Modul 1 Ppic
Modul 1 Ppic
PERAMALAN
1.1 PENDAHULUAN
1.1.1 Latar Belakang
Peramalan atau forecasting merupakan permintaan akan produk dan jasa di waktu
mendatang dan sangat penting dalam perencanaan dan pengawasan produksi.
Peramalan yang baik adalah esensial untuk efesiensi operasi manufacturing dan
produksi jasa. Pada hakekatnya peramalan merupakan suatu perkiraan terhadap
keadaan yang akan terjadi dimasa yang akan datang. Keadaan yang masa datang
yang dimaksud adalah;
a. Apa yang dibutuhkan (jenis)
b. Berapa yang dibutuhkan (jumlah/kuantitas)
c. Kapan dibutuhkan (waktu)
Tujuan peramalan dalam kegiatan produksi adalah untuk meredam ketidak
pastian, sehingga diperoleh suatu perkiraan yang mendekati keadaan yang
sebenarnya. Peramalan tidak akan pernah bisa sempurna tetapi meskipun demikian
hasil peramalan membersikan arahan bagi suatu perencanaan. Suatu perusahaan
biasanya menggunakan prosedur tiga tahap untuk sampai pada peramalan penjualan,
yaitu diawali dengan melakukan peramalan lingkungan, diikuti dengan peramalan
penjualan industri, dan diakhiri dengan peramalan penjualan perusahaan.
1.1.2 Tujuan
a. Memahami karakteristik peramalan.
b. Mampu menggunakan metode peramalan dalam melakukan peramalan produksi.
c. Mampu memilih metode peramalan terbaik.
∑𝑦 − 𝑏∑𝑥
𝑎=
𝑛
𝑛. ∑ 𝑥𝑦 − ∑ 𝑥 ∑ 𝑦
𝑏=
𝑛 ∑ 𝑥 2 − (∑ 𝑥)2
∑𝑥 ∑𝑦
𝑋̅ = 𝑛 𝑌̅ = 𝑛
Keterangan:
Y = hasil peramalan
n = periode
a = perpotongan dengan sumbu tegak
b = menyatakan slope atau kemiringan garis regresi
1.2.3 Ukuran Akurasi Peramalan
Model-model peramalan yang dilakukan kemudian divalidasi menggunakan
sejumlah indikator. Indikator-indikator yang umum digunakan adalah rata-rata
penyimpangan absolut (Mean Absolute Deviation), rata-rata kuadrat terkecil (Mean
Square Error), rata-rata persentase kesalahan absolut (Mean Absolute Percentage
Error), validasi peramalan (Tracking Signal), dan pengujian kestabilan (Moving
Range).
a. Mean Absolute Deviation (MAD)
Metode untuk mengevaluasi metode peramalan menggunakan jumlah dari
kesalahan-kesalahan yang absolut. Mean Absolute Deviation (MAD) mengukur
ketepatan ramalan dengan merata-rata kesalahan dugaan (nilai absolut masing-
masing kesalahan). MAD berguna ketika mengukur kesalahan ramalan dalam
unit yang sama sebagai deret asli. Nilai MAD dapat dihitung dengan
menggunakan rumus sebegai berikut :
|𝑒𝑖 | |𝑋 − 𝐹𝑖 |
∑ ∑ 𝑖
𝑋𝑖 𝑋100% 𝑋100%
𝑋𝑖
𝑀𝐴𝑃𝐸 = =
𝑛 𝑛
d. Tracking Signal
Validasi peramalan dilakukan dengan Tracking Signal. Tracking Signal
adalah suatu ukuran bagaimana baiknya suatu peramalan memperkirakan nilai-
nilai aktual. Nilai Tracking Signal dapat dihitung dengan menggunakan rumus
sebegai berikut.
𝑅𝑆𝐹𝐸
𝑇𝑟𝑎𝑐𝑘𝑖𝑛𝑔 𝑆𝑖𝑔𝑛𝑎𝑙 =
𝑀𝐴𝐷
Jika ditemukan satu titik yang berada diluar batas kendali pada saat
peramalan diverifikasi maka harus ditentukan apakah data harus diabaikan atau
mencari peramal baru. Jika ditemukan sebuah titik berada diluar batas kendali
maka harus diselidiki penyebabnya. Penemuan itu mungkin saja membutuhkan
penyelidikan yang ekstensif. Jika semua titik berada di dalam batas kendali,
diasumsikan bahwa peramalan permintaan yang dihasilkan telah cukup baik.
Jika terdapat titik yang berada di luar batas kendali, jelas bahwa peramalan
yang didapat kurang baik dan harus direvisi.
1.3 PENGUMPULAN DATA DAN PENGOLAHAN DATA
1.3.1 Pengumpulan Data
a. Tugas Pendahuluan
Diketahui data historis permintaan selama 10 tahun sbb:
Tabel 1.1 Tugas Pendahuluan
Periode 1 2 3 4 5 6 7 8 9 10
Jumlah 120 100 135 165 119 213 234 254 272 290
produksi
Terapkan metode regresi linier untuk menentukan permintaan 3 periode yang
akan datang (periode 11, 12, dan 13)
b. Soal Latihan 1
Diketahui data permintaan masa lalu untuk suatu produk selama 12 periode
terakhir:
Tabel 1.2 Tabel Soal Latihan 1
Periode 1 2 3 4 5 6 7 8 9 10 11 12
Permintaan 24 30 36 39 50 48 56 55 36 36 25 23
Dari data tersebut, hitung peramalan permintaan pada periode ke-13 dengan
metode berikut:
1) Moving average (m=2, 3, 4, 5, dan 6)
Tentukan kriteria performans untuk masing-masingnya, dan tentukan pula
metode mana yang seharusnya dipillih!
2) Eksponential smoothing (dengan α = 0,1; 0,2; 0,3 dan 0,4)
Tentukan kriteria performansi untuk masing-masingnya, dan tentukan pula
metode mana yang seharusnya dipilih!
3) Dari point (a) dan (b), metode mana yang harus terpilih untuk melakukan
peramalan permintaan metode ke-13?
c. Soal Latihan 2
Toko SEGAR adalah toko kelontong yang menjual air mineral botol 600 ml. Data
penjualan air mineral botol dalam 6 bulan pertama tahun 2009 adalah sebagai
berikut.
Tabel 1.3 Tabel Soal latihan 2
Bulan Penjualan
Januari 215
Februari 222
Maret 235
April 228
Mei 210
Juni 240
1) Ramalan penjualan pada januari 2010 dengan metode regresi linier?
2) Ramalan penjualan pada januari 2010 dengan metode Moving Average dengan
m=2 dan 3
3) Ramalan penjualan pada januari 2010 dengan metode single Exponential
Smoothing dengan α= a,3 dan 0,7
4) MAD (mean absolute deviation) dan MSE (mean squared error)?
5) Tentukan kriteria performansi untuk masing-masingnya, dan tentukan pula
metode mana yang seharusnya dipilih!
d. Soal latihan 3
Diketahui sebuah pabrik sepatu memiliki data penjualan selama satu tahun
sebagai berikut;
Tabel 1.4 Tabel Soal Latihan 3
Bulan Indeks Waktu (t) Penjualan Aktual (A)
Januari 1 542
Februari 2 538
Maret 3 541
April 4 543
Mei 5 538
Juni 6 537
Juli 7 541
Agustus 8 540
September 9 542
Oktober 10 540
November 11 538
Desember 12 541
Dari data tersebut, hitung peramalan permintaan pada periode ke-13 dengan
metode berikut;
1) Moving Aveage (m=2, 3, 4 dan 8)
Tentukan kriteria performans untuk masing-masingnya, dan tentukan pula
metode mana yang seharusnya dipilih!
2) Eksponential Smoothing (dengan α= 0,1; 0,2; 0,3; dan 0,5)
Tentukan kriteria performans untuk masing-masingnya, dan tentukan pula
metode mana yang seharusnya dipilih!
3) Dari poin (a) dan (b), metoode mana yang terpilih untuk melakukan peramalan
permintaan periode ke-13?
b) M = 3
Tabel 1.9 Forecasting Results (M=3)
d) M = 5
Tabel 1.13 Forecasting Results (M=5)
Tabel 1.14 Details and Error Analysis (M=5)
e) M = 6
Tabel 1.15 Forecasting Results (M=6)
2) Eksponential Smoothing
a) α = 0,1
Tabel 1.17 Forecasting Results (α=0,1)
b) α = 0,2
Tabel 1.19 Forecasting Results (α = 0,2)
Tabel 1.20 Detail and Error Analysis (α = 0,2)
c) α = 0,3
Tabel 1.21 Forecasting Results (α = 0,3)
Jadi metode yang sebaiknya dipilih yaitu α = 0,4 karena memiliki standard
error yang paling kecil.
c. Soal Latihan 2
1) Reagresi Linier Periode ke 13
Tabel 1.25 Forecasting Results periode ke 13
Tabel 1.26 Details and Error Analysis periode ke 13
2) Moving Average
a) M=2
Tabel 1.27 Forecasting Results (M=2)
b) M=3
Tabel 1.29 Forecasting Results (M=3)
3) Exponential Smoothing
a) α = 0,3
Tabel 1.31 Forecasting Results (α = 0,3)
d. Soal Latihan 3
1) Moving Average
a) M=2
Tabel 1.36 Forecasting Results (M=2)
Tabel 1.37 Details and Error Analysis (M=2)
b) M=3
d) M=8
2) Exponential Smoothing
a) α=0,1
c) α=0,3
d) α=0,5
3) Sebaiknya memilih metode moving average m=8 (MAD 1,34; MSE 2,58;
dan MAPE 0) yang paling kecil dan memiliki tinggkat kesalahan yang
paling kecil dibanding kan metode yang lainnya.
1.4 PEMBAHASAN