December 25,

Rudini Mulya_Praktikum SCM Teknik Industri Universitas Mercu Buana 2012

LAPORAN PRAKTIKUM
SUPPLAY CHAIN MANAGEMENT
“Forecasting”
Diajukan untuk Melengkapi Tugas Mata Kuliah
Praktikum SCM
Pada Program Studi Teknik Industri

Disusun Oleh :

Kelompok VII

Rudini mulya (41610010035)

Herlian Saputra (41610010037)
M.kasroniyanto (41610010009)
Eza Efriza (41610010007)
Paulus Fortunake Fake (41610010004)

PROGRAM STUDI TEKNIK INDUSTRI

FAKULTAS TEKNIK
UNIVERSITAS MERCU BUANA
JAKARTA
2012

Diperiksa dan disetujui oleh :

Asisten Praktikum

Laporan Praktikum SCM – Forecasting by VIIth Group Page 1

 December 25,
Rudini Mulya_Praktikum SCM Teknik Industri Universitas Mercu Buana 2012

BAB I
PENDAHULUAN

1.1 Latar Belakang

Peramalan merupakan bagian awal dari suatu proses pengambilan suatu
keputusan.. Dalam kegiatan produksi, peramalan dilakukan untuk menentukan
jumlah permintaan terhadap suatu produk dan merupakan langkah awal dari
proses perencanaan dan pengendalian produksi Dengan mempelajari teknik
peramalan diharapakan dapat berguna untuk penerapan di perusahaan produsen dan
menjadi acuan untuk menjalankan suatu system di perusahaan dalam produksinya untuk
dipasarkan di masyarakat umum. Dalam kesempatan kali ini praktikum mengambil
kasus sebuah perusahaan Tamiya Car Corp. yang sedang mengalami kesulitan
dalam merencanakan produksinya guna memenuhi permintaan konsumen.
Permintaan Tamiya Car Corp. berbeda – beda untuk masing – masing daerah. Distributor
telah memberikan laporan kepada perusahaan untuk pengadaan Tamiya Car harus
dapat tersedia mulai periode Januari 2012.

1.2 Tujuan Praktikum

Melalui praktikum mata kuliah Supply Chain Management ini diharapkan pada
akhirnya kami mampu untuk memahami prosedur proses perencanaan produksi melalui
berbagai macam jenis peramalan permintaan yang ada serta dapat
mengimplementasinya secara nyata di dunia kerja nanti.

1.3 Alat dan Bahan

Berikut adalah alat alat yang digunakan dalam Praktikum Sistem Produksi :
1. Alat Tulis
2. Software Ms. Excel
3. Komputer

Laporan Praktikum SCM – Forecasting by VIIth Group Page 2

 December 25,
Rudini Mulya_Praktikum SCM Teknik Industri Universitas Mercu Buana 2012

1.4 Pelaksanaan Praktikum

Praktikum Sistem Produksi untuk mahasiswa Jurusan Teknik Industri Universitas
Mercu Buana dilaksanakan pada :
Waktu : Jum’at, 2 Desember 2011
Rutinitas : 1x Pertemuan
Tempat : Lab. Computer D-208 (Universitas Mercu Buana)

1.5 Sistematika Laporan

Laporan yang berkaitan dengan Perencanaan Produksi pelanggan ini, akan
dibagi menjadi empat bab utama. Melalui pembagian ini diharapkan akan dapat
memudahkan pembaca untuk pemahaman lebih lanjut secara sistematis. Keempat
bab tersebut akan diperinci sebagai berikut:
BAB I : PENDAHULUAN
Pada bab pertama ini akan dibahas mengenai latar belakang dari
dilakukannya pembahasan terhadap topik mengenai praktikum
Supply Chain Management. Kemudian dibahas pula mengenai tujuan
dilakukannya penyusunan terhadap laporan dengan topik terkait.
Serta penambahan sub bab sistematika pembahasan.
BAB II : LANDASAN TEORI
Kemudian pada bab kedua akan mulai dilakukan pembahasan
mengenai topik tekait Perencanaan Produksi. Materi pembahasan
akan mengacu pada pokok permasalahan yang telah dberikan.
BAB III : PENGOLAHAN DATA
Pada bab ketiga dalam makalah ini, penyusun akan melakukan
pengolahan data sehubungan dengan permasalahan yang telah
diberikan sebelumnya.
BAB IV : KESIMPULAN DAN SARAN
Pada bab terakhir dalam makalah ini, penyusun akan menarik
kesimpulan dari penyusunan data mengenai hal – hal terkait analisa
Perancangan Produks yang telah dipaparkan pada bab sebelumnya

Laporan Praktikum SCM – Forecasting by VIIth Group Page 3

 December 25,
Rudini Mulya_Praktikum SCM Teknik Industri Universitas Mercu Buana 2012

BAB II
LANDASAN TEORI

Peramalan merupakan bagian awal dari suatu proses pengambilan suatu

keputusan. Sebelum melakukan peramalan harus diketahui terlebih dahulu apa
sebenarnya persoalan dalam pengambilan keputusan itu. Peramalan adalah
pemikiran terhadap suatu besaran, misalnya permintaan terhadap satu atau
beberapa produk pada periode yang akan datang. Pada hakekatnya peramalan
hanya merupakan suatu perkiraan (guess), tetapi dengan menggunakan teknik-
teknik tertentu, maka peramalan menjadi lebih sekedar perkiraan. Peramalan
dapat dikatakan perkiraan yang ilmiah (educated guess). Setiap pengambilan
keputusan yang menyangkut keadaan di masa yang akan datang, maka pasti ada
peramalan yang melandasi pengambilan keputusan tersebut (Sofyan Assauri, 1984,
hal. 1).
Dalam kegiatan produksi, peramalan dilakukan untuk menentukan
jumlah permintaan terhadap suatu produk dan merupakan langkah awal dari
proses perencanaan dan pengendalian produksi. Dalam peramalan ditetapkan
jenis produk apa yang diperlukan (what), jumlahnya (how many), dan kapan
dibutuhkan (when). Tujuan peramalan dalam kegiatan produksi adalah untuk
meredam ketidakpastian, sehingga diperoleh suatu perkiraan yang mendekati
keadaan yang sebenarnya.
Suatu perusahaan biasanya menggunakan prosedur tiga tahap untuk sampai
pada peramalan penjualan, yaitu diawali dengan melakukan peramalan lingkungan,
diikuti dengan peramalan penjualan industri, dan diakhiri dengan peramalan
penjualan perusahaan. Peramalan lingkungan dilakukan untuk meramalkan inflasi,
pengangguran, tingkat suku bunga, kecenderungan konsumsi dan menabung,
iklim investasi, belanja pemerintah, ekspor, dan berbagai ukuran lingkungan
yang penting bagi perusahaan. Hasil akhirnya adalah proyeksi Produk Nasional
Bruto, yang digunakan bersama indikator lingkungan lainnya untuk meramalkan
penjualan industri. Kemudian, perusahaan melakukan peramalan penjualan dengan
asumsi tingkat pangsa tertentu akan tercapai.

Laporan Praktikum SCM – Forecasting by VIIth Group Page 4

 December 25,
Rudini Mulya_Praktikum SCM Teknik Industri Universitas Mercu Buana 2012

Tujuan peramalan dilihat dengan waktu:

1. Jangka pendek (Short Term)
Menentukan kuantitas dan waktu dari item dijadikan produksi. Biasanya
bersifat harian ataupun mingguan dan ditentukan oleh Low Management.
2. Jangka Menengah (Medium Term)
Menentukan kuantitas dan waktu dari kapasitas produksi. Biasanya
bersifat bulanan ataupun kuartal dan ditentukan oleh Middle Management.
3. Jangka Panjang (Long Term)
Merencanakan kuantitas dan waktu dari fasilitas produksi. Biasanya
bersifat tahunan, 5 tahun, 10 tahun, ataupun 20 tahun dan ditentukan oleh
Top Management.

Peramalan yang baik mempunyai beberapa kriteria yang penting, antara

lain akurasi, biaya,dan kemudahan. Penjelasan dari kriteria-kriteria tersebut
adalah sebagai berikut :
1. Akurasi.
Akurasi dari suatu hasil peramalan diukur dengan hasil kebiasaan dan
kekonsistensian peramalan tersebut. Hasil peramalan dikatakan bias bila
peramalan tersebut bila terlalu tinggi atau rendah dibandingkan dengan
kenyataan yang sebenarnya terjadi. Hasil peramalan dikatakan konsisten bila
besarnya kesalahan peramalan relatif kecil.
Peramalan yang terlalu rendah akan mengakibatkan kekuranga persediaan,
sehingga permintaan konsumen tidak dapat dipenuhi segera akibatnya
perusahaan dimungkinkan kehilangan pelanggan dan kehilangan keuntungan
penjualan. Peramalan yang terlalu tinggi akan mengakibatkan terjadinya
penumpukan persediaan, sehingga banyak modal yang terserap sia – sia.
Keakuratan dari hasil peramalan ini berperan penting dalam menyeimbangkan
persediaan yang ideal.

Laporan Praktikum SCM – Forecasting by VIIth Group Page 5

 December 25,
Rudini Mulya_Praktikum SCM Teknik Industri Universitas Mercu Buana 2012

2. Biaya.
Biaya yang diperlukan dalam pembuatan suatu peramalan adalah tergantung
dari jumlah item yang diramalkan, lamanya periode peramalan, dan metode
peramalan yang dipakai. Ketiga factor pemicu biaya tersebut akan
mempengaruhi berapa banayak data yang dibutuhkan, bagaimana pengolahan
datanya (manual atau komputerisasi), bagaimana penyimpanan datanya dan
siapa tenaga ahli yang diperbantukan. Pemilihan metode peramalan harus
disesuaikan dengan dana yang tersedia dan tingkat akurasi yang ingin
didapat, misalnya item-item yang penting akan diramalkan dengan metode
yang sederhana dan murah. Prinsip ini merupakan adopsi dari hukum
Pareto (Analisa ABC).

3. Kemudahan
Penggunaan metode peramalan yang sederhana, mudah dibuat, dan mudah
diaplikasikan akan memberikan keuntungan bagi perusahaan. Adalah
percuma memakai metode yang canggih, tetapi tidak dapat diaplikasikan
pada sistem perusahaan karena keterbatasan dana, sumber daya manusia,
maupun peralatan teknologi. Dalam membuat peramalan atau menerapkan
suatu peramalan maka ada beberapa hal yang harus dipertimbangkan yaitu :
▪ Ramalan pasti mengandung kesalahan, artinya peramal
hanya bias mengurangi ketidak pastian yang akan terjadi, tetapi tidak
dapat menghilangkan ketidakpastian tersebut.
▪ 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.
▪ 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.

Laporan Praktikum SCM – Forecasting by VIIth Group Page 6

 December 25,
Rudini Mulya_Praktikum SCM Teknik Industri Universitas Mercu Buana 2012

Peramalan sebenarnya upaya untuk memperkecil resiko yang timbul akibat

pengambilan keputusan dalam suatu perencanaan produksi. Semakin besar upaya
yang dikeluarkan tentu resiko yang dapat dihindari semakin besar pula. Namun
upaya memperkecil resiko tersebut dibatasi oleh biaya yang dikeluarkan akibat
mengupayakan hal tersebut..
Faktor-Faktor yang harus dipertimbangkan dalam peramalan :
1. Horizon Peramalan
Ada dua aspek dari horison waktu yang berhubungan dengan masing –
masing metoda peramalan yaitu :
a. C
akupan waktu dimasa yang akan dating,
Untuk mana perbedaan dari metoda peramalan yang digunakan sebaiknya
disesuaikan.
b. Jumlah periode untuk mana ramalan diinginkan
Beberapa teknik dan metoda hanya dapat disuaikan untuk peramalan satu
atau dua periode di muka, sedangkan teknik dan metoda lain dapat
dipergunakan untuk peramalan beberapa periode dimasa mendatang.

2. Tingkat Ketelitian
Tingkat ketelitian yang dibutuhkan sangat erat hubungannya dengan
tingkat perincian yang dibutuhkan dalam suatu peramalan. Unuk beberapa
pengambilan keputusan mengharapkan variasi atau penyimpangan atas ramalan
yang dilakukan antara 10 persen sampai dengan 15 persen bagi maksud – maksud
yang mereka harapkan, sedangkan untuk hal atau kasus lain mungkin menganggap
bahwa adanya variasi atau penyimpangan atas ramalan sebesar 5 persen adalah
cukup berbahaya.

3. Ketersediaan Data.
Metode yang dipergunakan sangat besar manfaatnya, apabila dikaitkan
dengan keadaan atau informasi yang ada atau data yang dipunyai. Apabila dari
data yang lalu diketahui adanya pola musiman, maka untuk peramalan satu tahun

Laporan Praktikum SCM – Forecasting by VIIth Group Page 7

 December 25,
Rudini Mulya_Praktikum SCM Teknik Industri Universitas Mercu Buana 2012

ke depan sebaiknya digunakan metode variasi musim. Sedangkan apabila

dari data yang lalu diketahui adanya pola hubungan antara variable – variable
yang saling mempengaruhi, maka sebaiknya dipergunakan metode Sebab Akibat
(causal) atau korelasi (correlation).

4. Bentuk Pola Data.

Dasar utama dari metoda peramalan adalah anggapan bahwa macam dari
pola yang didapati didalam data yang diramalkan akan berkelanjutan. Sebagai
contoh, beberapa deret yang melukiskan sutau pola musiman, demikian pula
halnya dengan suatu pola trend. Metoda peramalan yang lain mungkin lebih
sederhana, terdiri dari suatu nilai rata – rata, dengan fluktuasi yang acakan
atau random yang terkandung. Oleh karena adanya perbedaan kemampuan
metoda peramalan untuk mengidentifikasikan pola –pola data, maka perlu
adanya usaha penyesuaian antara pola data yang telah diperkirakan terlebih
dahulu dengan teknik dan metoda peramalan yang akan digunakan.

5. Biaya.
Umumnya ada empat unsur biaya yang tercakup dalam penggunaan suatu
prosedur ramalan, yaitu biaya – biaya pengembangan, penyimpanan
(storage) data, operasi pelaksanaan dan kesempatan penggunaan teknik – teknik
dan metoda lainnya. Adanya perbedaan yang nyata dalam jumlah biaya,
mempunyai pengaruh atas dapat menarik tidaknya penggunaan metode
tertentu untuk sutau keadaan yang dihadapi.

6. Jenis dari model

Sebagai tambahan perlu diperhatikan anggapan beberapa pola dasar yang
penting dalam data. Banyak metoda peramalan telah menganggap adanya
beberapa model dari keadaan yang diramalkan . Model – model ini
merupakan suatu derat dimana waktu digambarkan sebagai unsur penting untuk
menentukan perubahan – perubahan dalam pola, yang mungkin secara
sistematik dapat dijelaskan dengan analisis regresi atau korelasi. Model yang lain
adalah model sebab akibat atau “causal model”, yang menggambarkan bahwa

Laporan Praktikum SCM – Forecasting by VIIth Group Page 8

 December 25,
Rudini Mulya_Praktikum SCM Teknik Industri Universitas Mercu Buana 2012

ramalan yang dilakukan sangat tergantung pada terjadinya sejumlah peristiwa

yang lain, atau sifatnya merupakan campuran dari model – model yang telah
disebutkan diatas. Model – model tersebut sangat penting diperhatikan, karena
masing – masing model tersebut mempunyai kemampuan yang berbeda –
neda dalam analisis keadaan untuk pengambilan keputusan.

7. Mudah tidaknya penggunaan dan aplikasinya

Satu prinsip umum dalam penggunaan metoda ilmiah dari peramalan untuk
menagement dan analisis adalah metoda – metoda yang dapat dimengerti dan
mudah diaplikasikan yang akan dipergunakan dalam pengambilan keputusan adan
analisa. Prinsip ini didasarkan pada alasan bahwa, bila seorang manajer atau
analisis bertanggung jawab atas keputusan yang diambilnya atau hasil analisa
yang dilakukan, maka ia sudah tentu tidak menggunakan dasar yang tidak
diketahuinya atau tidak diyakininya. Jadi, sebagai ciri tambahan dari teknik dan
metoda peramalan adalah bahwa yang diperlukan untuk memenuhi kebutuhan
dari keadaan ialah teknik dan metoda peramalan yang dapat disesuaikan dengan
kemampuan dari manager atau analisis yang akan menggunakan metoda
ramalan tersebut. Pada umumnya peramalan dapat dibedakan dari beberapa segi
tergantung dari cara melihatnya. Apabila dilihat dari sifat penyusunannya, maka
peramalan dapat dibedakan atas dua macam, yaitu :

1. Dilihat dari Sifat Penyusunannya

a. Peramalan yang subjektif, yaitu peramalan yang didasarkan atas
perasaan atau intuisi dari orang yang menyusunnya. Dalam hal ini
pandangan orang yang menyusunnya sangat menentukan baik tidaknya
hasil ramalan tersebut.
b. Peramalan yang objektif, yaitu peramalan yang didasarkan atas data yang
relevan pada masa lalu, dengan menggunakan teknik – teknik dan
metode – metode dalam penganalisaannya.

Laporan Praktikum SCM – Forecasting by VIIth Group Page 9

 December 25,
Rudini Mulya_Praktikum SCM Teknik Industri Universitas Mercu Buana 2012

2. Dilihat dari Jangka Waktu Ramalan yang Disusun

a. Peramalan jangka pendek, yaitu peramalan yang dilakukan untuk
penyusunan hasil ramalan yang jangka waktunya satu tahun atau
kurang. Peramalan ini digunakan untuk mengambil keputusan dalam
hal perlu tidaknya lembur, penjadwalan kerja, dan lain-lain keputusan
kontrol jangka pendek.
b. Peramalan jangka menengah, yaitu peramalan yang dilakukan untuk
penyusunan hasil ramalan yang jangka waktunya satu hingga lima tahun
ke depan Peramalan ini lebih mengkhususkan dibandingkan peramalan
jangka panjang, biasanya digunakan untuk menentukan aliran kas,
perencanaan produksi, dan penentuan anggaran.
c. Peramalan jangka panjang, yaitu peramalan yang dilakukan untuk
penyusunan hasil ramalan yang jangka waktunya lebih dari lima tahun yang
akan datang. Peramalan jangka panjang digunakan untuk pengambilan
keputusan mengenai perencanaan produk dan perencanaan pasar,
pengeluaran biaya perusahaan, studi kelayakan pabrik, anggaran, purchase
order, perencanaan tenaga kerja serta perencanaan kapasitas kerja.

3. Berdasarkan Sifat Ramalan Yang Telah Disusun

a. Peramalan Kualitatif, Yaitu peramalan yang didasarkan atas kwalitatif pada
masa lalu. Hasil peramalan yang dibuat sangat tergantung pada orang yang
menyusunnya. Hal ini penting karena hasil peramalan tersebut ditentukan
berdasarkan pemikiran yang bersifat intuisi, judgement atau pendapat, dan
pengetahuan serta pengalaman dari penyusunnya. Biasanya peramalan
secara kwalitatif ini didasarkan atas hasil penyelidikan, seperti Delphi,S –
curve, analogies dan penelitian bentuk atau morphological research atau
didasarkan atas ciri – ciri normative seperti decision matrices atau
decisions trees.
b. Peramalan Kuantitatif, Yaitu peramalan yang didasarkan atas data
kuntitatif pada masa lalu. Hasil peramalan yang dibuat sangat tergantung
pada metoda yang dipergunakan dalam peramalan tersebut. Dengan metoda
yang berbeda akan diperoleh hasil peramalan yang berbeda, adapun yang

Laporan Praktikum SCM – Forecasting by VIIth Group Page 10

 December 25,
Rudini Mulya_Praktikum SCM Teknik Industri Universitas Mercu Buana 2012

perlu diperhatikan dari penggunaan metoda tersebut, adalah baik tidaknya

metoda yang dipergunakan, sangat ditentukan oleh perbedaan atau
penyimpangan antara hasil ramalan dengan kenyataan yang terjadi. Metoda
yang baik adalah metoda yang memberikan nilai – nilai perbedaan
atau penyimpangan yang mungkin.

Skema Taksonomi Peramalan

Metode Peramalan Kualitatif (Judgement Methode)

Peramalan kualitatif umumnya bersifat subjektif, dipengaruhi oleh
intuisi, emosi, pendidikan, dan pengalaman seseorang. Oleh karena itu, hasil
peramalan dari satu orang dengan orang yang lain dapat berbeda. Meskipun
demikian, peramalan dengan metode kualitatif tidak berarti hanya menggunakan
intuisi, tetapi juga bisa mengikutsertakan model – model statistik sebagai
bahan masukan dalam melakukan judgement (keputusan), dan dapat dilakukan

Laporan Praktikum SCM – Forecasting by VIIth Group Page 11

 December 25,
Rudini Mulya_Praktikum SCM Teknik Industri Universitas Mercu Buana 2012

secara perseorangan maupun kelompok. Beberapa metode peramalan yang

digolongkan sebagai model kualitatif adalah sebagai berikut :
1. Metode Delphi, Sekelompok pakar mengisi kuesioner,
Moderator menyimpulkan hasilnya dan memformulasikan menjadi suatu
kuesioner baru yang diisi kembali oleh kelompok tersebut, demikian
seterusnya. Hal ini merupakan proses pembelajaran (learning process) dari
kelompok tanpa adanya tekanan atau intimidasi individu. Metode ini
dikembangkan pertama kali oleh Rand Corporation pada tahun 1950 – an.
Adapun tahapan yang dilakukan adalah:
 Tentukan beberapa pakar sebagai partisipan. Sebaiknya bervariasi
dengan latar belakang disiplin ilmu yang berbeda.
 Melalui kuesioner (atau e–mail ), diperoleh peramalan dari seluruh
partisipan.
 Simpulkan hasilnya, kemudian distribusikan kembali
kepada seluruh partisipan denan pertanyaan yang baru.
 Simpulkan kembali revisi peramalan dan kondisi,
kemudian dikembangkan dengan pertanyaan yang baru.
 Apabila diperlukan, ulangi tahap 4. Seluruh hasil
akhir didistribusikan kepada seluruh partisipan.

2. Dugaan manajemen ( management estimate ) atau Panel Consensus,

dimana peramalan semata-mata berdasarkan pertimbangan manajemen,
umumnya oleh manajemen senior. Metode ini akan cocok dalam situasi yang
sangat sensitif terhadap intuisi dari suatu atau sekelompok kecil orang yang
karena pengalamannya mampu memberikan opini yang kritis dan relevan.
Teknik akan dipergunakan dalam situasi dimana tidak ada situasi dimana
tidak ada laternatif lain dari model peramalan yang dapat diterapkan.
Bagaimanapun metode ini mempunyai banyak keterbatasan, sehingga perlu
dikombinasikan dengan metode peramalan yang lain.

Laporan Praktikum SCM – Forecasting by VIIth Group Page 12

 December 25,
Rudini Mulya_Praktikum SCM Teknik Industri Universitas Mercu Buana 2012

3. Riset Pasar (market research), merupakan metode peramalan

berdasarkan hasil – hasil dari survei pasar yang dilakukan oleh tenaga-
tenaga pemasar produk atau yang mewakilinya. Metode ini akan
menjaring informasi dari planggan atau pelanggan potenbsial (konsumen)
berkaitan dengan rencana pembelian mereka dimasa mendatang. Riset
pasar tidak hanya akan membantu peramalan, tetapi juga untuk
meningkatkan desain produk dan perencanaan untuk produk-produk baru.

4. Metode kelompok terstruktur (structured group methods), seperti metode

Delphi, dan lain lain. Metode Delphi merupakan teknik peramalan
berdasarkan pada proses konvergensi dari opini beberapa orang atau ahli
secara interaktif tanpa menyebutkan identitasnya. Grup ini tidak bertemu
secara bersama dalam suatu forum untuk berdiskusi, tetapi mereka diminta
pendapatnya secara terpisah dan tidak boleh secara berunding. Hal ini
dilakukan untuk menghindari pendapat yang bias karena pengaruh
kelompok. Pendapat yang berbeda secara signifikan dari ahli yang lain
dalam grup tersebut akan dinyatakan lagi kepada yang bersangkutan,
sehingga akhirnya diperoleh angka estimasi pada interval tertentu yang
dapat diterima. Metode Delphi ini dipakai dalam peramalan teknologi yang
sudah digunakan pada pengoperasian jangka panjang selain itu, metode ini
juga bermanfaat dalam pengembangan produk baru, pengembangan
kapasitas produksi, penerobosan ke segmen pasar baru dan strategi
keputusan bisnis lainnya.

5. Analogi historis (Historical Analogy), merupakan teknik

peramalan berdasarkan pola data masa lalu dari produk-produk
yang dapat disamakan secara Analogi. Misalnya peramalan untuk
pengembangan pasar televisi multi sistem menggunakan model permintaan
televisi hitam putih atau televisi berwarna biasa. Analogi historis cenderung
akan menjadi terbaik untuk penggantian produk di pasar dan apabila
terdapat hubungan substitusi langsung dari produk dalam pasar itu.

Laporan Praktikum SCM – Forecasting by VIIth Group Page 13

 December 25,
Rudini Mulya_Praktikum SCM Teknik Industri Universitas Mercu Buana 2012

Metode Peramalan Kuantitatif (Statistical Method)

Pada dasarnya metoda peramalan kuantitatif ini dapat dibedakan atas

dua bagian, yaitu :

1. Metoda peramalan yang didasarkan atas penggunaan analisa pola hubungan

antara variabel yang akan diperkirakan dengan variabel waktu, yang
merupakan deret waktu atau “time – series”.
2. Metoda peramalan yang didasarkan atas penggunaan analisa pola hubungan
antara variabel yang akan diperkirakan dengan variabel lain yang
mempengaruhinya, yang bukan waktu yang disebut metode korelasi atau
sebab akibat (causal method).

Prosedur umum yang digunakan dalam peramalan secara kuantitatif

adalah:
1. Definisikan tujuan peramalan.
2. Pembuatan diagram pencar.
3. Pilih minimal dua metode peramalan yang dianggap sesuai.
4. Hitung parameter – parameter fungsi peramalan.
5. Hitung kesalahan setiap metode peramalan.
6. Pilih metode yang terbaik, yaitu yang memiliki kesalahan terkecil.
7. Lakukan verifikasi peramalan.

Laporan Praktikum SCM – Forecasting by VIIth Group Page 14

 December 25,
Rudini Mulya_Praktikum SCM Teknik Industri Universitas Mercu Buana 2012

Metode Time Series.

Metode time series adalah metode yang dipergunakan untuk
menganalisis serangkaian data yang merupakan fungsi dari waktu. Metode ini
mengasumsikan beberapa pola atau kombinasi pola selalu berulang sepanjang
waktu, dan pola dasarnya dapat diidentifikasi semata-mata atas dasar data
historis dari serial itu.

Dengan analisis deret waktu dapat ditunjukkan bagaimana permintaan

terhadap suatu produk tertentu bervariasi terhadap waktu. Sifat dari
perubahan permintaan dari tahun ke tahun dirumuskan untuk meramalkan
penjualan pada masa yang akan datang.

Ada empat komponen utama yang mempengaruhi analisis ini, yaitu :

a. Pola Siklis (Cycle)
Penjualan produk dapat memiliki siklus yang berulang secara
periodik. Banyak produk dipengaruhi pola pergerakan aktivitas
ekonomi yang terkadang memiliki kecenderungan periodic.
Komponen siklis ini sangat berguna dalam peramalan jangka
menengah.

Laporan Praktikum SCM – Forecasting by VIIth Group Page 15

 December 25,
Rudini Mulya_Praktikum SCM Teknik Industri Universitas Mercu Buana 2012

Pola data ini terjadi bila data memiliki kecendrungan untuk naik
atau turun terus-menerus. Pola data dalam bentuk trend ini
digam
Bbiaayrakan sebagai berikut:

Waktu
Gambar 9.3. Pola Siklis

Laporan Praktikum SCM – Forecasting by VIIth Group Page 16

 December 25,
Rudini Mulya_Praktikum SCM Teknik Industri Universitas Mercu Buana 2012

b. Pola Musiman (Seasonal)

Perkataan musim menggambarkan pola penjualan yang berulang
setiap periode. Komponen musim dapat dijabarkan ke dalam faktor
cuaca, libur, atau kecenderungan perdagangan. Pola musiman
berguna dalam meramalkan penjualan dalam jangka pendek.
Pola data ini terjadi bila nilai data sangat dipengaruhi oleh musim,
misalnya permintaan bahan baku jagung untuk makanan ternak
ayam pada pabrik pakan ternak selama satu tahun. Selama musim

panen harga jagung akan menjadi turun karena jumlah jagung yang
dibutuhkan tersedia dalam jumlah yang besar.
Pola data musiman dapat digambarkan sebagai berikut:

Biaya

Waktu
Gambar 9.4. Pola Musiman
c. Pola Horizontal
Pola data ini terjadi apabila nilai data berfluktuasi di sekitar nilai
rata-rata. Pola ini dapat digambarkan sebagai berikut (Sofyan
Assauri, 1984, hal. 46 – 47):
Biaya

Waktu
Gambar 9.5. Pola Horizontal

Laporan Praktikum SCM – Forecasting by VIIth Group Page 17

 d. Pola Trend
Pola data ini terjadi bila data memiliki kecenderungan untuk naik
atau turun terus menerus. Pola data dalam bentuk trend ini dapat
digambarkan sebagai berikut:
Biaya

Waktu

Gambar 9.6. Pola Trend

Dalam meramalkan biaya-biaya yang termasuk di dalam biaya

operasi dipergunakan Pola Trend karena biaya tersebut
cenderung naik jika mesin/peralatan semakin tua atau semakin
lama jangka waktu pemakaiannya. Ada beberapa trend yang
digunakan didalam penyelesaian masalah ini, yaitu :

1) Trend Linier
Bentuk persamaan umum (Sofyan Assauri, 1984, hal. 53 – 56):
Y = a + bt
Sedangkan peramalannya mempunyai bentuk persamaan:
Yt = a + bt
di mana:
Yt = Nilai ramalan pada periode ke-t
t = Waktu/periode
Dengan menggunakan metode kuadrat terkecil (Least Square
Method) maka harga konstanta a dan b diperoleh dari
persamaan di bawah ini:
n  tYt   t  Yt
b
n  t 2   t 2

a   t
Y  b t
n

2) Trend Eksponensial atau Pertumbuhan

Laporan Praktikum SCM – Forecasting by VIIth Group Page 18

 Bentuk persamaan umum:
Y = aebt
Sedangkan peramalannya mempunyai bentuk persamaan:
Yt = aebt
Dengan menggunakan transformasi logaritma natural maka
harga konstanta a dan b diperoleh dari persamaan di bawah
ini:
n tln Ytt lnYt
b
nt2t2

lna
lnYt bt n

3) Trend Logaritma
Y = a + b log t
Sedangkan peramalannya mempunyai bentuk persamaan:
Yt = a + b log t
Dengan menggunakan transformasi logaritma natural maka
harga konstanta a dan b diperoleh dari persamaan di bawah
ini:

b 
n log t.Yt   log t  Yt
n  log 2 t   log t 2

a   t
Y  b  log t
n

4) Trend Geometrik
Bentuk persamaan umumnya adalah:
Y = atb
Sedangkan peramalannya mempunyai bentuk persamaan:
Yt = atb
Dengan menggunakan transformasi logaritma maka harga
konstanta a dan b diperoleh dari persamaan di bawah ini:

b 
n log t.log Yt   log t  log Yt
n  log 2 t   log t 2

log a  
log Yt  b  log t
n
5) Trend Hyperbola
Bentuk persamaan umumnya adalah:
a
Y
bt
Laporan Praktikum SCM – Forecasting by VIIth Group Page 19
 Peramalannya mempunyai bentuk persamaan:
a
Yt 
bt
Dengan menggunakan transformasi logaritma maka harga
konstanta a dan b diperoleh dari persamaan di bawah ini:

log b  
n t.log Yt   t  log Yt
 t 2  n  t 2

Laporan Praktikum SCM – Forecasting by VIIth Group Page 20

 log a  
log Yt  log b  t
n

Adapun metode peramalan yang termasuk model time series adalah

sebagai berikut:
A. Metode Penghalusan (Smoothing).
Metode smoothing digunakan untuk mengurangi ketidakteraturan
musiman dari data yang lalu, dengan membuat rata – rata tertimbang dari
sederetan data masa lalu. Ketepatan peramalan dengan metode ini akan
terdapat pada peramalan jangka pendek, sedangkan untuk peramalan
jangka panjang kurang akurat.
Metode smoothing terdiri dari beberapa jenis, antara lain :
1. Metode Rata-rata Bergerak (Moving Average), terdiri atas :
- Single Moving Average (SMA)
Moving average pada suatu periode merupakan peramalan untuk
satu periode ke depan dari periode rata – rata tersebut. Persoalan
yang timbul dalam penggunaan metode ini adalah dalam
menentukan nilai t (periode perata – rataan). Semakin besar nilai t
maka peramalan yang dihasilkan akan semakin menjauhi pola data.
Secara matematis, rumus fungsi peramalan metode ini adalah :
X  ...  X X
F  t  N  1 t 1 t
t 1 N
dimana :
XI = data pengamatan periode i
N = jumlah deret waktu yang digunakan
Ft+1 = nilai peramalan periode t+1

- Linier Moving Average (LMA)

Dasar dari metode ini adalah penggunaan moving average kedua
untuk memperoleh penyesuaian bentuk pola trend. Metode Linier
moving Average adalah :
a) Hitung “ single moving average” dari data dengan periode
perata-rataan tertentu; hasilnya di notasikan dengan St’.

Laporan Praktikum SCM – Forecasting by VIIth Group Page 21

 b) Setelah semua single Average dihitung, hitung moving average
kedua yaitu moving average dari St’ dengan periode perata-
rataan yang sama. Hasilnya dinotasikan dengan : St’’
c) Hitung komponen at dengan rumus :
At = St’ + (St’ – St’’ )
d) Hitung komponen trend bt dengan rumus :
2
( St '  St ' ' )
bt = N  1

Laporan Praktikum SCM – Forecasting by VIIth Group Page 22

 e) Peramalan untuk periode kedepan setelah t adalah sebagai
berikut :
Ft+m = at + bt . m

- Double Moving Average

Notasi yang diberikan adalah MA ( M x N), artinya M – periode MA
dan N – periode MA.

- Weigthed Moving Average

Data pada periode tertentu diberi bobot, semakin dekat dengan saat
sekarang semakin besar bobotnya. Bobot ditentukan berdasarkan
pengalaman. Rumusnya adalah sebagai berikut :

Ft  w1 At 1  w2 At 2  ...  wn At n
dimana :
w1 = bobot yang diberikan pada periode t – 1
w2 = bobot yang diberikan pada periode t – 2
wn = bobot yang diberikan pada periode t – n
n = jumlah periode

2. Metode Exponential Smoothing, terdiri atas :

- Single Exponential Smoothing
Pengertian dasar dari metode ini adalah : nilai ramalan pada
periode t+1 merupakan nilai aktual pada periode t ditambah
dengan penyesuaian yang berasal dari kesalahan nilai ramalan
yang terjadi pada periode t tersebut.
Nilai peramalan dapat dicari dengan menggunakan rumus berikut :
Ft+1 =  . Xt + (1 - ) . Ft
dimana :
Xt = data permintaan pada periode t
 = faktor/konstanta pemulusan
Ft+1 = peramalan untuk periode t

Metode Proyeksi Kecenderungan dengan Regresi

Metode kecenderungan dengan regresi merupakan dasar garis
kecenderungan untuk suatu persamaan, sehingga dengan dasar persamaan
tersebut dapat diproyeksikan hal-hal yang akan diteliti pada masa yang
akan datang. Untuk peramalan jangka pendek dan jangka panjang,
ketepatan peramalan dengan metode ini sangat baik. Data yang
dibutuhkan untuk metode ini adalah tahunan, minimal lima tahun.
Namun, semakin banyak data yang dimiliki semakin baik hasil yang
diperoleh.

Laporan Praktikum SCM – Forecasting by VIIth Group Page 23

 Bentuk fungsi dari metode ini dapat berupa :

a. Konstan, dengan fungsi peramalan (Yt ) :

Yt = a, dimana a =  YI / N
Yt = nilai tambah
N = jumlah periode

b. Linier, dengan fungsi peramalan :

Yt = a + bt
n ty   (t) (y)
Y  bt
b = n   t   t 
2 2
dimana : a= n

c. Kuadratis, dengan fungsi peramalan :

Yt = a + bt + ct2


dimana : 


 Y  b t  c t
2
  b   
a  c b 
n    
2

  ( t )  n t
2 2 4

Laporan Praktikum SCM – Forecasting by VIIth Group Page 24

    t  Y  n tY
   t 2  Y  n  t 2Y
   t  t 2  n t 3

d. Eksponensial, dengan fungsi peramalan :

Yt = aebt
dimana :

 ln Y  b t n  t ln Y   t  ln Y
ln a  b
n n t 2  ( t ) 2

e. Siklis, dengan fungsi peramalan :

2 2t
ˆ  a  b sin  c cos
Yt n n
dimana :
2t 2t
 Y  na  b  sin  c  cos
n n
2t 2t 2t 2t 2t
 Y sin  a  sin  b  sin 2  c  sin cos
n n n n n
2t 2t 2 t 2 t 2t
 Y cos  a  cos  c  cos 2  b  sin cos

Laporan Praktikum SCM – Forecasting by VIIth Group Page 25

 n n
Seorang perencana tentu menginginkan hasil perkiraan ramalan yang
tepat atau paling tidak dapat memberikan gambaran yang paling mendekati
sehingga rencana yang dibuatnya merupakan rencana yang realistis. Ketepatan
atau ketelitian inilah yang menjadi kriteria performance suatu metode
peramalan. Ketepatan atau ketelitian tersebut dapat dinyatakan sebagai
kesalahan dalam peramalan. Kesalahan yang kecil memberikan arti ketelitian
peramalan yang tinggi, dengan kata lain keakuratan hasil peramalan tinggi,
begitu pula sebaliknya.

Besar kesalahan suatu peramalan dapat dihitung dengan beberapa cara,

antara lain adalah :
1. Mean Square Error (MSE)
2
 X t  Ft 
N 
 t 1 :
MSE dimana
N
Xt = data aktual periode t
Ft = nilai ramalan periode t
N = banyaknya periode

2. Standard Error of Estimate (SEE) :

N

 X t  Ft2

SEE  t 1
N f

Laporan Praktikum SCM – Forecasting by VIIth Group Page 26

 dimana :
f= Derajat kebebasan
Untuk data Konstan, f = 1
Untuk data Linier, f = 2
Untuk data Kwadratis, f = 3
Untuk data Siklis, f = 3
3. Percentage Error (PEt) :

 X  F 
PE   t t   100%
t  X 
 t
dimana nilai dari PEt bisa positip ataupun negatip.
4. Mean Absolute Percentage Error (MAPE) :
N
 PEt
MAPE  1
t
N
Menghitung kesalahan dari peramalan merupakan prosedur yang kelima
dari perhitungan peramalan secara kuantitatif. Setelah didapat kesalahan
(error) dari masing-masing metode peramalan, maka akan dilakukan pengujian
terhadap dua metode yang memiliki error yang terkecil, guna mendapatkan
metode peramalan yang lebih baik untuk digunakan. Pengujian dilakukan
dengan test distribusi F. Jika diasumsikan bahwa metode “X” adalah metode
peramalan yang memiliki besar error yang paling kecil pertama, dan metode “Y”
adalah metode peramalan yang memiliki besar error yang paling kecil kedua,
maka langkah-langkahnya pengujiannya adalah sebagai berikut :

1. Tentukan pernyataan awal (H0) dan pernyataan alternatif (H1) :

H0 : Metode “X” lebih baik daripada metode “Y”
H1 : Metode “X” tidak lebih baik daripada metode “Y”, atau metode “Y”
lebih baik daripada metode “X”.
2. Lakukan Test Statistik, dengan rumus :

S 2
F  1
2
dimana : 2S
S1 = besarnya error metode peramalan “X” S2
= besarnya error metode peramalan “Y”
n n n

Laporan Praktikum SCM – Forecasting by VIIth Group Page 27

 BAB III
PENGOLAHAN DATA

Sebuah perusahaan pembuat mobil mainan, Tamiya Car Corp. menghadapi

kesulitan di dalam merencanakan produksinya guna memenuhi permintaan konsumen.
Permintaan mobil mainan ini berbeda- beda untuk masing – masing daerah. Distributor
telah memberikan laporan kepada perusahaan untuk pengadaan agar harus dapat
tersedia mulai periode Januari 2012. Berikut data permintaan yang telah diberikan :

Tabel 1: Permintaan dan Hari Kerja

Permintaan
Aktual Hari
No Bulan
Keja
A
1 Januari 14478 23
2 Februari 14273 20
3 Maret 14667 21
4 April 14556 22
5 Mei 13965 22
6 Juni 12878 21
7 Juli 14453 23
8 Agustus 16257 21
9 Sepetember 15459 22
10 Oktober 15141 23
11 November 15793 20
12 Desember 14592 23
Total 176512 261

Pertanyaan :
Tentukan peramalan yang paling mendekati demand yang telah tersedia
sebelumnya untuk Tamiya Car Corp.

Laporan Praktikum SCM – Forecasting by VIIth Group Page 28

Jawab :
a. Dengan menggunakan metode Linier dengan y = 109,15x + 14000

Persentase
Permintaan Deviasi Kuadrat Persentase
Ramalan Deviasi Kesalahan
No Bulan Aktual Absolut Kesalahan Kesalahan
Absolut
A F A-F |A-F| (A-F)2 ((A-F)/A)100 |((A-F)/A)100|
1 Januari 14478 14112 366 366 134220 0.025 0.025
2 Februari 14273 14215 58 58 3360 0.004 0.004
3 Maret 14667 14319 348 348 120978 0.024 0.024
4 April 14556 14424 132 132 17399 0.009 0.009
5 Mei 13965 14530 -565 565 318970 -0.040 0.040
6 Juni 12878 14636 -1758 1758 3091372 -0.137 0.137
7 Juli 14453 14743 -290 290 84370 -0.020 0.020
8 Agustus 16257 14851 1406 1406 1975469 0.086 0.086
9 Sepetember 15459 14960 499 499 248703 0.032 0.032
10 Oktober 15141 15070 71 71 5054 0.005 0.005
11 November 15793 15180 613 613 375375 0.039 0.039
12 Desember 14592 15292 -700 700 489360 -0.048 0.048
Total [ Σ ] 176512 176333 179 6805 6864632 -0.021 0.469

Tabel Demand dan Hasil Peramalan Dengan Menggunakan Metode Linier

Laporan Praktikum SCM – Forecasting by VIIth Group Page 29

b. Dengan menggunakan metode Kuadratiky = 9,2483x2 - 11,073x + 14280

Persentase
Permintaan Deviasi Kuadrat Persentase
Ramalan Deviasi Kesalahan
No Bulan Aktual Absolut Kesalahan Kesalahan
Absolut
A F A-F |A-F| (A-F)2 ((A-F)/A) |((A-F)/A)|
1 Januari 14478 14278 200 200 39930 0.014 0.014
2 Februari 14273 14295 -22 22 477 -0.002 0.002
3 Maret 14667 14330 337 337 113558 0.023 0.023
4 April 14556 14384 172 172 29694 0.012 0.012
5 Mei 13965 14456 -491 491 240926 -0.035 0.035
6 Juni 12878 14547 -1669 1669 2783895 -0.130 0.130
7 Juli 14453 14656 -203 203 41069 -0.014 0.014
8 Agustus 16257 14783 1474 1474 2171770 0.091 0.091
9 Sepetember 15459 14929 530 530 280418 0.034 0.034
10 Oktober 15141 15094 47 47 2200 0.003 0.003
11 November 15793 15277 516 516 266007 0.033 0.033
12 Desember 14592 15479 -887 887 786555 -0.061 0.061
Total [ Σ ] 147761 176508 4.30 6546 6756500 -0.032 0.450

Tabel Demand dan Hasil Peramalan Dengan Menggunakan Metode Kuadratik 2 Order

Grafik Hasil Peramalan Dengan Menggunakan Metode Kuadratik 2 Order

Laporan Praktikum SCM – Forecasting by VIIth Group Page 30

c. Dengan menggunakan metode Moving Average

WMA 3- WMA 3- WMA 3-

Permintaan 2- 3- 4- 5- 6- 7- 8-
Bulanan Bulanan Bulanan
No Bulan Aktual Bulanan bulanan Bulanan Bulanan Bulanan Bulanan Bulanan
0,25/0,25/0,5 0,5/0,2/0,3 0,7/0,2/0,1

A F F F F F F F WMAt WMAt WMAt

1 Januari 14478 -
2 Februari 14273 -
3 Maret 14667 14376
4 April 14556 14470 14473 14521 14454 14456
5 Mei 13965 14612 14499 14494 14513 14448 14380
6 Juni 12878 14261 14396 14365 14388 14288 14493 14575
7 Juli 14453 13422 13800 14017 14068 14136 13569 14043 14270
8 Agustus 16257 13666 13765 13963 14104 14132 14181 13937 13737 13796
9 Sepetember 15459 15355 14529 14388 14422 14463 14436 14441 14961 14026 13531
10 Oktober 15141 15858 15390 14762 14602 14595 14605 14564 15407 15195 14914
11 November 15793 15300 15619 15328 14838 14692 14673 14672 15500 15794 15986
12 Desember 14592 15467 15464 15663 15421 14997 14849 14813 15547 15430 15429
Total 176512 146785 131935 116978 101842 87015 72744 58489 132243 131622 131337

Tabel Demand dan Hasil Peramalan Dengan Menggunakan Metode MA

Grafik Hasil Peramalan Dengan Menggunakan Metode MA 3 - Bulanan

Laporan Praktikum SCM – Forecasting by VIIth Group Page 31

d. Dengan menggunakan metode Eksponensial Smoothing With α

Forecast , Ft+1 (alfa)

Permintaan
No Bulan Aktual
        
A

1 Januari 14478
2 Februari 14273 14478.00 14478.00 14478.00 14478.00 14478.00 14478.00 14478.00 14478.00 14478.00
3 Maret 14667 14457.50 14437.00 14416.50 14396.00 14375.50 14355.00 14334.50 14314.00 14293.50
4 April 14556 14478.45 14483.00 14491.65 14504.40 14521.25 14542.20 14567.25 14596.40 14629.65
5 Mei 13965 14486.21 14497.60 14510.96 14525.04 14538.63 14550.48 14559.38 14564.08 14563.37
6 Juni 12878 14434.08 14391.08 14347.17 14301.02 14251.81 14199.19 14143.31 14084.82 14024.84
7 Juli 14453 14278.48 14088.46 13906.42 13731.81 13564.91 13406.48 13257.59 13119.36 12992.68
8 Agustus 16257 14295.93 14161.37 14070.39 14020.29 14008.95 14034.39 14094.38 14186.27 14306.97
9 Sepetember 15459 14492.04 14580.50 14726.37 14914.97 15132.98 15367.96 15608.21 15842.85 16062.00
10 Oktober 15141 14588.73 14756.20 14946.16 15132.58 15295.99 15422.58 15503.76 15535.77 15519.30
11 November 15793 14643.96 14833.16 15004.61 15135.95 15218.49 15253.63 15249.83 15219.95 15178.83
12 Desember 14592 14758.86 15025.13 15241.13 15398.77 15505.75 15577.25 15630.05 15678.39 15731.58
Total [ Σ ] 176512 159392 159731 160139 160539 160892 161187 161426 161620 161781

Tabel Demand dan Hasil Peramalan Dengan Menggunakan Metode Eksponensial Smoothing Withα

Laporan Praktikum SCM – Forecasting by VIIth Group Page 32

 BAB IV
KESIMPULANDAN SARAN

4.1 Kesimpulan
Dengan menggunakan berbagai macam metode peramalan dapat dirangkum data
sebagai berikut :

MAD MSE MAPE MFE

Metode Peramalan
MA 2 Bulan 821.85 1173508.03 0.0555 97.650
MA 3 Bulan 821.85 1173508.03 0.0555 97.650
MA 4 Bulan 966.53 1324648.71 0.0652 194.969
MA 5 Bulan 1058.29 1432769.46 0.0709 390.171
MA 6 Bulan 915.03 1213815.44 0.0584 780.083
MA 7 Bulan 1002.54 1392801.67 0.0636 899.571
MA 8 Bulan 734.34 668864.08 0.0475 623.969
WMA 3 Bulan (0,25/0,25/0,5) 800.92 1085366.03 0.0543 94.528
WMA 3 Bulan (0,5/0,2/0,3) 828.57 1348008.47 0.0560 163.611
WMA 3 Bulan (0,7/0,2/0,1) 893.30 1517238.24 0.0602 195.233
Linier 564.28 572554.38 0.0390 -0.142
Kudratik 545.48 563041.63 0.0375 0.358
Eksponensial 567.09 572052.64 0.0391 14.919
ES α: 0,1 685.46 840854.73 0.0462 240.161
ES α: 0,2 697.28 838782.73 0.0470 209.319
ES α: 0,3 693.92 842096.98 0.0469 172.240
ES α: 0,4 680.44 850762.32 0.0461 135.923
ES α: 0,5 689.46 862030.89 0.0468 103.795
ES α: 0,6 691.26 873846.88 0.0469 76.985
ES α: 0,7 714.51 885397.89 0.0485 55.249
ES α: 0,8 749.70 896534.70 0.0508 37.645
ES α: 0,9 776.61 907085.77 0.0420 23.026
ES α: 0,1 β: 0,05 686.79 841307.67 0.0463 239.212
ES α: 0,2 β: 0,05 698.96 841498.22 0.0472 206.630
ES α: 0,3 β: 0,05 695.23 848892.80 0.0470 167.595

Laporan Praktikum SCM – Forecasting by VIIth Group Page 33

 ES α: 0,4 β: 0,05 685.71 862790.21 0.0465 129.425
ES α: 0,5 β: 0,05 696.66 879781.75 0.0473 95.692
ES α: 0,6 β: 0,05 698.42 897408.63 0.0474 67.567
ES α: 0,7 β: 0,05 733.24 914700.82 0.0497 44.781
ES α: 0,8 β: 0,05 770.13 931489.59 0.0522 26.339
ES α: 0,9 β: 0,05 798.31 947618.12 0.0541 11.029
ES α: 0,1 β: 0,1 687.58 840771.14 0.0463 237.745
ES α: 0,2 β: 0,1 699.65 842714.36 0.0472 203.150
ES α: 0,3 β: 0,1 695.19 853960.62 0.0470 162.051
ES α: 0,4 β: 0,1 691.42 873028.33 0.0469 122.025
ES α: 0,5 β: 0,1 702.51 895807.26 0.0477 86.750
ES α: 0,6 β: 0,1 704.00 919429.25 0.0478 57.404
ES α: 0,7 β: 0,1 751.78 942763.97 0.0510 33.676
ES α: 0,8 β: 0,1 790.22 965610.95 0.0535 14.501
ES α: 0,9 β: 0,1 819.53 987805.34 0.0555 -1.402
ES α: 0,1 β: 0,2 687.83 837542.97 0.0464 233.992
ES α: 0,2 β: 0,2 698.62 841608.10 0.0472 195.117
ES α: 0,3 β: 0,2 691.91 859571.27 0.0468 149.992
ES α: 0,4 β: 0,2 699.54 888285.59 0.0474 106.565
ES α: 0,5 β: 0,2 710.18 922295.66 0.0482 68.621
ES α: 0,6 β: 0,2 710.441 958000.990 0.0483 37.285
ES α: 0,7 β: 0,2 787.370 993988.018 0.0533 12.109
ES α: 0,8 β: 0,2 828.471 1029961.816 0.0561 -8.134
Nilai Terkecil 545.48 563041.63 0.0375 -0.142

Dari data pada table diatas terdapat point – point penting yang dapat kita amati
sebagai rujukan dalam memilih jenis peramalan mana yang akan kita pilih sebagai
acuan dalam memprediksi permintaan periode mobil mainan Tamiya Car Corp. periode
selanjutnya, yakni :
 Nilai MAD, MSE, dan MAPE yang mendekati nilai 0 (nol) terjadi pada penggunaan
metode peramalan tipe kuadratik (y = 9,2483x2 - 11,073x + 14280)
 Sedang untuk nilai MFE yang paling mendekati nilai 0 (nol) terjadi pada
penggunaan metode peramalan Linier dengan nilai MFE sebesar : -0.142

Laporan Praktikum SCM – Forecasting by VIIth Group Page 34

4.2 Saran
Merujuk pada kesimpulan di table di atas, kami menyarankan agar Tamiya Car
Corp. memilih jenis peramalan dengan metode Kuadratik dalam Perencanaan Produksi
mobil mainan tersebut karena memiliki nilai Nilai MAD, MSE, dan MAPE yang
mendekati nilai 0 (nol), yang dirangkum pada table di bawah ini :

METODE PERAMALAN MAD MSE MFE MAPE

KUADRATIK 545.48 563041.63 0.0375 0.358

Untuk lebih meyakinkan bahwa dengan menerapkan jenis peramalan dengan

metode Kuadratik 6 Order, Tamiya Corp tidak akan merugi, maka data peramalan
dengan menggunakan metode tersebut di uji dengan peta kendali peramalan sebagai
berikut :

PERHITUNGAN MAD, MSE, MAPE DAN MFE DENGAN METODE KUDRATIK

DENGAN RUMUS Y = 10,30 x2 + 60,51x + 5376

Permintaan ∆ Moving Moving

Ramalan
No Bulan Aktual Permintaan Range Range
A F F-A MR |MR|
1 Januari 14478 14278 -200 - -
2 Februari 14273 14295 22 222 222
3 Maret 14667 14330 -337 -359 359
4 April 14556 14384 -172 165 165
5 Mei 13965 14456 491 663 663
6 Juni 12878 14547 1669 1178 1178
7 Juli 14453 14656 203 -1466 1466
8 Agustus 16257 14783 -1474 -1676 1676
9 Sepetember 15459 14929 -530 944 944
10 Oktober 15141 15094 -47 483 483
11 November 15793 15277 -516 -469 469
12 Desember 14592 15479 887 1403 1403
Total [ Σ ] 147761 176508 -4 1087 9026

Laporan Praktikum SCM – Forecasting by VIIth Group Page 35

Laporan Praktikum SCM – Forecasting by VIIth Group Page 36