TUGAS PENDAHULUAN
PRAKTIKUM PERANCANGAN TEKNIK INDUSTRI 2019/2020
MODUL I “FORECASTING”
2. Kuantitatif
Dalam teknik ini, pola historis data digunakan untuk meramalkan pada masa
datang. Terdapat dua teknik kuantitatif yang utama, yakni analisis deret waktu (time
series analysis) dan model struktural (structural model) atau model kausal (De Lurgio,
1998).
a. Time Series
Analisis deret waktu didasarkan pada deret yang menggambarkan pola-pola
yang bervariasi sepanjang waktu, yang dapat dimodelkan untuk menentukan
bagaimana pola yang akan terjadi di masa yang akan datang. Terdapat beberapa
jenis deret waktu, yakni stasioner, trend (linier) dan musiman.
Beberapa metode analisis deret waktu antara lain:
- Moving Average, jenis-jenisnya antara lain simple average, simple moving
average, double moving average, weighted moving average, moving average
with linier trend.
- Exponential Smoothing, jenis-jenisnya antara lain single exponential
smoothing, double exponential smoothing, triple exponential smoothing:
browns one parameter quadratic.
- Classic decomposition census II X-11-A
- Holts-Winters, jenis-jenisnya holts two parameter, winter’s three parameter
exponential smoothing.
- Fourier Series
- Box-Jenkins (ARIMA), dianggap sebagai metode peramalan yang paling
menggambarkan kondisi dunia nyata, karena menggabungkan unsur AR
(Autoregressive), I (Integrated), dan MA (Moving Average).
b. Causal Model
Model kausal terdiri atas teknik-teknik peramalan yang menggunakan
informasi atas satu atau beberapa faktor (variable) untuk memprediksi faktor
lainnya dengan memanfaatkan pengetahuan atas hubungan antara
variabelvariabel tersebut. Teknik utama dalam model-model kausal ini adalah
Multiple Regression, Ekonometrik, Cyclical, State Space, dan Vector
Autoregression.
c. Other Quantitative
Metode peramalan jenis kuantitatif ini menggunakan teknik peramalan yakni
Market Research, Management Science/ Operation Research, Expert System,
Artificial, Neural Networks, Genetic Algorithms, dan Combining Methods.
3. Jelaskan perbedaan validasi dan verifikasi dan contoh dalam dunia industri !
Validasi peramalan dilakukan dengan Tracking Signal. Tracking Signal adalah suatu
ukuran bagaimana baiknya suatu peramalan memperkirakan nilai-nilai actual. 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. Pada Moving Range jika ditemukan satu titik yang berada
diluar batas kendali pada saat peramalan diverifikasi maka harus ditentukan apakah
data harus diabaikan atau mencari peramal baru (Gaspersz, 1998).
Verifikasi merupakan proses pemeriksaan kesesuaian model logika operasional
dengan logika diagram alur atau dapat disederhanakan dengan “apakah terdapat
kesalahan dalam program?”. Validasi adalah proses penentuan apakah model, sebagai
konseptualisasi atau abstraksi, merupakan representasi berarti dan akurat dari sistem
nyata? (Hoover dan Perry, 1989)
Proses verifikasi bertujuan untuk mengetahui bagaimana perbandingan hasil
ramalan dengan demand dalam kenyataanya. Sedangkan proses validasi merupakan
suatu tahapan untuk menguji apakah metode peramalan yang digunakan sudah sesuai
dengan kondisi yang ada atau tidak (Herianto, 1999).
dengan menggunakan beebrapa bentuk model matematis (Barry Render dan Jay Heizer,
2001).
Langkah-langkah peramalan (Sofjan Assauri, 1999):
1) Menganalisa data yang lalu. Tahap ini berguna untuk pola yangterjadi pada masa
lalu. Analisis ini dilakukan dengan cara membuat tabulasi dari data yang lalu.
Suatu langkah yang penting dalam memilih metode analisis deret waktu
adalah mempertimbangkan jenis
2) Menentukan metode yang dipergunakan. Metode peramalan yang baik adalah
metode yang memberikan hasil ramalan yang tidak jauh berbeda dengan
kenyataan yang terjadi.
3) Memproyeksikan data yang lalu dengan menggunakan metode yang dipergunakan
dan mempertimbangkan adanya beberapa faktor perubahan.
Sumber lain :
Aktivitas peramalan merupakan suatu fungsi bisnis yang berusaha memperkirakan
penjualan dan penggunaan produk sehingga produk-produk itu dapat dibuat dalam
kuantitas yang tepat. Maka dari itu dapat dikatakan bahwa peramalan adalah dugaan
terhadap permintaan dimasa yang akan datang berdasarkan pada beberapa variabel
peramal (Sri Hartini, 2011).
Berikut adalah langkah-langkah yang harus dilakukan dalam peramalan (forecasting)
(Sri Hartini, 2011):
Konversi data untuk agregasi data
Plot data
Memilih alternative metode yang sesuai dengan plot data. Dengan asumsi bahwa
pola akan berulang dimasa yang akan datang
Melakukan uji verifikasi dengan menghitung error dari metode-metode yang
digunakan
Memilih metode yang terbaik. Metode yang terbaik adalah metode yang
memiliki nilai error terkecil
Melakukan uji validasi metode terpilih
1. Peramalan jangka panjang, yaitu yang mencakup waktu lebih besar dari 18
bulan. Misalnya, peramalan yang diperlukan dalam kaitannya dengan
penanaman modal, perencanaan fasilitas dan perencanaan untuk kegiatan
litbang.
2. Peramalan jangka menengah, yaitu mencakup waktu antara 3 sampai 18 bulan.
Misalnya, peramalan untuk perencanaan penjualan, perencanaan produksi dan
perencanaan tenaga kerja tidak tetap.
3. Peramalan jangka pendek, yaitu mencakup jangka waktu kurang dari 3 bulan.
Misalnya, peramalan dalam hubungannya dengan perencanaan pembelian
material, penjadwalan kerja dan penugasan karyawan.
3. Regresi Linier
Model analisis Regresi Linier adalah suatu metode populer untuk berbagai
macam permasalahan. Menurut Harding (1974) dua variabel yang digunakan, variabel x
dan variabel y, diasumsikan memiliki kaitan satu sama lain dan bersifat linier. Rumus
perhitungan Regresi Linier yaitu sebagai berikut.
Keterangan:
Y = hasil peramalan
n = periode
a = perpotongan dengan sumbu tegak
b = menyatakan slope atau kemiringan garis regresi
4. Validasi Prospektif
Validasi terhadap pembuatan yang diterapkan sebelum produk di release di
pasaran (pre market validation. Biasanya dibutuhkan minimal 3 batch (diluar trial batch)
untuk menunjukkan hasil yang diharapkan.
• Data kurang lengkap
• Uji in process control tidak seluruhnya dilakukan
• Dilakukan sebelum proses produksi
• Terdapat alat dan komponen baru
Sistem itu dapat berbentuk makro (seperti perekonomian nasional) atau mikro (seperti
dalam perusahaan atau rumah tangga)
c. Metode trend least square
Metode ini merupakan suatu metode peramalan serangkaian waktu yg sesuai
dengan garis tren terhadap serangkaian titik-titik data masa lalu, kemudian
diproyeksikan ke dalam peramalan masa depan untuk peramalan jangka
menengah dan jangka panjang.
d. Metode Variasi Musim
Melakukan prakiraan volume permintaan konsumen di waktu-waktu yang akan
datang dapat didasarkan pada gelombang musiman yang melekat pada kultur
budaya atau kebiasaan dari masyarakat.
e. Metode Ekonometrik
Metoda ini didasarkan atas peramalan sistem persamaan regresi yang
diestimasikan secara simultan. Baik untuk peramalan jangka pendek
maupun peramalan jangka panjang, ketepatan peramalan dengan metoda ini
sangat baik.
8. Sebutkan dan jelaskan jenis plot data dalam peramalan lengkap dengan
gambar!
Ada beberapa tipe plot data yang dapat digunakan data masa lalu yang akan
digunakan untuk peramalan, yaitu (Sri Hartini, 2011):
Konstan terjadi apabila pola data berfluktuasi di sekitar nilai rata – rata yang
konstan (deret seperti ini stasioner terhadap nilai rata - ratanya).
Linier terjadi saat terdapat kenaikan dan penurunan jangka panjang dalam
data.
Kuadratis,
Macam-macam error :
a. Mean Average Deviation (MAD)
Kelebihan: ukuran kesalahan peramalan yang digunakan sederhana
Kekurangan: akurasi hasil peramalan sangat kecil
b. Mean Error (ME)
Kelebihan dari mean error ini yaitu sangat efektif untuk mengetahui apakah
peramalan terlalu tinggi atau terlalu rendah dibanding dengan kenyataan.
Kekuranganya yaitu nilai akan mendekati 0 jika hasil peramalan tidak bias.
c. Mean Absolute Error (MAPE)
Kelebihan: lebih akurat jika persentase kesalahan hasil peramalan terhadap
permintaan selama periode tertentu yang akan memberikan informasi persentase
kesalahan terlalu tinggi atau terlalu rendah
Kekurangan: ukuran kesalahan relative
d. Mean Forecast Error (MFE)
Kelebihan: sangat efektif untuk mengetahui apakah suatu hasil peramalan
selama periode tertentu terlalu tinggi atau terlalu rendah
Kekurangan: nilai akan mendekati nol jika hasil peramalan tidak bias
e. Mean Squared Error (MSE)
Mean squared error dihitung dengan menjumlahkan kuadrat dari semua error
pada setiap periode dan dibagi dengan jumlah periode peramalan. Keuntungan
dari metode ini yaitu sederhana dalam perhitungan, kerugianya yaitu perhitungan
kurang akurat karena tidak memperhatikan pakah nilai error lebih besar atau
lebih kecil dari kenyataanya.
f. Standar Deviation Error (SDE)
Kelebihan: sederhana
Kekurangan: akurasi hasil peramalan sangat kecil karena hanya menggunakan
standar deviasi kesalahan peramalan
(Keterangan : ABCD adalah 4 angka terakhir berdasarkan NIM anda, contohnya NIM
21070114170045. A = 0 ;B = 0; C = 4 ; D = 5)
SOAL : Lakukan peramalan berdasarkan ke-12 data bangkitan tersebut (MINIMAL
TIGA METODE YANG SESUAI) dengan langkah-langkah yang SISTEMATIS dan
LOGIS untuk 12 periode berikutnya. Kemudian pilihlah SATU METODE TERBAIK
dan lakukan VALIDASI terhadap metode tersebut.
I Uniform
a. Single Moving Average 3 Periode
No Data Ft error error^2
1 4320
2 4394
3 4256 4323 -68 4562
4 4246 4299 -53 2787
5 4345 4282 63 3909
6 4178 4256 -78 6153
7 4378 4300 78 6110
8 4259 4272 -13 165
9 4268 4302 -34 1127
10 4340 4289 51 2637
11 4317 4309 8 71
12 4355 4337 17 302
Total 27824
MSE 2529
SDE 50
II Normal
a. Single Moving Average 3 periode
No Data Ft error error^2
1 2016
2 1970
3 2041 2009 32 1050
4 2090 2034 56 3162
5 2086 2073 14 189
6 2112 2096 16 242
7 1927 2042 -114 13097
8 2019 2019 0 0
9 2082 2009 72 5220
10 1979 2026 -48 2264
11 1998 2019 -22 474
12 1950 1976 -25 633
Total 26330
MSE 2633
SDE 51
3 2041 2009
4 2090 2034
5 2086 2073 2039 2107 34
6 2112 2096 2067 2124 29 2141 -29 862
7 1927 2042 2070 2013 -28 2153 -226 50944
8 2019 2019 2052 1986 -33 1985 34 1158
9 2082 2009 2023 1995 -14 1953 128 16477
10 1979 2026 2018 2035 8 1981 -2 4
11 1998 2019 2018 2020 1 2043 -45 2042
12 1950 1976 2007 1944 -32 2021 -71 5007
Total 76494
MSE 10928
SDE 105