MODUL FORECASTING
FAKULTAS TEKNIK
JURUSAN TEKNIK INDUSTRI
UNIVERSITAS ESA UNGGUL
CITRA RAYA
2019
KATA PENGANTAR
Puji syukur penulis ucapkan atas kehadirat Allah SWT yang telah
melimpahkan rahmat dan hidayah-Nya sehingga penulis dapat menyelesaikan
penyusunan laporan akhir praktikum Sistem Produksi modul Forecasting yang
mana laporan ini adalah hasil kerja dari kelompok 2 pada mata kuliah Sistem
Produksi yaitu mata kuliah yang wajib diikuti pada semester 5 yang ada di jurusan
Teknik Industri Universitas Esa Unggul.
I
Akhirnya penulis berharap semoga Allah SWT memberikan imbalan yang
setimpal pada mereka yang telah memberikan bantuan, dan dapat menjadi amal
ibadah yang di ridhoi-Nya. Amin ya Robbal ‘Alaminn.
Penulis
II
DAFTAR ISI
III
3.3. Metode Des Brown Dengan a = 0.1 ..................................................................... 27
3.4. Metode Des Brown Dengan a = 0.3 ..................................................................... 28
3.5. Metode Des Brown Dengan a = 0.5 ..................................................................... 29
3.6. Metode MDE Holt ............................................................................................... 30
3.7. Metode Moving Average (MA) ........................................................................... 31
3.8. Metode Double Exponential Smoothing (DES)................................................... 34
BAB IV ANALISIS DATA ............................................. 3Error! Bookmark not defined.
4.1. Pengujian Ketepatan Peramalan (ME,MAD,MSE)3Error! Bookmark not defined.
4.2. Rekapitulasi Error ................................................................................................ 41
4.3. Stattistic U-Theil .................................................................................................. 41
4.4. Moving Range ...................................................................................................... 43
4.5. Tracking Signal .................................................................................................... 44
BAB V PENUTUP ......................................................................................................... 46
5.1. Kesimpulan .......................................................................................................... 46
5.2. Saran ..................................................................................................................... 47
DAFTAR PUSTAKA...............................................................................................
LAMPIRAN..............................................................................................................
IV
DAFTAR TABEL
V
DAFTAR GAMBAR
VI
BAB I
PENDAHULUAN
1
tersedia di inventori sehingga hal tersebut dapat meningkatkan service level
kepada konsumen dari perusahaan.
2
mobil Tamiya Rumelo, Verona dan Angelo. Metode yang akan digunakan dalam
peramalan adalah satu metode yang merupakan metode terbaik dan terpilih untuk
meramalkan demand masa depan. Metode yang digunakan dalam melakukan
peramalan adalah Moving Average (MA) seperti Single Moving Average (SMA),
Double Moving Average (DMA), Weighted Moving Average (WMA), Centred
Moving Average (CMA); Exponential Smoothing seperti Single Exponential
Smoothing (SES) dan Double Exponential Smoothing (DES), Single Exponential
Smoothing with Trend (SEST), Double Exponential Smoothing with Trend
(DEST), Linier Regresi dan ARIMA.
3
1.6 Sistematika Penulisan
BAB I PENDAHULUAN
Berisi mengenai latar belakang, perumusan masalah, tujuan penulisan,
pembatasan masalah, identifikasi masalah, serta sistematika penulisan yang
digunakan
BAB II LANDASAN TEORI
Berisi mengenai teori-teori yang menjadi landasan dalam membuat laporan
yang berhubungan dengan kasus dan masalah yang terjadi yaitu dalam hal ini
adalah mengenai teori landasan mengenai peramalan.
BAB III PENGOLAHAN DATA
Berisi mengenai data-data yang di olah dari studi kasus.
BAB IV ANALISIS HASIL PERHITUNGAN
Berisi mengenai hasil perhitungan dari data-data yang di olah dari bab
sebelumnya, kemudian di lakukan analisis terhadap data-data tersebut.
BAB V PENUTUP
Berisi mengenai kesimpulan dan saran
4
BAB II
LANDASAN TEORI
5
Menurut Handoko (1999) Peramalan adalah suatu usaha untuk meramalkan
keadaan dimasa mendatang melalui pengujian keadaan di masa lalu. Menurut
Gaspersz (2005) Aktivitas peramalan merupakan suatu fungsi bisnis yang
berusaha memperkirakan penjualan dan penggunaan produk sehingga produk-
produk itu dapat dibuat dalam kuantitas yang tepat. Menurut Taylor (2004)
Peramalan yaitu sebuah prediksi mengenai apa yang akan terjadi di masa depan.
Sebuah perusahaan yang menghasilkan barang hasil produksi memerlukan bahan
baku, seperti halnya PT Tamiya Racing Indonesia memerlukan bahan baku
dalam proses produksi. Dalam memenuhi kebutuhan bahan baku diperlukan
peramalan. Dari pengertian para ahli diatas, maka dapat ditarik suatu kesimpulan
bahwa Peramalan adalah seni dan ilmu memprediksi peristiwa-peristiwa masa
depan dengan melakukan studi terhadap data historis untuk menemukan
hubungan, kecenderungan dan pola yang sistematis.
6
3. Peramalan Permintaan, proyeksi permintaan untuk produk atau
layanan suatu perusahaan. Peramalan ini disebut peramalan penjualan
yaitu mengendalikan produksi, kapasitas, serta sistem penjadwalan dan
menjadi input bagi perencanaan keuangan, pemasaran dan sumber daya
manusia.
6. Membuat peramalan,
7
merencanakan pembelian, penjadwalan kerja, jumlah tenaga kerja,
penugasan kerja, dan tingkat produksi.
8
Gambar 2.1 pola data horisontal
9
Gambar 2.3 pola trend
Siklus hidup produk biasanya mengikuti pola yang biasa disebut kurva S.
Kurva S menggambarkan besarnya permintaan terhadap waktu, dimana siklus
hidupsuatu produk yang dibagi menjadi fase pengenlan, fase pertumbuhan, fase
kematangan, dan akhirnya fase penurunan. Untuk menjaga kelangsungan usaha,
maka perlu dilakukan inovasi produk pada saat yang tepat.
10
e. Perubahan permintaan
Metode kuantitatif dapat dibagi ke dalam deret berkala atau kurun waktu
(time series) dan metode kausal, sedangkan metode kualitatif dapat dibagi menjadi
metode eksploratoris dan normative. Metode kuantitatif sangat beragam dan
setiap teknik memiliki sifat, ketepatan dan biaya tertentu yang harus
dipertimbangkan dalam memilih metode tertentu. Untuk menggunakan metode
kuantitatif terdapat tiga kondisi yang harus dipenuhi, yaitu:
11
JANGKA PANJANG PEMBUATAN PRODUK
(LEBIH DARI 2 STRATEGIS
BARU
TAHUN)
Tabel 2.1 Rentang waktu dalam peramalan
Analisa deret waktu didasarkan pada asumsi bahwa deret waktu tersebut
terdiri dari komponen-komponen Trend/kecenderungan (T), Siklus/cycle(C), Pola
Musiman/Season (S), dan variasi acak/Random(R) yang akan menunjukan suatu
pola tertentu. Penjelasan komponen–komponen tersebut adalah sebagai berikut:
a) Trend (T) merupakan sifat dari permintaan masa lalu terhadap waktu
terjadinya apakah permintaan tersebut cenderung naik, turun atau konstan.
b) Cycle (C) merupakan sifat dari permintaan dalam satu periode apakah
mengalami permintaan dengan jumlah yang sama atau tidak.
d) Random (R) permintaan suatu produk dapat berubah secara tiba-tiba yang
disebabkan oleh faktor tertentu. Contoh bencana alam, promosi khusus
perusahaan pesaing, dimana faktor-faktor ini tidak dapat diperkirakan dan tidak
mempunyai pola tertentu.
12
Dalam metode time series ada beberapa teknik yang biasa digunakan
tergantung pola permintaan yang terjadi. Dibawah ini merupakan penjelasannya:
2. MOVING AVERAGE
𝐴𝑡+𝐴𝑡−1+⋯+𝐴𝑡−(𝑁−1)
MA = 𝑁
keterangan:
At = Permintaan aktual pada periode t
N = Jumlah data permintaan yang dilibatkan dalam perhitungan.
3. WEIGHTED MOVING AVERAGE
Saat terdapat tren atau pola yang terdeteksi, bobot dapat digunakan untuk
menempatkan penekanan yang lebih pada nilai terkini. Moving average dengan
pembobotan disebut juga Weighted Moving Average. Weighted Moving Average
dapat digambarkan secara matematik sebagai berikut:
WMA = ∑ Wt- Et
keterangan:
4. EXPONENTIAL SMOOTHING
13
Exponential smoothing (penghalusan eksponensial) merupakan metode
peramalan rataan bergerak dengan pembobotan di mana titik-titik data dibobotkan
oleh fungsi eksponensial. Single Exponential Smoothing dapat digambarkan
secara matematis berikut:
keterangan:
α= konstanta penghalusan (0 ≤ α ≤ 1)
f(t + τ ) = F1 (t)
keterangan:
α = konstanta penghalusan (0 ≤ α ≤ 1)
14
Ukuran akurasi hasil peramalan yang merupakan ukuran tentang tingkat
perbedaan atau kesalahan hasil peramalan dengan permintaan yang sebenarnya
terjadi. Ada 4 ukuran yang biasa digunakan, yaitu:
𝐴𝑡−𝐹𝑡
MAD = ∑ 𝑛
keterangan:
(𝐴𝑡−𝐹𝑡)²
MSE = ∑ 𝑛
keterangan:
15
Mean Forecast Error (MFE) sangat efektif untuk mengetahui apakah suatu
hasil peramalan selama periode tertentu terlalu tinggi atau rendah. Bila hasil
peramalan tidak bias, maka nilai MFE akan mendekati not. MSE dihitung dengan
menjumlahkan semua kesalahan peramalan selama periode peramalan dan
membaginya dengan jumlah periode peramalan. Secara sistematis dirumuskan
sebagai berikut :
𝐴𝑡−𝐹𝑡
MFE = ∑ 𝑛
keterangan:
100 𝐹𝑡
MAPE = ( ) ∑ |𝐴𝑡 − 𝐴𝑡 |
𝑛
keterangan:
16
Dalam membuat peramalan atau menerapkan suatu peramalan maka ada
beberapa hal yang harus dipertimbangkan yaitu :
a. Statistic U-Theil
17
Perumusannya:
𝑛−1
∑𝑡−1 (𝐹𝑃𝐸𝑖+1 − 𝐴𝑃𝐸𝑖+1 )2 /(𝑛 − 1)
𝑈=√ 𝑛−1
∑𝑡−1 (𝐴𝑃𝐸𝑖+1 )2 / (𝑛 − 1)
Dimana :
𝐹𝑖+1 − 𝑋𝑖
𝐹𝑃𝐸𝑖+1 = , 𝑃𝑒𝑟𝑢𝑏𝑎ℎ𝑎𝑛 𝑟𝑒𝑙𝑎𝑡𝑖𝑣𝑒 𝑦𝑎𝑛𝑔 𝑑𝑖𝑟𝑎𝑚𝑎𝑙𝑘𝑎𝑛
𝑋𝑖
𝑋𝑖+1 − 𝑋𝑖
𝐴𝑃𝐸𝑖+1 = , 𝑃𝑒𝑟𝑢𝑏𝑎ℎ𝑎𝑛 𝑟𝑒𝑙𝑎𝑡𝑖𝑣𝑒 𝑦𝑎𝑛𝑔 𝑠𝑒𝑏𝑒𝑛𝑎𝑟𝑛𝑦𝑎
𝑋𝑖
𝑛−1
(𝐹𝐼+1 − 𝑋𝑖+1 )2
∑ / (𝑛 − 1)
𝑋𝑖
𝑡−1
𝑈= 𝑛−1
(𝐹𝐼+1 − 𝑋𝑖+1 )2
∑ / (𝑛 − 1)
𝑋𝑖
√ 𝑡−1
Dengan interprestasi :
U = 1 → metoda Naïve sama baiknya dengan teknik ramalan yang
dievaluasi.
U < 1 → teknik peramalan yang dievaluasi lebih baik daripada metode
Naïve.
Makin kecil nilai statistic-U, makin baik teknik peramalan
dibandingkan dengan metode Naïve secara relatif.
U > 1 →metoda Naïve lebih baik dari teknik peramalan yang dievaluasi.
18
Penurunan rumus dari metode ini adalah:
X 1 X 2 X 3 .... X n
Fn
n
Moving Average With Linear Trend (MAT) atau Double Moving Average
(rata-rata bergerak ganda)
Dasar pemikiran metode ini yaitu melakukan moving average tingkat 2 atau rata-
rata bergerak dari rata-rata bergerak yang juga disebut rata-rata bergerak linier,
yang hasilnya diharapkan dapat memperkecil keasalahan sistematis yang mungkin
terjadi pada peramalan rata-rata bergerak tunggal.
Penurunan rumus dari metode ini adalah:
Ft m at bt .m
19
Dimana :
at F( t ) F ' (t )
2 * F '
bt
(t )
N 1
Single Exponential Smoothing (SES) (pemulusan eksponensial tunggal)
Dasar pemikiran metode ini yaitu menunjukkan pembobotan menurun secara
exsponensial terhadap nilai observasi yang lebih tua, sehingga ramalan yang
dihasilkan merupakan ramalan yang lalu ditambah suatu penyesuaian untuk
kesalahan yang terjadi pada ramalan terakhir.
Penurunan rumus dari metode ini adalah:
Ft 1 Ft * X t Ft
Dimana :
Ft * X t 1 Ft 1 Tt 1
T t * Ft Ft 1 1 * Tt 1
20
Ft =
a + b.t
Dimana :
dt.t 2 t. dt.t
a
N .t 2 t
2
N . dt.t dt. t
b
N .t 2 t
2
Kesalahan Peramalan
Ukuran kesalahan (error) adalah besarnya penyimpangan antara aktual demand
dengan hasil ramalan.
Apabila dirumuskan : et = dt - Ft
Ada dua macam ukuran kesalahan yaitu ukuran statistic dan ukuran relative.
Dalam menentukan kesalahan statistik :
Mean Error (ME)
e t 1
t
ME =
n
e
t 1
t
MAE =
n
SSE =
n
e
2
t
t 1
21
n
e
2
t 1
MSE =
n
e
2
t
t 1
SDE =
n 1
X t Ft
PE = x100
X t
PE
t 1
t
MPE =
n
MAPE =
n
PE
t 1
t
n
Peta Moving Range
Peta moving range dirancang untuk membandingkan nilai permintaan aktual
dengan nilai peramalan. Dengan kata lain, kita melihat data permintaan aktual dan
membandingkannya dengan nilai peramalan pada periode yang sama. Peta
tersebut akan dikembangkan sampai periode yang akan datang, sehingga dapat
22
dibandingkan peramalan dengan permintaan aktual. Selama periode dasar (periode
pada saat menghitung peramalan), peta moving range digunakan untuk melakukan
verifikasi teknik dan parameter peramalan. Setelah metode peramalan ditentukan,
maka peta moving range digunakan untuk menguji kesetabilan sistem sebab
akibat yang mempengaruhi permintaan. Moving range dapat didefinisikan sebagai
:
MR yt yt yt 1 yt 1
MR
MR
n 1
Garis tengah peta moving range adalah pada titik nol. Batas kontrol atas dan batas
kontrol bawah pada peta moving range adalah :
BKA/BKB = 2.66 MR
𝐑𝐒𝐅𝐄
𝑇𝑟𝑎𝑐𝑘𝑖𝑛𝑔 𝑠𝑖𝑔𝑛𝑎𝑙 =
𝐌𝐀𝐃
23
∑( 𝑝𝑒𝑟𝑚𝑖𝑛𝑡𝑎𝑎𝑛 𝑎𝑘𝑡𝑢𝑎𝑙 𝑝𝑒𝑟𝑖𝑜𝑑𝑒 𝑖 − 𝑝𝑒𝑟𝑎𝑚𝑎𝑙𝑎𝑛 𝑝𝑒𝑟𝑖𝑜𝑑𝑒 𝑖
=
MAD
Suatu tracking signal disebut baik apabila memiliki nilai RSFE yang kecil
dengan jumlah kesalahan peramalan positif hamper sama dengan kesalahan
peramlan negative. Jika ada sedikit penyimpangan bukanlah merupakan suatu
masalah, tetapi nilai positif dan negative dari kesalahan haruslah seimbang
sehingga pusat atau titik tengah dari tracking signal mendekati nilai nol.
24
BAB III
PENGOLAHAN DATA
25
Grafik diatas menunjukan pola yang digunakan adalah pola trend karena
dari grafik permintaan diatas menunjukan grafik naik dan turun tidak stabil atau
linier dan membentuk garis horizontal.
26
Grafik diatas menunjukan pola yang digunakan adalah pola trend
karena dari grafik permintaan diatas menunjukan grafik naik dan turun
tidak stabil atau linier dan membentuk garis horizontal.
3.3 METODE DES BROWN DENGAN α = 0.1
G
a
m
b
a
r
3
.
3
G
r
a
Tabel 3.3 Pramalan dengan metode DES Brown dengan α = 0.1
27
Grafik diatas menunjukan pola yang digunakan adalah pola trend
karena dari grafik permintaan diatas menunjukan grafik naik dan turun
tidak stabil atau linier dan membentuk garis horizontal.
Gambar 3.4 Grafik Pramalan dengan metode DES Brown dengan α = 0.3
28
Grafik diatas menunjukan pola yang digunakan adalah pola trend
karena dari grafik permintaan dan peramalan diatas menunjukan grafik
naik dan turun tidak stabil atau linier dan membentuk garis horizontal.
3.5 METODE DES BROWN DENGAN α = 0.5
Gambar 3.5 Grafik Pramalan dengan metode DES Brown dengan α = 0.5
29
Grafik diatas menunjukan pola yang digunakan adalah pola trend
karena dari grafik permintaan dan peramalan diatas menunjukan grafik
naik dan turun tidak stabil atau linier dan membentuk garis horizontal.
3.6 METODE MDE HOLT
Table 3.6 Pramalan dengan metode MDE Holt dengan α = 0.2 dan γ = 0.3
Gambar 3.6 Grafik Pramalan dengan metode MDE Holt dengan α = 0.2 dan γ = 0.3
30
Grafik diatas menunjukan pola yang digunakan adalah pola trend karena
dari grafik permintaan diatas menunjukan grafik naik dan turun tidak stabil atau
linier dan membentuk garis horizontal. Bahkan permintaan jauh dibawah
peramalan yang dibuat
Gambar 3.7.1 Pramalan dengan metode Moving Avarage Winqsb dengan N=2
Gambar 3.7.2 Grafik Pramalan dengan metode Moving Avarage Winqsb dengan N=2
31
Gambar 3.7.3 Pramalan dengan metode Moving Avarage Winqsb dengan N=3
Gambar 3.7.4 Grafik Pramalan dengan metode Moving Avarage Winqsb dengan N=3
32
Gambar 3.7.5 Pramalan dengan metode Moving Avarage Winqsb dengan N=4
Gambar 3.7.6 Grafik Pramalan dengan metode Moving Avarage Winqsb dengan N=4
33
3.8 METODE DOUBLE EXPONENTIAL SMOOTHING (DES)
Gambar 3.8.2 Grafik Pramalan dengan metode Double Exponential Smoothing (DES)
34
BAB IV
ANALISIS DATA
−1.4 × 10−12
𝑀𝐸 = = −5.684 × 𝟏𝟎−𝟏4
24
Perhitungan Mean Absolute Deviation (MAD) dalam metode regresi linier adalah
sebagai berikut:
𝑛
9397.74058
𝑀𝐴𝐷 = = 391. 57252
24
Perhitungan Mean Square Error (MSE) dalam metode regresi linier adalah sebagai
berikut:
∑ 𝑒𝑖2
𝑀𝑆𝐸 =
𝑛
𝑀𝑆𝐸 = 5476708.9
24 = 228196
Perhitungan Mean Absolute Percentage Error (MAPE) dalam metode regresi linier
adalah sebagai berikut:
35
|𝑒𝑖|
∑ × 100%
𝑀𝐴𝑃𝐸 = 𝑥𝑖
𝑛
3.3158 × 100%
𝑀𝐴𝑃𝐸 =
24 = 13.807 %
b. Regresi Kuadratis
Perhitungan Mean Error (ME) dalam metode regresi linier adalah sebagai berikut:
∑𝑛 |𝑥𝑡 − 𝐹𝑡|
𝑡=1
𝑀𝐸 =
24
𝑀𝐸 =−2.7 × 10−12
24
= −𝟏. 368 × 𝟏𝟎−𝟏3
Perhitungan Mean Absolute Deviation (MAD) dalam metode regresi linier adalah
sebagai berikut:
9402.7115
𝑀𝐴𝐷 = = 391. 780
24
Perhitungan Mean Square Error (MSE) dalam metode regresi linier adalah sebagai
berikut:
𝑀𝑆𝐸 = ∑ 𝑒𝑖2
5523806.558
𝑀𝑆𝐸 = 24 = 230159
Perhitungan Mean Absolute Percentage Error (MAPE) dalam metode regresi linier
adalah sebagai berikut:
36
|𝑒𝑖|
∑ × 100%
𝑀𝐴𝑃𝐸 = 𝑥𝑖
Perhitungan Mean Absolute Deviation (MAD) dalam metode regresi linier adalah
sebagai berikut:
𝑛
10519.3
𝑀𝐴𝐷 = = 483.3042
24
Mean Square Error (MSE) dalam metode regresi linier adalah sebagai berikut:
𝑀𝑆𝐸 = ∑ 𝑒𝑖2
𝑛
8.2 × 106
𝑀𝑆𝐸 = = 34222. 𝟒
24
Perhitungan Mean Absolute Percentage Error (MAPE) dalam metode regresi linier
adalah sebagai berikut:
|𝑒𝑖|
∑ × 100%
𝑀𝐴𝑃𝐸 = 𝑥𝑖
𝑛
3.915 × 100%
𝑀𝐴𝑃𝐸 =
24
= 16.3128 %
37
a. DES Brown α = 0.3
Perhitungan Mean Error (ME) dalam metode regresi linier adalah sebagai berikut:
∑𝑛 |𝑥𝑡 − 𝐹𝑡|
𝑡=1
𝑀𝐸 =
𝑛
-628,891
𝑀𝐸 = 24 = -26.2038
Perhitungan Mean Absolute Deviation (MAD) dalam metode regresi linier adalah
sebagai berikut:
𝑛
11557.46
𝑀𝐴𝐷 = = 481.561
24
Perhitungan Mean Square Error (MSE) dalam metode regresi linier adalah sebagai
berikut:
𝑀𝑆𝐸 = ∑ 𝑒𝑖2
𝑛
8.45 × 107
𝑀𝑆𝐸 =
24
= 352335,9
Perhitungan Mean Absolute Percentage Error (MAPE) dalam metode regresi linier
adalah sebagai berikut:
|𝑒𝑖|
∑ × 100%
𝑀𝐴𝑃𝐸 = 𝑥𝑖
𝑛
4.2302 × 100%
𝑀𝐴𝑃𝐸 =
24 = 17.6259 %
38
a. DES Brown α = 0.5
Perhitungan Mean Error (ME) dalam metode regresi linier adalah sebagai berikut:
∑𝑛 |𝑥𝑡 − 𝐹𝑡|
𝑡=1
𝑀𝐸 =
𝑛
-199.588
𝑀𝐸 = = -8.31491
24
Perhitungan Mean Absolute Deviation (MAD) dalam metode regresi linier adalah
sebagai berikut:
𝑛
13246.74
𝑀𝐴𝐷 = = 551.9475
24
Perhitungan Mean Square Error (MSE) dalam metode regresi linier adalah sebagai
berikut:
𝑀𝑆𝐸 = ∑ 𝑒𝑖2
𝑛
1.1 × 107
𝑀𝑆𝐸 = = 𝟒𝟔1359,4
24
Perhitungan Mean Absolute Percentage Error (MAPE) dalam metode regresi linier
adalah sebagai berikut:
|𝑒𝑖|
∑ × 100%
𝑀𝐴𝑃𝐸 = 𝑥𝑖
𝑛
4.79906 × 100%
𝑀𝐴𝑃𝐸 =
24 = 19.9961 %
39
f. MDE Holt α = 0.2 dan ϒ = 0.3
Perhitungan Mean Error (ME) dalam metode regresi linier adalah sebagai berikut:
∑𝑛 |𝑥𝑡 − 𝐹𝑡|
𝑡=1
𝑀𝐸 =
𝑛
-11564
𝑀𝐸 = = -481.834
24
Perhitungan Mean Absolute Deviation (MAD) dalam metode regresi linier adalah
sebagai berikut:
𝑛
13788
𝑀𝐴𝐷 = = 574.5001
24
Perhitungan Mean Square Error (MSE) dalam metode regresi linier adalah sebagai
berikut:
𝑀𝑆𝐸 = ∑ 𝑒𝑖2
12371465.59
𝑀𝑆𝐸 = = 515477,7328
24
Perhitungan Mean Absolute Percentage Error (MAPE) dalam metode regresi linier
adalah sebagai berikut:
|𝑒𝑖|
∑ × 100%
𝑀𝐴𝑃𝐸 = 𝑥𝑖
𝑛
5.41835 × 100%
𝑀𝐴𝑃𝐸 =
24 = 𝟐2.5765 %
40
metode perhitungan data untuk pengujian selanjutnya ketepatan
peramalan yang akan dilakukan dengan kriteria lainnya. Berikut
hasil rekapitulasi erornya:
MAPE
AKP Linier AKP Kuadratis DES Brown MDE Holt
Minimum
PERMINTAAN PERAMALAN
PERIODE PEMBILANG PENYEBUT
Y(t) Y'(t)
1 3845 2954
41
4 2527 2945 0,014551575 0,073624281
42
Dari perhitungan data di atas dapat diperoleh nilai “U” sebagai berikut:
n-1 Fi+1-Xi+1)2
∑ i=1 (
Xi
U= √ n-1 Xi+1-Xi+1)2
∑ i=1(
Xi
0,563500864
U=√1,266917717 = 0.447781
Dengan nilai “U” sebesar 0.447781 dapat diasumsikan teknik peramalan formal yang
digunakan lebih baik dibandingkan dengan pendekatan naif dengan syarat nilai U < 1.
43
Moving Range
2000
1500
1000
500
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
-500
-1000
-1500
-2000
Dari grafik tersebut dapat ditarik kesimpulan merupakan pola verifikasi peramalan
berdasar nilai error pada metode peramalan, dimana nilai error pada peramalan tidak
melewati nilai batas kendali atas dan nilai batas kendali bawah, sehingga metode
peramalan ini sudah cukup baik.
44
13 2766 2867 -101 -342 100,98662 5468,366 420,644 -0,8121973 4 -4 8 -8
300 68414 68414 -2,73E-12 2218,476 9402,71151 130138 11547,6 1,8236102 96 -96 192 -192
Tracking Signal
10
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
-2
-4
-6
-8
-10
45
BAB V
PENUTUP
5.1 Kesimpulan
Berdasarkan hasil pembahasan di bab sebelumnya maka dapat
disimpulkan adalah sebagai berikut :
1. Manfaat forecasting dalam sistem industri adalah berkaitan mengenai
persediaan yang akan dilakukan oleh perusahaan yaitu sebagai acuan dalam
melakukan proses produksinya. Dengan melakukan forecasting, perusahaan
dapat meramalkan permintaan konsumen dimasa yang akan datang
berdasarkan permintaan pada periode sebelumnya terhadap produk
perusahaannya. Posisi forecasting dalam system industry sangatlah penting
dalam mengoptimalkan kinerja produksi perusahaan tersebut sehingga dapat
memenuhi permintaan konsumen dengan tepat serta sebagai langkah dalam
pengambilan keputusan penentuan jumlah produksi yang akan dilakukan pada
periode selanjutnya sehingga tidak terjadi kekurangan atau kelebihan
persediaan yang menyebabkan kerugian bagi perusahaan tersebut.
2. Metode-metode yang digunakan dalam proses forecasting sangat banyak.
Penggunaan metode peramalan juga didasarkan pada plot data yang terjadi
atau mengidentifikasikan sifat datanya. Kemudian setelah mengidentifikasi
plot data maka kita dapat menentukan metode yang dapat digunakan sesuai
dengan plot datanya. Untuk data konstan metode forecasting yang digunakan
adalah SMA, DMA, CMA, WMA, SES dan DES, sedangkan untuk data linier
metode forecasting yang dapat digunakan adalah SEST, DEST, ARIMA dan
Linear Regression. Setelah dilakukan pengolahan data forecasting maka akan
didapatkan beberapa uji kesalahan atau error yang diantaranya adalah CFE,
MAD, MSE, ME, MPE, MAPE, SSE, SDE, NF1, U-theil. Dengan melihat
error dari setiap metode kita dapat menentukan metode forecasting yang
terbaik, namun eror yang digunakan sebagai pembanding dari setiap metode
adalah error U-Theil. Dari U-Theil berbagai metode forecasting didapatkan
46
bahwa metode terbaik terpilih yang memiliki error U-Theil terkecil untuk
data konstan adalah 3 CMA yaitu sebesar 0,5732. Sedangkan untuk data
liniear adalah DEST dengan nilai U-Theil sebesar 0,86321 . Langkah
selanjutnya adalah dengan melakukan validasi data terhadap metode terpilih
yaitu dengan menggunakan peta kendali Moving Range, Uji T dan Uji F.
3. Implementasi metode dan teknik forecasting yang dapat dilakukan dalam
bidang industri adalah untuk menentukan permintaan konsumen dengan tepat
di periode selanjutnya berdasarkan periode masa lalu sehingga perusahaan
dapat menentukan jumlah kebutuhan material dalam suatu lantai produksi,
waktu total yang diperlukan untuk satu kali proses produksi sehingga akan
diperoleh jumlah stasiun kerja dan tenaga kerja yang optimal dan keputusan
penting lainnya dalam rangka mengurangi atau bahkan menghilangkan
inventori atau adanya kelebihan kekurangan persediaan yang berpengaruh
pada tingkat keuntungan perusahaan.
5.2 Saran
Saran untuk praktikum Sistem Produksi modul Forecasting adalah :
1. Praktikan sebaiknya lebih teliti dalam melakukan pengolahan data manual
forecasting sehingga didapatkan hasil sesuai dengan yang diinginkan.
2. Praktikan sebaiknya lebih menguasai software yang mendukung dalam
melakukan forecasting yaitu EViews, Microsoft Excel, SPSS dan WinQSB.
3. Praktikan sebaiknya memahami materi forecasting lebih baik sehingga mudah
dalam melakukan pembahasan materi forecasting.
47
DAFTAR PUSTAKA
Ahyari, A. 2002, Manajemen Produksi Perencanaan Sistem Produksi Buku
1,Edisi Keempat, Yogyakarta: BPFE UGM.
Alfatiyah, R., Sunardi, 2011, Perbaikan Di Lantai Produksi Dengan Sistem Lean
Manufacturing Untuk Meningkatkan Productivitas Perusahaan, [Online],
Tersedia: http://www.unpam.ac.id/jurnal-akademik/doc_download/31-
jurnal-rini-alfatiyah-a-sunardi.html.
Baroto, T., 2002, Perencanaan dan Pengendalian Produksi. Jakarta: Ghalia
Indonesia. Bedworth, D. D, and Bailey, J., 1987, Integrated Production Control Systems
Management, Analysis, Design, (2nd ed.) John Wiley & Sons: Singapore.
Biegel, J. E. 1980, Production Control, Prentice Hall of India, New Delhi.
Chary, 2009, Production and Operations Management. Mc Graw-Hill, New
Delhi.
LAMPIRAN