LAPORAN BESAR

MODUL FORECASTING

Untuk Memenuhi Tugas :

PRAKTIKUM SISTEM PRODUKSI
Disusun Oleh :

GREGORIUS RIKY AGUNG YANUAR 20170201036

EBIET SAPUTRA 20170201039
PUTRA JULIANSYAH 20170201085
M. BAYU KURNIAWAN 20170201050
YOGI SAGUSTI PRIYOGI 20190201116

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.

Pada penyusunan laporan ini penulis merasa masih banyak kekurangan

baik pada teknis penulisan maupun materi, mengingat akan kemampuan yang
dimiliki penulis. Untuk itu kritik dan saran dari semua pihak sangat penulis
harapkan demi penyempurnaan penyusunan laporan ini.

Pada penulisan ini penulis menyampaikan ucapan terimakasih yang tak

terhingga kepada pihak pihak yang membantu dalam penyelesaian praktikum ini,
khususnya kepada:

1. Bapak Ir. Roesfiansjah Rasdjidin selaku dosen mata kuliah Sistem

Produksi yang telah memberikan kemudahan-kemudahan baik berupa
moril maupun materil selama perkuliahan.
2. Asisten dosen Putri Ayu dan Lulu.
3. Yang telah memberikan bimbingan dan arahan selama praktikum
berlangsung.
4. Rekan-rekan kelompok Sistem Produksi kelas paralel Kelompok 2
Universitas Esa Unggul atas kerja sama dan dukungan satu sama lainnya.
5. Secara khusus penulis menyampaikan terima kasih kepada keluarga
tercinta yang telah memberikan dorongan dan bantuan serta pengertian
yang besar kepada penulis, baik selama mengikuti perkuliahan maupun
dalam menyelesaikan laporan ini.
6. Semua pihak yang tidak dapat disebutkan satu persatu, yang telah
memberikan bantuan, saran dalam penulisan laporan ini.

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.

Tangerang, 28 November 2019

Penulis

II
 DAFTAR ISI

KATA PENGANTAR ....................................................... Error! Bookmark not defined.

DAFTAR ISI ...................................................................... Error! Bookmark not defined.
DAFTAR TABEL ............................................................. Error! Bookmark not defined.
DAFTAR GAMBAR ......................................................... Error! Bookmark not defined.
BAB I PENDAHULUAN .................................................. Error! Bookmark not defined.
1.1. Latar Belakang ....................................................................................................... 1
1.2. Perumusan Masalah ............................................................................................... 2
1.3. Identifikasi Masalah ............................................................................................... 2
1.4. Pembatasan Masalah .............................................................................................. 2
1.5.Tujuan Dan Manfaat................................................................................................3
1.6. Sistematika Penulisan............................................................................................. 4
BAB II LANDASAN TEORI ........................................... Error! Bookmark not defined.
2.1. Teori Peramalan (Forecasting) ............................. Error! Bookmark not defined.
2.1.1 Peramalan Dalam Horison Waktu ............................................................... 7
2.1.2 Peranan Permintaan ..................................................................................... 8
2.1.3 Faktor Faktor Yang mempengaruhi peramalna......................................... 10
2.1.4 Metode Peramalan Permintaan ................................................................ 11
2.1.5 Metode Peramalan Permintaan Time Series ............................................. 12
2.1.6 Ukuran Akurasi Hasil Peramalan .............................................................. 15
2.1.7 Sifat Hasil Peramalan ................................................................................ 17
2.1.8 Moving Range ........................................................................................... 18
2.1.9 Tracking Range ......................................................................................... 23
BAB II1 PENGOLAHAN DATA .................................. 2Error! Bookmark not defined.
3.1. Metode Regresi Linier.......................................................................................... 25
3.2. Metode Regresi Kuadratis .................................................................................... 26

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

Tabel 2.1 Rentang Waktu Dalam Peramalan.......................................................12

Table 3.1 Peramalan dengan metode Regresi Linear...........................................25
Table 3.1 Peramalan dengan metode Regresi kuadratis......................................26
Table 3.3 Pramalan dengan metode DES Brown dengan α = 0.1.........................27
Table 3.4 Pramalan dengan metode DES Brown dengan α = 0.3.........................28
Table 3.5 Pramalan dengan metode DES Brown dengan α = 0.5.........................29
Table 3.6 Pramalan dengan metode MDE Holt dengan α = 0.2 dan γ = 0.3........30
Table 4.1 Rekaptulasi Eror...................................................................................41
Table 4.1 Pengujian Statistic U-Theil..................................................................42
Table 4.2 Pengujian Moving Range.....................................................................43
Table 4.3 Pengujian Tracking Signal...................................................................45

V
 DAFTAR GAMBAR

Gambar 2.1 Pola Data Horisontal............................................................................9

Gambar 2.1 Pola Siklis............................................................................................9

Gambar 2.1 Pola Trand..........................................................................................10

Gambar 3.1 Grafik peramalan dengan metode Regresi Linier..............................25

Gambar 3.2 Grafik Peramalan dengan metode Regresi Kuadratis........................26

Gambar 3.3 Grafik Pramalan dengan metode DES Brown dengan α = 0.1...........27
Gambar 3.4 Grafik ramalan dengan metode DES Brown dengan α = 0.3.............28
Gambar 3.5 Grafik Pramalan dengan metode DES Brown dengan α = 0.5...........29
Gambar 3.6 Grafik Pramalan dengan metode MDE Holt dengan α = 0.2
Dan 0.3...............................................................................................30
Gamabr 3.7.1 Pramalan dengan metode Moving Avarage Winqsb dengan
N=2.................................................................................................31
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.................................................................................................32
Gamabr 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.................................................................................................33
Gamabr 3.7.6 Grafik Pramalan dengan metode Moving Avarage Winqsb dengan
N=4.................................................................................................33
Gambar 3.8.1 Pramalan dengan metode Double Exponential Smoothing (DES)………....34

Gambar 3.8.2 Grafik Pramalan dengan metode Double Exponential Smoothing

(DES)…………………………………………………………………..... 34
Gamabr 4.1 Grafik Pengujian Peramalan Dengan Moving Range........................44
Gamabr 4.2 Grafik Pengujian Peramalan Dengan Tracking Signal......................45

VI
 BAB I
PENDAHULUAN

1.1. Latar Belakang

Semakin ketatnya persaingan diantara perusahaan-perusahaan mobil
mainan di Indonesia membuat PT Tamiya Racing Indonesia harus memiliki
strategi perusahaan yang tepat dan efektif dalam memenangkan persaingan yang
terjadi. Terutama PT Tamiya Racing Indonesia adalah perusahaan baru sehingga
PT TRI harus memilih langkah-langkah bisnis yang tepat dan sesuai dengan
kondisi pasar. Salah satu hal penting yang harus dilakukan PT TRI adalah dengan
melakukan perencanaan produksi. Perencanaan produksi yang harus dilakukan
pertama kali oleh PT TRI adalah dengan melakukan forecasting atau peramalan.
Forecasting atau peramalan memiliki definisi sebagai aktivitas pertama dalam
penentuan jadwal produksi dimasa depan. Proses peramalan yang dilakukan
didasarkan pada penentuan (prediksi) jumlah permintaan (demand) konsumen dari
sebuah produk yang kemudian dijadikan sebagai target produksi. Penentuan target
produksi sangatlah penting bagi suatu perusahaan karena dapat menentukan
langkah-langkah yang akan diambil perusahaan dalam memenuhi target produksi
yang ingin dicapai dengan tetap memperhatikan kualitas produk dan kepuasan
konsumen.
Proses peramalan memberikan pengaruh terhadap tingkat inventori yang
akan dimiliki oleh perusahaan. Peramalan akan memprediksi jumlah permintaan
dimasa yang akan datang atau jumlah produk yang harus diproduksi dimasa yang
akan datang sehingga dengan melakukan proses peramalan, perusahaan akan
dapat memperkirakan inventori yang harus dilakukan di masa depan. Peramalan
akan meminimalisir terjadinya kekurangan atau kelebihan inventori yang akan
menyebabkan kerugian di perusahaan. Peramalan juga berpengaruh terhadap
service level dimana apabila perusahaan dapat memprediksi demand dengan tepat
maka perusahaan akan dapat memenuhi permintaan konsumen dengan cepat dan
tepat. Konsumen tidak perlu lagi menunggu barang diproduksi namun sudah

1
tersedia di inventori sehingga hal tersebut dapat meningkatkan service level
kepada konsumen dari perusahaan.

Peramalan juga berguna dalam menentuka penjadwalan produksi.

Penjadwalan ini penting untuk mengatur tingkat produktivitas yang akan
dilakukan dalam jangka waktu tertentu. Oleh karena itu PT Tamiya Racing
Indonesia membuat suatu peramalan produk agar dalam jangka waktu tertentu
perusahaan dapat memenuhi demand perusahaan sesuai kebutuhan konsumen,
tidak mengalami kerugian sebagai akibat adanya kelebihan atau kekurangan
produksi, serta membantu perusahaan dalam mengembangkan produk dengan
lebih baik.

1.2. Perumusan Masalah

PT Tamiya Racing Indonesia akan melakukan proses peramalan untuk
meramalkan demand dimasa yang akan datang. Terdapat beberapa metode yang
akan digunakan untuk melakukan proses peramalan tersebut. Metode yang
memiliki error terkecil adalah metode terpilih yang akan digunakan dalam
meramalkan demand masa depan. Setelah dibuat peramalan dengan begitu
perusahaan dapat menentukan penjadwalan produksi dimasa depan. Peramalan
penting dilakukan mengingat PT TRI merupakan perusahaan mobil Tamiya yang
masih baru di Indonesia selain itu PT TRI masih menggunakan supplier lokal
dalam memenuhi kebutuhan bahan bakunya.

1.3 Identifikasi Masalah

 Penggunaan software yang di lakukan harus teliti agar tidak ada
kesalahan
 Pada pemasukan rumus-rumus harus dengan teliti
 Perhitungan yang di lakukan hendak bersama-sama agar tidak terjadi
kekurangan atau penyimpangan.

1.4 Pembatasan Masalah

Peramalan atau forecasting yang dilakukan perusahaan menggunakan data
hostoris permintaan dari bulan Juli 2010 sampai bulan Juni 2014 yaitu demand

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.

Error yang digunakan dalam mengidentifikasi metode peramalan yang tepat

yaitu MSE, MAD, MAPE, CSE, ME, SSE, SDE, NF1 dan U-Theil. Pengolahan
data peramalan dapat dilakukan secara manual maupun dengan menggunakan
software seperti Eviews dan WinQSB. Setelah dilakukan pemilihan metode yang
tepat dengan error terkecil yang dilanjutkan dengan menghitung validasi dari
metode yang terpilih yaitu dengan membuat grafik peta kontrol. Grafik peta
kontrol tersebut akan menggambarkan sebaran data demand sehingga apabila
sebaran data berada didalam batas kontrol maka metode yang dipilih sudah tepat
namun jika masih berada diluar batas kontrol maka perlu diadakan perbaikan
secepatnya. Validasi lain yang dapat dilakukan adalah dengan menggunakan uji
chi-square, uji F, uji t berpasangan dan Peta tracking signal.

1.5 Tujuan Dan Manfaat

a. Mampu mengetahui manfaat dan posisi forecasting dalam sistem industri
b. Mampu memahami metode-metode dan teknik dalam forecasting.
C. Mampu mengimplementasikan metode dan teknik forecasting dalam
bidang industri.

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

2.1 TEORI PERAMALAN (Forecasting)

Definisi dari peramalan (forecasting) adalah seni dan ilmu untuk

memperkirakan kejadian di masa depan. Hal tersebut dapat dilakukan dengan
menggunakan data historis dan proses kalkulasi untuk memprediksikan
sebuah proyeksi atas kejadian di masa datang. Cara lain yang dapat ditempuh
adalah dengan intuisi subjektif atau dengan model matematis yang disusun
oleh pihak manajemen. (Heizer & Render, 2011). Pedapat lain dari buku
Operation Management (Stevenson, 2011:72) peramalaan adalah masukan/input
dasar dalam proses pengambilan keputusan dari manajemen operasi karena
permalaan memberikan informasi dalam perimintaan dimasa yang akan
dating. Salah satu tujuan utama dari manajemen operasi adalah untung
menyeimbangkan antara pasokan/supply dan permintaan,dan memiliki
perkiraan permintaan dimasa yang akan dating sangat penting untuk menentukan
berapa kapasitas atau pasokan/supply yang dibutuhkan untuk menyeimbangi
permintaan.

Dalam dunia usaha khususnya yang berhubungan dengan produksi sangat

penting untuk memperkirakan hal-hal yang akan terjadi dimasa depan sebagai
dasar untuk pengambilan keputusan. Menurut Arman Hakim Nasution dan Yudha
Prasetyawan dalam bukunya yang berjudul perencanaan dan pengendalian
produksi. Peramalan adalah proses untuk memperkirakan beberapa kebutuhan
dimasa datang yang meliputi kebutuhan dalam ukuran kuantitas, kualitas, waktu,
dan lokasi yang dibutuhkan dalam rangka memenuhi permintaan barang maupun
jasa. Render dan Heizer (2007) mendefinisikan peramalan adalah seni dan ilmu
memprediksi peristiwa-peristiwa masa depan. Hal ini serupa dengan pendapat
Subagyo (2000) Forecasting adalah memperkirakan sesuatu yang akan terjadi.

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.

Peramalan tidak terlalu dibutuhkan dalam kondisi permintaan pasar yang

stabil, karena perubahan permintaan relatif kecil. Tetapi peramalan akan sangat
dibutuhkan bila kondisi permintaan pasar bersifat kompleks dan dinamis. Dalam
kondisi pasar bebas, permintaan pasar lebih banyak bersifat kompleks, dan
dinamis karena permintaan tersebut akan tergantung dari keadaan social, ekonomi,
politik, aspek teknologi, produk pesaing dan produk substitusi. Oleh karena itu
peramalan yang akurat merupakan informasi yang sangat dibutuhkan dalam
pengambilan keputusan manajemen.

Berikut jenis-jenis peramalan dapat dikategorikan sebagai berikut:

1. Peramalan Ekonomi, menjalankan siklus bisnis dengan memprediksikan

tingkat inflasi, ketersediaan uang, dana yang dibutuhkan untuk
membangun perumahan dan indikator perencanaan lainnya.

2. Peramalan Teknologi, memperhatikan tingkat kemajuan tekhnologi

yang dapat meluncurkan produk baru yang menarik, yang membutuhkan
pabrik dan peralatan baru.

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.

Peramalan merupakan satu-satunya prediksi atas permintaan hingga

permintaan yang sebenarnya diketahui. Dampak peramalan produk dapat dilihat
pada aktivitas sumber daya manusia, kapasitas, dan manajemen rantai pasokan
(supply chain management).

Peramalan permintaan (forecasting demand) merupakan tingkat

permintaan produk-produk yang diharapkan akan terealisasi untuk jangka waktu
tertentu pada masa yang akan datang. Menurut Render dan Heizer dkk (2014),
terdapat tujuh tahap dasar dalam melakukan peramalan permintaan :

Dalam menetapkan dapat menggunakan 7 langkah sebagai berikut:

1. Menetapkan tujuan ramalan,

2. Memilih unsur apa yang diramal,

3. Menentukan horizon waktu yang diramal,

4. Mengumpulkan data yang diperlukan untuk melakukan peramalan,

5. Memilih tipe model peramalan,

6. Membuat peramalan,

7. Memvalidasi dan menetapkan hasil peramalan.

2.1.1 PERAMALAN DALAM HORISON WAKTU

Peramalan biasanya diklasifikasikan berdasarkan horizon waktu masa

depan yang dicakupnya. Horizon waktu terbagi kedalam beberapa kategori, yaitu :

 Peramalan jangka pendek. Peramalan ini mencakup jangka waktu hingga 1

tahun tetapi umumnya kurang dari 3 bulan. Peramalan ini digunakan untuk

7
 merencanakan pembelian, penjadwalan kerja, jumlah tenaga kerja,
penugasan kerja, dan tingkat produksi.

 Peramalan jangka menengah. Peramalan jangka menengah atau

intermediate, umumnya mencakup hitungan bulanan hingga 3 tahun.
Peramalan ini berguna untuk merencanakan penjualan, perencanaan dan
anggaran produksi, anggaran kas, dan menganalisis bermacam-macam
rencana operasi.

 Peramalan jangka panjang. Umumnya untuk perencanaan masa 3 tahun

atau lebih. Peramlan jangka panjang digunakan untuk merencanakan
produk baru, pembelanjaan, modal, lokasi atau pembangunan fasilitas,
serta penelitian dan pengembangan (litbang).

2.1.2 PERAMALAN PERMINTAAN

Peramalan permintaan (Forecasting Demand) merupakan tingkat

permintaan produk –produk yang diharapkan akan terealisasi untuk jangka waktu
tertentu pada masa yang akan datang. Menentukan kuantitas dan waktu dari
kapasitas produksi. Peramalan permintan ini akan jadi masukan yang penting
dalam keputusan perencanaan dan pengendalian perusahaan. Karena bagian
operasional produksi bertanggung jawab terhadap pembuatan produk yang
dibutuhkan konsumen, maka keputusan-keputusan operasi produksi sangat
dipengaruhi hasil dari peramaaln permintn. Peramalan permintaan ini digunakn
untuk meramalkan permintaan dari produk yang bersifat bebas (tidak tergaantung)
seperti peramalan produk jadi. Berikut pola data metode time series (deret
berkala), terdapat beberapa pola permintaan dalan peramalan, yaitu:

 Pola data horizontal (constant), terjadi bilamana data berfluktuasi disekitar

nilai rata-rata yang konstan. Suatu produk yang penjualannya tidak
meningkat atau menurun selama waktu tertentu termasuk jenis ini.

8
 Gambar 2.1 pola data horisontal

 Pola musiman (seasonal), terjadi bilamana suatu deret dipengaruhi oleh

faktor musiman (misalnya kuartal tahun tertentu, bulanan, atau hari-hari
pada minggu tertentu). Penjualan dari produk seperti minuman ringan, es
krim, dan bahan bakar pemanas ruang semuanya menunjukkan jenis pola
ini.

 Pola siklis (cycle), terjadi bilamana datanya dipengaruhi oleh fluktuasi

ekonomi jangka panjang seperti yang berhubungan dengan siklus bisnis.
Contoh: Penjualan produk seperti mobil, baja, dan peralatan utama
lainnya.

Gambar 2.2 pola siklis

 Pola trend, terjadi bilamana terdapat kenaikan atau penurunan sekuler

jangka panjang dalam data. Contoh: Penjualan banyak perusahaan, GNP
dan berbagai indikator bisnis atau ekonomi lainnya.

9
 Gambar 2.3 pola trend

2.1.3 FAKTOR-FAKTOR YANG MEMPENGARUHI PERAMALAN

Permintaan suatu produk pada suatu perusahaan sangat dipengaruhi oleh

berbagai faktor lingkungan yang saling berinteraksi dalam pasar yang berada di
luar kendali perusahaan. Dimana faktor-faktor lingkungan tersebut juga akan
mempengaruhi peramalan. Berikut ini merupakan faktor lingkungan yang
mempengaruhi peramalan:

a. Kondisi umum bisnis dan ekonomi

Penjualn produk akan dipengaruhi oleh permintaan akan produk tersebut,

dan permintaan akan suatu produk akan dipengaruhi oleh kondisi ekonomi yang
membentuk siklus bisnis dengan fase-fase, inflasi resesi, depresi, dan masa
pemulihan.

b. Siklus hidup produk

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.

c. Reaksi dan tindakan pesaing

d. Gaya dan mode

10
 e. Perubahan permintaan

2.1.4 METODE PERAMALAN PERMINTAAN

Banyak jenis metode peramalan yang tersedia untuk digunakan, namun

yang lebih penting adalah bagaimana memahami karakteristik suatu metode
peramalan agar cocok untuk diterapkan pada kasus yang diteliti berdasarkan
data–data yang telah terjadi sebelumnya. Secara umum metode peramalan dapat
dibagi dalam dua ketegori utama, yaitu metode kuantitatif dan metode kualitatif.

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:

1. Tersedia informasi tentang masa lalu,

2. Informasi tersebut dapat dikuantitatifkan dalam bentuk numeric, dan

3. Diasumsikan bahwa beberapa pola masa lalu akan terus berlanjut.

Salah satu cara untuk mengklasifikasikan permasalahan pada peramalan

adalah mempertimbangkan skala waktu peramalannya yaitu seberapa jauh rentang
waktu data yang ada untuk diramalkan. Terdapat tiga kategori waktu yaitu jangka
pendek (minggu @ bulan), menengah (bulan @ tahun), dan jangka panjang (tahun
@ dekade). Tabel berikut ini menunjukkan tipe-tipe keputusan berdasarkan jangka
waktu peramalannya.

RENTANG WAKTU TIPE KEPUTUSAN CONTOH

PERENCANAAN
JANGKA PENDEK
OPERASIONAL PRODUKSI,
( 3 ± 6 BULAN) DISTRIBUSI
JANGKA
MENENGAH TAKTIS PENYEWAAN LOKASI,
(2 TAHUN) PERALATAN

11
 JANGKA PANJANG PEMBUATAN PRODUK
(LEBIH DARI 2 STRATEGIS
BARU
TAHUN)
Tabel 2.1 Rentang waktu dalam peramalan

Untuk melakukan peramalan diperlukan metode tertentu dan metode mana

yang digunakan tergantung dari data dan informasi yang akan diramal serta tujuan
yang hendak dicapai. Dalam prakteknya terdapat berbagai metode peramalan
antara lain :

1. Time Series atau Deret Waktu

2. Causal Methods atau sebab akibat

2.1.5 METODE PERAMALAN PERMINTAAN TIME SERIES

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.

c) Season (S) merupakan Fluktuasi permintaan suatu produk yang dapat

mengalami kenaikan atau penurunan pada saat-saat musim tertentu. Pola ini
biasanya disebabkan oleh factor cuaca, musim libur panjang, hari raya keagamaan
yang akan berulang secara periodic tiap tahunnya.

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:

1. METODE NAIVE (NAIF)

Teknik peramalan yang mengasumsikan permintaan periode berikutnya

sama dengan permintaan pada periode terakhir. Metode naif digambarkan secara
matematis berikut :

Permintaan periode mendatang = permintaan periode terakhir

2. MOVING AVERAGE

Peramalan moving average (rataan bergerak) menggunakan sejumlah data

aktual masa lalu untuk menghasilkan peramalan.

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:

Wt = bobot permintaan aktual pada periode t

At = permintaan aktual pada periode t

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:

Ft = Ft-1 + α (At-1 -Ft-1 )

keterangan:

Ft= peramalan baru

Ft-1= peramalan sebelumnya

α= konstanta penghalusan (0 ≤ α ≤ 1)

At-1 = permintaan aktual periode lalu.

Single Exponential Smoothing yang telah disesuaikan dengan adanya tren

disebut Double Exponential Smoothing. Double Exponential Smoothing dapat
digambarkan secara matematis sebagai berikut:

F(0) = F1 (0) = A(1)

F(t) = α A(t) + (1 -α ) F(t -1)

1F(t) = α F(t) + (1 -α ) F1 (t -1)

f(t + τ ) = F1 (t)

keterangan:

Ft = peramalan Double Exponential Smoothing pada periode t

At = peramalan Single Exponential Smoothing pada periode t

Ft-1 = peramalan Double Exponential Smoothing pada periode t-1

α = konstanta penghalusan (0 ≤ α ≤ 1)

2.1.6 UKURAN AKURASI HASIL PERAMALAN

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:

a. Rata–rata deviasi mutlak (Mean Absolute Deviation = MAD)

Mean Absolute Deviation (MAD) merupakan rata –rata kesalahan mutlak

selama periode tertentu tanpa memperhatikan apakah hasil peramalan lebih besar
atau lebih kecil jika dibandingkan dengan kenyataannya. Secara sistematis, MAD
dirumuskan sebagai berikut :

𝐴𝑡−𝐹𝑡
MAD = ∑ 𝑛

keterangan:

At = Permintaan aktual pada periode t

Ft = Peramalan permintaan pada periode t

n = Jumlah periode peramalan yang terlibat

b. Rata-rata kuadrat kesalahan (Mean Square Error = MSE)

Mean Square Error ( MSE ) dihitung dengan menjumlahkan kuadrat

semua kesalahan peramalan pada setiap periode dan membaginya dengan
jumlah periode peramalan. Secara matematis, MSE dirumuskan sebagai berikut :

(𝐴𝑡−𝐹𝑡)²
MSE = ∑ 𝑛

keterangan:

At = Permintaan aktual pada periode t

Ft = Peramalan permintaan pada periode t

n = Jumlah periode peramalan yang terliba

c. Rata–rata kesalahan peramalan (Mean Forecast Error = MFE)

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:

At = Permintaan aktual pada periode t

Ft = Peramalan permintaan pada periode t

n = Jumlah periode peramalan yang terlibat

d. Rata–rata persentase kesalahan mutlak (Mean Absolute Percentage

Error = MAPE)

Merupakan ukuran kesalahan relatif. MAPE biasanya lebih berarti

dibandingkan MAD karena MAPE menyatakan persentase kesalahan hasil
peramalan terhadap permintaan aktual selama periode tertentu yang akan
memberikan informasi persentase kesalahan telalu tinggi atau rendah. Secara
sistematis dirumuskan sebagai berikut :

100 𝐹𝑡
MAPE = ( ) ∑ |𝐴𝑡 − 𝐴𝑡 |
𝑛

keterangan:

At = Permintaan aktual pada periode t

Ft = Peramalan permintaan pada periode t

n = Jumlah periode peramalan yang terlibat

2.1.7 SIFAT HASIL PERAMALAN

16
 Dalam membuat peramalan atau menerapkan suatu peramalan maka ada
beberapa hal yang harus dipertimbangkan yaitu :

a. Peramalan pasti mengandung kesalahan, artinya peramal hanya bisa

mengurangi ketidakpastian yang akan terjadi, tetapi tidak dapat menghilangkan
ketidakpastian tersebut.

b. Peramalan seharusnya memberikan informasi tentang beberapa ukuran

kesalahan, artinya karena peramalan pasti mengandung kesalahan, maka adalah
penting bagi peramal untuk menginformasikan seberapa besar kesalahan yang
mungkin terjadi.

c. Peramalan jangka pendek lebih akurat dibandingkan peramalan jangka

panjang. Hal ini disebabkan karena pada peramalan jangka pendek, faktor-faktor
yang mempengaruhi permintaan relatif masih konstan sedangkan masih panjang
periode peramalan, maka semakin besar pula kemungkinan terjadinya perubahan
faktor-faktor yang mempengaruhi permintaan.

a. Statistic U-Theil

Statistik –U yang dikembangkan oleh Theil merupakan suatu ukuran

kesalahan peramalan yang mempertimbangkan ketidakseimbangan unsur
kesalahan yang besar serta memberikan dasar perbandingan relative antara metode
formal dengan metode Naif, serta mengkuadratkan kesalahan yang terjadi
sehingga kesalahan yang besar diberikan bobot yang lebih banyak dibandingkan
kesalahan yang kecil.

Kesalahan positif yang ditimbulkan dalam menggunakan Statistik-U dari

Theil sebagai ukuran ketepatan peramalan adalah mengenai interprestasi yang
intuitif. Kesulitan ini akan menjadi lebih jelas dengan memeriksa perhitungan dan
penggunaan statistic.

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

Jika nilai 𝐹𝑃𝐸𝑖+1 dan 𝐴𝑃𝐸𝑖+1 distribusikan ke dalam persamaan, maka :

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.

2.1.8 Moving Range

Simple Average (SA) atau Simple Moving Average (rata-rata
bergerak sederhana)
Dasar pemikiran metode ini yaitu menghitung nilai tengah untuk setiap
waktu dengan cara menjumlahkan seluruh nilai observasi sebelumnya dibagi
jumlah data.

18
Penurunan rumus dari metode ini adalah:

X 1  X 2  X 3  ....  X n
Fn 
n

Moving Average (MA) atau Single Moving Average (rata-rata bergerak

tunggal)
Dasar pemikiran metode ini yaitu mengubah data masa lalu terhadap nilai tengah
sebagai ramalan. Metode ini menawarkan pada peramal untuk terlebih dahulu
menentukan jumlah nilai observasi masa lalu yang akan dimunculkan untuk
menghitung niali tengah, sebab setiap muncul nilai observasi baru, nilai rata-rata
baru akan dihitung dengan membuang nilai observasi paling tua dan memasukkan
nilai observasi yang terbaru.
Misalkan peramalan dengan By 3-MA maka penurunan rumus dari metode ini
adalah:

X n1  X n2  X n3

Fn 
3

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 

Single Exponential Smoothing With Trend ( SEST) atau Double Exponential

Smoothing Two Parametric From Hold ( pemulusan eksponensial ganda dua
parameter dari hold)
Dasar pemikiran metode ini hampir sama dengan metode Moving Average With
Linear Trend, pada metode ini holt tidak menggunakan pemulusan ganda secara
langsung, sebagai gantinya holt memuluskan nilai trend dengan parameter
berbeda dari parameter yang digunakan pada deret asli.
Penurunan rumus dari metode ini adalah:
Ft  m   Ft  Tt .m

Dimana :
Ft   * X t   1   Ft 1  Tt 1 

T t   * Ft  Ft 1   1    * Tt 1

Linier Regression With Time (LR)

Dasar pemikiran metode ini yaitu peramalan diperoleh dari ekstrapolasi yang
dihasilkan oleh suatu persamaan garis linier dari kejadian plot data masa lalu.
Penurunan rumus untuk metode peramalan linier regresi adalah sebagai berikut :

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

Mean Absolute Error (MAE)

 e 
t 1
t
MAE =
n

Sum Square Error (SSE)

SSE =
n

e
2
t
t 1

Mean Square Error (MSE)

21
 n

e
2

t 1
MSE =
n

Standard Deviation Error (SDE)

e
2
t
t 1
SDE =
n 1

Sedangkan dalam menentukan kesalahan secara relative adalah dengan cara :

Percentage Error (PE)

 X t  Ft 
PE =   x100
 X t 

Mean Percentage Error (MPE)

 PE
t 1
t
MPE =
n

Mean Absolute Percentage Error (MAPE)

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 

Adapun rata-rata moving range didefinisikan sebagai :

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

2.1.9 Tracking Signal

Tracking signal adalah suatu ukuran bagaimana baiknya suatu ramalan
memperkirakan niali-nilai actual. Tracking signal juga melibatkan beberapa
penaksiran kesalahan ukuran peramalan seperti MAD dan mengatur batasan-
batasan yang ada di dalam pengukuran, sehingga ketika nilai kesalahan / error
yang dikumulatifkan melebihi batasan yang telah ditentukan tersebut, maka
peramalan tersebut perlu ditinjau kembali.
Tracking signal dihitung sebagai jumlah kesalahan peramalan (Running
sum forecast error/ RSFE) dibandingkan nilai MAD, secara umum dituliskan
dengan :

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.

George Plossl dan Oliver Weight ( pakar peramalan ) mengusulkan untuk

menggunakan batas maksimum ± 4 MAD untuk jumlah persediaan yang besar dan
batas maksimum ± 8 MAD untuk jumlah persediaan yang lebih rendah, sebagai
batas-batas pengendalian untuk tracking signal.

24
 BAB III
PENGOLAHAN DATA

3.1 METODE REGRESI LINIER

Tabel 3.1 Peramalan dengan metode Regresi Linier

Gambar 3.1 Grafik peramalan dengan metode Regresi Linier

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.

3.2 METODE REGRESI KUADRATIS

Tabel 3.2 Peramalan dengan metode Regresi Kuadratis

Gambar 3.2 Grafik Peramalan dengan metode Regresi Kuadratis

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

Grafik 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.

3.4 METODE DES BROWN DENGAN α = 0.3

Tabel 3.4 Pramalan dengan metode DES Brown dengan α = 0.3

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

Table 3.5 Pramalan dengan 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

3.7 METODE MOVING AVRAGE (MA)

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 3.8.1 Pramalan dengan metode Double Exponential Smoothing (DES)

Gambar 3.8.2 Grafik Pramalan dengan metode Double Exponential Smoothing (DES)

34
 BAB IV
ANALISIS DATA

4.1 PENGUJIAN KETEPATAN PERAMALAN (ME, MAD, MSE,

MAPE)
a. Regresi Linier
Perhitungan Mean Error (ME) dalam metode regresi linier adalah
sebagai berikut:
∑𝑛 |𝑥𝑡 − 𝐹𝑡|
𝑡=1
𝑀𝐸 =
𝑛

−1.4 × 10−12
𝑀𝐸 = = −5.684 × 𝟏𝟎−𝟏4
24

Perhitungan Mean Absolute Deviation (MAD) dalam metode regresi linier adalah
sebagai berikut:

𝑀𝐴𝐷 = ∑(𝑎𝑏𝑠𝑜𝑙𝑢𝑡 𝑑𝑎𝑟𝑖 𝑓𝑜𝑟𝑒𝑐𝑎𝑠𝑡 𝑒𝑟𝑟𝑜𝑟𝑠)

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:

𝑀𝐴𝐷 = ∑(𝑎𝑏𝑠𝑜𝑙𝑢𝑡 𝑑𝑎𝑟𝑖 𝑓𝑜𝑟𝑒𝑐𝑎𝑠𝑡 𝑒𝑟𝑟𝑜𝑟𝑠)

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

𝑀𝐴𝑃𝐸 = 3.3107 × 100%

= 13.794 %
24

c. DES Brown α = 0.1

Perhitungan Mean Error (ME) dalam metode regresi linier adalah sebagai berikut:
∑𝑛 |𝑥𝑡 − 𝐹𝑡|
𝑡=1
𝑀𝐸 =
𝑛
-2906.18
𝑀𝐸 = = -121.091
24

Perhitungan Mean Absolute Deviation (MAD) dalam metode regresi linier adalah
sebagai berikut:

𝑀𝐴𝐷 = ∑(𝑎𝑏𝑠𝑜𝑙𝑢𝑡 𝑑𝑎𝑟𝑖 𝑓𝑜𝑟𝑒𝑐𝑎𝑠𝑡 𝑒𝑟𝑟𝑜𝑟𝑠)

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:

𝑀𝐴𝐷 = ∑(𝑎𝑏𝑠𝑜𝑙𝑢𝑡 𝑑𝑎𝑟𝑖 𝑓𝑜𝑟𝑒𝑐𝑎𝑠𝑡 𝑒𝑟𝑟𝑜𝑟𝑠)

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:

𝑀𝐴𝐷 = ∑(𝑎𝑏𝑠𝑜𝑙𝑢𝑡 𝑑𝑎𝑟𝑖 𝑓𝑜𝑟𝑒𝑐𝑎𝑠𝑡 𝑒𝑟𝑟𝑜𝑟𝑠)

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:

𝑀𝐴𝐷 = ∑(𝑎𝑏𝑠𝑜𝑙𝑢𝑡 𝑑𝑎𝑟𝑖 𝑓𝑜𝑟𝑒𝑐𝑎𝑠𝑡 𝑒𝑟𝑟𝑜𝑟𝑠)

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 %

4.2 REKAPITULASI ERROR

Setelah melakukan perhitungan ketepatan peramalan di masing-
masing metode, dilakukan rekapitulasi eror dari setiap perhitungan,
dengan tujuan mencari dasar utama untuk analisa penggunaan

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

ME -31,62956522 0 -121,0909806 -481,8344039

MAD 445,7489614 391,7796461 438,3042482 574,5000557

13,7944077
MSE 246728,7457 230158,6066 342222,4312 515477,7328

MAPE 27,61319031 13,7944077 16,31277315 22,57646601

Tabel 4.1 Tabel Rekaptulasi Eror

Dari hasil rekapitulasi tersebut dapat ditarik kesimpulan yaitu
tingkat kesalahan peramalan paling minimum dengan
menggunakan metode regresi kuadratis dengan nilai MAPE sebesar
13,7944077.
Penggunaan pengukuran akurasi dengan MAPE dikarenakan
tingkat akurasinya paling baik diantara pengukuran lainnya, karena
MAPE membandingkan dengan nilai permintaan yang sebenarnya.

4.3 STATISTIC U-THEIL

Dari rekapitulasi eror yang hasilnya telah diperoleh di atas, data
dari permintaan dan peramalan untuk metode regresi kuadratis
dapat digunakan sebagai landasan utama dalam pengujian
peramalan dengan metode ini. Berikut adalah perhitungannya:

PERMINTAAN PERAMALAN
PERIODE PEMBILANG PENYEBUT
Y(t) Y'(t)

1 3845 2954

2 2629 2952 0,007069985 0,100017147

3 3468 2949 0,038927402 0,101845712

41
 4 2527 2945 0,014551575 0,073624281

5 3520 2940 0,052599924 0,154414476

6 2363 2935 0,026368077 0,108039208

7 2233 2928 0,086450765 0,00302663

8 2886 2920 0,000232185 0,085516303

9 2561 2911 0,01473449 0,012681601

10 2490 2902 0,025838213 0,000768595

11 2952 2891 0,000599085 0,034425896

12 3393 2879 0,030259054 0,022317445

13 2766 2867 0,00088585 0,034148164

14 2331 2854 0,035687224 0,02473285

15 3011 2839 0,005437321 0,085100729

16 2683 2824 0,002185278 0,011866597

17 2878 2807 0,00069157 0,005282359

18 3707 2790 0,101481282 0,082971221

19 3620 2772 0,052333512 0,000550799

20 2419 2753 0,008502854 0,110069976

21 2843 2733 0,002079535 0,030722742

22 2052 2712 0,053831782 0,077410389

23 2710 2690 9,87589E-05 0,102824611

24 2527 2667 0,002655143 0,004559987

300 68414 68414 0,563500864 1,266917717

Tabel 4.2 Pengujian Statistic U-Theil

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.

4.4 MOVING RANGE

Sama seperti halnya pengujian statistic U-Theil, data untuk permintaan dan peramalan
dengan metode Moving Range diambil dari data dengan metode regresi kuadratis. Berikut
gambaran perhitungannya:

Tabel 4.3 Pengujian Moving Range

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

ERROR A+ A- B+ B- BKA BKB

Gambar 4.1 Grafik pengujian peramalan dengan Moving Range

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.

4.5 TRACKING SIGNAL

Sama seperti halnya pula pengujian statistic U-Theil, data untuk permintaan dan
peramalan dengan metode Tracking Signal diambil pula dari data dengan metode regresi
kuadratis. Berikut gambaran grafik dan perhitungannya:
PERMINTAAN PERAMALAN Tracking (- (-
PERIODE ERROR RSFE Abs. E Cumm. E MAD 4MAD 8MAD
Y(t) Y'(t) Signal 4MAD) 8MAD)

1 3845 2954 891 891 890,648414 890,6484 890,648 1 4 -4 8 -8

2 2629 2952 -323 567 323,29991 1213,948 606,974 0,9347161 4 -4 8 -8

3 3468 2949 519 1086 518,702446 1732,651 577,55 1,8804441 4 -4 8 -8

4 2527 2945 -418 668 418,344518 2150,995 537,749 1,2416697 4 -4 8 -8

5 3520 2940 580 1247 579,559197 2730,554 546,111 2,2839054 4 -4 8 -8

6 2363 2935 -572 676 571,586409 3302,141 550,357 1,2277112 4 -4 8 -8

7 2233 2928 -695 -19 694,781335 3996,922 570,989 -0,0334544 4 -4 8 -8

8 2886 2920 -34 -53 34,0255811 4030,948 503,868 -0,1054396 4 -4 8 -8

9 2561 2911 -350 -403 350,319148 4381,267 486,807 -0,8287606 4 -4 8 -8

10 2490 2902 -412 -815 411,662035 4792,929 479,293 -1,7006488 4 -4 8 -8

11 2952 2891 61 -754 60,945757 4853,875 441,261 -1,7091076 4 -4 8 -8

12 3393 2879 514 -241 513,504229 5367,379 447,282 -0,5380479 4 -4 8 -8

44
 13 2766 2867 -101 -342 100,98662 5468,366 420,644 -0,8121973 4 -4 8 -8

14 2331 2854 -523 -864 522,526789 5990,892 427,921 -2,0194675 4 -4 8 -8

15 3011 2839 172 -692 171,883721 6162,776 410,852 -1,6850083 4 -4 8 -8

16 2683 2824 -141 -833 140,755089 6303,531 393,971 -2,1144813 4 -4 8 -8

17 2878 2807 71 -762 70,5567807 6374,088 374,946 -2,0335893 4 -4 8 -8

18 3707 2790 917 154 916,81933 7290,907 405,05 0,3810203 4 -4 8 -8

19 3620 2772 848 1002 848,032558 8138,94 428,365 2,3399774 4 -4 8 -8

20 2419 2753 -334 669 333,803534 8472,743 423,637 1,5781464 4 -4 8 -8

21 2843 2733 110 779 110,311054 8583,054 408,717 1,9056529 4 -4 8 -8

22 2052 2712 -660 119 659,623679 9242,678 420,122 0,2838435 4 -4 8 -8

23 2710 2690 20 140 20,3922675 9263,07 402,742 0,3467258 4 -4 8 -8

24 2527 2667 -140 0 139,641106 9402,712 391,78 -6,964E-15 4 -4 8 -8

300 68414 68414 -2,73E-12 2218,476 9402,71151 130138 11547,6 1,8236102 96 -96 192 -192

Tabel 4.4 Pengujian tracking signal

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

Tracking Signal 4MAD -4MAD 8MAD -8MAD

Grafik 4.2 Pengajuan Tracking Signal

Dari grafik tersebut dapat ditarik kesimpulan merupakan pola verifikasi

peramalan yang menyatakan bahwa peramalan tersebut sudah baik, terlihat
dari nilai Tracking Signal yang tidak jauh dari nilai 0 (baik positif maupun
negatif.

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