Dosen Pengampu:
Ivan Sujana, S.T.,M.T
KELOMPOK 7
DAFTAR ISI
DAFTAR ISI............................................................................................................i
DAFTAR GAMBAR............................................................................................iii
DAFTAR TABEL.................................................................................................iv
DAFTAR RUMUS.................................................................................................v
BAB I PENDAHULUAN.......................................................................................1
1.1 Latar Belakang.........................................................................................1
1.2 Tujuan......................................................................................................2
1.3 Perumusan dan Pembatasan Masalah......................................................2
1.3.1 Perumusan Masalah........................................................................2
1.3.2 Pembatasan Masalah......................................................................2
1.4 Metodologi Praktikum.............................................................................3
1.4.1 Flowchart Praktikum......................................................................3
1.4.2 Penjelasan Flowchart Praktikum....................................................4
1.5 Sistematika Penulisan..............................................................................5
BAB II TINJAUAN PUSTAKA............................................................................7
2.1 Definisi Peramalan (Forecasting)..........................................................7
2.2 Tahapan Peramalan.................................................................................9
2.3 Fungsi Peramalan..................................................................................10
2.4 Macam – macam Peramalan..................................................................11
2.5 Pola Data untuk Time Series..................................................................13
2.6 Metode Deret Waktu (Time Series).......................................................15
2.7 Model – model Kausal...........................................................................24
2.8 Pemilihan dan Evaluasi Metode-metode Peramalan.............................26
2.9 Uji Kesalahan Peramalan (Uji Verifikasi).............................................27
2.10 Uji Validasi...........................................................................................29
BAB III PENGOLAHAN DATA DAN PEMBAHASAN.................................31
3.1 Pengumpulan Data Historis Sebelum Konversi dan Sesudah Konversi31
3.1.1 Pengumpulan Data Historis Sebelum Konversi...........................31
3.1.2 Pengumpulan Data Sesudah Konversi..........................................32
3.2 Pengolahan Data....................................................................................33
3.2.1 Plotting Data.................................................................................33
DAFTAR GAMBAR
DAFTAR TABE
DAFTAR RUMUS
Rumus 17
Rumus 18
Rumus 20
Rumus 20
Rumus 21
Rumus 22
Rumus 22
Rumus 22
Rumus 22
Rumus 22
Rumus 22
Rumus 22
Rumus 23
Rumus 23
Rumus 27
Rumus 27
Rumus 28
Rumus 29
Rumus 29
Rumus 29
Rumus 29
BAB I
PENDAHULUAN
1.1 Latar Belakang
PT. Homescapes merupakan perusahaan baru di Indonesia berdiri
pada tahun 2019. Perusahaan yang bergerak dalam bidang produk mobil
mainan Tamiya PT. Homescapes berkolasi di jalan Tanjung Pura Kota
Pontianak, Kalimantan Barat. Dalam memulai usahanya PT. Homescapes
mempunyai stategi awal yaitu dengan perancangan sistem kerja yang
diterapkan di perusahaan.
Untuk menghadapi permintaan akan tamiya kedepannya PT.
Homescapes memerlukan peramalan. Peramalan yang dilakukan umumnya
didasarkan pada data historis yang kemudian dianalisis dengan
menggunakan metode atau cara-cara tertentu. Data masa lalu dikumpulkan,
dipelajari, dianalisis, dan dikaitkan dengan apa yang konsumen paling
butuhkan dimasa sekarang ini, maka perusahaan akan mampu memprediksi
barang seperti apa yang konsumen butuhkan dimasa depan.
Forecasting mempunyai definisi sebagai kegiatan memprediksi
tingkat permintaan untuk suatu produk atau beberapa produk dalam kurung
waktu tertentu di masa yang akan datang (John E. Biegel, 1999).
Forecasting dapat membantu menentukan perencanaan lanjutan bagi
produk-produk yang ada untuk dikerjakan dengan fasilitas yang ada
berdasarkan prediksi jumlah permintaan. Peramalan mempunyai peran
penting dalam proses bisnis suatu perusahaan. Jika peramalan yang
dilakukan akurat maka keuntungan perusahaan akan meningkat dan
terhindar dari overstock maupun kekurangan stok produk dalam gudang.
Forecasting (peramalan) berguna dalam menentukan penjadwalan
produksi. Penjadwalan penting untuk mengatur tingkat produktivitas yang
akan filakukan dalam jangka waktu tertentu. Oleh karena itu, PT.
Homescapes membuat suatu peramalan produk agar dalam jangka waktu
tertentu dalam waktu tertentu perusahaan dapat memenuhi demand sesuai
kebutuhan konsumen, tidak mengalami kerugian sebagai adanya kelebihan
Mulai A
Selesai
BAB II
TINJAUAN PUSTAKA
2.1 Definisi Peramalan (Forecasting)
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). Pedapat 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
dating. 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. Ada beberapa definisi peramalan (forecasting)
menurut para ahli, antara lain:
1. Menurut Jay Heizer & Barry Render (2011:136), peramalan adalah seni
dan ilmu untuk memprediksi kejadian di masa depan dengan melibatkan
16 pengambilan data historis dan memproyeksikannya ke masa
mendatang dengan model pendekatan sistematis.
2. Willian J. Stevenson (2009:72) mendefinisikan peramalan sebagai 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 akan
dibutuhkan untuk memenuhi permintaan. Seperti, kapasitas 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.
3. Wignjosoebroto (2003:337) mendefinisikan bahwa metode peramalan
merupakan suatu upaya untuk memperoleh gambaran mengenai apa yang
akan terjadi di masa mendatang. Dalam hal ini gambaran mengenai masa
depan tersebut akan menjadi dasar di dalam membuat perencanaan.
4. Arman Hakim Nasution (2003:25) mendefinisikan peramalan adalah
proses untuk memperkirakan beberapa kebutuhan dimasa datang yang
meliputi kebutuhan dalam ukuran kuantitas, waktu, dan lokasi yang
dibutuhkan dalam rangka memenuhi permintaan barang ataupun jasa.
Jadi, Peramalan dapat diartikan sebagai pendekatan sistematis yang
digunakan untuk menganalisa pola dari data historis penjualan untuk
memproyeksikan permintaan dimasa mendatang sebagai dasar dalam
membuat perencanaan jangka panjang perusahaan serta sebagai
pertimbangan untuk beberapa keputusan yang terkait dengan kebutuhan
kapasitas, persediaan, dan anggaran yang digunakan agar dapat
memenuhi permintaan tersebut.
Pada umumnya kegunaan peramalan adalah sebagai berikut :
1. Sebagai alat bantu dalam perencanaan yang efektif dan efisien.
2. Untuk menentukan kebutuhan sumber daya di masa mendatang.
3. Untuk membuat keputusan yang tepat.
Kegunaan peramalan terlihat pada suatu pengambilan keputusan.
Keputusan yang baik adalah keputusan yang didasarkan atas pertimbangan
apa yang akan terjadi pada waktu keputusan dalam berbagai kegiatan
perusahaan. Baik tidaknya hasil suatu penelitian sangat ditentukan oleh
ketetapan ramalan yang dibuat. Walaupun demikian perlu diketahui bahwa
ramalan selalu ada unsur kesalahannya, sehingga yang perlu diperhatikan
adalah usaha untuk memperkecil kesalahan dari ramalan tersebut.
Peramalan permintaan memiliki karakteristik tertentu yang berlaku
secara umum. Karakteristik ini harus diperhatikan untuk menilai suatu
proses peramalan permintaan dengan metode yang digunakan. Karakteristik
peramalan permintaan adalah sebagai berikut (Nasution,2003,p28).
1. Akurasi
Akurasi dari suatu hasil peramalan diukur dengan kebiasaan dan
kekonsistensian peramalan tersebut.hasil peramalan dikatakan biasbila
peramalan tersebut terlalu tinggi atau terlalu rendah dibandingkan dengan
Penyelesaian:
Perkiraan Penjualan untuk bulan April adalah:
MAApril = (22.500 + 37.750 + 30.000) / 3
MAApril = 90.000 / 3
MAApril = 30.000
Jadi perkiraan Penjualan ponsel pada bulan April adalah sekitar 30.000
unit
Kita dapat melanjutkan lagi untuk bulan Mei dengan menggunakan data
perkiraan yang dihitung tersebut atau dengan menunggu hasil aktual pada
bulan yang bersangkutan. Misalnya data aktual pada bulan April yang
didapat adalah 35.000 unit, maka perhitungannya adalah sebagai berikut :
MAMei = (37.500 + 30.000 + 35.000) / 3
MAMei = 102.500 / 3
MAMei = 34.167
Dengan perhitungan tersebut didapat bahwa perkiraan penjualan ponsel
untuk mei adalah sekitar 34. 167 unit.
Tabel 2.2 Peramalan dan Penjualan
Bulan Penjualan (unit) Perkiraan (unit)
Januari 22.500 –
Februari 37.500 –
Maret 30.000 –
April 35.000 30.000
Mei ? 34.167
1.1 Metode Simple Average
Metode simple average memprediksi permintaan pada
periode selanjutnya dengan menghitung rata-rata dari seluruh
periode sebelumnya, atau dapat diformulasikan sebagai berikut:
T+(n−1)
Xi
F T+ n= X́ = ∑ ............................................. (Rumus 2.2)
i=n T
Contoh soal:
Tabel 2.3 Simple Moving Average
Week Demand
1 650
2 678
3 720
4 785
5 859
6 920
7 850
8 758
9 892
10 920
11 789
12 844
Kembangkan peramalan 3 – T and 6 –T moving average forecasts.
Penyelesaian:
Tabel 2.4 Simple Moving Average 3-T dan 6-T
Week Demand 3-week 6-week
1 650
2 678
3 720
4 785 682.67
5 859 727.67
6 920 788.00
7 850 854.67 768.67
8 758 876.33 802.00
9 892 842.67 815.33
10 920 833.33 844.00
11 789 856.67 866.50
12 844 867.00 854.83
F4 = ( 650 + 678+ 720 ) /3
= 682.67 ( perhitungan untuk 3- T)
F7 = ( 650 + 678+ 720+ 785+ 859 +920 ) /6
= 768.67 ( perhitungan untuk 6- T)
1.2 Weight Moving Averages (WMA)
Model rata-rata bergerak menggunakan sejumlah data aktual
permintaan yang baru untuk membangkitkan nilai ramalan untuk
permintaan di masa yang akan datang. metode rata-rata bergerak
akan efektif diterapkan apabila permintaan pasar terhadap produk
diasumsikan stabil sepanjang waktu. Metode rata-rata bergerak
terdapat dua jenis, rata-rata bergerak tidak berbobot (Unweight
Moving Averages) dan rata-rata bobot bergerak (Weight Moving
Averages). Metode ini mirip dengan metode moving average,
hanya saja diperlukan pembobotan untuk data paling baru dari
deret berkala. Sebagai contoh data yang paling baru ditentukan
bobotnya sebesar 0.4, dan terbaru berikutnya berbobot 0.3,
kemudian berturut-turut 0.2 dan terakhir 0.1. dan perlu diingat
bahwajumlah bobot yang diberikan harus sama dengan 1.00. dan
bobot terberat diberikan pada data yang terbaru. Model rata-rata
bobot bergerak lebih responsif terhadap perubahan karena data dari
periode yang baru biasanya diberi bobot lebih besar. Rumus rata-
rata bobot bergerak yaitu sebagai berikut.
WMA ( n )=
∑ ( pembobot untuk period n ) ( permintaanaktual dalam periode n) ..
∑ ( pembobot )
(Rumus 2.3)
Dounkey adalah perusahaan pakaian, diketahui penjualan pada
periode sebelumnya adalah sebagai berikut :
Tabel 2.5 Penjualan per Tahun
Tahun Penjualan (unit)
2012 1.500
2013 1.800
2014 1.700
2015 2.200
2016 1.500
2017 2.000
Jika diketahui bobot sebesar (2:4:1:3), maka ramalkan berapa besar
penjualan pada tahun 2018.
Jawab :
Pertama-tama, harus kita urutkan bobotnya menjadi (4:3:2:1)
Sehingga didapatkan :
Weightedt M. A
F 2018=4 ×2.000 ¿+ ( 3 × 1.500 )( 2 ×2.200 ) +(1× 1.700) ¿
4+ 3+2+1
Weightedt M. A F 2018 = 1860
1.3 Metode Centered Moving Average
Perhitungan yang digunakan pada metode ini sama dengan
metode moving average. Hanya saja metode centered moving
average memprediksi permintaan pada periode tersebut dengan
menghitung rata-rata permintaan dari periode sebelum dan
sesudahnya, atau dapat diformulasikan sebagai berikut:
X + …+ X n +…+ X
n− ( L−1
2 )
n+ ( L−1
2 ) ................................... (Rumus
F n=
L
2.4)
2. Exponential Smoothing
Metode ini menutupi kekurangan moving average dalam hal
perbedaan informasi yang dihasilkan oleh pengamatan terdahulu dan
pengamatan yang lebih baru. Hal ini menyebabkan timbulnya dorongan
Ft = 9.900
2.1 Single Exponential Smoothing ( SES )
Pola data yang tidak stabil atau perubahannya besar dan
bergejolak umumnya menggunakan model pemulusan eksponensial
(Exponential Smoothing Models). Metode Single Exponential
Smoothing lebih cocok digunakan untuk meramalkan hal-hal yang
fluktuasinya secara acak (tidak teratur). Peramalan menggunakan
model pemulusan eksponensial rumusnya adalah sebagai berikut.
Ft+1 = Ft-1 + α(At +Ft-1)......................................... (Rumus 2.6)
2.2 Double exponential smoothing
Metode double exponential smoothing memprediksi
permintaan pada periode berikutnya dengan perhitungan yang
serupa dengan metode single exponential smoothing. Hanya saja
pemulusan menggunakan konstanta pemulusan () dilakukan
sebanyak 2 kali. Persamaan yang digunakan pada metode ini adalah
sebagai berikut:
S ' t =∝× X t −1 + ( 1−∝) S ' t −1 ..................... (Rumus 2.7)
S ' ' t =∝× S ' t + ( 1−∝) S ' ' t −1 ..................... (Rumus 2.8)
a t=S ' t + ( S ' t −S ' ' t )=2 S ' t −S ' ' t−1..................... (Rumus 2.9)
∝
b t= ( S ' −S ' ' t )................... (Rumus 2.10)
1−∝ t
F t+ m=at +bt .................... (Rumus 2.11)
Dimana:
Ft = peramalan pada periode t
Xt = demand pada periode t
3. Regresi Linear
Model analisis regresi linier adalah suatu metode populer untuk
berbagai macam permasalahan. Menurut Harding (1974) dua variabel
yang digunakan, variabel x dan variabel y, diasumsikan memiliki kaitan
satu sama lain dan bersifat linier. Rumus perhitungan regresi linier yaitu
n ∑ X i Y i−∑ X i ∑ Y i
b= 2 ..............................................................
n ∑ X 2i −( ∑ X i)
(Rumus 2.12)
a=
∑ Y i−b ∑ X i ....................................................................... (Rumus
n
2.13)
F=a+ b(t) ....................................................................... (Rumus 2.14)
Dengan :
Xi : Periode ke i
Yi : Demand periode ke i
n : jumlah periode
Model-model peramalan yang dilakukan kemudian divalidasi
menggunakan sejumlah indikator. Indikator-indikator yang umum
digunakan adalah rata-rata penyimpangan absolut (Mean Absolute
Deviation), rata-rata kuadrat terkecil (Mean Square Error), rata-rata
persentase kesalahan absolut (Mean Absolute Percentage Error), validasi
peramalan (Tracking Signal), dan pengujian kestabilan (Moving Range).
Contoh soal:
Tabel 2.6 Persamaan Regresi
Week Sales
1 150
2 157
3 162
4 166
5 177
Buatlah formulasi dari persamaan regresi dari prediksi sales dalam
5 minggu.
Penyelesaiaan:
Tabel 2.7 Formulasi dari Persamaan Regresi
Week Week * Week Sales Week*Sales
1 1 150 150
2 4 157 314
3 9 162 486
4 16 166 664
5 25 177 885
3 55 162.4 2499
Average Sum Average Sum
2499−5(162.4)(3) 63
b= = =6.3
55−5 (9) 10
a=162.4−( 6.3 ) ( 3 )=143.5
Y= 143.5 + 6.3t
2.7 Model – model Kausal
Model kausal terdiri atas teknik-teknik peramalan yang menggunakan
informasiatas satu atau beberapa faktor (variabel) untuk memprediksi faktor
lainnya dengan memanfaatkan pengetahuan atas hubungan antar variabel-
variabel tersebut. Teknik utama dalam model-model kausal ini adalah
analisis regresi, baik regresi sederhana maupun majemuk. Penggunaan
Model-model kausal pada dasarnya model-model kausal dapat digunakan
manakala pergerakan dalam suatu variabel dianggap disebabkan oleh
pergerakan pada variabel-veriabel yang lain. Akibatnya, proses
pengidentifikasian veriabel-variabel manjadi proses yang kritis. Pedoman
berikut menggambarkan kapan pemodelan kausal sesuai untuk diterapkan :
1. Pada saat terdapat alasan-alasan yang priori untuk menganggap bahwa
satu variabel adalah dipengaruhi oleh variabel yang lain. Misalnya,
terdapat alasan yang kuat untuk mempercayai bahwa periklanan akan
mempengaruhi tingkat penjualan.
2. Pada saat sebuah indikator utama dapat teridentifikasikan. Misalnya,
tingkat kelahiran bayi saat ini dapat digunakan untuk meramalkan
kebutuhan akan busanabalita untuk beberapa tahun ke depan.
3. Horison waktu peramalan yang relevan. Dalam jangka pendek, delay
antara efek kausal dan waktu data dikumpulkan dapat diabaikan. Namun
dalam jangka panjang terdapat kemungkinan bahwa efek kausal telah
bergeser
Analisis Regresi
Analisis regresi didasarkan pada asumsi bahwa terdapat hubungan antara
dua atau lebih variabel. Secara umum, analisis regresi dapat dilakukan
dalam langkah-langkah berikut:
1. Lakukan plot data untuk menginvestigasi apakah tampak terdapat
hubungan tertentu.
3. Ada delapan titik berturut-turut titik yang berda di salah satu sisi (di atas atau dibawah
garis tengah).(Arman Hakim Nasution. hal 51)
4. Ada satu titik yang berada di luar UCL atau LCL. (Amitava Mitra.hal 176).
BAB III
PENGOLAHAN DATA DAN PEMBAHASAN
3.1 Pengumpulan Data Historis Sebelum Konversi dan Sesudah Konversi
3.1.1 Pengumpulan Data Historis Sebelum Konversi
Berikut merupakan pengumpulan data historis penjualan
Tamiya putih dan Tamiya hitam sebelum konversi.
Tabel 3.1 Pengumpulan Data Penjualan Tamiya Sebelum Konversi
Tamiya
Periode
Putih Hitam
1 6730 6059
2 7454 5959
3 6970 5874
4 6768 6061
5 7173 5781
6 7167 6002
7 7222 6017
8 7054 6056
9 7091 5867
10 6890 5945
11 7282 5880
12 6858 6081
13 6935 5834
14 7382 5921
15 6827 5788
16 6562 5962
17 7236 5832
18 7018 5805
19 6547 5972
20 6613 5956
21 6981 5906
22 7001 5900
23 6910 6027
24 7241 5968
Chart Title
14400
14200
14000
13800
13600
13400
13200
13000
12800
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
error n
PE n= × 100 %
Xn
n
∑ error 2t
MSE n= t =2
n−1
n
∑ ¿ error t ∨¿
MADn= t=2 ¿
n−1
n
∑ PE t
MAPEn= t=2
n−1
n
CFE n=∑ error t
t=2
|e 2|=611
e 22=373321
error 2 611
PE 2= ×100 %= × 100 %=4.31 %
X2 14188
¿ PE2∨¿ 4.31 %
3
∑ error 2t 373321+75350
MSE 3= t =2 = =224335.63
2 2
3
∑ ¿ error t ∨¿ 611+275
MAD3= t=2 = =442.75 ¿
2 2
3
∑ ¿ PEt ∨¿ 4.31+2.02
MAPE3= t=2 = =3.16 ¿
2 2
3
CFE 3=∑ error t =611+(−275)=337
t=2
1
73274.2
13985
24 13691 294 294 86257 2.10 2.10 73274.25 5 1.61 -1060
14200
14000
13800
13600
13400
13200
13000
12800
1 2 3 4 5 6 7 8 9 101112131415161718192021222324
∑ errori2
MSE n= i =t +1
n−t
n
∑ ¿ error i∨¿
i=t +1
MADn= ¿
n−t
n
∑ ¿ PEi∨¿
MAPEn= i=t +1 ¿
n−t
n
CFE n= ∑ error i
i=t +2
|e 5|=98
e 25=9669.44
e5 −98
PE5= × 100 %= ×100 %=−0.72
X5 13706
|PE5|=0.72
6
∑ error 2i 9669.44+93228.44
MSE 6= i=5 = =51448.944
2 2
6
∑ ¿ error i ∨¿ 96+305
MAD6= i=5 = =201.8333 ¿
2 2
6
∑ ¿ PEi∨¿ 0.72+2.19
MAPE6= i=5 = =1.45 ¿
2 2
5
CFE 5=∑ error i =(−98)+305=207
i=4
5 4
217.9047
13578 13497 81 81 6507.11 0.59 0.59 62068 1.59 -190
18 6
62886.60 221.5555
13295 13568 -273 273 74347.11 -2.05 2.05 1.62 -463
19 7 6
62073.55 221.6666
13343 13566 -223 223 49877.78 -1.67 1.67 1.62 -686
20 6 7
62088.84 223.3137
13655 13405 250 250 62333.44 1.83 1.83 1.64 -436
21 3 3
Tabel 3.4 Metode Single Moving Average (Lanjutan)
Demand
Periode Peramalan e |e| e^2 PE (%) |PE| MSE MAD MAPE CFE
Aktual
61759.96 224.0740
13668
22 13431 237 237 56169.00 1.73 1.73 3 7 1.64 -199
59953.93
13721
23 13555 166 166 27445.44 1.21 1.21 6 221 1.62 -34
61566.91 225.1333
13985
24 13681 304 304 92213.44 2.17 2.17 1 3 1.65 270
25 13681
26 13681
27 13681
28 13681
29 13681
30 13681
31 13681
32 13681
33 13681
34 13681
35 13681
36 13681
14200
14000
13800
13600
13400
13200
13000
12800
1 2 3 4 5 6 7 8 9 101112131415161718192021222324
∑ wi=1
i=1
Dimana:
w1 = bobot yang diberikan pada periode t-1
w2 = bobot yang diberikan pada periode t-2
w3 = bobot yang diberikan pada periode t-3
Jurusan Teknik Industri
Universitas Tanjungpura 44
Praktikum Perancangan Terintegrasi Industri II
Modul 5 : Forecasting
Kelompok 7
j = jumlah periode
Setelah menghitung peramalan permintaan, dihitung error,
yaitu selisih antara demand aktual dan demand hasil peramalan
yang diformulasikan sebagai berikut:
error n =demandn −forecast n
Setelah nilai error diperoleh, besar kesalahan peramalan
dapat dihitung dengan beberapa metode yaitu PE, MSE, MAD,
MAPE, dan CFE. Berikut adalah rumus yang digunakan dalam
perhitungan kelima metode tersebut:
PEn=¿ error n∨ ¿ ×100 % ¿
Xn
n
2
∑ error t
MSE n= t= j +1
n− j
n
∑ ¿ errort ∨¿
t = j+1
MADn= ¿
n− j
n
∑ ¿ PEt ∨¿
MAPEn= t = j ¿
n− j
n
CFE n=∑ error t
t=2
|e 5|=23
e 25=506.25
e5 −23
PE 5= × 100 %= × 100 %=−0.16
X5 13729
|PE 5|=0.16
6
∑ ¿ error i ∨¿ 159+ 23
MAD 6= t=5 = =91 ¿
2 2
6
Aktual n
25 13692
26 13692
27 13692
28 13692
29 13692
30 13692
31 13692
32 13692
33 13692
34 13692
35 13692
36 13692
TOTAL 328885 1 451654 162 4556 1299444 1 33 1066570 3980 29 -148
Metode WMA
14400
14200
14000
13800
13600
13400
13200
13000
12800
1 2 3 4 5 6 7 8 9 101112131415161718192021222324
∑ error 2t
MSE n= t =2
n−1
n
∑ ¿ error t ∨¿
MADn= t=2 ¿
n−1
n
∑ PEt
MAPEn= t=2
n−1
n
CFE n=∑ error t
t=2
|e 3|=12
e 23=¿ 154
error 3 12
PE 3= × 100 %= × 100 %=0.09 %
X3 13608
¿ PE 3∨¿ 0.09 %
∑ error 2t 373321+154
MSE 3= t =2 = =186737.38
2 2
3
∑ ¿ error t ∨¿ 611+12
MAD3= t=2 = =311.7 ¿
2 2
3
∑ ¿ PEt ∨¿ 4.31+0.09
MAPE3= t=2 = =2.1987895 ¿
2 2
3
CFE 3=∑ error t =611+12=623
t=2
Demand Peramalan
Periode e |e| e^2 PE (%) |PE| MSE MAD MAPE CFE
Aktual ɑ=0.6
25 13863
26 13863
27 13863
28 13863
29 13863
30 13863
31 13863
32 13863
33 13863
34 13863
35 13863
36 13863
TOTAL 328885 494439 802 2450 592367 5 18 1527671 82629 25 15543
Metode SES
14400
14200
14000
13800
13600
13400
13200
13000
12800
1 2 3 4 5 6 7 8 9 101112131415161718192021222324
∑ error 2t
MSE n= t =2
n−1
n
∑ ¿ error t ∨¿
MADn= t=2 ¿
n−1
n
∑ PE t
MAPEn= t=2
n−1
n
CFE n=∑ error t
t=2
|e 2|=397
e 22=157609
e2 397
PE 2= × 100 %= × 100 %=2.80
X2 14188
|PE2|=2.80
3
∑ error 2t 157609+38547
MSE 3= t =2 = =98077.89
2 2
3
∑ ¿ error t ∨¿ 397+196
MAD3= t=2 = =296.67¿
2 2
3
∑ ¿ PEt ∨¿ 2.80+1.44
MAPE3= t=2 = =2.12 ¿
2 2
3
CFE 3=∑ error t =397+(−196)=201
t=2
Aktual
28 13791
29 13791
30 13791
31 13791
32 13791
33 13791
34 13791
35 13791
36 13791
TOTAL 328885 480495 309 3073 718180 2 22 996260 97514 26 4858
∑ error 2t
t =3
MSE n=
n−1
n
∑ ¿ error t ∨¿
MADn= t=3 ¿
n−1
n
∑ PEt
MAPEn= t=3
n−1
n
CFE n=∑ error t
t=3
0.6
¿ × ( 13690−13697 )=−9
0.4
F 5=a5 +b 5=13684+(−9)=13675
e 5=X 5−F5 =13706−13675=31
|e 5|=31
e 25=963
error 5 31
PE 5= × 100 %= × 100 %=0.23
X5 13706
¿ PE 5∨¿ 0.23
5
Demand Peramalan PE
Periode
Aktual S' S'' a b ɑ=0.4 e |e| e^2 (%) |PE| MSE MAD MAPE CFE
23 13721 13680 13635 13724 67 13791 -70 70 4882 -0.51 0.51 3912.35 3912.35 0.39 94
24 13985 13863 13772 13954 137 14090 -105 105 11129 -0.75 0.75 4240.39 4240.39 0.40 -12
25 13863 13827 13899 55 13954 -12
26 13863 13827 15164 55 13954
27 13863 13827 15164 55 13954
28 13863 13827 15164 55 13954
29 13863 13827 15164 55 13954
30 13863 13827 15164 55 13954
31 13863 13827 15164 55 13954
32 13863 13827 15164 55 13954
33 13863 13827 15164 55 13954
34 13863 13827 15164 55 13954
35 13863 13827 15164 55 13954
36 13863 13827 15164 55 13954
49505 49448 49595 121
TOTAL 328885 0 8 1 855 468580 -12 3 93288 0 9 82736 9235 9 169
a=
∑ Y i−b ∑ X i
n
F=a+ b(t)
Dengan :
Xi : Periode ke i
Yi : Demand periode ke i
n : jumlah periode
Setelah menghitung peramalan permintaan, dihitung error,
yaitu selisih antara demand aktual dan demand hasil peramalan
yang diformulasikan sebagai berikut:
error n =demandn −forecast n
∑ error 2t
MSE n= t =2
n−1
n
∑ ¿ error t ∨¿
MADn= t=2 ¿
n−1
n
∑ PE t
MAPEn= t=2
n−1
n
CFE n=∑ error t
t=2
a=
∑ Y i−b ∑ X i
n
328885−(−9.57 × 300 )
¿
24
¿ 13823.2
F=a+ b ( t )
F 5=13823.2+(−9.57) ( 4 )=13785
e 5=X 5−F5 =13706−13785=−79
|e 5|=79
e 25=6227
e5 −79
PE 5= × 100 %= ×100 %=−0.58
X5 13706
|PE5|=0.58
5
26 13823
Tabel 3.9 Metode Linear Regresi (Lanjutan)
Demand Peramala
Periode t.Xt t^2 b a e |e| e^2 PE (%) |PE| MSE MAD MAPE CFE
Aktual n
27 13593
28 13593
29 13593
30 13593
31 13593
32 13593
33 13593
34 13593
35 13593
36 13593
TOTA 410005
L 328885 4 4900 -230 345580 478413 16 4472 1216995 -1 33 1252199 156177 34 3037
∑ MR 1396
´
MR= = =166
n 21
´
UCL=2,66 MR=2,66 × 66=177
´
LCL=−2,66 MR=−2,66 ×66=−177
2 2
Region A ±=± UCL=± ( 177 )=± 118
3 3
1 1
Region B ±=± UCL=± (177 )=± 59
3 3
Region C=0
Kemudian hasil perhitungan Moving Range untuk tiap periode
dapat dilihat pada tabel berikut.
Peramala
Periode Demand e MR |MR| UCL LCL Reg. A+ Reg. B+ CL Reg. B- Reg. A-
n
23 13721 13791 -70 3 3 177 -177 118 59 0 -59 -118
24 13985 14090 -105 -36 36 177 -177 118 59 0 -59 -118
25 13954
26 13954
27 13954
28 13954
29 13954
30 13954
31 13954
32 13954
33 13954
34 13954
35 13954
36 13954
Total MR 1395
Rata-rata MR 66
UCL 177
LCL -177
Region A 118
Region B 59
Region C 0
Validasi Data
200
150 Error
UCL
100
LCL
50 Reg. A+
Reg. B+
0 CL
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22
Reg. B-
-50
Reg. A-
-100
-150
-200
BAB IV
ANALISA
4.1 Analisa Semua Metode Peramalan
Berikut merupakan analisis terhadap 7 metode peramalan yang telah
dilakukan.
1. Analisa Metode Simple Average
Metode single moving average didapatkan pola grafik siklis.
Walaupun pada demand mengalami naik secara drastis pada periode ke 2
hal ini dikarenakan nilai peramalan pada periode ke 2 langsung naik
sebesar 13887, pada periode selanjutnya nilai dari peramlan tidak terlalu
turun maupun tidak terlalu naik melebihi dari periode ke2. Dan hasil
peramalan untuk 12 periode kedepan adalah konstan. Nilai e pada metode
ini banyak yang hasilya negatif contohnya pada periode ke 2 yaitu –275.
2. Analisa Metode Single Moving Average
Metode single moving average didapatkan pola grafik siklis.
Walaupun pada demand mengalami naik turun, tetapi pola data ada yang
menunjukan kenaikan dan penurunan yang drastis, kenaikan terlihat pada
periode ke 9 yang nilai peramlannya 13956dan terlihat turun drastis pada
periode ke 21 dimana nilai dari peramalnnya 13045. Dan hasil peramalan
untuk 12 periode kedepan adalah konstan.
3. Analisa Metode Weighted Moving Average
Pada grafik terlihat bahwa hasil ploting data demand pada metode
weighted moving average didapatkan pola grafik siklis karena terlihat
cenderung naik turun terus menerus akan tetapi lebih cendrung turun
tidak mengalami naik yang sangat signifikan, sedangkan pada hasil dari
ploting data peramalan menunjukan pola musiman karena terlihat
berulang. Terdapat nilai e terkecil pada metode ini yaitu 2 akan tetapi
berdasarkan grafik pada ploting data mengalami kenaikan dan pada
metode ini grafiknya menunjukkan penurunan, dan hasil peramalan untuk
12 periode kedepan adalah konstan. Pada metode ini memakai bobot
yang diambil pada 3 bulan terakhir yaitu 0.2, pada dua bulan terakhir 0.3,
dan bulan terakhir 0.5 nilai bobot ini diambi dari melihat hasil plot
Jurusan Teknik Industri
Universitas Tanjungpura 75
Praktikum Perancangan Terintegrasi Industri II
Modul 5 : Forecasting
Kelompok 7
BAB V
KESIMPULAN DAN SARAN
5.1 Kesimpulan
Kesimpulan yang didapatkan dari praktikum dalam modul 1 ini adalah
sebagai berikut :
1. Metode dan teknik peramalan untuk menentukan kebutuhan, pasar
sebagai dasar penyusunan rencana produksi. 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. Metode yang telah terpilih berdasarkan hasil uji
verifikasi adalah metode double exponential smoothing.
2. Metode ini dipilih karena merupakan metode terbaik untuk digunakan
dalam peramalan demand pada PT. Homescapes, karena dilihat dari plot
grafik yang digambarkan pada metode double exponential smoothing
menunjukkan bahwa kedua line grafik, yakni grafik demand dan grafik
peramalannya sama-sama menyerupai pola data grafik horizontal, Selain
itu, untuk memilih metode yang terbaik dapat dilihat dari hasil pengujian
error atau besar kesalahan data yang paling kecil diantara metode yang
ada seperti simple average, single moving average, weighted moving
average, centered moving average, single exponential smoothing, double
exponential smoothing dan linier regresi, dari semua metode yang telah
dipaparkan hanya metode double exponential smoothing yang memiliki
nilai error yang terkecil dengan nilai PE sebesar 0, MSE sebesar 82736,
MAD sebesar 9235, MAPE sebesar 9 dan nilai CFE sebesar 169. Maka
metode yang terpilih untuk peramalan ini ialah metode double
exponential smoothing.