PENDAHULUAN
1.2. Tujuan
Adapun tujuan dari praktikum ini yaitu:
1. Memahami pentingnya peramalan dalam kegiatan perencanaan produksi.
2. Memahami dan mampu peramalan permintaan dengan beberapa metode
peramalan.
3. Memahami dan mampu membuat verifikasi peramlan permintaan dengan
beberapa metode peramalan dalam rangka memilih metode terbaik.
1.3. Batasan Masalah
Adapun batasan masalah pada penelitian ini yaitu:
1. Mahasiswa Fakultas Teknik Prodi Teknik Industri Universitas Muhammadiyah
Riau yang melaksanakan praktikum Perencanaan dan Pengendalian Produksi di
Laboratorium Teknik Industri Universitas Muhammadiyah Riau.
2. Menggunakan data sekunder yang telah disiapkan di Laboratorium Industri.
3. Dalam laporan ini hanya membahas tentang Forcasting (Peramalan).
BAB II
LANDASAN TEORI
Keterangan :
Ft : Peramalan permintaan periode berikutnya.
n : Jumlah periode dalam moving average.
3. Weighted Moving Average (Rata-rata Bergerak dengan Bobot)
Secara sistematis, Weighted Moving Average dapat dinyatakan sebagai berikut :
Ft
Keterangan :
Ft : Peramalan permintaan periode berikutnya.
Pemilihan bobot merupakan hal yang tidak pasti karena tidak ada rumus untuk
menetapkannya.
4. Exponential Smoothing (Pemulusan Eksponensial)
Exponential Smoothing, merupakan metode peramalan rata-rata bergerak
dengan pembobotan, dimana 𝛼 adalah sebuah bobot atau konstanta penghalusan yang
dipilih oleh peramal yang mempunyai nilai antara 0 dan 1. Secara matematis, metode
exponential smoothing dirumuskan sebagai berikut :
Ft = Ft-1 + 𝛼 (At-1 - Ft-1)
Keterangan :
Ft : Peramalan permintaan di periode berikutnya.
Ft-1 : Peramalan permintaan di periode sebelumnya.
At-1: Permintaan actual di periode sebelumnya.
𝛼 : Konstanta eksponensial (0≤ 𝛼 ≤ 1)
5. Exponential Smoothing with Trend Adjusment (Penghalusan Eksponensial
dengan Tren)
Penghalusan eksponential yang disesuaikan adalah ramalan penghalusan
eksponensial sederhana dengan menambahkan dua kostanta penghalusan 𝛼 untuk
rata-rata dan 𝛽 untuk tren. Rumus peramalan dengan penghalusan eksponensial
dengan tren sebagai berikut :
FITt = Ft + Tt
Ft = 𝛼 (At-1) + (1- 𝛼) (Ft-1 + Tt)
Tt = 𝛽 (Ft + Tt-1) + (1-𝛽) Tt-1
Keterangan :
FITt : Peramalan dengan tren
Ft : Peramalan dengan eksponensial yang dihaluskan dari data berseri pada
periode t,
Ft-1 : Peramalan dengan eksponensial yang dihaluskan dari data berseri pada
periode t-1,
Tt : Tren dengan eksponensial yang dihaluskan pada periode t,
Tt-1 : Tren dengan eksponensial yang dihaluskan pada periode t-1,
At-1 : Permintaan actual pada periode t-1,
𝛼 : Konstanta penghalusan untukfata-rata (0≤ 𝛼 ≤ 1)
𝛽 : Konstanta penghalusan untukfata-rata (0≤ 𝛽 ≤ 1)
6. Trend Projection (Proyeksi Tren)
Metode yang digunakan untuk mencocokan garis tren pada serangkaian data
masa lalu, kemudian memproyeksikan garis pada masa depan untuk peramalan
jangka menengah atau jangaka panjang. Garis tren pada metode proyeksi tren dapat
dinyatakan dengan persamaan sebagai berikut :
𝑦̂ = 𝑎 + 𝑏𝑥
Untuk garis kemiringan b dapat ditemukan dengan persamaan :
̅̅̅̅
Σ𝑥𝑦−𝑛𝑥̅ 𝑦
b = Σ𝑥2−𝑛𝑥̅ 2
𝛼 = 𝑦̅ − 𝑏𝑥̅
Σ𝑥
𝑥̅ = n
Σ𝑦
𝑦̅ = n
Keterangan :
𝑦̂ : Variabel terikat yang akan diprediksi,
𝛼 : Persilangan sumbu y,
𝑏 : Kemiringan garis regresi,
𝑥 : Variabel bebas,
𝑛 : Jumlah data atau pengamatan,
𝑥̅ : Rata-rata nilai x,
𝑦̅ : Rata-rata nilai y.
2. Pola Trend (T) atau Trend Data Pattern Pola. Data ini terjadi bilamana terdapat
kenaikan atau penurunan sekuler jangka panjang dalam data. Contohnya penjualan
perusahaan, produk bruto nasional (GNP) dan berbagai indikator bisnis atau ekonomi
lainnya, selama perubahan sepanjang waktu.
3. Pola Musiman (S) atau Seasional Data Pattern Pola data ini terjadi bilamana
suatu deret dipengaruhi oleh faktor musiman (misalnya kuartal tahun tertentu, bulan
atau hari-hari pada minggu tertentu). Penjualan dari produk seperti minuman ringan,
es krim dan bahan bakar pemanas ruang semuanya menunjukan jenis pola ini.
Gambar 2.3. Pola Data Musiman
Sumber: Internet
4. Pola Siklis (S) atau Cyclied Data Pattern Pola data ini terjadi bilamana datanya
dipengaruhi oleh fluktuasi ekonomi jangka panjang seperti yang berhubungan dengan
siklus bisnis. Contohnya penjualan produk seperti mobil, baja.
Situasi peramalan sangat beragam dalam horizon waktu peramalan, faktor yang
menentukan hasil sebenarnya, tipe pola dan berbagai aspek lainnya. Untuk
menghadapi penggunaan yang luas seperti itu, beberapa teknik telah dikembangkan.
Peramalan pada umumya dapat dibedakan dari berbagai segi tergantung dalam cara
melihatnya. Dilihat dari jangka waktu ramalan yang disusun, peramalan dapat
dibedakan atas dua macam, yaitu:
a. Peramalan jangka panjang
Yaitu peramalan yang dilakukan untuk penyusunan hasil ramalan yang jangka
waktunya lebih dari satu setengah tahun atau tiga semester. Lebih tegas nya
peramalan jangka panjang ini berorientasi pada dasar atau perencanaan.
b. Peramalan jangka pendek
Yaitu peramalan yang dilakukan untuk penyusunan hasil ramalan yang
dilakukan kurang dari satu setengah tahun atau tiga semester. Penetapan jadwal induk
produksi untuk bulan yang akan datang atau periode kurang dari satu tahun sangat
tergantung pada peramalan jangka pendek.
Apabila dilihat dari sifat penyusunannya, maka peramalan dapat dibedakan
menjadi dua macam, yaitu:
1. Peramalan subjektif, yaitu peramalan yang didasarkan atas perasaan atau intuisi
dari orang yang menyusunnya. Dalam hal ini pandangan atau ketajaman
pikiran orang yang menyusunnya sangat menentukan baik tidaknya hasil
peramalan.
2. Peramalan objektif, yaitu peramalan yang didasarkan atas data yang relevan
pada masa lalu dengan menggunakan teknik-teknik dan metode-metode dalam
penganalisaan data tersebut.
Dilihat dari sifat ramalan yang telah disusun, maka peramalan dapat dibedakan
atas dua macam, yaitu:
1. Peramalan kualitatif atau teknologis, yaitu peramalan yang didasarkan atas data
kualitatif masa lalu. Hasil peramalan yang ada tergantung pada orang yang
menyusunnya, karena peramalan tersebut sangat ditentukan oleh pemikiran
yang bersifat intuisi, judgement (pendapat) dan pengetahuan serta pengalaman
dari penyusunnya. Metoda kualitatif dibagi menjadi dua metode, yaitu:
a. Metode Eksploratif
Pada metoda ini dimulai dengan masa lalu dan masa kini sebagai awal dan
bergerak ke arah masa depan secara heuristik, sering kali dengan melihat
semua kemungkinan yang ada.
b. Metode Normatif
Pada metode ini dimulai dengan menetapkan sasaran tujuan yang akan
datang, kemudian bekerja mundur untuk melihat apakah hal ini dapat dicapai
berdasarkan kendala, sumber daya dan teknologi yang tersedia.
2. Peramalan kuantitatif, yaitu peramalan yang didasarkan atas data kuantitatif
pada masa lalu. Hasil peramalan yang dibuat tergantung pada metode yang
digunakan dalam peramalan tersebut. Metode yang baik adalah metode yang
memberikan nilai-nilai perbedaan atau penyimpangan yang mungkin.
Peramalan kuantitatif hanya dapat digunakan apabila terdapat tiga kondisi
sebagai berikut: (Makridakis, 1988) yaitu :
a. Informasi tentang keadaan masa lalu.
b. Informasi tersebut dapat dikuantifikasikan dalam bentuk data numerik.
c. Dapat diasumsikan bahwa beberapa aspek pola masa lalu akan terus
berkelanjutan pada masa yang akan datang.
Metode peramalan kuantitatif terbagi atas dua jenis model peramalan yang
utama, yaitu:
1. Model deret berkala (time series) yaitu: Metode peramalan yang didasarkan
atas penggunaan analisa pola hubungan antara variabel yang akan
diperkirakan dengan variabel waktu, yang merupakan deret waktu.
2. Model kausal, yaitu metode peramalan yang didasarkan atas penggunaan
analisa pola hubungan antara variabel lain yang mempengaruhinya, yang
bukan waktu yang disebut metode korelasi atau sebab akibat. Model kausal
terdiri dari:
a. Metode regresi dan korelasi
b. Metode ekonometri
c. Metode input dan output
Keterangan :
At : Permintaan aktual pada periode t,
Ft : Peramalan permintaan pada periode t,
n : Jumlah periode peramalan yang terlibat
2. MSE (Mean Square Error)
MSE dihitung dengan kuadrat semua kesalahan peramalan pada setiap periode
dan membaginya dengan jumlah periode peramalan. Secara matematis, MSE
dirumuskan sebagai berikut :
(𝐴𝑡−𝐹𝑡)2
MSE = ∑ 𝑛