Modul 5 : Peramalan
Kelompok 1
BAB I
PENDAHULUAN
1.1 Latar Belakang
PT. Tam Toys merupakan perusahaan yang bergerak dalam produksi
mainan mobil Tamiya. PT. Tam Toys berdiri sejak tahun 2015 yang dikepalai
seorang direktur bernama Kiki Widya. Perusahaan ini akan bersaing dengan
perusahaan-perusahaan yang memproduksi mobil mainan lainnya, sehingga
PT. Tam Toys harus memiliki strategi yang efektif agar perusahaan dapat
memenangkan persaingan antara perusahaan yang memproduksi mobil
mainan lainnya. Perusahaan PT. Tam Toys harus mampu menanggulangi
persaingan di pasar. Salah satu cara yang harus dilakukan PT. Tam Toys
adalah melakukan perencanaan produksi. Apabila perencanaan produksi tidak
sesuai dengan permintaan pasar maka perusahaan tidak akan mampu
memenuhi permintaan pasar dengan cepat dan tepat.
Menanggapi masalah yang dihadapi oleh PT. Tam Toys saat ini, metode
yang paling tepat adalah peramalan (forecasting). 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 dan jasa. Dengan
adanya peramalan (forecasting) dapat ditentukan dan dilakukan penjadwalan
produksi untuk waktu yang akan datang. Proses forecesting yang dilakukan,
yaitu berdasarkan pada prediksi terhadap jumlah permintaan konsumen dari
sebuah produk yang akan di produksi, hal tersebut dilakukan agar dapat
memenuhi target produksi. Penentuan terhadap target produksi sangat penting
bagi suatu perusahaan agar dapat memperkirakan kebutuhan pasar dimasa
yang akan mendatang yang ingin dicapai dengan tetap memperhatikan
kualitas produk agar memenuhi kepuasan konsumen.
Peramalan berguna untuk penjadwalan produksi. Penjadwalan penting
untuk mengatur tingkat produktivitas yang akan dilakukan untuk jangka
waktu tertentu. Maka dari itu PT. Tam Toys membuat peramalan permintaan
produk agar di waktu yang akan datang perusahaan dapat memenuhi demand
Mulai
Studi Literatur
1. Definisi Peramalan
2. Tahapan Peramalan
3. Fungsi Peramalan
4. Macam Peramalan
5. Pola Data untuk Time Series
6. Metode Deret Waktu (Time Series)
7. Model-Model Kausal
8. Pemilihan dan Evaluasi Metode Peramalan
9. Uji Kesalahan Peramalan (Uji Verifikasi)
10. Uji Validasi
Pengolahan Data
1. Plotting data
2. Peramalan dengan beberapa metode
3. Rekapitulasi nilai error dan verifikasi data
4. Validasi Metode
5. Hasil Peramalan yang Terpilih
Analisis
1. Analisis semua metode ramalan
2. Analisis verifikasi
3. Analisis metode terpilih
4. Analisis validasi
Selesai
Studi literatur berguna untuk mempelajari teori dasar dari praktikum yang
akan dilakukan agar mengurangi kesalahan yang terjadi selama
praktikum. Studi literatur yang digunakan meliputi definisi peramalan
(forecasting), tahapan peramalan, fungsi peramalan, macam peramalan,
pola data untuk Time Series, metode deret waktu (Time Series), model-
model kausal, pemilihan dan evaluasi metode-metode peramalan, uji
kesalahan peramalan (uji verifikasi), dan uji validasi.
3. Pengumpulan Data Historis
Pengumpulan data historis dalam praktikum ini yaitu pengumpulan data
historis produksi penjualan tamiya putih dan tamiya hitam yang telah
disediakan selama 24 periode. Serta faktor konversi sebesar 1 dan 1.25.
4. Pengolahan Data
Pengolahan data dalam praktikum ini ialah membuat plotting data,
peramalan dengan beberapa metode, rekapitulasi nilai error dan verifikasi
data, validasi metode dan menentukan hasil peramalan yang digunakan
12 periode ke depan dengan menggunakan metode terpilih.
5. Analisis Data
Analisis data merupakan kegiatan yang dilakukan untuk mengubah data
hasil dari praktikum menjadi informasi yang nantinya bisa dipergunakan
dalam mengambil kesimpulan. Analisis data dalam praktikum ini meliputi
analisa semua metode peramalan, analisa verifikasi, analisa metode
terpilih dan analisa validasi.
6. Kesimpulan dan Saran
Kesimpulan yang dibuat merupakan pernyataan singkat tentang hasil
analisis deskripsi dan pembahasan tentang hasil praktikum yang telah
dilakukan. Sedangkan saran yang dibuat merupakan suatu tulisan yang
diberikan kepada pembaca yang didasarkan atas hasil temuan dalam studi
yang telah dilakukan dan berupa pendapat atau tinjauan idealis dari
praktikan.
7. Selesai
BAB II
TINJAUAN PUSTAKA
2.1 Definisi 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).
Pendapat 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 datang. 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. Adapun pengertian peramalan (forecasting) menurut pendapat para ahli:
1. Lerbin R. Aritonang R. (2002:12)
Peramalan adalah kegiatan penerapan model yang telah dikembangkan pada
waktu yang akan datang.
2. Lalu Sumayang, (2003:24)
Peramalan adalah perhitungan yang objektif dan dengan menggunakan data-data
masa lalu, untuk menentukan sesuatu dimasa yang akan datang.
3. 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.
4. 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.
5. 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.
6. William J. Stevenson (2009:72)
Menurut William J. Stevenson, Peramalan adalah input dasar dalam proses
pengambilan keputusan manajemen operasi dalam memberikan informasi tentang
permintaan di masa mendatang dengan tujuan untuk menentukan berapa
kapasitas atau persediaan yang diperlukan untuk membuat keputusan staffing,
budget yang harus disiapkan, pemesanan barang dari supplier dan partner dari
rantai pasok yang dibutuhkan dalam membuat suatu perencanaan.
7. Wignjosoebroto (2003:337)
Menurut Wignjosoebroto, Metode Peramalan adalah suatu upaya untuk
memperoleh gambaran mengenai apa yang akan terjadi di masa
mendatang. Dari pengertian diatas peramalan itu adalah suatu seni atau
ilmu memprediksi masa depan dengan menggunakan data-data masa lalu
untuk menentukan sesuatu dimasa yang akan datang.
2.2 Tahapan Peramalan
Adapun tahapan-tahapan dalam suatu peramalan diantaranya yaitu:
a. Pengumpulan data
Pengumpulan data dan menyarankan pentingnya perolehan data yang
sesuai dengan meyakinkan kebenarannya.
b. Pemadatan atau pengurangan data
Pemadatan atau pengurangan data, seringkali diperlukan karena mungkin
saja terjadi kelebihan data dalam proses peramalan, atau sebaliknya terlalu
sedikit. beberapa data mungkin tidak relevan dengan masalah dan hal ini
dapat mengurangi keakuratan peramalan.
c. Penyusunan dan evaluasi Modal
Penyusunan dan pengevalusaian modal meliputi pencocokan data
terkumpul kedalam modal yang sesuai dalam hal meminimasi.
X 10+ X 11 + X 12+ X 13
F 14=
4
9955+9323+10332+8981
F 16=
4
F 16=9647,75
3. Weighted Moving Average
Weight Moving Average (WMA) merupakan model rata-rata begerak
terbobot yang lebih responsif terhadap perubahan, karena data dari periode
yang baru biasanya diberi bobot lebih besar, aplikasi ini dapat membantu
pihak perusahaan dalam mengetahui peramalan penjualan yang akan
terjadi pada bulan berikutnya berdasarkan data penjualan aktual. Dengan
formulasi:
Σ(data x bobot)
WMA= ………………................................................
Σ bobot
(2.3)
( X 5 x b 1) + ( X 6 x b 2) + ( X 7 x b 3 )+( X 8 x b4 )
F 9=
1
( 2432 x 0,4 ) + ( 2613 x 0,2 ) + ( 2786 x 0,45 ) +(3412 x 0,25)
F 9=
1
F 9=3602
Contoh:
∝ = 0,042
SES = (∝Xt + (1-∝) Ft-1)
SES = (0,043 x 9865 + (0,678) 9231) = 6.682,8
6. Double Exponential Smoothing (DES)
Metode double exponential smoothing biasanya lebih tepat digunakan
untuk maramalkan data yang mengalami kecenderungan trend naik.
(Pengestu Subagyo, 2004;8). Dalam metode ini dilakukan proses
smoothing dua kali, adapun prosedur untuk membuat forecast dengan
double exponential smoothing adalah sebagai berikut:
1) Menentukan smoothing pertama
S’t = αXt + (1 - α)S’t-1 ........................................................(2.6)
2) Menentukan smoothing kedua
S”t = αS’t + (1 - α)S”t-1 ………….....................................(2.7)
3) Menentukan konstanta
at = 2S’t – S”t ..................................................................(2.8)
4) Menentukan slope
α
bt = 1−α ¿) ..............................................(2.9)
5) Menentukan forecast
Ft+m = at + btm ....................................................................(2.10)
∝
( 1−∝
b 4= )x ¿
0,1
b =(
0,9 )
4 x ( 2729,091−2413,564 )=35,05861
F 5=a5 +b 5
F 5=3044,619+35,05861=3079,677
7. Linear Regresi
Linier regresi terdapat 2 pendekatan untuk melakukan peramalan
dengan menggunakan analisis deret waktu engan metode regresi
sederhana, yaitu :
1) Analisis deret waktu untuk regresi sederhana linier
2) Analisis deret waktu untuk regresi sederhana yang non linier
Dalam analisis deret waktu yang linier adalah analisis pola hubungan
yang dicari dengan satu variabel yang mempengaruhinya, waktu.
Sedangkan analisis deret waktu yang non linier, merupakan analisis
hubungan antara variabel yang dicari dengan hanya satu (1) yang
mempengaruhinya, yaitu variabel waktu.
Untuk menjelaskan hubungan kedua metode ini digunakan notasi
matematis seperti:
Y = F (x)
Dimana :
Y = Dependent variable (variabel yang dicari)
X = Independent variable (variabel yang mempengaruhinya)
Notasi regresi sederhana dengan menggunakan regresi linier (garis
lurus) dapat digunakan sebagai berikut :
F t=a+(b x t) ..................................................................................(2.11)
Dimana a dan b adalah merupakan parameter (koefisien regresi) yang
harus dicari. Untuk mencari nilai a dapat digunakan dengan menggunakan
rumus :
∑ Xt b x ∑ t ...
.......................................................................................................(2.12)
a= −
n n
b=
( n−( (∑ t x X )−(∑ t x ∑ X )) )
t t
2
.......................................................
(n x (∑ t −( ∑ t ) ))
2
(2.13)
Dimana:
N = banyaknya demand
t = periode
Xt = demand
Ft = peramalan pada periode ke-t
Berikut adalah contohnya:
5−( 6510−( 15 x 1302 ) )
b= =28,2
( 5 x (55−225 ) )
1302 28,2 x 15
a= − =1160,2
5 5
F 5=( 1160,2 ) + ( 28,2 x 4 )=1273
error3 : 343
error4 : 314
4
∑ |error t|
MAD4 = t =2
3
|error 2|+|error 3|+|error 4|
MAD4 =
3
|( 243 )|+|(343)|+|(314 )|
MAD4 =
3
MAD4 =¿300
3. Mean Squared Error (MSE)
Mean Squared Error (MSE) adalah metode lain untuk mengevaluasi
metode peramalan. Masing-masing kesalahan atau sisa dikuadratkan.
Kemudian dijumlahkan dan ditambahkan dengan jumlah observasi.
Pendekatan ini mengatur kesalahan peramalan yang besar karena
kesalahan-kesalahan itu dikuadratkan. Metode itu menghasilkan
kesalahan-kesalahan sedang yang kemungkinan lebih baik untuk kesalahan
kecil, tetapi kadang menghasilkan perbedaa yang besar.
Dik : error2 = 14
error3 = 43
error4 = 23
4
∑ error 2t
MSE 4= t=2
3
error 22 +error 23 +error 24
MSE 4=
3
( 14 )2 + ( 43 )2+ ( 23 )2
MSE 4=
3
MSE 4=858
4. Percentage Error (PE)
Percentage error merupakan kesalahan persentase dari suatu peramalan.
∑ PE t
MAPE4 = t =2
3
PE 2 + PE 3 + PE 4
MAPE4 =
3
5,2+ 4,8+5,2
MAPE4 =
3
MAPE4 =5.67 %
∑ MR ......................................................................................(2.14)
MR= i=1
n−1
Validasi eror dilakukan untuk menjamin bahwa metode peramalan yang terpilih
memiliki eror yang terkontrol. Metode yang digunakan pada dasarnya dengan
menggunakan peta kendali individu MR.
Validasi hasil peramalan dilakukan untuk mengetahui apakah terdapat perbedaan
yang signifikan antara hasil yang digunakan berlandaskan pada statistika parametrik,
yakni uji t berpasangan, uji F dan uji chi-square.
Uji kondisi di luar kendaliUji kondisi di luar kendali adalah :
1. Dari tiga titik berturut-turut. ada dua atau lebih titik yang berada di region A.
2. Dari lima titik berturut-turut. ada empat atau lebih titik yang berada di region B.
3. Ada delapan titik berturut-turut titik yang berda di salah satu sisi (di atas atau dibawah
garis tengah).
4. Ada satu titik yang berada di luar UCL atau LCL.
Region A adalah daerah di atas + 1.77 MR dan di bawah - 1.77 MR
Region B adalah daerah di atas + 0.89 MR dan di bawah - 0.89 MR
UCL/ Batas Kontrol Atas = + 2.66 MR
LCL/ Batas Kontrol Bawah = - 2.66 MR
Akan tetapi, untuk beberapa metode peramalan yang lain seperti ARMA maupun
ARIMA, uji validasi dilakukan dengan melakukan pengujian kelayakan model melalui
pengujian parameter yang dihasilkan, nilai chi square, dan pengujian nilai p-value.
BAB III
PENGOLAHAN DATA DAN PEMBAHASAN
3.1 Pengumpulan Data Historis
Terdapat pengumpulan data historis berupa penjualan Tamiya berwarna
hitam dan putih selama 24 periode.
3.1.1 Pengumpulan Data Historis Sebelum Konversi
Berikut ini merupakan pengumpulan data historis penjualan Tamiya
Hitam dan Putih sebelum di konversi.
Tabel 3.1 Data Historis Sebelum Konversi
Periode Tamiya Putih Tamiya Hitam
1 6696 5815
2 6763 5913
3 7131 6084
4 7471 5999
5 6907 5893
6 7038 5795
7 7437 6037
8 7337 5866
9 7072 5834
10 6543 6084
11 7266 5991
12 7003 5943
13 6709 5767
14 7461 5778
15 7437 6048
16 7229 5934
17 7052 5862
18 7091 6001
19 6640 6049
20 7387 5889
21 6676 5972
22 7082 5926
23 6921 5985
24 7292 5954
Faktor Konversi 1 1.25
3.1.2 Pengumpulan Data Historis Sesudah Konversi
Berikut ini merupakan pengumpulan data historis penjualan Tamiya
Hitam dan Putih sesudah di konversi.
Tabel 3.2 Data Historis Sesudah Konversi
Tamiya
Hasil
Putih Hitam
6696 7269 13965
6763 7391 14154
7131 7605 14736
7471 7499 14970
6907 7366 14273
7038 7244 14282
7437 7546 14983
7337 7333 14670
7072 7293 14365
6543 7605 14148
7266 7489 14755
7003 7429 14432
6709 7209 13918
7461 7223 14684
7437 7560 14997
7229 7418 14647
7052 7328 14380
7091 7501 14592
6640 7561 14201
7387 7361 14748
6676 7465 14141
7082 7408 14490
15000
14800
14600
14400
14200
14000
13800
13600
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
∑ Xt
F n= t =1
n−1
X 1+ X 2 +…+ X 9
F 10=
10−1
F10 = 14489
Contoh perhitungan error, error mutlak, dan error kuadrat seperti
berikut ini.
error10 = Demand10 – Forcest10
error10 = 14148 – 14489
error10 = -341
│error10│ = error10
│error10│ = 341
error102 = -3412
error102 = 115978
Contoh perhitungan Percentage Error (PE) dan Percentage Error
Mutlak (|PE|) seperti berikut ini.
error 10
PE10= x 100
X 10
−341
PE10= x 100
14148
PE10 = -2.41 %
│PE10│ = PE10
│PE10│ = -2.41 %
│PE10│ = 2.41 %
Contoh perhitungan Mean Square Error (MSE) seperti berikut ini.
10
∑ error 2t
MSE 10= t =2
10−1
error 22+ error 23+ …+error 29 +error 210
MSE 10=
9
∑|error t|
MAD10= t=2
10−1
|error 2 +error 3 +…+ error 9 +error 10|
MAD10=
9
∑ ¿ PEt∨¿
MAPE10= t=2 ¿
10−1
MAPE10=¿ PE 2∨+¿ PE 3∨+ …+¿ PE 9∨+¿ PE 10∨ ¿ ¿
9
(1.34)+(4.59)+…+(0.97)+(2.41)
MAPE10=
9
MAPE10 = 2.3703882
Contoh perhitungan Cumulative Forecast Error (CFE) seperti
berikut ini.
10
CFE 10=∑ error t
t=2
CFE10 = 1526
Adapun rekapitulasi data hasil perhitungan setiap periode dan
peramalan penjualan tamiya hingga 12 periode yang akan datang dengan
menggunakan metode simple average dapat dilihat pada tabel 3.3.
25 14486
26 14486
27 14486
28 14486
29 14486
30 14486
31 14486
32 14486
33 14486
34 14486
35 14486
36 14486
TOTA
347665 505572 1960 6472 2701288 13 44 3815627 7831 54 38253
L
Simple Average
15200
15000
14800
14600
14400
14200
14000
13800
13600
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Demand Peramalan
X 8+ X 9
F 10=
2
14670+14365
F 10=
2
F10 = 14517
Contoh perhitungan error, error mutlak, dan error kuadrat seperti
berikut ini.
error10 = Demand10 – Forcest10
error10 = 14148 – 14517
error10 = -369
│error10│ = error10
│error10│ = 369
error102 = -3692
error102 = 136161
Contoh perhitungan Percentage Error (PE) dan Percentage Error
Mutlak (|PE|) seperti berikut ini.
error 10
PE 10= x 100
X 10
−369
PE10= x 100
14148
PE10 = -2.61 %
│PE10│ = PE10
│PE10│ = -2.61 %
│PE10│ = 2.61 %
Contoh perhitungan Mean Square Error (MSE) seperti berikut ini.
10
∑ error 2t
MSE 10= t =3
10−2
error32+ error 24 +…+ error 29+ error 210
MSE 10=
8
( 677 ) + ( 525 ) + …+ (−462 )2 + (−369 )2
2 2
MSE 10=
8
MSE10 = 254152.55
Contoh perhitungan Mean Absolute Deviation (MAD) seperti berikut
ini.
10
∑|error t|
MAD10= t=3
10−2
|error 3 +error 4 +…+error 9+ error 10|
MAD10=
8
∑ ¿ PEt∨¿
MAPE10= t=3 ¿
10−2
MAPE10=¿ PE3∨+¿ PE 4 ∨+…+¿ PE 9 ∨+ ¿ PE 10∨ ¿ ¿
8
( 4.59)+(3.50)+ …+( 3.22)+( 2.61)
MAPE10=
8
MAPE10 = 3.17
Contoh perhitungan Cumulative Forecast Error (CFE) seperti
berikut ini.
10
CFE 10=∑ error t
t=3
CFE10 = 194
Adapun rekapitulasi data hasil perhitungan setiap periode dan
peramalan penjualan tamiya hingga 12 periode yang akan datang dengan
menggunakan metode single moving average dapat dilihat pada tabel 3.4.
25 14568
26 14568
27 14568
28 14568
29 14568
30 14568
31 14568
32 14568
33 14568
34 14568
35 14568
36 14568
TOTAL 347665 493567 799 8199 4130417 4 56 5835451 10334 71 14023
15000
14800
14600
14400
14200
14000
13800
13600
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Demand Peramalan
F10 = X6 x b1 + X7 x b2 + X8 x b3 + X9 x b4
F10 = 14571
Contoh perhitungan error, error mutlak, dan error kuadrat seperti
berikut ini.
error10 = Demand10 – Forcest10
error10 = 14148 – 14571
error10 = -423
│error10│ = error10
│error10│ = 423
error102 = -4232
error102 = 179331
Contoh perhitungan Percentage Error (PE) dan Percentage Error
Mutlak (|PE|) seperti berikut ini.
error 10
PE 10= x 100
X 10
−423
PE10= x 100
14148
PE10 = -2.99 %
│PE10│ = PE10
│PE10│ = -2.99 %
│PE10│ = 2.99 %
Contoh perhitungan Mean Square Error (MSE) seperti berikut ini.
10
∑ error 2t
MSE 10= t =5
10−4
error52+ error 26+ …+error 29 +error 210
MSE 10=
6
(−363 ) + (−281 ) +…+ (−282 )2+ (−423 )2
2 2
MSE 10=
6
MSE10 = 123753.5
Contoh perhitungan Mean Absolute Deviation (MAD) seperti berikut
ini.
10
∑|error t|
MAD10= t=5
10−4
|error 5 +error 6 + …+error 9 +error 10|
MAD10=
6
|(−363 ) + (−281 ) + …+ (−282 )+(−423)|
MAD10=
6
MAD10 = 318.40
∑ ¿ PEt∨¿
MAPE10= t=5 ¿
10−4
MAPE10=¿ PE 5∨+¿ PE 6 ∨+ …+¿ PE 9∨+¿ PE 10∨ ¿ ¿
6
(2.54)+(1.97)+…+(1.96)+(2.99)
MAPE10=
6
MAPE10 = 2.20
Contoh perhitungan Cumulative Forecast Error (CFE) seperti
berikut ini.
10
CFE 10=∑ error t
t=5
CFE10 = -788
Adapun rekapitulasi data hasil perhitungan setiap periode dan
peramalan penjualan tamiya hingga 12 periode yang akan datang dengan
menggunakan metode weight moving average dapat dilihat pada tabel
3.5.
21 14141 14516 -375 375 140681 -2.65 2.65 128975.8 312.98 2.16 -745
22 14490 14380 109 109 11914 0.75 0.75 122472.3 301.66 2.09 -635
23 14402 14408 -6 6 32 -0.04 0.04 116028.1 286.08 1.98 -641
24 14735 14411 324 324 104798 2.20 2.20 115466.6 287.96 1.99 -317
25 14526
26 14526
27 14526
28 14526
29 14526
30 14526
31 14526
32 14526
33 14526
34 14526
35 14526
36 14526
TOTAL 347665 1 464475 -317 5759 2309332 -3 40 2552200 6355 44 -9067
15000
14800
14600
14400
14200
14000
13800
13600
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Demand Peramalan
│error10│ = error10
│error10│ = 274
error102 = -2742
error102 = 75305
Contoh perhitungan Percentage Error (PE) dan Percentage Error
Mutlak (|PE|) seperti berikut ini.
error 10
PE 10= x 100
X 10
−274
PE10= x 100
14148
PE10 = -1.94 %
│PE10│ = PE10
│PE10│ = -1.94 %
│PE10│ = 1.94 %
Contoh perhitungan Mean Square Error (MSE) seperti berikut ini.
10
∑ error 2t
MSE 10= t =2
10−1
error 22+ error 23+ …+error 29 +error 210
MSE 10=
9
(−131 ) + ( 116 ) + …+ (−30 )2 + (−274 )2
2 2
MSE 10=
9
MSE10 = 41197.149
Contoh perhitungan Mean Absolute Deviation (MAD) seperti berikut
ini.
10
∑|error t|
MAD10= t=2
10−1
|error 2 +error 3 +…+ error 9 +error 10|
MAD10=
9
|(−131 ) + ( 116 )+ …+ (−30 ) +(−274)|
MAD10=
9
MAD10 = 185.34259
∑ ¿ PEt∨¿
MAPE10= t=2 ¿
10−1
MAPE10=¿ PE2∨+¿ PE 3∨+ …+¿ PE 9∨+¿ PE 10∨ ¿ ¿
9
(0.92)+( 0.79)+…+(0.21)+(1.94)
MAPE10=
9
MAPE10 = 1.2744135
Contoh perhitungan Cumulative Forecast Error (CFE) seperti
berikut ini.
10
CFE 10=∑ error t
t=2
CFE10 = -139
Adapun rekapitulasi data hasil perhitungan setiap periode dan
peramalan penjualan tamiya hingga 12 periode yang akan datang dengan
menggunakan metode centered moving average dapat dilihat pada tabel
3.6.
24 14735 14542 192 192 37024 1.31 1.31 52885.935 205.34058 1.4175135 145
25 14542
26 14542
27 14542
28 14542
29 14542
30 14542
31 14542
32 14542
33 14542
34 14542
35 14542
36 14542
TOTAL 347665 508060 145 4723 1216377 0.31 33 1023711 4410 30 1341
15000
14800
14600
14400
14200
14000
13800
13600
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Demand Peramalan
│error10│ = error10
│error10│ = 229
error102 = -2292
error102 = 52392
Contoh perhitungan Percentage Error (PE) dan Percentage Error
Mutlak (|PE|) seperti berikut ini.
error 10
PE 10= x 100
X 10
−229
PE10= x 100
14148
PE10 = -1.62 %
│PE10│ = PE10
│PE10│ = -1.62 %
│PE10│ = 1.62 %
Contoh perhitungan Mean Square Error (MSE) seperti berikut ini.
10
∑ error 2t
MSE 10= t =2
10−1
error 22+ error 23+ …+error 29 +error 210
MSE 10=
9
( 190 ) + ( 463 ) + …+ (−165 )2 + (−229 )2
2 2
MSE 10=
9
MSE10 = 74949.436
Contoh perhitungan Mean Absolute Deviation (MAD) seperti berikut
ini.
10
∑|error t|
MAD10= t=2
10−1
|error 2 +error 3 +…+ error 9 +error 10|
MAD10=
9
|( 190 ) + ( 463 )+ …+ (−165 ) +(−229)|
MAD10=
9
MAD10 = 235.57658
∑ ¿ PEt∨¿
MAPE10= t=2 ¿
10−1
MAPE10=¿ PE2∨+¿ PE 3∨+ …+¿ PE 9∨+¿ PE 10∨ ¿ ¿
9
(1.34)+(3.14)+…+(1.15)+(1.62)
MAPE10=
9
MAPE10 = 1.61
Contoh perhitungan Cumulative Forecast Error (CFE) seperti
berikut ini.
10
CFE 10=∑ error t
t=2
CFE10 = 808
Adapun rekapitulasi data hasil perhitungan setiap periode dan
peramalan penjualan tamiya hingga 12 periode yang akan datang dengan
menggunakan metode single exponential smoothing dapat dilihat pada
tabel 3.7.
25 14544
26 14544
27 14544
28 14544
29 14544
30 14544
31 14544
32 14544
33 14544
34 14544
35 14544
36 14544
TOTAL 347665 507173 1059 4469 1241637 7 31 1741558 5471 37 21536
15000
14800
14600
14400
14200
14000
13800
13600
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
S}t = left (∝x {S} rsub {t} rsup {'} right ) +( left (1 - ∝ right ) x {S} rsub {t- 1} rsup {
¿
S}10= left (0.4 x {S} rsub {10} rsup {'} right ) +( left (1 - 0.4 right ) x {S} rsub {9} rsup {
¿
S}10= left (0.4 x 14378 right ) +( left (0.6 right ) x 14538 ¿
S}10¿ 14474
a t=( 2 x S 't ) −S t¿
a 10=( 2 x 14378 )−14474
a 10=¿ 14282
∝
b t= ( 1−∝ )x ¿
0.4
=(
0.6 )
b 10 x ( 14378−14474 )
b 10=¿ -64
F t=at +b t
F 10=14282+(−64)
F 10=¿14218
Contoh perhitungan error, error mutlak, dan error kuadrat seperti
berikut ini.
error10 = Demand10 – Forcest10
error10 = 14148 – 14218
error10 = -70.39
│error10│ = error10
│error10│ = 70.39
error102 = -70.392
error102 = 4955
Contoh perhitungan Percentage Error (PE) dan Percentage Error
Mutlak (|PE|) seperti berikut ini.
error 10
PE10= x 100
X 10
−70.39
PE10= x 100
14148
PE10 = -0.50 %
│PE10│ = PE10
│PE10│ = -0.50 %
│PE10│ = 0.50 %
Contoh perhitungan Mean Square Error (MSE) seperti berikut ini.
10
∑ error 2t
MSE 10= t =3
10−2
error32+ error 24 +…+ error 29+ error 210
MSE 10=
8
( 94 ) + (−64 ) + …+ (−157 )2 + (−70 )2
2 2
MSE 10=
8
MSE10 = 25132.97
Contoh perhitungan Mean Absolute Deviation (MAD) seperti berikut
ini.
10
∑|error t|
MAD10= t=3
10−2
|error 3 +error 4 +…+error 9+ error 10|
MAD10=
8
|( 94 ) + (−64 )+ …+ (−157 ) +(−70)|
MAD10=
8
MAD10 = 136.56
Contoh perhitungan Mean Absolute Percentage Error (MAPE)
seperti berikut ini.
10
∑ ¿ PEt∨¿
MAPE10= t=3 ¿
10−2
MAPE10=¿ PE3∨+¿ PE 4 ∨+…+¿ PE 9 ∨+ ¿ PE 10∨ ¿ ¿
8
(0.64 )+(0.43)+…+(1.09)+(0.50)
MAPE10=
8
MAPE10 = 0.94
CFE10 = -691
Adapun rekapitulasi data hasil perhitungan setiap periode dan
peramalan penjualan tamiya hingga 12 periode yang akan datang dengan
menggunakan metode double exponential smoothing dapat dilihat pada
tabel 3.8.
15000
14800
14600
14400
14200
14000
13800
13600
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Demand Peramalan
b=
( n−( (∑ t x X )−(∑ t x ∑ X )) )
t t
2
(n x (∑ t −( ∑ t ) ))
2
a=
∑ Xt − b x ∑ t
n n
F t=a+(b x t)
Dimana: N = banyaknya demand
t = periode
Xt = demand
Ft = peramalan pada periode ke-t
Berikut ini merupakan contoh perhitungan peramalan menggunakan
metode linear regresi.
( 24 x 4350209¿−( 300 x 347665 ) )
b=
( 24 x 4900 )−90000
b=¿ 3.83
F t=a+(b x t)
F 10=14438.21+(3.83 x 9)
F 10=¿ 14473
Contoh perhitungan error, error mutlak, dan error kuadrat seperti
berikut ini.
error10 = Demand10 – Forcest10
error10 = 14148 – 14473
error10 = -325
│error10│ = error10
│error10│ = 325
error102 = -3252
error102 = 105392
Contoh perhitungan Percentage Error (PE) dan Percentage Error
Mutlak (|PE|) seperti berikut ini.
error 10
PE 10= x 100
X 10
−325
PE10= x 100
14148
PE10 = -2.29 %
│PE10│ = PE10
│PE10│ = -2.29 %
│PE10│ = 2.29 %
Contoh perhitungan Mean Square Error (MSE) seperti berikut ini.
10
∑ error 2t
MSE 10= t =2
10−1
∑|error t|
MAD10= t=2
10−1
|error 2 +error 3 +…+ error 9 +error 10|
MAD10=
9
|(−288 ) + ( 290 )+ …+ (−104 ) +(−325)|
MAD10=
9
MAD10 = 289.93
Contoh perhitungan Mean Absolute Percentage Error (MAPE)
seperti berikut ini.
10
∑ ¿ PEt∨¿
MAPE10= t=2 ¿
10−1
MAPE10=¿ PE2∨+¿ PE 3∨+ …+¿ PE 9∨+¿ PE 10 ∨ ¿ ¿
1
(2.03)+(1.97)+ …+(0.73)+( 2.29)
MAPE10=
1
MAPE10 = 1.99
Contoh perhitungan Cumulative Forecast Error (CFE) seperti
berikut ini.
10
CFE 10=∑ error t
t=2
CFE10 = 464
E
20 14748 294965 400 3.83 14438.21 14511 237 237 56336 1.61 1.61 95814.296 268.76 1.85 880
21 14141 296961 441 3.83 14438.21 14515 -374 374 139669 -2.64 2.64 98007.019 274.00 1.89 506
22 14490 318769 484 3.83 14438.21 14519 -29 29 844 -0.20 0.20 93380.199 93380.20 1.81 477
23 14402 331252 529 3.83 14438.21 14522 -120 120 14430 -0.83 0.83 89791.542 89791.54 1.76 357
24 14735 353628 576 3.83 14438.21 14526 208 208 43389 1.41 1.41 87774.046 87774.05 1.75 565
25 3.83 14438.21 14530
26 14530
27 14530
28 14530
29 14530
30 14530
31 14530
32 14530
33 14530
34 14530
35 14530
36 14530
435020 201880
TOTAL 347665 4900 96 360955 507495 565 5838 3 40 2382088 276799 46 12511
9 3
Linear Regresi
15200
15000
14800
14600
14400
14200
14000
13800
13600
1 3 5 7 9 11 13 15 17 19 21 23
Demand Peramalan
∑ MR
´
MR=
n
3569
MR=
´ =170
21
´
UCL=2.66 MR
UCL=2.66 x 170=452
´
LCL=−2.66 MR
LCL=−2.66 x 170=−452
2 2
Region A ±=± UCL=± ( 452 ) =±301
3 3
1 1
Region B ±=± UCL=± ( 452 )=± 151
3 3
Region C=0
Adapun rekapitulasi validasi data hasil perhitungan dari moving range,
rata-rata MR, serta batas UCL, LCL, Region A, Region B, dan Region C
setiap periode dapat dilihat pada tabel 3.11.
Periode Demand Peramalan error MR |MR| UCL LCL Region A+ Region B+ CL Region B- Region A-
1 13965 452 -452 301 151 0 -151 -301
2 14154 452 -452 301 151 0 -151 -301
3 14736 14642 94 452 -452 301 151 0 -151 -301
4 14970 15034 -64 -158 158 452 -452 301 151 0 -151 -301
5 14273 14607 -334 -270 270 452 -452 301 151 0 -151 -301
6 14282 14407 -125 209 209 452 -452 301 151 0 -151 -301
7 14983 14876 107 232 232 452 -452 301 151 0 -151 -301
8 14670 14811 -142 -249 249 452 -452 301 151 0 -151 -301
9 14365 14521 -157 -15 15 452 -452 301 151 0 -151 -301
10 14148 14218 -70 86 86 452 -452 301 151 0 -151 -301
11 14755 14584 171 242 242 452 -452 301 151 0 -151 -301
12 14432 14484 -52 -223 223 452 -452 301 151 0 -151 -301
13 13918 14029 -111 -59 59 452 -452 301 151 0 -151 -301
14 14684 14460 224 335 335 452 -452 301 151 0 -151 -301
15 14997 14901 96 -128 128 452 -452 301 151 0 -151 -301
16 14647 14795 -149 -244 244 452 -452 301 151 0 -151 -301
17 14380 14520 -140 9 9 452 -452 301 151 0 -151 -301
18 14592 14568 24 164 164 452 -452 301 151 0 -151 -301
19 14201 14277 -76 -100 100 452 -452 301 151 0 -151 -301
20 14748 14597 151 226 226 452 -452 301 151 0 -151 -301
21 14141 14251 -110 -261 261 452 -452 301 151 0 -151 -301
22 14490 14388 102 212 212 452 -452 301 151 0 -151 -301
Tabel 3.11 Perhitungan Validasi Data (lanjutan)
Periode Demand Peramalan error MR |MR| UCL LCL Region A+ Region B+ CL Region B- Region A-
23 14402 14383 19 -83 83 452 -452 301 151 0 -151 -301
24 14735 14651 84 65 65 452 -452 301 151 0 -151 -301
25 14608
26 14608
27 14608
28 14608
29 14608
30 14608
31 14608
32 14608
33 14608
34 14608
35 14608
36 14608
Total MR 3569
Rata-rata MR 170
UCL 452
LCL -452
Region A 301
Region B 151
Region C 0
Validasi Data
500
400
error
300
UCL
200 LCL
100 Region A+
Region B+
0 CL
1 2 3 4 5 6 7 8 9 10111213141516171819202122
-100 Region B-
-200 Region A-
-300
-400
-500
Periode Peramalan
25 14608
26 14608
27 14608
28 14608
29 14608
30 14608
31 14608
32 14608
33 14608
34 14608
35 14608
36 14608
BAB IV
ANALISIS
4.1 Analisis Semua Metode Ramalan
Berikut merupakan analisis terhadap 7 metode peramalan yang telah
dilakukan.
a. Analisa Metode Simple Average
Metode Simple Average adalah metode peramalan yang menghitung
rata-rata seluruh data masa lalu untuk mendapatkan hasil peramalan di
masa yang akan datang. Nilai error yang di hitung dalam PE, MSE,
MAD, MAPE, CFE. Berturut-turut adalah sebesar 44, 3815627, 7831, 54,
38253. Dapat dilihat bahwa pada periode 1 adalah 13965 yang kemudian
diramalkan dengan periode 2 yang memiliki nilai peramalan 13965 atau
sama dengan nilai dari deman periode 1, karena ini adalah data pertama
yang belum di kalkulasikan dengan data sebelumnya yang sudah
dilakukan peramalan.
Sebagai contoh diambil data dari periode ke 3, dengan hasil peramalan
periode 3, dengan demand yang masih sama dengan hasil peramalan, yang
dikalkulasikan demand pada periode 1 jumlahkan dengan demand pada
periode 2 dan dibagi dengan 2, dua disini adalah angka dari periode pada
saat hasil peramalan terakhir, dan didapat nilai 14060. Kemudian di
dalam hasil perhitungan didapat nilai error yang diambil sebagai contoh
dari periode ke 3, yaitu dengan mengurangkan nilai demand dengan hasil
peramalan di dapat nilai 677. Pada grafik dapat dilihat bahwa demand
menjauhi dan tidak searah dengan forecast hal ini disebabkan oleh nilai
error yang tinggi dan hasil peramalan untuk 12 periode kedepan adalah
konstan.
b. Analisa Metode Single Moving Average
Metode Single Moving Average merupakan suatu metode peramalan
yang dilakukan dengan mengambil sekelompok nilai pengamatan, mencari
nilai rata-rata tersebut sebagai ramalan untuk periode yang akan datang.
Metode single moving average metode yang mengunakan nilai demand 2
BAB V
KESIMPULAN DAN SARAN
5.1 Kesimpulan
Adapun kesimpulan yang dapat ditarik berdasarkan praktikum
Perancangan Terintegrasi Industri II modul peramalan yang telah dilakukan
diantaranya yaitu:
1. Metode-metode yang digunakan dalam proses forecasting atau peramalan
sangatlah banyak. Cara menerapkan metode serta teknik dalam peramalan
juga didasarkan pada plotting data yang dilakukan atau
mengidentifikasikan sifat dari data yang diplotkan. Metode yang
digunakan pada pengolahan data ini adalah metode SA (Simple Average),
SMA (Single Moving Average), CMA (Centered Moving Average), WMA
(Weight Moving Average), SES (Single Exponential Smoothing), DES
(Double Exponential Smooting) dan Linear Regresi.
2. Peramalan terbaik dapat dilihat dengan nilai uji verifikasi yang kecil. Nilai
verifikasi error terkecil diperoleh dengan melakukan peramalan
menggunakan metode Double Exponential Smoothing. Pada metode
Double Exponential Smoothing nilai PE sebesar 18, nilai MSE sebesar
469000, nilai MAD sebesar 4410, nilai MAPE sebesar 20, nilai CFE
sebesar -10513. Validasi dilakukan dengan membuat peta Moving Range.
Peta ini menunjukkan sebaran nilai error peramalan pada setiap periode
dalam batasan kontrolnya.
3. Hasil dan keputusan dari peramalan PT. Tam Toys terpilih metode terbaik
dalam peramalan dengan pola data siklis pada metode Double Exponential
Smoothing sehingga diperoleh data permintaan untuk 12 periode ke depan
sebanyak 14608 tamiya hitam dan putih.
5.2 Saran
Adapun saran untuk praktikum Perancangan Terintegrasi Industri II modul
peramalan ini yaitu sebagai berikut:
1. Sebelum praktikum, sebaiknya praktikan membaca dan pahami terlebih
dahulu materi tentang metode-metode dalam peramalan (forecasting) agar
saat melakukan perhitungan dapat dilakukan dengan lancar.
2. Praktikan sebaiknya lebih teliti dalam melakukan perhitungan baik
perhitungan menggunakan software maupun perhitungan secara manual.