditulis sebagai berikut:
WMA   W  A
t ...................................................................... (2.5.2)
Dimana :
 8

Wt = Bobot permintaan aktual pada periode t

At = Permintaan aktual pada periode

2.5.3. Pemulusan Exponential / Exponential Smoothing (ES)

Kelemahan teknik MA dalam kebutuhan akan data–data masa lalu
yang cukup banyak bias diatasi dengan menggunakan teknis ES.
Persamaan matematisnya adalah sebagai berikut:

A A
F F  t tN
t t 1 N ......................................................... (2.5.3)

2.5.4. Metode Winter

Teknik MA dan ES hanya cocok digunakan bila data yang ada
bersifat stasioner. Bila data permintaan bersifat musiman dan mempunyai
trend, maka dapat diselesaikan dengan metode Winter. Salah satu masalah
dalam penggunaan metode Winter adalah penentuan nilai α, β dan γ yang
akan meminimumkan MSE dan MAPE. Pendekatan untuk menentukan nilai
parameter tersebut biasanya dilakukan secara trial and error.

2.5.5. Metode Winter dengan trend

Model Winter menggunakan model trend dari Holt, dimana model ini
dimulai dengan perkiraan trend sebagai berikut:
T  b( F  F )  (1  b)T
t t t 1 t  1 .............................................. (2.5.4)

Dimana β merupakan konstanta pecahan, Tt adalah perkiraan trend pada

periode-t, dan Ft adalah rata-rata eksponential, maka peramalan baru akan
melibatkan rata-rata eksponential ditambah trend.

2.5.6. Metode Winter dengan faktor musiman

Pola dari permintaan musiman merupakan karakteristik dari beberapa
rangkaian permintaan. Proses umum dari permintaan musiman dapat
dinyatakan dalam persamaan matematis berikut:
A  .  
t t t ........................................................................... (2.5.6)

Dimana µ adalah tingkat permintaan rata-rata, δ adalah faktor musiman, dan

εt adalah distribusi permintaan normal dengan mean nol.
 9

2.5.7. Metode Winter Lengkap

Metode Winter yang lengkap merupakan kombinasi dari metode
Winter sebelumnya.

2.6. Verifikasi dan Pengendalian Peramalan

Dalam membuat peramalan atau menerapkan hasil suatu peramalan, maka
pasti ada beberapa hal yang harus dipertimbangkan, yaitu:
1. Peramalan pasti mengandung kesalahan, artinya peramal hanya bias
mengurangi ketidakpastian yang akan terjadi, tetapi tidak dapat menghilangkan
ketidakpastian yang akan terjadi, tetapi tidak dapat menghilangkan
ketidakpastian tersebut.
2. Peramalan seharusnya memberikan informasi tentang berapa ukuran
kesalahan, artinya karena peramalan pasti mengandung kesalahan, maka
penting bagi peramal untuk menginformasikan seberapa besar kesalahan yang
mungkin terjadi.
3. Peramalan jangka pendek lebih akurat dibandingkan permalan jangka panjang.
Hal ini disebabkan karena peramalan jangka pendek dipengaruhi oleh faktor-
faktor permintaan yang bersifat konstan.

Ukuran akurasi hasil peramalan yang merupakan ukuran kesalahan

peramalan merupakan ukuran tentang tingkat perbedaan antara hasil peramalan
dengan permintaan yang sebenarnya terjadi. Ada 4 ukuran yang biasanya
digunakan, yaitu:
1. Rata-rata Deviasi Mutlak (Mean Absolut Deviation = MAD)
MAD merupakan rata-rata kesalahan mutlak selama periode tertentu tanpa
memperhatikan apakan hasil peramalan lebih besar atau lebih kecil
dibandingkan kenyataannya.
2. Rata-rata Kuadrat Kesalahan (Mean Square Error = MSE)
MSE dihitung dengan menjumlahkan kuadrat semua kesalahan peramalan
pasa setiap periode dan membaginya dengan jumlah periode peramalan.
3. Rata-rata kesalahan peramalan (Mean Forecast Error = MFE)
MFE sangat efektif untuk mengetahui apakah suatu hasil peramalan selama
periode tertentu terlalu tinggi atau rendah. MFE dihitung dengan menjumlahkan
semua kesalahan peramalan selama periode peramalan dan membaginya
dengan jumlah periode peramalan.
4. Rata-rata persentase Kesalahan Absolut (Mean Absolute Percentage Error =
MAPE)
 10

MAPE merupakan ukuran kesalahan relative dan biasanya dibandingkan

dengan MAD, karena MAPE menyatakan persentase kesalahan hasil
peramalan terhadap permintaan aktual selama periode tertentu yang akan
memberikan informasi persentase kesalahan terlalu tinggi atau terlalu rendah.

2.7. Prosedur Peramalan Menggunakan Software WinQSB

Praktikum peramalan dilakukan dengan menggunakan software WinQSB,
dengan langkah-langkah sebagai berikut:
1. Buka program WinQSB dan pilih modul Forecasting.
2. Muncul tampilan sebagai berikut:

Gambar 2. 1 Tampilan WinQSB – Problem Specification

3. Pilih problem type “Time Series Forecasting” dan isi judul peramalan dan
periode peramalan lalu klik OK
4. Muncul tampilan seperti berikut, isi jumlah permintaan tiap periode masa lalu.

Gambar 2. 2 Tampilan WinQSB – Historical Data

 11

5. Klik gambar , sehingga muncul tampilan sebagai berikut;

Gambar 2. 3 Tampilan WinQSB – Forecasting Setup

6. Pilih metode yang akan digunakan lalu klik OK, maka akan muncul hasil
peramalan untuk periode yang akan datang, seperti berikut:

Gambar 2. 4 Tampilan WinQSB – Forecasting Result

Untuk memunculkan grafik, klik tanda

 BAB III
PENGUMPULAN DAN PENGOLAHAN DATA

3.1. Pengumpulan Data

3.1.1. Alat
Dalam praktikum ini digunakan :
 Perangkat keras Komputer
 Perangkat Lunak
o Worksheet (Microsoft Excel)
o Work Processor (Microsoft Word)
o WinQSB Program
3.1.2. Bahan
Bahan yang digunakan dalam praktikum ini adalah data permintaan
satu tahun lalu. Tabel berikut merupakan data permintaan tahun lalu yang
akan digunakan dalam pengolahan data.
Tabel 3. 1 Data permintaan tahun lalu
No Bulan Permintaan
1 Jan 450
2 Feb 440
3 Mar 460
4 Apr 510
5 May 520
6 Jun 495
7 Jul 475
8 Aug 560
9 Sep 510
10 Oct 520
11 Nov 540
12 Dec 550

12
3.2. Pengolahan Data
3.2.1. Metode Moving Average
Tabel 3. 2 Penghitungan peramalan Moving Average
t Bulan at ft (at-ft) |at- ft| (at - ft)^2 |(at-ft)/at| (ft-at) n=3 MR |MR| MR bar 210.417
1 Jan 1000 UCL 559.708
2 Feb 1200 LCL -559.708
3 Mar 1100 A +/- 372.438
4 Apr 1300 1100 200 200 40000 0.1538 -200 B +/- 187.271
5 Mei 1400 1200 200 200 40000 0.1429 -200 0 0
6 Jun 1500 1267 233 233 54444 0.1556 -233 -33 33
7 Jul 1200 1400 -200 200 40000 0.1667 200 433 433
8 Agust 1300 1367 -67 67 4444 0.0513 67 -133 133
9 Sep 1150 1333 -183 183 33611 0.1594 183 117 117
10 Okt 1000 1217 -217 217 46944 0.2167 217 33 33
11 Nop 1500 1150 350 350 122500 0.2333 -350 -567 567
12 Des 1200 1217 -17 17 278 0.0139 17 367 367
Jumlah 300 1667 382222 1.29351675 1683

MAPE 14.37240832

13
 Tabel 3. 3 Verifikasi Peramalan Metode Moving Average
Bulan ft-at UCL LCL A(+) A(-) B(+) B(-)
Apr -200 559.708 -559.708 372.438 -372.438 187.271 -187.271
Mei -200 559.708 -559.708 372.438 -372.438 187.271 -187.271
Jun -233 559.708 -559.708 372.438 -372.438 187.271 -187.271
Jul 200 559.708 -559.708 372.438 -372.438 187.271 -187.271
Agust 67 559.708 -559.708 372.438 -372.438 187.271 -187.271
Sep 183 559.708 -559.708 372.438 -372.438 187.271 -187.271
Okt 217 559.708 -559.708 372.438 -372.438 187.271 -187.271
Nop -350 559.708 -559.708 372.438 -372.438 187.271 -187.271
Des 17 559.708 -559.708 372.438 -372.438 187.271 -187.271

14
 MA
800

600

400

ft-at
200 ucl
lcl
0 A(+)
1 2 3 4 5 6 7 8 9
A(-)
-200 B(+)
B(-)

-400

-600

-800

Gambar 3. 1 Grafik peramalan metode Moving Average

15
 3.2.2. Metode Double Moving Average
Tabel 3. 4 Penghitungan Peramalan Metode Double Moving Average
n= 3 W1 = 0,2 W2 = 0,3 W2 = 0,5
|(at-
t Bulan at s' s'' ft (at-ft) |at-ft| (at - ft)^2 ft)/at| (ft-at) n=3 MR |MR|
1 Jan 1000
2 Feb 1200
3 Mar 1100 1100
4 Apr 1300 1200
5 Mei 1400 1266.667 1188.889
6 Jun 1500 1400 1288.889 1422.222 77.778 77.778 6049.383 0.052 -77.778
7 Jul 1200 1366.667 1344.444 1622.222 -422.222 422.222 178271.605 0.352 422.222 500 500
8 Agust 1300 1333.333 1366.667 1411.111 -111.111 111.111 12345.679 0.085 111.111 -311.111 311.111
9 Sep 1150 1216.667 1305.556 1266.667 -116.667 116.667 13611.111 0.101 116.667 5.556 5.556
10 Okt 1000 1150 1233.333 1038.889 -38.889 38.889 1512.346 0.039 38.889 -77.778 77.778
11 Nop 1500 1216.667 1194.444 983.333 516.667 516.667 266944.444 0.344 -516.667 -555.556 555.556
12 Des 1200 1233.333 1200 1261.111 -61.111 61.111 3734.568 0.051 61.111 577.778 577.778
Jumlah -155.556 1344.444 482469.136 1.025 2027.778

MAPE 14.64118 MR bar 337.963

16
 Tabel 3. 5 Verifikasi peramalan Metode Double Moving Average
Bulan ft-at UCL LCL A(+) A(-) B(+) B(-)
jun -77.778 898.981 -898.981 598.194 -598.194 300.787 -300.787
jul 422.222 898.981 -898.981 598.194 -598.194 300.787 -300.787
agust 111.111 898.981 -898.981 598.194 -598.194 300.787 -300.787
sep 116.667 898.981 -898.981 598.194 -598.194 300.787 -300.787
okt 38.889 898.981 -898.981 598.194 -598.194 300.787 -300.787
nop -516.667 898.981 -898.981 598.194 -598.194 300.787 -300.787
des 61.111 898.981 -898.981 598.194 -598.194 300.787 -300.787

17
 DMA
1000.000

800.000

600.000

400.000
ft-at
ucl
200.000
lcl
0.000 A(+)
jun jul agust sep okt nop des
A(-)
-200.000
B(+)
B(-)
-400.000

-600.000

-800.000

-1000.000

Gambar 3. 2 Grafik Peramalan Metode Double Moving Average

18
3.2.3. Metode Weighted Moving Average
Tabel 3. 6 Penghitungan Peramalan Metode Weighted Moving Average
n= 3 W1 = 0,2 W2 = 0,3 W2 = 0,5
t Bulan at ft (at - ft) | at- ft | (at - ft)^2 |(at - ft)/at| (ft-at) n=3 MR |MR|
1 Jan 1000
2 Feb 1200
3 Mar 1100
4 Apr 1300 1110 190 190 36100 0.146153846 -190
5 Mei 1400 1220 180 180 32400 0.128571429 -180 10 10
6 Jun 1500 1310 190 190 36100 0.126666667 -190 -10 10
7 Jul 1200 1430 -230 230 52900 0.191666667 230 420 420
8 Agust 1300 1330 -30 30 900 0.023076923 30 -200 200
9 Sep 1150 1310 -160 160 25600 0.139130435 160 130 130
10 Okt 1000 1205 -205 205 42025 0.205 205 45 45
11 Nop 1500 1105 395 395 156025 0.263333333 -395 -600 600
12 Des 1200 1280 -80 80 6400 0.066666667 80 475 475
Jumlah 11300 250 1660 388450 1.290265966 1890

MAPE 14.3362885 MR bar 236.25

19
 Tabel 3. 7 Verifikasi Peramalan Metode Weighted Moving Average
Bulan ft-at UCL LCL A(+) A(-) B(+) B(-)
Apr -190 628.425 -628.43 418.163 -418.163 210.263 -210.263
Mei -180 628.425 -628.43 418.163 -418.163 210.263 -210.263
Jun -190 628.425 -628.43 418.163 -418.163 210.263 -210.263
Jul 230 628.425 -628.43 418.163 -418.163 210.263 -210.263
Agust 30 628.425 -628.43 418.163 -418.163 210.263 -210.263
Sep 160 628.425 -628.43 418.163 -418.163 210.263 -210.263
Okt 205 628.425 -628.43 418.163 -418.163 210.263 -210.263
Nop -395 628.425 -628.43 418.163 -418.163 210.263 -210.263
Des 80 628.425 -628.43 418.163 -418.163 210.263 -210.263

20
 WMA
800

600

400
ft-at
200 ucl
lcl
0 A(+)
Apr Mei Jun Jul Agust Sep Okt Nop Des
A(-)
-200 B(+)
B(-)
-400

-600

-800

Gambar 3. 3 Grafik peramalan metode Weighted Moving Average

21
 3.2.4. Metode Single Exponential Smoothing
Tabel 3. 8 Penghitungan peramalan metode Single Exponential Smoothing
n= 3 α= 0,5
t Bulan Data historis (at) peramalan (ft) (at - ft) | at- ft | (at - ft)^2 |(at - ft)/at| (ft-at) n=3 MR |MR|
1 Jan 1000
2 Feb 1200 1000 200 200 40000 0,1667 -200
3 Mar 1100 1100 0 0 0 0 0 200 200
4 Apr 1300 1100 200 200 40000 0,1538 -200 -200 200
5 Mei 1400 1200 200 200 40000 0,1429 -200 0 0
6 Jun 1500 1300 200 200 40000 0,1333 -200 0 0
7 Jul 1200 1400 -200 200 40000 0,1667 200 400 400
8 Agust 1300 1300 0 0 0 0 0 -200 200
9 Sep 1150 1300 -150 150 22500 0,1304 150 150 150
10 Okt 1000 1225 -225 225 50625 0,2250 225 75 75
11 Nop 1500 1113 388 388 150156 0,2583 -388 -613 613
12 Des 1200 1306 -106 106 11289 0,0885 106 494 494
Jumlah 12344 306 1669 394570 1,2990 2331
MAPE 14,43347866 MR bar 291,406

22
 Tabel 3. 9 Verifikasi Peramalan Metode Single Exponential Smoothing
Bulan ft-at UCL LCL A(+) A(-) B(+) B(-)
Feb -200 775.141 -775.141 515.789 -515.789 259.352 -259.352
Mar 0 775.141 -775.141 515.789 -515.789 259.352 -259.352
Apr -200 775.141 -775.141 515.789 -515.789 259.352 -259.352
Mei -200 775.141 -775.141 515.789 -515.789 259.352 -259.352
Jun -200 775.141 -775.141 515.789 -515.789 259.352 -259.352
Jul 200 775.141 -775.141 515.789 -515.789 259.352 -259.352
Agust 0 775.141 -775.141 515.789 -515.789 259.352 -259.352
Sep 150 775.141 -775.141 515.789 -515.789 259.352 -259.352
Okt 225 775.141 -775.141 515.789 -515.789 259.352 -259.352
Nop -388 775.141 -775.141 515.789 -515.789 259.352 -259.352
Des 106 775.141 -775.141 515.789 -515.789 259.352 -259.352

23
 SES
1000

800

600

400
ft-at
ucl
200
lcl
0 A(+)
Feb Mar Apr Mei Jun Jul Agust Sep Okt Nop Des
A(-)
-200
B(+)
B(-)
-400

-600

-800

-1000

Gambar 3. 4 Grafik Peramalan Metode Single Exponential Smoothing

Berdasarkan grafik peramalan, didapatkan data bahwa peramalan dengan metode SES lebih ketat dibanding metode
lainnya. Karena hasil peramalan metode SES berada pada 3 sigma yaitu A(-), B(-) dan B(+), sedangkan metode lainnya
berada pada 4 sigma A(+), A(-), B(+) dan B(-)

24
 Tabel 3. 10 Penghitungan peramalan metode Single Exponential Smoothing untuk 12 bulan berikutnya
n= 3 α= 0,5
t Bulan Data historis (at) peramalan (ft) (at - ft) | at- ft | (at - ft)^2 |(at - ft)/at| (ft-at) n=3 MR |MR|
12 Des 1200 1306 -106 106 11236 0,08833 106
13 Jan 1253 1253 0 0 0 0,00000 0 -106 106
14 Feb 1253 1253 0 0 0 0,00000 0 0 0
15 Mar 1253 1253 0 0 0 0,00000 0 0 0
16 Apr 1253 1253 0 0 0 0,00000 0 0 0
17 Mei 1253 1253 0 0 0 0,00000 0 0 0
18 Jun 1253 1253 0 0 0 0,00000 0 0 0
19 Jul 1253 1253 0 0 0 0,00000 0 0 0
20 Agust 1253 1253 0 0 0 0,00000 0 0 0
21 Sep 1253 1253 0 0 0 0,00000 0 0 0
22 Okt 1253 1253 0 0 0 0,00000 0 0 0
23 Nop 1253 1253 0 0 0 0,00000 0 0 0
24 Des 1253 1253 0 0 0 0,00000 0 0 0
Jumlah 16342 -106 106 11236 0 106
MAPE 0,981481481 MR bar 13,250

Data peramalan 12 bulan berikutnya kurang valid karena data historis yang ada hanya data bulan ke-12, sehingga harus
selalu diperbarui pada bulan-bulan berikutnya.

25
3.2.5. Metode Double Exponential Smoothing
Tabel 3. 11 Penghitungan Peramalan Metode Double Exponential Smoothing
(ft-at)
t Bulan at S'(SES) S"(DES) a1 b1 ft/a+bm (at - ft) | at- ft | (at - ft)^2 |(at-ft)/at| n=3 MR |MR|
1 Jan 1000 1000 1000 1000 0
2 Feb 1200 1100 1050 1150 50 1000 200 200 40000 0.166667 -200
3 Mar 1100 1100 1075 1125 25 1200 -100 100 10000 0.090909 100 300 300
4 Apr 1300 1200 1137.5 1262.5 63 1150 150 150 22500 0.115385 -150 -250 250
5 Mei 1400 1300 1218.8 1381.3 81 1325 75 75 5625 0.053571 -75 75 75
6 Jun 1500 1400 1309.4 1490.6 91 1463 38 38 1406 0.025 -38 38 38
7 Jul 1200 1300 1304.7 1295.3 -5 1581 -381 381 145352 0.317708 381 419 419
8 Agust 1300 1300 1302.3 1297.7 -2 1291 9 9 88 0.007212 -9 -391 391
9 Sep 1150 1225 1263.7 1186.3 -39 1295 -145 145 21116 0.126359 145 155 155
10 Okt 1000 1113 1188.1 1036.9 -76 1148 -148 148 21802 0.147656 148 2 2
11 Nop 1500 1306 1247.2 1365.3 59 961 539 539 290167 0.359115 -539 -686 686
12 Des 1200 1253 1250.1 1256.1 3 1424 -224 224 50362 0.187012 224 763 763
Jumlah 12838 -188 1809 568418 1.429926 3078
MAPE 12.9993 MR bar 384.79

26
 Tabel 3. 12 Verifikasi Peramalan Metode Double Exponential Smoothing
Bulan ft-at UCL LCL A(+) A(-) B(+) B(-)
Feb -200 1023.542 -1023.542 681.078 -681.078 342.463 -342.463
Mar 100 1023.542 -1023.542 681.078 -681.078 342.463 -342.463
Apr -150 1023.542 -1023.542 681.078 -681.078 342.463 -342.463
Mei -75 1023.542 -1023.542 681.078 -681.078 342.463 -342.463
Jun -38 1023.542 -1023.542 681.078 -681.078 342.463 -342.463
Jul 381 1023.542 -1023.542 681.078 -681.078 342.463 -342.463
Agust -9 1023.542 -1023.542 681.078 -681.078 342.463 -342.463
Sep 145 1023.542 -1023.542 681.078 -681.078 342.463 -342.463
Okt 148 1023.542 -1023.542 681.078 -681.078 342.463 -342.463
Nop -539 1023.542 -1023.542 681.078 -681.078 342.463 -342.463
Des 224 1023.542 -1023.542 681.078 -681.078 342.463 -342.463

27
 DES
1500

1000

500 ft-at
ucl
lcl
0 A(+)
Feb Mar Apr Mei Jun Jul Agust Sep Okt Nop Des
A(-)
B(+)
-500 B(-)

-1000

-1500

Gambar 3. 5 Grafik Peramalan Metode Double Exponential Smoothing

28
 BAB IV
KESIMPULAN DAN SARAN

4.1. Kesimpulan
Berikut adalah rekapitulasi hasil peramalan permintaan AADC Chair yang diproduksi
oleh PT Furniture Mesindo dengan menggunakan beberapa metode
Tabel 4. 1 Rekapitulasi Hasil Peramalan Permintaan AADC Chair
METODE PERAMALAN MAPE
Moving Average 14,3724
Double Moving Average 14,6412
Weighted Moving Average 14,3363
Single Exponential Smoothing 14,4335
Double Exponential Smoothing 12,9993

Berdasarkan hasil verifikasi peramalan setiap metode, didapatkan hasil

bahwa peramalan dengan metode SES lebih ketat dibanding metode lainnya.
Karena hasil peramalan metode SES berada pada 3 sigma yaitu A(-), B(-) dan B(+),
sedangkan metode lainnya berada pada 4 sigma A(+), A(-), B(+) dan B(-)
Berikut adalah hasil peramalan permintaan kursi AADC Chair untuk 12 bulan
ke depan menggunakan metode SES

Tabel 4. 2 Data permintaan 12 bulan yang akan datang menggunakan SES

Data
t Bulan Peramalan
Historis
12 Des 1200 1306
13 Jan 1253 1253
14 Feb 1253 1253
15 Mar 1253 1253
16 Apr 1253 1253
17 Mei 1253 1253
18 Jun 1253 1253
19 Jul 1253 1253
20 Agust 1253 1253
21 Sep 1253 1253
22 Okt 1253 1253
23 Nop 1253 1253
24 Des 1253 1253

29
 30

4.2. Saran
1. Dilakukan uji validasi terhadap hasil yang diperoleh menggunakan aplikasi
WIN-QSB
2. Untuk mengetahui efektifitas dan validitas dari data peramalan dapat
menggunakan WIN-QSB sebaiknya menggunakan software statistik lainnya
seperti POM-QM for Windows sebagai pembanding
3. Pemilihan metode peramalan juga harus didasarkan pada jenis barang/produk
yang dijual, terutama bila produk yang dijual ada produk musiman maka harus
menggunakan metode yang sesuai
4. Hasil peramalan harus di-perbarui setiap bulannya menggunakan data aktual
bulan-bulan sebelumnya agar peramalan bulan berikutnya dapat lebih akurat.
 DAFTAR PUSTAKA

Herjanto, Edy. 2007. Manajemen Operasi (Edisi 3). Jakarta. Penerbit: Grasindo

Ma’arif, Mohamad Syamsul dan Hendri Tanjung. 2003. Manajemen Operasi.

Jakarta. Penerbit: Grasindo

Prasetya, Hery dan Fitri Lukiastuti. 2009. Manajemen Operasi. Yogyakarta.

Penerbit: MedPress
Lampiran 1. 1 Peramalan Metode Simple Average menggunakan Software WinQSB

Hasil peramalan permintaan metode Simple Average

Grafik peramalan permintaan dengan metode Simple Average

Lampiran 1. 2 Peramalan Metode Moving Average menggunakan Software WinQSB

Hasil peramalan permintaan metode Moving Average

Grafik peramalan permintaan dengan metode Moving Average

Lampiran 1. 3 Peramalan Metode Weighted Moving Average menggunakan Software
WinQSB

Hasil peramalan permintaan metode Weighted Moving Average

Grafik peramalan permintaan dengan metode Weighted Moving Average

Lampiran 1. 4 Peramalan Metode Moving Average With Linear Trend menggunakan Software
WinQSB

Hasil Peramalan Permintaan Metode Moving Average With Linear Trend

Grafik.Peramalan Permintaan Metode Moving Average with Linear Trend

Lampiran 1. 5 Peramalan Metode Single Exponential Smoothing (SES) menggunakan
Software WinQSB

Hasil Peramalan Permintaan Metode Single Exponential Smoothing (SES)

Peramalan Permintaan Metode Single Exponential Smoothing (SES)

Lampiran 1. 6 Peramalan Metode Single Exponential Smoothing With Trend menggunakan
Software WinQSB

Hasil Peramalan Permintaan Metode Single Exponential Smoothing with Trend

Peramalan Permintaan Metode Single Exponential Smoothing with Trend

Lampiran 1. 7 Peramalan Metode Double Exponential Smoothing menggunakan Software
WinQSB

Hasil Peramalan Permintaan Metode Double Exponential Smoothing

Peramalan Permintaan Metode Double Exponential Smoothing

Lampiran 1. 8 Peramalan Metode Double Exponential Smoothing With Trend menggunakan
Software WinQSB

Hasil Peramalan Permintaan Metode Double Exponential Smoothing With Trend

Peramalan Permintaan Metode Double Exponential Smoothing With Trend

Lampiran 1. 9 Peta Proses Operasi Pembuatan AADC Chair

PETA PROSES OPERASI

Nama Objek : Kursi Kerja
Nomor Peta :1
Dipetakan Oleh : Kelompok 2
Tanggal : 3 November 2012

Sandaran Tangan Jok Kursi Rangka Jok Kaki Kursi

O-13 Pengukuran bahan O-9 Pengukuran bahan O-5 Pengukuran bahan O-1 Pengukuran bahan

O-14 Pemotongan bahan O-10 Pemotongan bahan O-6 Pemotongan bahan O-2 Pemotongan bahan

Penghalusan Penghalusan Penghalusan Penghalusan

O-15
Bahan
O-11
Bahan
O-7 Bahan 0-3 Bahan

I-4 Inspeksi I-3 Inspeksi I-2 Inspeksi I-1 Inspeksi

O-16 Penyambungan O-12 Penyambungan O-8 Penyambungan 0-4 Penyambungan

O-17 Penyambungan

I-5 Inspeksi

O-18 Penyambungan

O-19 Penyambungan

O-20 Finishing (Cat)

I-6 Inspeksi

RINGKASAN
Kegiatan Jumlah Storage

20

Total 26