Perencanaan dan

Pengendalian Produksi
“FORECASTING”
 ◦ Peramalan (Forecasting) adalah seni dan ilmu
untuk memperkirakan kejadian di masa
depan.
◦ Peramalan awalan dari sebuah planning.
PERAMALAN ◦ Sebelum kita membuat sebuah rencana, akan
lebih baik jika kita mengestimasi kira2 kondisi
dan keadaan yang pada keadaan yang akan
datang
Demand Management
◦ Manajemen permintaan adalah fungsi yang mengenali dan
mengelola semua permintaan untuk produk dan / atau layanan.
◦ Demand Management = Short, Medium dan Long Term
 PRINSIP-PRINSIP PERAMALAN

Peramalan mempunyai kesalahan

Peramalan sebaiknya menggunakan tolak ukur kesalahan ramalan

Peramalan famili lebih akurat dibanding peramalan item

Peramalan jangka pendek lebih akurat dibanding peramalan

jangka panjang

Menghitung permintaan lebih akurat dibanding meramal

permintaan
5
 METODA PERAMALAN

• Menyandarkan pada pendapat dan

Kualitatif pengalaman manusia

• Menggunakan model matematis

Kuantitatif dan data masa lalu untuk
memproyeksikan masa datang
6
METODA KUALITATIF (1)

Metoda management Decision

◦ Pendekatan ini digunakan dalam peramalan perencanaan
produk baru
◦ Periode peramalan adalah jangka panjang
◦ Mekanismenya : Group executive dari marketing,
engineering, finance, dan manufacturing bertemu untuk
mendiskusikan tentang rencana produk.
METODA KUALITATIF (2)
Delphi Technique
◦ Pendekatan ini biasanya digunakan untuk meramalkan teknologi
◦ Periode peramalan adalah jangka panjang
Mekanisme Delphi Technique
Dilakukan dengan menggunakan diskusi panel jarak jauh, dimana setiap panelis
dikirim beberapa daftar pertanyaan yang harus dijawab. Dengan satu kali atau
beberapa iterasi kemudian jawaban para panelis dijadikan ide dalam pengambilan
keputusan
METODA KUALITATIF (3)
Market Research
◦ Adalah pendekatan yang sistematis dalam mengumpulkan dan menganalisis data yang berkaitan dengan
pemasaran
◦ Teknik yang sering digunakan dalam market research adalah Consumer Survey, biasanya data dikumpulkan
lewat kuesioner.
◦ Pendekatan ini sering digunakan dalam perencanaan produk baru, advertising dan promotion.
◦ Periode peramalan jangka menengah
 METODA KUALITATIF (4)

Historical Analogies
◦ Pendekatan ini sering digunakan dalam perencanaan produk baru, dan teknologi
◦ Pendekatan ini menggunakan history masa lalu dari produk atau teknologi untuk
meramalkan permintaan kedepan.
 PERSYARATAN PENERAPAN METODA
KUANTITATIF

◦ Tersedia data masa lalu

◦ Informasi dapat dikuantifisir dalam bentuk numerik
◦ Diasumsikan pola data masa lalu akan berlaku untuk masa datang

11
 ◦ Model deret waktu
- Regresi
- Perataan
METODA - Pemulusan

PERAMALAN - Siklik

KUANTITATIF ◦ Model kausal

Mengasumsikan faktor yang diramal memiliki
hubungan sebab akibat terhadap beberapa
variabel independent

12
 Teknik Survey
Single MA
Metode Jajag Pendapat
Kualitatif Linier MA
Teknik Delphi
Moving Average
Weighted MA
Metode Keputusan
Manajemen
Exponential Smoothing
Metode Kelompok
Single Exp. SA
Terstruktur
Double Exp. SA
Riset Pasar

Analogi historis Konstan Brown’s Linier

Peramalan

Kurva Life Cycle Linier Holt’s

Kuadratis Exp. SA. with seasonal

Smoothing
Exponensial
Time

Klasifikasi
Series Regresi Siklis

Seasonal
Metode Trend Linier

Metode
Dekomposisi
Kuantitatif Trend Exp.
Trend Trend Logaritma

Causal
Regresi & Korelasi

Ekonometrik
Trend Geometrik

Trend Hiperbola
Peramalan
Input-Output

1
3
 ◦ a) Pola horisontal (H) terjadi bilamana
data berfluktuasi disekitar nilai rata-rata
yg konstan. Suatu produk yg
penjualannya tdk meningkat atau
menurun selama waktu tertentu termasuk
Pola data jenis ini. Pola khas dari data horizontal
atau stasioner seperti ini dapat dilihat
metode dalam Gambar 1.1.

deret
berkala

14
b) Pola musiman (S) terjadi bilamana suatu deret
dipengaruhi oleh faktor musiman (misalnya kuartal
tahun tertentu, bulanan, atau hari-hari pada minggu
tertentu). Penjualan dari produk seperti minuman
ringan, es krim, dan bahan bakar pemanas ruang
semuanya menunjukkan jenis pola ini. Untuk pola
musiman kuartalan dapat dilihat Gambar 1.2.

1
5
Pola siklis (C) terjadi bilamana datanya dipengaruhi
oleh fluktuasi ekonomi jangka panjang seperti yang
berhubungan dengan siklus bisnis. Contoh:
Penjualan produk seperti mobil, baja, dan peralatan
utama lainnya. Jenis pola ini dapat dilihat pada
Gambar 1.3.

16
d) Pola trend (T) terjadi bilamana terdapat kenaikan
atau penurunan sekuler jangka panjang dalam
data. Contoh: Penjualan banyak perusahaan, GNP
dan berbagai indikator bisnis atau ekonomi lainnya.
Jenis pola ini dapat dilihat pada Gambar 1.4.

1
7
METODE
REGRESI
LINIER

Y(t) =a+bt

18
CONTOH
REGRESI
LINIER

19
 METODE
REGRESI
KUADRATIS
2
𝑌(𝑡) = 𝑎 + 𝑏𝑡 + 𝑐𝑡

20
 CONTOH
REGRESI
KUADRATIS

21
 METODA
SIMPLE
AVERAGE &
SIMPLE
MOVING
AVERAGE

22
 Perioda, t Permintaan, x Ramalan Permintaan, F(t)
1 100,000 125,000
2 75,000 125,000
3 120,000 125,000
4 185,000 125,000

CONTOH 5
6
130,000
80,000
125,000
125,000
SIMPLE 7 175,000 125,000

AVERAGE
8 165,000 125,000
9 140,000 125,000
10 115,000 125,000
11 95,000 125,000
12 120,000 125,000

F(13) = 125,000.
23
CONTOH
SIMPLE
MOVING
AVERAGE

24
METODA
DOUBLE
MOVING
AVERAGE

25
CONTOH DOUBLE
MOVING AVERAGE

26
 ◦ Memiliki semua sifat rata-rata bergerak
METODA ◦ Tidak memerlukan data historis dalam jumlah
EXPONENTIAL besar
◦ Memberikan bobot yang semakin menurun
SMOOTHING pada data historis secara eksponensial

Iskandar Zulkarnaen, ST., MT PPC 27

 SIMPLE
EXPONENTIAL
SMOOTHING

28
 CONTOH
SIMPLE
EXPONENTIAL
SMOOTHING

29
 DOUBLE
EXPONENTIAL
SMOOTHING

30
 CONTOH
DOUBLE
EXPONENTIAL
SMOOTHING

31
METODA
SIKLIS

32
 Perioda Permintaan Aktual

CONTOH POLA SIKLIS 1 100

2 110
3 112
4 109
5 100
Pola Siklis 6 90
7 88

120 8 89
9 99

100 10 109
11 113
12 108
80
13 101
14 89
60 Permintaan Aktual
15 87
16 91
40
17 102
18 110
20
19 113
20 109
0 21 100
0 10 20 30 22 92
23 88
33 24 90
 Prosedur metoda musiman:
1. Plot data dan tentukan jumlah musiman
dalam satu siklus
2. Hitung rata-rata tiap siklus
3. Hitung indeks tiap musim pada tiap siklus
dan hitung rata-rata indeks musiman

METODA 4. Hilang unsur musim dari data dan hitung

rata-rata tiap siklus
MUSIMAN 5. Tentukan trend siklus
6. Hitung nilai ramalan tiap siklus
7. Hitung nilai ramalan tiap perioda melalui
perkalian indeks musiman dan nilai
ramalan tiap siklus

34
 CONTOH POLA MUSIMAN
No Hari Permintaan Masa Lalu

1 Senin 8
2 Selasa 4
3 Rabu 2
Permintaan Musiman 4 Kamis 6
5 Jum'at 15
20 6 Senin 9
Jumlah Permintaan

7 Selasa 5
15
8 Rabu 4

10 Permintaan Masa Lalu 9 Kamis 7

10 Jum'at 15
5 11 Senin 11
12 Selasa 5
0
13 Rabu 4
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
14 Kamis 8
Hari
15 Jum'at 17
16 Senin 13
17 Selasa 6
18 Rabu 5
19 Kamis 10
20 Jum'at 16

35
 TOLAK UKUR
KESALAHAN RAMALAN
Error = Aktual – Ramalan
Beberapa kriteria kesalahan ramalan :

36
VERIFIKASI RAMALAN
DENGAN STATISTIK U
DARI THEIL
Digunakan untuk mengetahui apakah metoda ramalan
terpilih sudah lebih baik dari metoda Naive (F(t)=X(t-
1))

Intepretasi nilai U :
U < 1 , Ramalan lebih baik dari Naïve
U = 1 , Ramalan sama baik dgn Naïve
U > 1 , Naïve lebih baik dari Naive

37
 CONTOH
PERHITUNGAN
STATISTIK U
DARI THEIL

38
 Merupakan bentuk pengendalian
ramalan

VERIFIKASI Tracking Signal yang baik :

1. RSFE Kecil
RAMALAN 2. Nilai TS mendekati nol

DENGAN
TRACKING TS(t) = RSFE(t)/MAE(t)
TS(t) : Tracking Signal perioda t
SIGNAL RSFE : Running Sum Forecast Error
perioda t
MAE(t) : Mean Absolute Error perioda t
39
VERIFIKASI RAMALAN
DENGAN TRACKING
SIGNAL
Batas-batas kendali :
1. Batas Kendali Atas (Upper Control Limit) = 3 s/d 8
MAE
2. Batas Kendali Bawah (Lower Control Limit) = -(3 s/d
8) MAE
Plot data TS ke peta kendali

40
 CONTOH
PERHITUNGAN
TRACKING
SIGNAL

41
 HASIL PLOT NILAI TS
Tracking Signal Chart

3.00
2.00
1.00
MAD (MAE)
0.00
Nilai TS
-1.00 1 2 3 4 5 6 7 8 9 10 11 12
-2.00
-3.00
-4.00
Perioda

42
VERIFIKASI &
PENGENDALIAN 𝑀𝑅(𝑡) = |𝑒𝑡 – (𝑒 𝑡−1 )|
RAMALAN
DENGAN MOVING
RANGE CHART

43
 VERIFIKASI &
PENGENDALIAN
RAMALAN DENGAN
MOVING RANGE CHART

Kondisi Out of Control :

44
 CONTOH
PERHITUNGAN
VERIFIKASI
DENGAN
MOVING
RANGE CHART

45
 MR CHART
Moving Range Chart

400
300 Nilai MR
200 UCL
100 2 UCL/3
Perioda

0 UCL/3
-100 1 2 3 4 5 6 7 8 CL
-200 -LCL/3
-300
-2 LCL/3
-400
-3 LCL/3
MR

46
ARIMA
◦ Peramalan dengan metode ARIMA atau biasa dikenal Autoregressive Integrated Moving Average
◦ ARIMA adalah model Autoregressive Moving Average (ARMA) yang tidak stasioner.
◦ Penggunaan metode ARIMA dalam peramalan jangka pendek sangat tepat dan akurat.
◦ Sedangkan untuk peramalan jangka panjang ketepatan peramalannya kurang baik.
◦ Biasanya nilai peramalan akan cenderung konstan untuk periode yang cukup panjang.
◦ Model ARIMA terdiri dari tiga proses yaitu autoregressive, integrates, dan moving average dengan order (p,d,q)
dinotasikan ARIMA (p,d,q). ARIMA mempunyai syarat asumsi stasioner dalam variasi. Dalam mengatasi
ketidakstasioneran data ini dilakukan proses differencing agar data menjadi stasioner, banyaknya differencing
dinotasikan dengan d.
◦ AR (p)

◦ MA (q)