SISTEM PRODUKSI
MODUL 1
“FORECASTING (PERAMALAN)”
Disusun oleh :
TI RP 19A – KELOMPOK 4
Gita Nur Pitri 19262011010
Disusun oleh :
TI RP 19A – KELOMPOK 4
Gita Nur Pitri 19262011010
i
KATA PENGANTAR
Bismillahirrahmaanirrahiim…
1. Bapak Indra Sapta Noegraha, S.T., M.T. Selaku Dosen Praktikum Sistem
Produksi Teknik Industri Sekolah Tinggi Teknologi Bandung.
2. Teman-teman TI RP 19A yang telah membantu dalam pelaksanaan
pembuatan laporan dengan baik.
Penyusun
ii
DAFTAR ISI
iii
1.2 Analisis Data di Pabrik Bolpoint....................................................IV-52
BAB V KESIMPULAN.................................................................................V-62
5.1 Kesimpulan ....................................................................................V-62
DAFTAR PUSTAKA ...................................................................................viii
iv
DAFTAR TABEL
v
DAFTAR GAMBAR
vi
Gambar 3.29 Tampilan Tanda Setrip.............................................................III-41
Gambar 3.30 Tampilan Solution....................................................................III-41
Gambar 3.31 Tampilan Detail and Error Analysis........................................III-42
Gambar 3.32 Tampilan Solution....................................................................III-42
Gambar 3.33 Tampilan Grafik Weihted Moving Average.............................III-43
Gambar 3.34 Tampilan Edit Data..................................................................III-43
Gambar 3.35 Tampilan Pengisian Metode.....................................................III-44
Gambar 3.36 Tampilan Data Result...............................................................III-44
Gambar 3.37 Tampilan Tanda Setrip.............................................................III-45
Gambar 3.38 Tampilan Solution....................................................................III-45
Gambar 3.39 Tampilan Detail and Error Analysis........................................III-46
Gambar 3.40 Tampilan Solution....................................................................III-46
Gambar 3.41 Tampilan Grafik Eksponential Smoothing...............................III-47
Gambar 3.42 Tampilan Edit Data..................................................................III-47
Gambar 3.43 Tampilan Pengisian Metode.....................................................III-48
Gambar 3.44 Tampilan Data Result...............................................................III-48
Gambar 3.45 Tampilan Tanda Setrip.............................................................III-49
Gambar 3.46 Tampilan Solution....................................................................III-49
Gambar 3.47 Tampilan Detail and Error Analysis........................................III-50
Gambar 3.48 Tampilan Solution....................................................................III-50
Gambar 3.49 Tampilan Grafik Eksponential Smoothing With Trend............III-51
vii
Article I. BAB I
PENDAHULUAN
BAB I PENDAHULUAN
Pada bab ini berisi tentang pemaparan uraian data yang diperoleh dan
jawaban atas masalah penelitian pada Pabrik Bolpoint mengenai hasil
peramlaan menggunakan metode Regresi Linier sederhana,Simple
Average, Moving Average, Weighted Moving Average, Eksponential
5
Pada bab ini berisi tentang kesimpulan dari hasil pengolahan serta
penelitian dan juga berisi tentang saran untuk sarana pembelajaran agar lebih
baik lagi dalam membuat laporan dan praktikum.
Article II. BAB II
LANDASAN TEORI
II-5
II-6
dalam rangka memenuhi permintaan barang atau jasa. Dalam dunia bisnis,
peramalan merupakan dasar bagi perencanaan kapasitas, anggaran, perencanaan
penjualan, perencanaan produksi dan inventory, perencanaan sumberdaya,
perencanaan pembelian atau pengadaan bahan baku, dan sebagainya.
Pendekatan kuantitatif
Deret berkala adalah suatu urutan waktu observasi yang diambil pada
interval waktu tertentu. Analisis terhadap data deret berkala dilakukan untuk
mengidentifikasi perilaku dasar dari deret tersebut. Jenis pola data yang
umum dapat dilihat pada gambar 1.1 berikut :
1. Pola Data Horisontal 2. Pola Data Musiman
Pendekatan kualitatif
y = a + bx
a=
∑ y−b ∑ x atau ý – bx
´
n
∑ y 2−a ∑ y −b ∑ xy
Se =
√ n−2
II-8
Simple Average
Fi+1 = Σ Ai / N
Moving Average
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, data terbaru berikutnya
berbobot 0.3, kemudian berturut-turut 0.2 dan terakhir 0.1. Dan perlu diingat
bahwa jumlah bobot yang diberikan harus sama dengan 1.00. Dan bobot
terberat diberikan pada data yang terbaru.
Eksponential Smoothing
Metode ini menggunakan prinsip yang sama dengan teknik moving average,
hanya saja eksponensial smoothing memerlukan perhitungan yang lebih
sedikit, tidak memerlukan data histories dalam jangka waktu yang lama
II-9
Persamaannya adalah :
Akurasi dari suatu hasil peramalan diukur dengan hasil kebiasaan dan
kekonsistensian peramalan tersebut. Hasil peramalan dikatakan bias bila
peramalan tersebut 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 kekurangan 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. Keakuratandari hasil peramalan ini
berperan penting dalam menyeimbangkan persediaan yang ideal.
2. Biaya
Biaya yang diperlukan dalam pembuatan suatu peramalan adalah
tegantung dari jumlah item yang diramalkan, lamanya periode peramalan, dan
metode peramalan yang dipakai. Ketiga faktor pemicu biaya tersebut akan
mempengaruhi berapa banyak data yang dibutuhkan bagaiman pengolahan
datanya (manual atau komuterisasi), 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. Percuma
memakai metode yang canggih, tetapi tidak dapat diaplikasikan pada sistem
perusahaan katena keterbatasan dana, sumber daya manusia, maupun peralatan
teknologi.
Dalam membuat peramalan atau menerapkan suatu peramalan maka ada
beberapa hal yang harus dipertimbangkan yaitu :
II-13
kualitatif dapat dibagi menjadi metode eksploratoris dan normative. Pada umumnya
peramalan dapat dibedakan dari beberapa segi tergantung cara melihatnya.
1. Dilihat dari sifat penyusunannya peramalan dapat dibedakan atas dua macam,
yaitu :
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
dalam penganalisisannya.
2. Dilihat dari jangka waktu ramalan yang disusun ada 3 jenis peramalan yaitu
diantaranya adalah :
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.
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 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. Berdarkan sifat ramalan yang disusun, maka peramalan dapat dibedakan atas
dua macam, yaitu :
a. Peramalan kualitatif, yaitu peramalan yang didasarakan atas kualitatif pada
masa lalu. Hasil peramalan yang dibuat sangat tergantung pada orang yang
menyusunnya. Hal ini penting karena hasil peramalan tersebut ditentukan
II-15
n
|et|
∑ ( Absolute dari forcast error ) ∑ ………………...(7)
MAD= = t =1
n n
Mean Square Error (MSE) atau rata – rata kuadrat kesalahan adalah
pengestimasian nilai kesalahan dengan menjumlahkan kuadrat semua
kesalahan peramalan pada setiap periode dan membaginya dengan jumlah
periode peramalan. Nilai kesalahan peramalan adalah selisih dari nilai hasil
prediksi dengan nilai sebenarnya yang dapat diketahui dengan rumusan di
bawah ini :
2 2 ∑ et 2
e X
∑ i = ∑ ( i i ) = t =1 ……………………….…...(8)
−F
MSE=
n n n
n
MAPE= ( )∑ |DtDt−Ft| ………………………………...…(9)
100
n t=1
( A t −F f ) …………………………………………..(10)
MFE=∑
n
A t −Ft
AE=∑ ………………………………………………(11)
n
6. Tracking Signal
Tracking signal adalah bagian untuk memantau setiap perkiraan yang
telah dibuat dibandingkan dengan aktual, dan memperingatkan ketika ada
keberangkatan tak terduga dari hasil dari perkiraan. Prakiraan dapat
berhubungan dengan penjualan, persediaan, atau apapun yang berkaitan
dengan kebutuhan masa depan organisasi. Tracking signal adalah indikator
sederhana bahwa bias perkiraan hadir dalam model prediksi. Hal ini paling
sering digunakan ketika validitas dari model peramalan mungkin diragukan.
Rumus manual untuk mencari Tracking Signal adalah :
RSFE
Σ (at' −' 'ft) / MAD atau TS= ………………………(12)
MAD
diharapkan dapat memberikan tingkat kepercayaan dan keyakinan yang lebih besar,
karena dapat diuji dan dibuktikan penyimpangan atau deviasi yang terjadi secara
ilmiah.
Dengan demikian dapat disimpulkan bahwa peramalan ini dapat membantu
dalam mengadakan pendekatan analisa terhadap tingkah laku atau pola dari data
yang lalu, sehingga dapat memberikan cara pemikiran, pengerjaan dan pemecahan
yang sistematis dan pragmatis, serta memberikan tingkat keyakinan yang lebih besar
atas ketepatan hasil ramalan yang dibuat atau yang disusun.
Article III. BAB III
PENGUMPULAN DAN PENGOLAHAN DATA
Input
Data historis
Prosedur Praktikum
Secara Umum :
- Mengambil data penjualan/permintaan (dengan satuan per-bulan) yang
telah dipersiapkan secara acak, mengandung unsur 4 jenis pola data.
- Lakukan analisis awal permasalahan yang telah tersedia, yang akan
digunakan sebagai data-data masa lalu (input peramalan).
- Plot set data pada lembar pengamatan dan kertas grafik.
- Perkirakan apakah terdapat unsure siklis, trend dan atau musiman.
- Pilih metode peramalan yang dipergunakan berdasarkan point 4.4
- Tentukan parameter-parameter fungsinya.
- Lakukan analisis peramalan dengan Software POM.
III-24
III-25
8. Klik Ok.
3. Pilih Solve
III-29
4. Hasil running
8. Klik Solution
9. Klik Graph
III-31
3. Pilih Solve
4. Hasil running
8. Klik Solution
9. Klik Graph
C. Moving Average
1. Klik Edit
4. Pilih Solve
5. Hasil running
9. Klik Solution
10. Klik Graph
5. Pilih Solve
6. Hasil running
E. Eksponential Smoothing
1. Klik Edit
4. Pilih Solve
5. Hasil running
9. Klik Solution
10. Klik Graph
5. Pilih Solve
6. Hasil running
IV-52
IV-53
Periode Forecasting
1
2 12705
3 12133
4 13515
5 10730
6 14617
7 15417
8 13370
9 9474
10 13953
11 14324
12 13576
13 15010
IV-55
Periode Forecasting
1
2 12705
3 12133
4 13515
5 10730
6 14617
7 15417
8 13370
9 9474
10 13953
11 14324
12 13576
13 15010
14 17262
15 15112
16 13789
17 14219
18 12930
19 17435
20 11989
21 14097
22 12182
23 14654
24 11410
Next Period 16809
Adjusted
Periode
Forecasting
23 13451,08
24 11940,46
2. Hasil peramalan dari metode yang paling tepat yaitu regresi linier
sederhana dengan metode trend analysis (regress over time) adalah bahwa
demand setiap periode di tambahkan, sehingga demand-nya lebih besar
dari sebelumnya dan forecasting (peramalan) periode berikutnya
membutuhkan demand sebesar 14.622,25.
V-62
DAFTAR PUSTAKA
viii