MODUL PERKULIAHAN

Praktikum
Perencanaan
dan
Pengendalian
Produksi
Metode Peramalan

Fakultas Program Studi Tatap Muka Kode MK

Teknik Teknik Industri 05510003

01
Abstract Kompetensi
Mata kuliah ini akan membahas dan Menemukan metode terbaik yang
mengimplementasikan tentang pola digunakan dalam peramalan.
permintaan, metode peramalan, dan
bagaimana melakukan peramalan.
I. TUJUAN PRAKTIKUM
Dari praktikum modul ini, mahasiswa diharapkan:
1) Memahami konsep rencana produksi dan permintaan pasar terhadap produk yang
diuji.
2) Memahami dan mampu mengimplementasikan konsep-konsep perencanaan produksi.

II. LANDASAN TEORI

A. Peramalan Kebutuhan
Peramalan atau juga dikenal dengan forecasting adalah analisis kebutuhan yang
bertujuan untuk melihat atau memperkirakan prospek ekonomi atau kegiatan usaha serta
pengaruh lingkungan terhadap prospek tersebut dimasa yang akan datang. Setiap kebijakan
ekonomi maupun kebijakan perusahaan tidak akan terlepas dari usaha untuk meningkatkan
kesejahteraan masyarakat atau meningkatkan keberhasilan perusahaan utuk mencapai
tujuannya pada masa yang akan datang dimana kebijakan tersebut dilaksanakan. Usaha
untuk melihat dan mengkaji situasi dan kondisi tersebut tidak terlepas dari kegiatan
peramalan.
Peramalan dibutuhkan karena adanya perbedaan waktu antara kesadaran akan
dibutuhkannya suatu kebijakan baru dengan waktu kebijakan tersebut. Maka dalam
menentukan kebijaksanaan, perlu diperkirakan kesempatan ataupun peluang yang ada, dan
ancaman yang mungkin menghalang.

B. Kategori utama dari peramalan

a) Peramalan Kualitatif
Seperti namanya, permalan ini dihasilkan dari informasi dan tidak mempunyai
struktur analisis yang baik. Permalan ini dilakukan apabila tidak terdapat sebelumnya sebagai
pola peramalan. Ada beberapa karakteristik dari peramalan secara kualitatif:
1. Peramalan biasanya berdasarkan dari penilaian seseorang atau berdasarkan data dari
pihak luar.
2. Peramalan kualitatif lebih cenderung bersifat subjektif, peramalan tersebut cenderung
dikembangkan dari pengalaman orang yang ada di bidang tersebut.
3. Keuntungan dari metode ini adalah dapat dilakukan dan menghasilkan hasil
peramalan dengan cepat.

‘20 Nama Mata Kuliah dari Modul

2 Dosen Pengampu
Biro Akademik dan Pembelajaran
http://www.widyatama.ac.id
 4. Dalam beberapa kasus, peramalan kualitatif bisa sangat penting karena dapat menjadi
satu-satunya metode yang tersedia.
5. Metode tersebut biasanya digunakan untuk satu produk atau satu jenis produk, jarang
digunakan untuk meramalkan seluruh kebutuhan pasar.

b) Peramalan Kuantitatif
Metode kuantitatif secara garis besar dapat dikelompokan menjadi 2 yaitu:
1. Peramalan Kuantitatif Sebab Akibat (Causal)
Metode ini juga disebut sebagai metode korelasi dimana metode peramalan yang
didasarkan pada penggunaan analisis pola hubungan antara variabel yang akan diperkirakan
dengan variabel lain yang mempengaruhinya yang bukan waktu.
2. Peramalan Kuantitatif Deret Waktu (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.
Kebanyakan model peramalan deret waktu untuk dapat memodelkan secara matematis
berdasarkan dari pola data masa lalu. Ada beberapa pola permintaan yang mempengaruhi
analisis dari peramalan kuantitatif:
a) Pola Siklis (Cycle)
Penjualan produk dapat memiliki siklus yang berulang secara periodik. Banyak
produk dipengaruhi pola pergerakan aktivitas ekonomi yang terkadang memiliki
kecenderungan periodik. Komponen siklis ini sangat berguna dalam peramalan jangka
menengah.
Pola data ini terjadi bila data memiliki kecendrungan untuk naik atau turun terus-
menerus. Pola data dalam bentuk trend ini digambarkan sebagai berikut:

‘20 Nama Mata Kuliah dari Modul

3 Dosen Pengampu
Biro Akademik dan Pembelajaran
http://www.widyatama.ac.id
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:

c) Pola Horizontal
Pola data ini terjadi apabila nilai data berfluktuasi di sekitar nilai rata-rata. Adapun
bentuk dari pola ini adalah:

‘20 Nama Mata Kuliah dari Modul

4 Dosen Pengampu
Biro Akademik dan Pembelajaran
http://www.widyatama.ac.id
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:

C. Linier Moving Average

Metode ini digunakan untuk data yang mengandung trend linier. Dasar dari metode
ini adalah penggunaan moving average kedua untuk memperoleh penyesuaian bentuk pola
trend. Peramalan dilakukan melalui beberapa tahap berikut:
1) Hitung rata-rata dari data dengan periode perata-rataan tertentu; hasilnya di notasikan

dengan St’.

2) Setelah semua rata-rata dihitung, hitung rata-rata kedua yaitu rata-rata dari St’ dengan
periode perata- rataan yang sama. Hasilnya dinotasikan dengan : St”.
3) Hitung komponen at dengan rumus :

4) Hitung komponen trend bt dengan rumus :

5) Peramalan untuk periode kedepan setelah t adalah sebagai berikut :

D. Double Exponential Smoothing Satu Parameter Dari Brown

Metode penghalusan eksponensial orde satu (single exponential smoothing)
sebenarnya merupakan perkembangan dari metode rata-rata bergerak (moving average)
sederhana. Dasar pemikiran metode pemulusan eksponensial linear dari Brown adalah serupa
dengan rata-rata bergerak linear, karena kedua nilai pemulusan tunggal dan ganda
ketinggalan dari data yang sebenarnya jika terdapat unsur trend. Perbedaan antara nilai

‘20 Nama Mata Kuliah dari Modul

5 Dosen Pengampu
Biro Akademik dan Pembelajaran
http://www.widyatama.ac.id
pemulusan tunggal dan ganda dapat ditambahkan dengan nilai pemulusan tunggal dan
disesuaikan untuk trend. Persamaan yang dipakai dalam implementasi pemulusan
eksponensial linear satu-parameter dari Brown adalah sbb:

Pemulusan Eksponensial Tunggal

Pemulusan Eksponensial Ganda

Pemulusan Trend

Peramalan

Agar dapat menggunakan rumus pemulusan eksponensial tunggal dan pemulusan

eksponensial ganda, nilai S 't1 dan S ''t1 harus ada. Tetapi pada saat t = 1, nilai-nilai

tersebut tidak tersedia. Sehingga, nilai-nilai ini harus ditentukan pada awal periode. Hal ini
dapat dilakukan dengan hanya menetapkan S 't dan S ''t sama dengan X t atau menggunakan

nilai rata-rata dari beberapa nilai pertama sebagai titik awal. Jenis masalah inisialisasi ini
muncul dalam setiap metode pemulusan eksponensial. Jika parameter pemulusan α tidak
mendekati nol. Tetapi, jika α mendekati nol, proses inisialisasi tersebut dapat memainkan
peranan yang nyata selama periode waktu yang panjang.

E. Double Exponential Smoothing Dua Parameter Dari Holt

Metode pemulusan eksponensial linear dari Holt, pada prinsipnya adalah serupa
dengan Brown kecuali bahwa Holt tidak menggunakan rumus pemulusan berganda secara
langsung. Sebagai gantinya, Holt memuluskan nilai trend dengan parameter yang berbeda
dari parameter yang digunakan pada deret yang asli. Ramalan dari pemulusan eksponensial
linear Holt didapat dengan menggunakan dua konstanta pemulusan (dengan nilai antara 0 dan
1) dan tiga persamaan:

Pemulusan

‘20 Nama Mata Kuliah dari Modul

6 Dosen Pengampu
Biro Akademik dan Pembelajaran
http://www.widyatama.ac.id
 Peremajaan Trend

Peramalan

Persamaan pemulusan menyesuaikan St secara langsung untuk trend periode

sebelumnya, yaitu bt1dengan menambah nilai pemulusan yang terakhir, yaitu St1. Hal ini

membantu untuk menghilangkan kelambatan dan menempatkan St ke nilai data saat ini.

Kemudian persamaan peremajaan trend meremajakan trend, yang ditunjukkan sebagai

perbedaan antara dua nilai pemulusan yang terakhir. Hal ini tepat karena jika terdapat
kecenderungan di dalam data, nilai yang baru akan lebih tinggi atau lebih rendah daripada
nilai yang sebelumnya. Karena mungkin masih terdapat sedikit kerandoman, maka hal ini
dihilangkan oleh pemulusan dengan γ (gamma) trend pada periode terakhir ( St – St1), dan

menambahkannya dengan taksiran trend sebelumnya dikalikan dengan (1- γ ). Jadi,

persamaan peremajaan trend serupa dengan bentuk pemulusan tunggal pada persamaan
pemulusan eksponensial tunggal tetapi dipakai untuk meremajakan trend. Akhirnya
persamaan peramalan digunakan untuk ramalan yang akan datang (ke muka). Trend, bt

dikalikan dengan jumlah periode ke muka yang diramalkan, m, dan ditambahkan pada nilai
dasar, St .

Proses inisialisasi untuk pemulusan eksponensial linear dari Holt memerlukan dua
taksiran yang satu mengambil nilai pemulusan pertama untuk S1 dan yang lain mengambil
trend b1. Pilih S1  X1 . Taksiran trend kadang-kadang lebih merupakan masalah. Kita

memerlukan taksiran trend dari satu periode ke periode lainnya. Kemungkinannya b1  X2 

X1.

F. Metode Regresi Linier

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

‘20 Nama Mata Kuliah dari Modul

7 Dosen Pengampu
Biro Akademik dan Pembelajaran
http://www.widyatama.ac.id
semakin baik hasil yang diperoleh.
Adapun perhitungan untuk peramalan dengan metode regresi linier adalah:

Peramalan

Untuk mendapatkan nilai a dan b maka bisa didapatkan dari rumus:

F = Nilai yang diramalkan

a = Konstanta (Intercept)
b = Koefisien regresi (Slope)
P = Variabel yang mempengaruhi waktu (tahun, bulan, hari)
X = Variabel demand
n = Jumlah data

G. Kriteria Performance Peramalan

Ketepatan atau ketelitian dalam melakukan peramalan 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. Untuk menghitung kesalahn dalam peramalan dilakukan dengan rumus:

Besar kesalahan suatu peramalan dapat dihitung dengan beberapa cara, antara lain:
a. Ukuran kesalahan dengan cara statistik
Mean Error (ME)

Mean Absolute Error (MAE)

Sum of Square Error (SSE)

‘20 Nama Mata Kuliah dari Modul

8 Dosen Pengampu
Biro Akademik dan Pembelajaran
http://www.widyatama.ac.id
 Mean Of Square Error (MSE)

Standard Deviation Error (SDE)

b. Ukuran Kesalahan Relatif

Percentage Error (PE)

Mean Percentage Error (MPE)

Mean Absolute Percentage Error (MAPE)

III. PROSEDUR PRAKTIKUM

Prosedur umum yang digunakan dalam peramalan secara kuantitatif adalah:
. Definisikan tujuan peramalan.
. Pembuatan diagram pencar.
. Pilih minimal metode peramalan yang dianggap sesuai.
. Hitung parameter – parameter fungsi peramalan.
. Hitung kesalahan setiap metode peramalan.
. Pilih metode yang terbaik, yaitu yang memiliki kesalahan terkecil.
. Lakukan verifikasi peramalan.

‘20 Nama Mata Kuliah dari Modul

9 Dosen Pengampu
Biro Akademik dan Pembelajaran
http://www.widyatama.ac.id