MODUL PERKULIAHAN

Perencanaan dan
Pengendalian
Produksi

Definisi, Karakteristik,
Komponen, Proses
Peramalan, Metode Time
Series, Akurasi
Peramalan, Verifikasi

Fakultas Program Studi Mdl Bab NIM Disusun Oleh

Teknik Teknik Industri 41617110017 Saiful bahri

02
Abstract
Modul ini mencakup definisi, sejarah,
dan ruang lingkup teknik industri.
Kompetensi
Mahasiswamampu menjelaskan
kembali mengenai ruang lingkup teknik
industri dan kompetensinya.
1. Tujuan Pembelajaran
1. Mengetahui definisi peramalan (forecastingi)
2. Mengetahui implementasi peramalan di dunia industri
3. Memahami metode-metode peralaman

2. Pendahuluan
1. Pendahuluan
Peramalan merupakan aktivitas fungsi bisnis yang memperkirakan penjualan
dan penggunaan produk sehingga produk-produk itu dapat dibuat dalam kuantitas
yang tepat.Peramalan merupakan dugaan terhadap permintaan yang akan datang
berdasarkan pada beberapa variabel peramal, sering berdasarkan data deret waktu
historis. Peramalan menggunakan teknik-teknik peramalan yang bersifat formal
maupun informal.Peramalan (forecasting) merupakan seni dan ilmu untuk
memperkirakan kejadian dimasa depan. Hal ini dapat dilakukan dengan melibatkan
pengambilan data masa lalu dan menempatkannya kemasa yang akan datang
dengan suatu bentuk model matematis. Bisa juga merupakan prediksi intuisi yang
bersifat subjektif. Atau bisa juga dengan menggunakan kombinasi model matematis
yang disesuaikan dengan pertimbangan yang baik dari seorang manager.
Kegiatan peramalan merupakan bagian integral dari pengambilan keputusan
manajemen. Peramalan mengurangi ketergantungan pada hal-hal yang belum pasti
(intuitif). Peramalan memiliki sifat saling ketergantungan antar divisi atau bagian.
Kesalahan dalam proyeksi penjualan akan mempengaruhi pada ramalan anggaran,
pengeluaran operasi, arus kas, persediaan, dan sebagainya. Dua hal pokok yang
harus diperhatikan dalam proses peramalan yang akurat dan bermanfaat
(Makridakis, 1999):
i. Pengumpulan data yang relevan berupa informasi yang dapat menghasilkan
peramalan yang akurat.
ii. Pemilihan teknik peramalan yang tepat yang akan memanfaatkan informasi
data yang diperoleh semaksimal mungkin.

2. Sejarah peramalan
Sejarah PeramalanTeknik peramalan yang digunakan sekarang ini telah dikembangkan
sejak abad ke 19 seperti analisis regresi, tapi ada juga yang baru dikembangkan seperti
metodologi Box-Jenkins.

2014 PPIC
2 Nama Mhs…………
Pusat Bahan Ajar dan eLearning
http://www.mercubuana.ac.id
3. pengertian peramalan
Peramalan adalah kegiatan untuk memperkirakan apa yang akan terjadi pada masa
yang akan datang. Peramalan diperlukan karena adanya perbedaan waktu antara
kesadaran yang dibutuhkannya suatu kebijakan baru dengan waktu pelaksanaan kebijakan
tersebut

Pengertian Peramalan (Forecasting) Menurut Para Ahli

Nasution dan Prasetyawan (2008:29)

Menurut Nasution dan Prasetyawan, Peramalan adalah proses untuk memperkirakan

beberapa kebutuhan di masa datang yang meliputi kebutuhan dalam ukuran kuantitas,
kualitas, waktu dan lokasi yang dibutuhkan dalam rangka memenuhi permintaan barang
ataupun jasa.

Sudjana (1989:254)

Menurut Sudjana, Peramalan adalah proses perkiraan (pengukuran) besarnya atau

jumlah sesuatu pada waktu ayang akan datang berdasarkan data pada masa lampau yang
dianalisis secara ilmiah khususnya menggunakan metode statistika.

Sumayang (2003:24)

Menurut Sumayang, Peramalan adalah perhitungan yang objektif dan dengan

menggunakan data-data masa lalu, untuk menentukan sesuatu di masa yang akan datang.

Supranto (2000)

Menurut Supranto, Peramalan adalah dugaan atau perkiraan mengenai terjadinya

suatu kejadian atau peristiwa di waktu yang akan datang. Ramalan bisa bersifat kualitatif,
artinya tidak berbentuk angka dan bisa bersifat kuantitatif, artinya berbentuk angka,
dinyatakan dalam bilangan.

Heizer dan Render (2009:162)

Menurut Heizer dan Render, Peramalan (Forecasting) adalah eni dan ilmu untuk
memperkirakan kejadian di masa depan. Hal ini dapat dilakukan dengan melibatkan
pengambilan data historis dan memproyeksikannya ke masa mendatang dengan suatu
bentuk model matematis.

3. Materi / Landasan Teori

A. Definisi peramalan

Pengertian peramalan (forecasting) adalah seni dan ilmu memprediksi peristiwa-

peristiwa yang akan terjadi dengan menggunakan data historis dan memproyeksikannya ke
masa depan dengan beberapa bentuk model matematis. Peramalan pun diartikan sebagai
suatu alat bantu yang penting untuk melakukan suatu perencanaan yang efektif dan efisien,
seperti peramalan terhadap tingkat permintaan suatu produk atau beberapa produk dalam

2014 PPIC
3 Nama Mhs…………
Pusat Bahan Ajar dan eLearning
http://www.mercubuana.ac.id
periode waktu tertentu di masa yang akan datang (Biegel). Peramalan merupakan aktivitas
fungsi bisnis yang memperkirakan penjualan dan penggunaan produk sehingga produk-
produk itu dapat dibuat dalam kuantitas yang tepat. Peramalan merupakan dugaan terhadap
permintaan yang akan datang berdasarkan pada beberapa variabel peramal, sering
berdasarkan data deret waktu historis. Peramalan menggunakan teknik-teknik peramalan
yang bersifat formal maupun informal (Gaspersz, 1998). Kegiatan peramalan merupakan
bagian integral dari pengambilan keputusan manajemen. Peramalan mengurangi
ketergantungan pada hal-hal yang belum pasti (intuitif). Peramalan memiliki sifat saling
ketergantungan antar divisi atau bagian. Kesalahan dalam proyeksi penjualan akan
mempengaruhi pada ramalan anggaran, pengeluaran operasi, arus kas, persediaan, dan
sebagainya.

B. karakteristik peramalan

a. didasarkan pada hubungan sebab akibat

b. biasanya salah
c. membutuhkan lebih dari satu angka
d. aggregate lebih baik
e. jangka panjang
f. menggunakan pendekatan berbeda
g. mnggunakan informasi lain yang digunakan

C. proses peramalan
1. Menentukan tujuan, dalam membuat peramalan maka harus memiliki tujuan yang jelas
sehingga nantinya dapat membuat ramalan yang sesuai serta menjadi dasar dalam
pengambilan keputusan yang tepat.

2. Memilih teori, menggunakan teori yang tepat dan sesuai dengan ramalan sangat
dibutuhkan karena dapat mempermudah kegiatan peramalan.

3. Pencarian data yang tepat, perlunya data yang relevan supaya menghasilkan peramalan
yang sesuai.

4. Analisis data, adanya data yang kadang tidak sesuai membuat kita harus menganalisis
peramalan dengan teliti.

5. Pengestimasian model awal, kita akan menguji data yang ada dengan metode yang
telah kita pilih.

6. Menyajikan ramalan sementara kepada manajemen dimana membutuhkan penyesuaian

terhadap pengaruh lingkungan.

7. Revisi akhir

8. Menyebarkan hasil peramalan dengan tepat waktu.

9. Memantau peramalan yang sudah berjalan guna menghindari adanya kesalahan-

kesalahan fatal.

a. Metode time series

2014 PPIC
4 Nama Mhs…………
Pusat Bahan Ajar dan eLearning
http://www.mercubuana.ac.id
 Time series atau runtun waktu adalah himpunan observasi data terurut dalam waktu
(Hanke&Winchern, 2005: 58). Metode time series adalah metode peramalan dengan
menggunakan analisa pola hubungan antara variabel yang akan dipekirakan dengan
variabel waktu. Peramalan suatu data time series perlu memperhatikan tipe atau pola data.
Secara umum terdapat empat macam pola data time series, yaitu horizontal, trend,
musiman, dan siklis (Hanke dan Wichren, 2005: 158). Pola horizontal merupakan kejadian
yang tidak terduga dan bersifat acak, tetapi kemunculannya dapat memepengaruhi fluktuasi
data time series. Pola trend merupakan kecenderungan arah data dalam jangka panjang,
dapat berupa kenaikan maupun penurunan. Pola musiman merupakan fluktuasi dari data
yang terjadi secara periodik dalam kurun waktu satu tahun, seperti triwulan, kuartalan,
bulanan, mingguan, atau harian. Sedangkan pola siklis merupakan fluktuasi dari data untuk
waktu yang lebih dari satu tahun.

b. Simple moving average (SMA)

Merupakan teknik peramalan yang paling sering digunakan dan paling standar. Jika di
Indonesiakan artinya kira-kira adalah rata-rata bergerak. Moving average sendiri memiliki
aplikasi yang sangat luas meskipun sederhana. Dikatakan sederhana karena pada dasarnya
metode ini hanyalah pengembangan dari metode rata-rata yang biasa kita kenal. Pada
contoh berikut akan dibahas mengenai simple moving average (SMA) yaitu dengan contoh
berikut SMA menggunakan istilah periode pada nama kolom forecasting 3 bulanan yaitu
angka 128.67 (dibulatkan) dihasilkan dari perhitungan rata-rata bulan januari –maret tahun
2013 yaitu mean(131+130+125). Itulah cara menghitung SMA. Bila di plotkan menjadi
berikut Agar tidak membingunkan untuk menghitung tingkat error menggunakan teknik
berikut Angka 0.966569 didapat dari 16.43168/(n+1), jumlah n data yaitu 16+1 = 17

anda bisa menggunakan aplikasi excel untuk menghitung SMA atau membuat aplikasi
tersendiri untuk operasi matematika diatas Terlihat perbedaan hasil untuk periode 3 dan 4
pada hasil forecasting untuk bulan 1/8/2014 (akhir baris) yaitu 150.67 (dibulatkan) dan
148.75 (dibulatkan) dengan masing-masing MSE yaitu 0.966569219126763 dan
1.09653662872017. Walaupun teknik SMA masih mempunyai error besar karena tidak
memandang terjadi nya siklus dari time series yaitu hanya menggunakan mean/average
saja.

c. Weight moving average (WMA)

2014 PPIC
5 Nama Mhs…………
Pusat Bahan Ajar dan eLearning
http://www.mercubuana.ac.id
 Metode weighted moving average adalah metode peramalan yang bertujuan untuk
meramalkan data yang berbentuk konstan dengan pembobotan pada tiap periode demand.
Pada perhitungan ini menggunakan 5 periode dengan dua cara yaitu manual dan software
WinQSB. Untuk perhitunganya bobot yang digunakan adalah 0.05; 0.1; 0.2; 0,25; 0,4.
Perhitungan dilakukan untuk meramal 6 periode kedepan sehingga peramalan memiliki 58
periode. Perhitungan dilakukan dengan cara mengalikan periode 1 dengan bobot 1, periode
dengan bobot 2, periode 3 dengan bobot 3, periode 4 dengan bobot 4, periode 5 dengan
bobot 5. Setelah itu hasil perkalian akan dijumlahkan untuk mendapatkan nilai forecast.
Perhitungan tiap periode diteruskan hingga period eke 58 sehingga didapatkan 6 data
ramalan. Nilai peramalan ke 58 secara manual adalah 2167.15 sedangkan berdasarka
software WinQSB adalah 2414.55. Perhitungan error dilakukan dengan menggunakan 5
metode pada manual, antara lain Mean Square Error (MSE), Mean Absolute Deviation
(MAD), Standar Deviation Error (SDE), Utheil, dan NF1. Serta pada software WinQSB
menggunakan metode antara lain MAD, MSE, dan MAPE. Untuk membandingkan metode
yang terbaik digunakan perhitungan error metode U-Theil. Perhitungan error untuk metode
Weighted Moving Average dengan periode 5 berdasarkan metode U-Theil adalah 0.535605.

d. Exponential smoothing

Exponential smoothing atau dalam bahasa Indonesia disebut dengan Penghalusan

Eksponensial adalah suatu metode peramalan rata-rata bergerak yang memberikan bobot
secara eksponensial atau bertingkat pada data-data terbarunya sehingga data-data terbaru
tersebut akan mendapatkan bobot yang lebih besar. Dengan kata lain, semakin baru atau
semakin kini datanya, semakin besar pula bobotnya. Hal ini dikarenakan data yang terbaru
dianggap lebih relavan sehingga diberikan bobot yang lebih besar. Parameter penghalusan
(smoothing) biasanya dilambangkan dengan α (alpha).

Pengertian Exponential Smoothing menurut para Ahli

Berikut ini adalah beberapa definisi ataupun pengertian Exponential Smoothing

(Penghalusan Bertingkat) menurut para ahli.

Menurut Render dan Heizer (2005), Penghalusan exponential adalah teknik peramalan
rata-rata bergerak dengan pembobotan dimana data diberi bobot oleh sebuah fungsi
exponential.
Menurut Trihendradi (2005), analisis exponential smoothing merupakan salah satu analisis
deret waktu, dan merupakan metode peramalan dengan memberi nilai pembobot pada
serangkaian pengamatan sebelumnya untuk memprediksi nilai masa depan.
Menurut T. Hani Handoko (2011), Exponential Smoothing adalah suatu tipe
teknik peramalan rata-rata bergerak yang melakukan penimbangan terhadap data
masa lalu dengan cara eksponensial sehingga data paling akhir mempunyai bobot
atau timbangan lebih besar dalam rata-rata bergerak.

Peramalan dengan Exponential Smoothing (Penghalusan Eksponensial)

Metode Peramalan Exponential Smoothing atau Penghalusan eksponensial (Penghalusan

bertingkat) ini banyak digunakan untuk meramalkan permintaan barang (demand) yang
perubahannya sangat cepat.

Cara Menghitung Exponential Smoothing

Peramalan dengan Exponential Smoothing atau Metode Penghalusan Eksponensial ini

cukup mudah, yaitu dengan memasukan prakiraan permintaan sekarang dengan data

2014 PPIC
6 Nama Mhs…………
Pusat Bahan Ajar dan eLearning
http://www.mercubuana.ac.id
permintaan nyata atau data permintaan aktual ke dalam rumus Exponential Smoothing.
Berikut ini adalah rumus untuk menghitung exponential smoothing :

Rumus Exponential Smoothing (Penghalusan Eksponensial)

Ft = Ft – 1 + α (Dt-1 – Ft-1)

Dimana :

Ft = Prakiraan Permintaan sekarang

Ft-1 = Prakiraan Permintaan yang lalu
α = Konstanta Eksponensial
Dt-1 = Permintaan Nyata

Contoh Kasus Cara Menghitung Exponential Smoothing

Sebuah perusahaan yang menjual Kalkulator ingin meramalkan permintaan produknya di

pasar. Metode yang digunakan adalah metode Penghalusan Eksponensial atau Exponential
Smoothing. Perusahaan tersebut menggunakan Konstanta α = 0,1. Prakiraan Permintaan
atau demand untuk bulan Januari adalah 10.000 unit. Namun pada kenyataannya,
permintaan aktual pada bulan Januari tersebut hanya sebanyak 9.000 unit. Berapakah
prakiraan untuk bulan Februari?

Diketahui :

α = 0,1
Ft – 1 = 10.000 unit
Dt – 1 = 9.000 unit
Ft = ?

Jawaban :

Ft = Ft – 1 + α (Dt-1 – Ft-1)
Ft = 10.000 + 0,1 (9.000 – 10.000)
Ft = 10.000 + 0,1 (-1.000)
Ft = 10.000 + (-100)
Ft = 9.900
Jadi prakiraan permintaan untuk bulan Februari adalah 9.900 units.

Untuk Prakiraan pada bulan-bulan selanjutnya, kita dapat menghitung dengan cara yang
sama. Silakan lihat contoh berikut ini :

2014 PPIC
7 Nama Mhs…………
Pusat Bahan Ajar dan eLearning
http://www.mercubuana.ac.id
Penentuan Nilai Konstanta pada Metode Peramalan Exponential Smoothing

Nilai konstanta dapat ditentukan dengan cara trial dan error (coba-coba). Namun dapat juga
menggunakan rumus dibawah ini :

α= 2 / (n + 1)

Dimana :

Α = nilai Konstanta
n = jumlah periode waktu

Contoh :

Bila data terdiri dari 9 bulan, maka α dapat diperoleh dengan menggunakan perhitungan
sebagai berikut :

α= 2 / (n + 1)
α= 2 / (9 + 1)
α= 2 / 10
α= 0,2

Jadi nilai konstanta yang dapat kita gunakan adalah 0,2.

2014 PPIC
8 Nama Mhs…………
Pusat Bahan Ajar dan eLearning
http://www.mercubuana.ac.id
 e. Linier trend line

Analisis trend merupakan suatu metode analisis yang ditujukan untuk melakukan suatu
estimasi atau peramalan pada masa yang akan datang. Untuk melakukan peramalan
dengan baik maka dibutuhkan berbagai macam informasi (data) yang cukup banyak dan
diamati dalam periode waktu yang relatif cukup panjang, sehingga dari hasil analisis
tersebut dapat diketahui sampai berapa besar fluktuasi yang terjadi dan faktor-faktor apa
saja yang mempengaruhi terhadap perubahan tersebut. Secara teoristis, dalam analisis time
series yang paling menentukan adalah kualitas atau keakuratan dari informasi atau data-
data yang diperoleh serta waktu atau periode dari data-data tersebut dikumpulkan.
Jika data yang dikumpulkan tersebut semakin banyak maka semakin baik pula estimasi atau
peramalan yang diperoleh. Sebaliknya, jika data yang dikumpulkan semakin sedikit maka
hasil estimasi atau peramalannya akan semakin jelek. Metode Least Square : Metode yang
digunakan untuk analisis time series adalah Metode Garis Linier Secara Bebas (Free Hand
Method), Metode Setengah Rata-Rata (Semi Average Method), Metode Rata-Rata Bergerak
(Moving Average Method) dan Metode Kuadrat Terkecil (Least Square Method). Dalam hal
ini akan lebih dikhususkan untuk membahas analisis time series dengan metode kuadrat
terkecil yang dibagi dalam dua kasus, yaitu kasus data genap dan kasus data ganjil. Secara
umum persamaan garis linier dari analisis time series adalah : Y = a + b X. Keterangan : Y
adalah variabel yang dicari trendnya dan X adalah variabel waktu (tahun). Sedangkan untuk
mencari nilai konstanta (a) dan parameter (b) adalah : a = ΣY / N dan b = ΣXY / ΣX2

Contoh Kasus Data Ganjil :

Tabel : Volume Penjualan Barang “X” (dalam 000 unit) Tahun 1995 sampai dengan 2003

Tahun Penjualan (Y) X XY X2

1995 200 –4 – 800 16

1996 245 –3 – 735 9

1997 240 –2 – 480 4

1998 275 –1 – 275 1

1999 285 0 0 0

2000 300 1 300 1

2014 PPIC
9 Nama Mhs…………
Pusat Bahan Ajar dan eLearning
http://www.mercubuana.ac.id
2001 290 2 580 4

2002 315 3 945 9

2003 310 4 1.240 16

Jumlah 2.460 775 60

Untuk mencari nilai a dan b adalah sebagai berikut :a= 2.460 / 9 = 273,33 dan b = 775 / 60 =
12,92

Persamaan garis liniernya adalah : Y = 273,33 + 12,92 X. Dengan menggunakan

persamaan tersebut, dapat diramalkan penjualan pada tahun 2010 adalah : Y = 273,33 +
12,92 (untuk tahun 2010 nilai X adalah 11), sehingga : Y = 273,33 + 142,12 = 415,45 artinya
penjualan barang “X” pada tahun 2010

diperkirakan sebesar 415.450 unit

Contoh Kasus Data Genap :

Tabel : Volume Penjualan Barang “X” (dalam 000 unit) Tahun 1995 sampai dengan 2002

Tahun Penjualan (Y) X XY X2

1995 200 –7 – 1.400 49

1996 245 –5 – 1.225 25

1997 240 –3 – 720 9

1998 275 –1 – 275 1

1999 285 1 285 1

2014 PPIC
10 Nama Mhs…………
Pusat Bahan Ajar dan eLearning
http://www.mercubuana.ac.id
2000 300 3 900 9

2001 290 5 1.450 25

2002 315 7 2.205 49

Jumlah 2.150 1.220 168

Untuk mencari nilai a dan b adalah sebagai berikut :

a = 2.150 / 8 = 268,75 dan b = 1.220 / 168 = 7,26

Persamaan garis liniernya adalah : Y = 268,75 + 7,26 X. Berdasarkan persamaan tersebut

untuk meramalkan penjualan pada tahun 2008 adalah:

Y = 268,75 + 7,26 (untuk tahun 2008 nilai X adalah 19), sehingga : Y = 268,75 + 137,94 =
406,69 artinya penjualan barang “X” pada tahun 2008 diperkirakan sebesar 406,69 atau
406.690 unit. Selain dengan menggunakan metode tersebut di atas, juga dapat dipakai
dengan metode sebagai berikut :

Tabel : Volume Penjualan Barang “X” (dalam 000 unit) Tahun 1995 sampai dengan 2002

Tahun Penjualan (Y) X XY X2

1995 200 –3 – 700 12,25

1996 245 –2½ – 612,5 6,25

1997 240 –1½ – 360 2,25

1998 275 –½ – 137,5 0,25

2014 PPIC
11 Nama Mhs…………
Pusat Bahan Ajar dan eLearning
http://www.mercubuana.ac.id
1999 285 ½ 142,5 0,25

2000 300 1½ 450 2,25

2001 290 2½ 725 6,25

2002 315 3½ 1102,5 12,25

Jumlah 2.150 610,0 42,00

Untuk mencari nilai a dan b adalah sebagai berikut :

a = 2.150 / 8 = 268,75 dan b = 610 / 42 = 14,52

Persamaan garis liniernya adalah : Y = 268,75 + 14,52 X. Berdasarkan persamaan tersebut

untuk meramalkan penjualan pada tahun 2008 adalah:

Y= 268,75 + 14,52 (untuk tahun 2008 nilai X adalah 9½), sehingga:

Y = 268,75 + 137,94 = 406,69 artinya penjualan barang “X” pada tahun 2008 diperkirakan
sebesar 406.690 unit.

D. Akurasi peramalan

Setiap metode terdapat satu sampai tiga parameter yang harus ditentukan. Setiap
parameter yang ada mempunyai harga antara nol dan satu. Menentukan harga parameter

2014 PPIC
12 Nama Mhs…………
Pusat Bahan Ajar dan eLearning
http://www.mercubuana.ac.id
 tersebut adalah masalah besar yang harus diselesaikan agar dapat menggunakan metode
yang dikehendaki. Harga parameter terbaik adalah harga yang memberikan kesalahan
peramalan terkecil. Validasi metode peramalan terutama dengan menggunakan metode-
metode di atas tidak dapat lepas dari indikator-indikator dalam pengukuran akurasi
peramalan. Bagaimanapun juga terdapat sejumlah indikator dalam pengukuran akurasi
peramalan, tetapi yang paling umum digunakan adalah Mean Absolute Deviation, Mean
Absolute Percentage Error, dan Mean Squared Error. Untuk penelitian ini menggunakan
Mean Absolute Percentage Error (MAPE) untuk memperoleh tingkat keakuratan hasil yang
didapatkan.
1. Mean absolut deviation (MAD)

MAD ( Mean Absolute Deviation ) adalah metode yang digunakan untuk mengukur tingkat
akurasi dari suatu peramalan data. Semakin kecil nilainya maka peramalan trsebut semakin
akurat.

Metode untuk mengevaluasi metode peramalan menggunakan jumlah dari kesalahan-

kesalahan yang absolut. Mean Absolute Deviation (MAD) mengukur ketepatan ramalan
dengan merata-rata kesalahan dugaan (nilai absolut masing-masing kesalahan). MAD
berguna ketika mengukur kesalahan ramalan dalam unit yang sama sebagai deret asli.

Rumus :

atau

1. Regresi Linear
Bulan Periode Penjualan Regresi Linear Eror (Dt-Ft) Absolut |Dt-Ft|

Januari 1 2.397 2.546,8 12.2 12,2

Februari 2 2.488 2.382,8 45,5 45,5

Maret 3 2.579 2.493,8 -88,7 88,7

April 4 2.660 2.504,8 -120,8 120,8

Mei 5 2.751 2.615,8 4,2 4,2

Juni 6 2.842 2.726,8 -345,3 345,3

Juli 7 2.933 2.837,8 223,5 223,5

Agustus 8 2.024 2.948,8 343,3 343,3

2014 PPIC
13 Nama Mhs…………
Pusat Bahan Ajar dan eLearning
http://www.mercubuana.ac.id
 September 9 2.115 2.059,8 -221,1 221,1

Oktober 10 2.297 2.160,8 -65,2 65,2

November 11 2.388 2.271,8 28,7 28,7

Desember 12 2.479 2.382,8 71,9 71,9

∑ 1570,4

Rumus :

atau

Jawaban : 1570,4 ÷ 12

: 130,86

2. Regresi Linear Kuadratis

Regresi Linear
Bulan Periode Penjualan Kuadratis Eror (Dt-Ft) Absolut |Dt-Ft|

Januari 1 2.397 2.212.4 44,2 44,2

Februari 2 2.488 2.456,5 42,9 42,9

Maret 3 2.579 2.434,75 -71,25 71,25

April 4 2.660 2.545,18 -262,82 262,82

Mei 5 2.751 2.656,19 -5,81 5,81

Juni 6 2.842 2.354,43 -250,22 250,22

Juli 7 2.933 2.233,95 314,95 314,95

Agustus 8 2.024 2.535,43 376,7 376,7

September 9 2.115 2.124,03 -366,97 366,97

Oktober 10 2.297 2.644,94 -55,06 55,06

November 11 2.388 2.453,43 27,43 27,43

2014 PPIC
14 Nama Mhs…………
Pusat Bahan Ajar dan eLearning
http://www.mercubuana.ac.id
Desember 12 2.479 2.464,5 89,5 89,5

∑ 1531,11

Rumus :

atau

Jawaban : 1531,11 ÷ 12

: 127,59

Kesimpulan : Dari data diatas Teknik Regresi Linear Kuadratis yang memiliki tingkateror
yang lebih rendah pada saat di uji dengan MAD ( Mean AbsoluteDeviation).

2. Mean absolut precent error (MAPE)

Bagi yang berkecimpung dengan dunia peramalan (forecast) pasti akan menjumpai
besaran Mean Absolute Percent Error (MAPE). Besaran ini bermaksud mengukur
keakuratan hasil peramalan. Sesuai dengan namanya, MAPE memiliki satuan persentase
(pecahan). Kata “mean” sendiri digunakan ketika ada banyak data yang akan dibandingkan
dengan data realnya. Rumusnya adalah sebagai berikut:

Dari rumus di atas, jika Actual sama dengan Forecast maka MAPE berharga nol, yang
artinya sangat akurat. Perhatikan contoh berikut ini.

2014 PPIC
15 Nama Mhs…………
Pusat Bahan Ajar dan eLearning
http://www.mercubuana.ac.id
 Ada empat bulan ramalan, dengan tiap bulan memiliki error. Totalnya dengan rumus MAPE
di atas diperoleh 17,6%. Untuk memudahkan perhitungan terkadang diperlukan aplikasi,
misalnya Matlab. Error sendiri dihitung dengan fungsi berikut.

 errors = gsubtract(Actual,Forecast)

 errors = gsubtract(112.3,124.7)

 errors =

 -12.4000

Sayangnya untuk MATLAB 2008b fungsi gsubtract tidak ada (gunakan versi terkini, 2013 ke
atas). Jadi diperoleh percent error, misal untuk bulan pertama, sebesar:

 absolutePercentError=abs(errors)/112.3

 absolutePercentError =

 0.1104

Seperti terlihat pada tabel di atas (11.0%). Untuk menghitung MAPE dapat menggunakan
fungsi mean untuk mencari rata-rata.

 errors = gsubtract(actual,forecast)

 errors =

 -12.4000 4.7000 32.3000 38.9000

 mape = mean(abs(errors./actual))

 mape =

 0.1755

3. Commulative error (E)

2014 PPIC
16 Nama Mhs…………
Pusat Bahan Ajar dan eLearning
http://www.mercubuana.ac.id
 Kesalahan kumulatif dihitung hanya dengan menjumlahkan
kesalahanperkiraan, seperti yang ditunjukkan dalam rumus berikut. teE Nilai positif
yang besar menunjukkan bahwa ramalan mungkin konsisten lebih rendah dari yang
sebenarnya permintaan, atau bias rendah. Sebuah nilai negatif besar
menyiratkan bahwa ramalan secara konsisten lebih tinggi dari permintaan yang
sebenarnya, atau bias tinggi. Juga, ketika kesalahan untuk setiapperiode yang diteliti,
preponder- sebuah Ance dari nilai-nilai positif menunjukkanperkiraan secara konsisten
kurang dari nilai aktual dan sebaliknya.

Prakiraan Kontrol Ada beberapa cara untuk memantau kesalahan perkiraan waktu
ke waktuuntuk memastikan bahwa ramalan adalah per- membentuk benar-yaitu,
ramalanyang memegang kendali. Prakiraan bisa “di luar kendali” dan start
menyediakanperkiraan akurat karena beberapa alasan, termasuk perubahan
tren, yang takterduga penampilan siklus, atau variasi yang tidak teratur seperti cuaca
musimnya,s e b u a h c a m - p r o m o s i p a i g n , k o m p e t i s i b a r u , a t a u p e r i s t i w a
p o l i t i k y a n g mengalihkan perhatian konsumen. Sebuah sinyal pelacakan menunjukkan
jika ramalan secara konsisten biastinggi atau rendah. Hal ini dihitung denganmembagi
kumulatif kesalahan denganMAD, dengan rumus Tracking Signal
MADEMADFDttSinyal pelacakan menghitung ulang setiap periode, dengan
diperbarui, “berjalan” nilai-nilai kumulatif kesalahan dan MAD. Pergerakan sinyal
pelacakandibandingkan dengan kontrol batas; asalkansinyal pelacakan dalam batas-
batasini, perkiraan yang memegang kendali. Biasanya, kesalahan
memperkirakanbiasanya didistribusikan, yang menghasilkan hubungan berikut antara
MAD danstandar deviasi dari distribusi errorσ : 1 MAD 8.0Hal ini memungkinkan kita
untuk membangun batas kontrol statistik untuksinyal pelacakan yang sesuai dengan
lebih akrab distribusi normal. Misalnya, batas kendali statistik dari 3 deviasi
standar tions, sesuai dengan 99,7% dari kesalahan, akan menerjemahkan
menjadi 3,75 Mads; yaitu, 3 ÷ 0,8 3,75 Mads. batas kontrol dari 2 sampai 5 Mads paling
sering digunakan.

E. Verifikasi dan pengendalian peramalan

2014 PPIC
17 Nama Mhs…………
Pusat Bahan Ajar dan eLearning
http://www.mercubuana.ac.id
 Langkah penting setelah peramalan dilakukan adalah verifikasi peramalan sedemikian
rupa sehingga mencerminkan data masa lalu dan sistem penyebab yang mendasari
permintaan tersebut. Sepanjang representasi peramalan tersebut dapat dipercaya, hasil
peramalan dapat terus digunakan. Jika selama proses verifikasi tersebut ditemukan
keraguan validitas metode peramalan yang digunakan, harus dicari metode lainnya yang
lebih cocok. Validitas tersebut harus ditentukan dengan uji statistis yang sesuai.
Setelah suatu peramalan dibuat, selalu timbul keraguan apakah perlu dibuat suatu metode
peramalan baru.

. Peramalan harus selalu dibandingkan dengan permintaan aktual secara teratur. Pada
suatu saat harus diambil tindakan revisi peramalan apabila ditemukan bukti adanya
perubahan pola permintaan yang meyakinkan. Selain itu, penyebab perubahan pola
permintaan harus diketahui. Penyesuaian metode peramalan dilakukan segera setelah
perubahan pola permintaan diketahui. Terdapat banyak perkakas yang dapat digunakan
untuk memverifikasi peramalan dan mendeteksi perubahan sistem penyebab yang
melatarbelakangi perubahan pola permintaan. Bentuk yang paling sederhana adalah peta
kendali peramalan, mirip dengan peta kendali kualitas. Peta kendali ini dapat dibuat dengan
ketersediaan data yang minim.

Forecast Analyst

2014 PPIC
18 Nama Mhs…………
Pusat Bahan Ajar dan eLearning
http://www.mercubuana.ac.id
Peta Moving Range

Peta Moving Range dirancang untuk membandingkan nilai permintaan aktual dengan
nilai peramalan. Data permintaan aktual dilihat dan dibandingkan dengan nilai peramalan
pada perioda yang sama. Peta tersebut dikembangkan ke perioda yang akan datang
sehingga data peramalan dapat dibadingkan dengan permintaan aktual. Selama perioda
dasar (perioda pada saat menghitung peramalan), PetaMoving Range digunakan untuk
melakukan verifikasi teknik dan parameter peramalan. Setelah metode peramalan
ditentukan, peta Moving Range digunakan intuk pengujian kestabilan sistem penyebab yang
mempengaruhi permintaan.

Sekurang-kurangnya harus ada 10 dan lebih disukai 20 data untuk membuat

peta Moving Range. Batas ini ditetapkan sedemikian sehingga diharapkan hanya ada tiga
dari 1000 titik yang berada di luar batas kendali, jika sistem penyebab yang
melatarbelakanginya tetap sama. Jika ditemukan satu titik yang berada di luar batas kendali
pada saat peramalan diverifikasi, harus ditentukan apakah data harus diabaikan atau
peramalan baru harus dicari. Jika ditemukan sebuah titik berada di luar batas kendali harus
diselidiki penyebabnya. Temuan itu mungkin membutuhkan penyelidikan yang ekstensif.

Jika semua titik berada di dalam batas kendali, diasumsikan peramalan permintaan yang
dihasilkan telah cukup baik. Jika terdapat titik yang berada di luar batas kendali berarti
peramalan yang didapat kurang baik dan harus direvisi. Peta kendali dapat digunakan untuk
mengetahui apakah terjadi perubahan dalam sistem penyebab yang melatarbelakangi
permintaan sehingga dapat ditentukan persamaan peramalan baru yang lebih cocok atas
sistem penyebab yang terjadi pada saat ini.

Uji Kondisi Di Luar Kendali

Uji yang paling konklusif bagi kondisi di luar kendali adalah adanya titik di luar batas
kendali. Selain itu, terdapat pula uji lainnya dengan tingkat kemungkinan yang sama. Teknik
yang digunakan berikut ini dirancang agar dapat digunakan dengan jumlah data yang
seminimal mungkin. Uji ini dilakukan dengan cara membagi peta kendali ke dalam enam
bagian dengan selang yang sama. Daerah A adalah daerah di luar  2/3 (2.66 MR) =  1.77
MR (di atas +1.77 MR dan di bawah –1.77 MR). Daerah B adalah daerah di luar  1/3 (2.66
MR) =  0.89 MR (di atas +0.89 MR da di bawah –0.89 MR). Daerah C adalah daerah di
atas atau di bawah garis tengah. Uji kondisi di luar kendali adalah:

1.Dari tiga titik berurutan, apakah ada dua atau lebih titik yang berada di daerah A?

2.Dari lima titik yang berurutan, apakah ada empat atau lebih titik yang berada di daerah B?

2014 PPIC
19 Nama Mhs…………
Pusat Bahan Ajar dan eLearning
http://www.mercubuana.ac.id
3.Apakah ada delapan titik berturut-turut yang berada di salah satu sisi (di atas atau di
bawah garis tengah).

Gambaran daerah-daerah A, B, dan C ditunjukkan pada gambar. Kondisi apabila ketiga

kriteria di atas terpenuhi diperlakukan sama dengan kondisi titik berada di luar batas kendali.

Penggunaan Moving Range untuk Verifikasi Peramalan

Penggunaan Moving Range untuk melakukan verifikasi hasil peramalan contoh terdahulu.
Dalam kasus tersebut, jika peta Moving Range menunjukan keadaan di luar kriteria kendali
maka data yang tidak berasal dari sistem akibat yang sama akan dibuang dan fungsi
peramalan ditentukan lagi.

Contoh kasus peramalan linear sebelumnya digunakan untuk menggambarkan proses

verifikasi peramalan. Perhitungan yang dibutuhkan untuk memverifikasi peramalan linear
yang dibuat ditunjukkan dalam tabel. Peta kendali ditunjukkan pada gambar. Dapat dilihat
terdapat sistem penyebab yang stabil dan dapat dinyatakan secara statistik bahwa
peramalan linear tersebut valid.

Salah satu hal penting untuk kegiatan perencanaan dan pengendalian produksi adalah
peramalan permintaan yang akurat dan terpercaya. Karena permintaan tidak dapat
diperkirakan langsung secara tepat, dibutuhkan metode-metode tertentu yang akan
mengarahkan kepada peramalan yang baik. Metode peramalan adalah teknik untuk
meramalkan masa datang secara ilmiah, yang akan lebih baik daripada peramalan coba-
coba. Untuk membuat peramalan permintaan yang baik, pertama kali perlu diramalkan
keadaan lingkungan yang mempengaruhi jumlah permintaan produk suatu perusahaan.
Peramalan lingkungan selanjutnya digunakan sebagai dasar peramalan industri. Dan
selanjutnya baru dilakukan peramalan permintaan produk perusahaan.

Secara umum, untuk memperkirakan permintaan pada masa yang akan datang, dapat
digunakan enam metode peramalan yang utama: Penelitian minat pembeli, pendapat tenaga
penjualan, pendapat pakar, pengujian pasar, Analisis deret waktu, dan analisis permintaan
statistik. Metode tersebut bervariasi dari segi kecocokan dengan tujuan peramalan, jenis
produk, serta ketersediaan dan keandalan data yang dimiliki perusahaan.

DAFTAR PUSTAKA

2014 PPIC
20 Nama Mhs…………
Pusat Bahan Ajar dan eLearning
http://www.mercubuana.ac.id
 1. Buku Perencanaan pengendalian produksi dan
logistik (Ir,muhammad kholil,MT,,IPU,,,Ir. Agung
chandra, MT,MM,IPM,CPISC,,,, Behtriza hanum,
ST,MT)
2. https://statistikceria.blogspot.com/2012/05/teori-time-
series.html

3. https://www.seputarforex.com/artikel/pengertian-
simple-moving-average-64372-31

4. https://text-id.123dok.com/document/1y9dkegvq-
pengukuran-akurasi-hasil-peramalan.html

5. http://ppic1908.blogspot.com/2017/01/forecasting-
peramalan-dengan-metode.html

6. http://ppic1908.blogspot.com/2016/07/verifikasi-dan-
pengendalian-peramalan.html

2014 PPIC
21 Nama Mhs…………
Pusat Bahan Ajar dan eLearning
http://www.mercubuana.ac.id