LAPORAN PRAKTIKUM

SISTEM PRODUKSI
MODUL 1
“FORECASTING (PERAMALAN)”

Diajukan untuk Memenuhi Tugas

Praktikum Sistem Produksi
Program Strata Satu Jurusan Teknik Industri
Sekolah Tinggi Teknologi Bandung

Disusun oleh :

TI RP 19A – KELOMPOK 4
Gita Nur Pitri 19262011010

Ilmi Malia Safitri 19262011019

Rindy Armita S. 19262011140

PROGRAM STUDI TEKNIK INDUSTRI

SEKOLAH TINGGI TEKNOLOGI BANDUNG
2021
 LAPORAN PRAKTIKUM
SISTEM PRODUKSI
MODUL 1
“FORECASTING (PERAMALAN)”

Diajukan untuk Memenuhi Tugas

Praktikum Sistem Produksi
Program Strata Satu Jurusan Teknik Industri
Sekolah Tinggi Teknologi Bandung

Disusun oleh :

TI RP 19A – KELOMPOK 4
Gita Nur Pitri 19262011010

Ilmi Malia Safitri 19262011019

Rindy Armita S. 19262011140

PROGRAM STUDI TEKNIK INDUSTRI

SEKOLAH TINGGI TEKNOLOGI BANDUNG
2021

i
 KATA PENGANTAR

Bismillahirrahmaanirrahiim…

Tiada kata yang pertama-tama penulis ucapkan, selain puji syukur

Alhamdulillah kepada Allah SWT atas limpahan rahmat dan hidayah-Nya serta
segala nikmat-Nya terutama nikmat kesehatan dan kesempatan untuk menyusun
dan menyelesaikan Laporan Praktikum Sistem Produksi ini dengan lancar tanpa
adanya hambatan apapun. Laporan Praktikum Sistem Produksi ini dibuat dalam
rangka memenuhi tugas.

Selama pelaksanaan dan penulisan Laporan Praktikum ini, tentunya tidak

lepas dari bantuan banyak pihak baik langsung maupun tidak langsung, secara
moril maupun material. Dalam kesempatan ini penulis mengucapkan banyak
terima kasih kepada:

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.

Dalam penulisan Laporan Praktikum ini tentunya masih terdapat banyak

kekurangan, namun hal itulah yang mendorong penulis untuk berbuat lebih baik.
Akhir kata penulis berharap, semoga tugas laporan ini dapat memberikan
sumbangan pemikiran yang bermanfaat bagi semua pihak yang memerlukan.

Garut, 7 November 2021

Penyusun

ii
 DAFTAR ISI

KATA PENGANTAR ..................................................................................ii

DAFTAR ISI .................................................................................................iii
DAFTAR TABEL .........................................................................................v
DAFTAR GAMBAR ....................................................................................vi
BAB I PENDAHULUAN .............................................................................I-1
1.1 Latar Belakang Masalah ................................................................I-1
1.2 Rumusan Masalah...........................................................................I-2
1.3 Identifikasi Masalah........................................................................I-2
1.4 Pembatasan Masalah ......................................................................I-2
1.5 Tujuan dan Manfaat .......................................................................I-3
1.6 Sistematika Penulisan ....................................................................I-3
BAB II PENGOLAHAN DATA ..................................................................II-5
2.1 Peramalan (Forecasting) ................................................................II-5
2.2 Pendekatan Teknik Peramalan (Forecasting) ..............................II-6
2.3 Teknik-Teknik Peramalan (Forecasting) .....................................II-7
2.4 Keakuratan dan Kontrol Peramalan (Forecasting) .......................II-10
2.5 Jenis-Jenis Peramalan (Forecasting) ..........................................II-10
2.6 Karakteristik Peramalan yang Baik................................................II-11
2.7 Langkah-Langkah Peramalan ........................................................II-13
2.8 Metode Peramalan .........................................................................II-13
2.9 Akurasi Peramalan .........................................................................II-18
2.10 Faktor-Faktor yang Mempengaruhi Pemilihan Teknik Peramalan II-20
2.11 Kegunaan Pemilihan Teknik Peramalan ........................................II-22
BAB III PENGOLAHAN DATA .................................................................III-24
3.1 Prosedur Praktikum ........................................................................III-24
3.2 Pengumpulan Data .........................................................................III-24
3.3 Pengolahan Data ............................................................................III-26
BAB IV ANALISIS DATA ..........................................................................IV-54
1.1 Hasil Penelitian ..............................................................................IV-52

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

Tabel 3.1. Data Demand ...............................................................................III-25

Tabel 3.2. Data Demand Nomor Kelompok..................................................III-25
Tabel 3.3. Data Demand Konversi Nomor Kelompok..................................III-26
Tabel 4.1. Forecasting Menggunakan Metode Trend Analysis ....................IV-53
Tabel 4.2. Forecasting Menggunakan Metode Simple Average....................IV-54
Tabel 4.3. Forecasting Menggunakan Metode Moving Average..................IV-56
Tabel 4.4. Forecasting Menggunakan Metode Weighted Moving Average. .IV-57
Tabel 4.5. Forecasting Menggunakan Metode Eksponential Smoothing......IV-58
Tabel 4.6. Forecasting Menggunakan Metode Eksponential Smoothing With
Trend..............................................................................................................IV-26

v
 DAFTAR GAMBAR

Gambar 2.1 Jenis-Jenis Pola Data..................................................................II-6

Gambar 3.1 Tampilan Aplikasi POM QM.....................................................III-27
Gambar 3.2 Tampilan Time Series Analys.....................................................III-27
Gambar 3.3 Tampilan Input Data..................................................................III-28
Gambar 3.4 Tampilan Data Result.................................................................III-29
Gambar 3.5 Tampilan Tanda Setrip...............................................................III-29
Gambar 3.6 Tampilan Solution......................................................................III-29
Gambar 3.7 Tampilan Detail and Error Analysis..........................................III-30
Gambar 3.8 Tampilan Solution......................................................................III-31
Gambar 3.9 Tampilan Grafik Regress Over Time.........................................III-31
Gambar 3.10 Tampilan Edit Data..................................................................III-31
Gambar 3.11 Tampilan Pengisian Metode.....................................................III-32
Gambar 3.12 Tampilan Data Result...............................................................III-32
Gambar 3.13 Tampilan Tanda Setrip.............................................................III-33
Gambar 3.14 Tampilan Solution....................................................................III-33
Gambar 3.15 Tampilan Detail and Error Analysis........................................III-34
Gambar 3.16 Tampilan Solution....................................................................III-34
Gambar 3.17 Tampilan Grafik Naïve Method...............................................III-35
Gambar 3.18 Tampilan Edit Data..................................................................III-35
Gambar 3.19 Tampilan Pengisian Metode.....................................................III-36
Gambar 3.20 Tampilan Data Result...............................................................III-36
Gambar 3.21 Tampilan Tanda Setrip.............................................................III-37
Gambar 3.22 Tampilan Solution....................................................................III-37
Gambar 3.23 Tampilan Detail and Error Analysis........................................III-38
Gambar 3.24 Tampilan Solution....................................................................III-38
Gambar 3.25 Tampilan Grafik Moving Average...........................................III-39
Gambar 3.26 Tampilan Edit Data..................................................................III-39
Gambar 3.27 Tampilan Pengisian Metode.....................................................III-40
Gambar 3.28 Tampilan Data Result...............................................................III-40

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

1.1 Latar Belakang Masalah

Peramalan atau forecasting merupakan seni dan ilmu pengetahuan

dalam memprediksi peristiwa pada masa yang akan datang (Heizer et al.,
2017:146). Secara umum peramalan ini merupakan satu kegiatan analisa
yang dilakukan untuk mengetahui besaran permintaan dimasa mendatang,
dengan informasi tersebut maka dapat ditentukan strategi yang tepat untuk
perencanaan lebih lanjut. Menurut Stevenson (2005:89), beberapa tujuan
dilakukannya peramalan adalah untuk memutuskan apakah permintaan
untuk suatu produk cukup untuk memasuki pasar, menentukan kapasitas
jangka panjang pada perencanaan fasilitas pabrik, dan menentukan fluktuasi
permintaan untuk perencanaan produksi, jadwal kerja, perencanaan bahan
mentah, dan sebagainya.

Peramalan dapat dilakukan dengan beberpa pendekatan dimana ada

dua metode yaitu metode kualitatif dan metode kuantitatif. Menurut Heizer
et al., (2017:147), metode kualitatif merupakan peramalan yang
menggabungkan faktor-faktor seperti intuisi pembuatan keputusan, emosi,
pengalaman pribadi, dan sistem nilai. Metode kualitatif ini umumnya
bersifat subjektif dan bergantung pada pengalaman, ahlian, dan pendapat
seseorang. Metode kuentitatif merupakan peramalan yang dilakukan dengan
pemodelan secara matematis untuk meramalkan permintaan, biasanya
mengandalkan data historis dan/atau variabels asosiatif untuk meramalkan
permintaan.
 2

Peramalan sangat penting bagi sebuah perusahaan karena hal itu

berkaitan dengan setiap proses operasional dalam perusahaan. Persediaan
perusahaan menjadi bagian yang sangat membutuhkan sistem peramalan,
karena agar perusahaan dapat memastikan ketersediaan permintaan barang
dengan tetap memperhatikan kepastian gudang di perusahaan.

Setiap perusahaan pasti menerapkan sistem peramalan sebagaimana

berdasarkan kebutuhan masing-masing perusahaan. Ada yang menggunakan
metode secara kualitatif da nada juga perusahaan yang memilih untuk
menggunakan metode kuantitatif. Sistem permalan ini diharapkan mampu
menilai tingkat ketidakpastian jumlah permintaan produk pada perusahaan
agar perencanaan yang dilakukan dapat berjalan secara optimal. Maka
melalui penelitian ini diharapkan pula dapat membantu perusahaan agar
dapat meningkatkan tingkat akurasi dari hasil peramalan.

1.2 Rumusan Masalah

Berdasarkan latar belakang masalah diatas dalam laporan ini dapat
dibuat rumusan masalah sebagai berikut:

1. Metode peramalan apa yang tepat digunakan di Pabrik Bolpoint?

2. Bagaimana hasil peramalan untuk 2 tahun ke depan (24 bulan) ?

1.3 Identifikasi Masalah

Berdasarkan uraian pada rumusan masalah di atas dapat diidentifikasi

masalah yang berhubungan dengan perencanaan dan pelaksanaan praktikum
sistem produksi ini yaitu bagaimana hasil peramalan terhadap permintaan
 3

untuk 2 tahun ke depan (24 bulan) dengan menggunakan kedua metode

untuk memprediksi jumlah permintaan.

1.4 Pembatasan Masalah

Penulisan laporan memfokuskan pada hal berikut ini:
1. Objek yang digunakan dalam penelitian ini adalah data peramalan di
Pabrik Bolpoint.
2. Penelitian dilakukan dengan metode Regresi Linier sederhana,Simple
Average, Moving Average, Weighted Moving Average, Eksponential
Smoothing yaitu Single Eksponential Smoothing dan Eksponential
Smoothing With Linear Trend.
1.5 Tujuan dan Manfaat

Tujuan dari penulisan laporan ini diharapkan praktikan:

1. Mengetahui metode-metode peramalan yang tepat yang digunakan di

Pabrik Bolpoint.
2. Menghitung dan menganalisis hasil peramalan untuk 2 tahun ke depan
(24 bulan).

Manfaat dari penulisan laporan ini adalah sebagai berikut:

Diharapkan praktikan dapat memperoleh keterampilan menulis laporan

dan memperoleh keaahlian membaca dalam berbagai sumber yang akan
dijadikan sumber dalam laporan praktikum ini.
1. Meningkatkan kemampuan praktikan dalam menganalisis
permasalahan nyata mengenai peramalan (forecasting).
2. Mengetahui dan memahami cara mengidentifikasi persoalan
menggunakan sistem peramalan (forecasting).

1.6 Sistematika Penulisan

 4

Sistematika penulisan laporan penelitian ini, penulis menyajikan

pembahasan dengan sistematika sebagai berikut:

BAB I PENDAHULUAN

Pada bab ini berisi latar belakang masalah, rumusan masalah,

identifikasi masalah, pembatasan masalah, tujuan dan manfaat yang ingin
dicapai serta sistematika penulisan laporan.

BAB II LANDASAN TEORI

Pada bab ini berisi tentang penjelasan mengenai teori-teori yang

berkaitan dengan praktikum sebagai penerapan dari metode peramalan
(forecasting) yang akan dibahas untuk menunjang penulisan laporan ini.

BAB III PENGOLAHAN DATA

Pada bab ini berisi tentang alur langkah-langkah pemecahan suatu

masalah dari pelaksanaan praktikum forecasting (peramalan)
menggunakan metode Regresi Linier sederhana, Simple Average, Moving
Average, Weighted Moving Average, Eksponential Smoothing yaitu Single
Eksponential Smoothing dan Eksponential Smoothing With Linear Trend.

BAB IV ANALISIS DATA

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

Smoothing yaitu Single Eksponential Smoothing dan Eksponential

Smoothing With Linear Trend.

BAB V KESIMPULAN DAN SARAN

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

2.1 Peramalan (Forecasting)

Render dan Heizer (2007) mendefinisikan peramalan adalah seni dan ilmu
yang memperkirakan hal-hal yang akan terjadi dimasa depan sebagai dasar untuk
pengambilan keputusan. Menurut Arman Hakim Nasution dan Yudha Prasetyawan
dalam bukunya yang berjudul perencanaan dan pengendalian produksi. Peramalan
adalah proses untuk memperkirakan beberapa kebutuhan dimasa datang yang
meliputi kebutuhan dalam ukuran kuantitas, kualitas, waktu, dan lokasi yang
dibutuhkan dalam rangka memenuhi permintaan barang maupun jasa.
Peramalan menggunakan teknik-teknik yang bersifat formal maupun informal
(Gazpersz, 1998). Kegiatan peramalan merupakan bagian dari integral pengambilan
keputusan manajemen. Peramalan ini dapat mengurangi ketergantungan terhadap
hal-hal yang belum pasti (intuitif). Menurut Markridakis, 19999 ada dua hal pokok
yang harus diperhatikan dalam proses peramalan yang akurat dan bermanfaat yaitu :
1. Pengumpulan data yang relevan berupa informasi yang dapat menghasilkan
peramalan yang akurat.
2. Pemilihan teknik peramalan yang tepat yang akan memanfaatkan informasi
data yang diperoleh semaksimal mungkin.
Menurut Taylor (2004) Peramalan yaitu sebuah prediksi mengenai apa yang
akan terjadi dimasa depan. Sebuah perusahaan yang menghasilkan barang hasil dari
produksi memerlukan bahan baku proses produksi. Dalam memenuhi kebutuhan
bahan baku diperlukan peramalan. Dari pengertian para ahli diatas, maka dapat
disimpulkan bahwa peramalan adalah seni dan ilmu memprediksi peristiwa-
peristiwa dimasa depan dengan melakukan studi terhadap data historis untuk
menemukan hubungan kecenderungan dan pola yang sistematis.
Perencanaan merupakan bagian integral aktivitas pengambilan keputusan.
Pada kondisi yang tidak menentu sulit bagi kita untuk menentukan suatu
perencanaan yang efektif. Peramalan (forecast) dapat membantu para manajer untuk
mengurangi ketidakpastian dalam melakukan perencanaan. Peramalan adalah suatu
proses untuk memperkirakan berapa kebutuhan di masa datang yang meliputi
kebutuhan dalam ukuran kuantitas, kualitas, waktu dan lokasi yang dibutuhkan

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.

2.2 Pendekatan Teknik Peramalan (Forecasting)

 Pendekatan kuantitatif

Pendekatan kuantitatif meliputi metode deret berkala (time series) dan

metode kausal. Metode deret berkala menggunakan data masa lalu untuk
mempredikasi data yang akan datang. Sedangkan metode kausal
mengasumsikan faktor yang diramal memiliki hubungan sebab akibat
terhadap beberapa variabel independen. Pendekatan kuantitatif dapat
diterapkan dengan syarat :
1. Tersedia informasi masa lalu

2. Informasi tersebut dapat dikuantifikasikan dalam bentuk data

numeric

Peramalan berdasarkan data deret berkala

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

3. Pola Data Siklus 4. Pola Data Tren

 II-6

Gambar 2.1 Jenis-jenis Pola Data

 II-7

 Pendekatan kualitatif

Pendekatan kualitatif digunakan pada saat tidak tersedia sedikitpun data

historis. Peramalan ini paling sesuai digunakan dalam perencanaan penjualan
produk baru. Metode yang digunakan adalah metode delphi.

2.3 Teknik-Teknik Peramalan (Forecasting)

 Regresi Linier Sederhana
Bentuk regresi yang paling sederhana dan sering digunakan meliputi
hubungan linier antara dua variabel. Tujuan regresi linier adalah untuk
memperoleh sebuah persamaan garis lurus yang akan meminimasi jumlah
bias vertikal dari titik-titik yang terobservasi dengan garis lurus yang
terbentuk.Metode yang dipakai untuk mendapatkan persamaan tersebut
disebut least squares, dan persamaan yang terbentuk adalah:

y = a + bx

Dimana, y = Variabel tergantung

(dependen) x = Variabel bebas
(independen)
b = Slope
a = Konstanta (nilai y pada saat x = 0)
Besarnya koefisien a dan b dihitung berdasarkan persamaan :
b=n ¿ ¿

a=
∑ y−b ∑ x atau ý – bx
´
n

Diketahui n : Jumlah data hasil observasi

Keakuratan perkiraan regresi tergantung pada biasan data sampel disekitar

garis, semakin besar luasannya semakin kecil keakuratan perkiraannya.
Besarnya kiaasan dapat dihitung berdasarkan perkiraan satandar kesalahan se,
sebagai berikut :

∑ y 2−a ∑ y −b ∑ xy
Se =
√ n−2
 II-8

 Simple Average

Metode simple average merupakan metode yang sesuai digunakan jika

data yang tersedia tidak mengandung unsur trend dan faktor musiman. Secara
sederhana metode ini menghitung rataan dari data yang tersedia sejumlah n,
mengikuti persamaan berikut :

Fi+1 = Σ Ai / N

Dimana : Fi+1 : Peramalan untuk period eke i + 1

Ai : Nilai actual tahun ke – i
N : Banyaknya data

 Moving Average

Peramalan dengan teknik moving average melakukan perhitungan

terhadap nilai data yang paling baru sedangkan data yang lama akan
dihapus. Nilai rata-rata dihitung berdasarkan jumlah data, yang angka rata-
rata bergeraknya ditentukan dari harga 1 sampai N data yang dimiliki.
Peramalan dengan teknik moving average dapat dihitung menggunakan
persamaan berikut :
MAn = Σ Ai / n
Dimana : i : Banyak data (1,2,3……N)
n : angka periode rata-rata bergerak
Ai : nilai actual tahun ke – i
 Weighted 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

melainkan hanya data terbaru yang dipakai untuk menghitung

peramalannya. Karakteristik smoothing dikendalikan dengan menggunakan
factor smoothing α , yang bernilai antara 0 sampai dengan 1. Fungsi factor
ini adalah untuk memberikan penekanan yang lebih terhadap data yang
paling baru. Setiap peramalan yang baru
ybx berdasarkan pada hasil peramalan

sebelumnya ditambah dengan suatu prosentase perbedaan antara peramalan

dengan nilai aktualnya pada saat tersebut. Dengan demikian :
Ft = Ft-1 + α ( At-1 – Ft-1 )

Dimana : Ft : Peramalan periode ke-t Ft-

1 : Peramalan periode ke t-1 α
: Konstanta smoothing
At-1 : Permintaan aktual atau penjualan untuk
periode t-1
 Winter’s

Metode winter’s merupakan metode peramalan yang sering dipilih

untuk menangani data permintaan yang mengandung baik variasi
musiman maupun unsur trend. Metode ini mengolah tiga asumsi untuk
modelnya : unsur konstan, unsur trend dan unsur musiman.
Ketiga komponen diatas secara kontinyu diperbarui menggunakan
konstanta smoothing yang diterapkan pada data terbaru dan estimasi
yang paling akhir. Metode winter’s menggunakan model Trend Hold,
yang dimulai dengan estimasi trend yang biasa :
Tt = β ( Ft – Ft-1 ) + ( 1 – β ) Tt-1

Dimana : Tt : estimasi nilai trend pada periode t

β : konstanta smoothing unsur trend

Ft : rata-rata eksponensial pada periode t

Dengan asusmsi nilai F0 = A1 dan T0 = 0

 Single Eksponential Smoothing

Peramalan single eksponensial smoothing dihitung berdasarkan hasil

 II-10

peramalan ditambah dengan peramalan periode sebelumnya. Jadi,

kesalahan peramalan sebelumnya digunakan untuk mengoreksi
peramalan berikutnya.Persamaannya adalah :
Ft = αAt + ( 1-α ) F ( t-1 )

 Eksponential Smoothing With Linear Trend

Persamaannya adalah :

Ft = αAt + ( 1-α ) F ( t-1 ) + T ( t-1 )

2.4 Keakuratan dan Kontrol Peramalan (Forecasting)

Jika beberapa model peramalan cocok untuk kondisi tertentu maka perlu
ditentukan model mana yang lebih baik (tidak bias) atau hanya terdapat satu model
yang cocok, maka perlu model lain sebagai pembanding untuk melihat keefektifan
model tersebut. Proses ini disebut dengan kesalahan peramalan. Ada dua aspek
ukuran keakuratan peramalan yang memiliki nilai signifikansi yang potensial pada
saat dilakukan teknik peramalan. Pertama performansi kesalahan histories
peramalan, dan kedua kemampuan peramalan untuk menanggapi adanya perubahan.
Dua nilai keakuratan yang umum untuk menghitung jumlah kesalahan histories
adalah MAD (mean absolute deviation) dan MSD (mean square deviation).Formula
yang digunakan:
MAD = Σ | Actual – forecast | / n
MSD = Σ ( Actual – forecast )2 / n
Pengontrolan peramalan dapat dilakukan dengan menggunakan tracking signal atau
peta control. Pendekatan tracking signal memusatkan pada rasio antara kumulatif
kesalahan peramalan dengan nilai MAD :
TS = Σ ( Actual – forecast ) / MAD

2.5 Jenis-Jenis Peramalan (Forecasting)

Jenis-jenis peramalan menurut Render dan Haizer (2004) pada jenis peramalan
dapat dibedakan menjadi beberapa tipe. Dilihat dari perencanaan operasi dimasa
depan, maka peramalan dibagi menjadi 3 macam yaitu :
1. Peramalan Ekonomi (Economic Forecast)
 II-11

Peramalan ekonomi menjelaskan siklus bisnis dengan memprediksi tingkat

inflasi, ketersediaan uang, dana yang dibutuhkan membangun perumahan dan
indikator perencanaan lainnya.
2. Peramalan Teknologi (Technological Forecast)
Peramalan teknologi memperhatikan tingkat kemajuan teknologi yang
dapat meluncurkan produk baru yang menarik, yang membutuhkan pabrik dan
peralatan baru.
3. Peramalan Permintaan (Demand Forecast)
Peralamalan permintaan adalah prediksi dari proyeksi permintaan untuk
produk atau layanan suatu perusahaan.
Peramalan biasanya diklasifikasikan berdasarkan horizon waktu masa depan
yang dicakupnya. Menurut Taylor (2004) dalam hubungannya dengan horizon
waktu peramalan terbagi atas beberapa kategori yaitu :
a. Peramalan Jangka Panjang
Umumnya peramalan dilakukan untuk meramalkan 2 sampai 10 tahun
yang akan datang. Peramalan ini digunakan untuk perencanaan produk dan
perencanaan sumber daya.
b. Peramalan Jangka Menengah
Umumnya peramalan dilakukan untuk meramalkan 1 samapi 24 bulan
yang akan datang. Peramalan ini lebih menghusus dibandingkan peramalan
jangka panjang, biasanya digunakan untuk menentukan aliran kas perencanaan
produksi, dan penentuan anggaran.
c. Peramalan Jangka Pendek
Umumnya peramalan dilakukan untuk meramalkan samapi 5 minggu
kedepan. Peramalan ini biasanya digunakan untuk mengambil keputusan
dalam hal perlu tidaknya lembur, penjadwalan kerja, dan lain-lain.

2.6 Karakteristik Peramalan yang Baik

Peramalan yang baik mempunyai beberapa kriteria yang penting, antara lain
adalah sebagai berikut :
1. Akurasi
 II-12

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

a. Peramalan pasti mengandung kesalahan, artinya peramal hanya bisa

mengurangi ketidakpastian yang akan terjadi, tetapi tidak dapat
menghilangkan ketidakpastian tersebut.
b. Peramalan seharusnya memberikan informasi tentang beberapa ukuran
kesalahan, artinya karena peramalan pasti mengandung kesalahan, maka
penting bagi peramal untuk menginformasikan seberapa besar kesalahan yang
mungkin terjadi.
c. Peramalan jangka pendek lebih akurat dibandingkan peramalan jangka
panjang. Hal ini disebabkan karena pada peramalan jangka pendek, faktor-
faktor yang mempengaruhi permintaan relative masih konstan sedangkan
masih panjang periode peramalannya, maka semakin besar pula kemungkinan
terjadinya perubahan faktor-faktor yang mempengaruhi permintaan.

2.7 Langkah-Langkah Peramalan

Peramalan yang baik adalah peramalan yang dilakukan dengan mengikuti
langkah-langkah atau prosedur penyusunan yang baik. Menurut Gasperz (2005)
terdapat 9 langkah yang harus diperhatikan untuk menjamin efektivitas dan efisiensi
dari sitem peramalan, yaitu :
1. Menentukan tujuan dari peramalan.
2. Memilih item independent demand yang akan diramalkan.
3. Menentukan horizon waktu dari peramalan (jangka pendek, menengah, atau
panjang).
4. Memilih model-model peramalan.
5. Memperoleh data yang dibutuhkan untuk melakukan peramalan.
6. Validasi model peramalan.
7. Membuat peramalan.
8. Implementasi hasil-hasil peramalan.
9. Memantau keandalan hasil peramalan.

2.8 Metode Peramalan

Secara umum metode peramalan dapat dibagi dalam dua kategori utama, yaitu
metode kuantitatif dan metode kualitatif. Metode kuantitatif dapat dibagi ke dalam
deret berkala atau kurun waktu (time series) dan metode kausal, sedangkan metode
 II-14

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

b. berdasarkan pemikiran yang bersifat intuisi, judgement, atau pendapat dan

pengetahuan serta pengalaman dari penyusunnya. Biasanya peramalan
kualitatif ini didasarkan atas hasil penyelidikan, seperti Delphi, S-curev,
analogies dan penelitian bentuk atau morphological research atau
didasarkan atas ciri-ciri normative seperti decision matrices atau decision
tress.
Beberapa metode yang digolongkan sebagai model kualitatif adalah
sebagai berikut :
1) Metode Delphi
Sekelompok pakar mengisi kuisioner, moderator menyimpulkan
hasilnya dan memformulasikan menjadi suatu kuisioner baru yang
diisi kembali oleh kelompok tersebut. Hal ini merupakan proses
pembelajaran (learning process) dari kelompok tanpa adanya tekanan
atau intimidasi individu. Metode ini pertama kali dikembangkan oleh
Rand Corporation pada tahun 1950-an. Adapun tahapan yang
dilakukan adalah :
a) Tentukan beberapa pakar sebagai partisipan, sebaiknya bervariasi
dengan latar belakang disiplin ilmu yang berbeda.
b) Melalui kuisioner (atau email) diperoleh peramalan dari seluruh
partisipan.
c) Simpulkan hasilnya, kemudian distribusikan kembali kepada
seluruh partisipan dengan pertanyaan yang baru.
d) Simpulkan kembali revisi peramalan dan kondisi, kemudian
kembangkan dengan pertanyaan baru.
2) Dugaan manajemn (manajemen estimate) atau Panel Consensus,
dimana peramalan semata-mata berdasarkan pertimbangan
manajemen, umumnya oleh manajemen senior. Metode ini akan
cocok dalam situasi yang sangat sensitive terhadap intuisi dari suatu
atau kelompok kecil oarng karena pengalamnnya mampu
memberikan opini yang kritis dan relevan.
3) Riset Pasar (market Research), merupakan metode peramalan
berdasarkan hasil-hail dari survey pasar yang dilakukan oleh tenaga-
tenaga pemasar produk atau yang mewakilinya. Metode ini akan
 II-16

4) menjaring informasi dari pelanggan atau pelanggan potensial

(konsumen) berkaitan dnegan rencana pembelian mereka dimasa
mendatang. Riset pasar tidak hanya akan membantu peramalan,
tetapi juga untuk meningkatkan desain produk dan perencanaan
untuk produk-produk baru.
5) Metode kelompok terstruktur (structure group method), seperti
metode Delphi, dan lain-lain. Metode Delphi merupakan teknik
peramalan berdasarkan pada proses konvergensi dari opini beberapa
orang atau ahli secara interaktif tanpa menyebutkan identitasnya.
Grup ini tidak bertemu secara bersama dalam suatu forum untuk
berdiskusi, tetapi mereka diminta pendapatnya secara terpisah dan
tidak boleh secara berunding.
Hal ini dilakukan untuk menghindari pendapat yang bias karena
pengaruh kelompok. Pendapat yang berbeda secara signifikan dari
ahli yang lain dalam grup tersebut akan dinyatakan lagi kepada yang
bersangkutan, sehingga akhirnya diperoleh angka estimasi pada
interval tertentu yang data diterima. Metode Delphi ini dipakai dalam
peramalan teknologi yang sudah digunakan pada pengoperasian
jangka panjang selain itu, metode ini juga bermanfaat dalam
pengembangan produk baru, pengembangan kapasitas produksi,
penerobosan ke segmen pasar baru dan strategi keputusan bisnis
lainnya.
6) Analogi Historis (Historical Analogi), merupakan teknik peramalan
berdasarkan pola data masa lalu dari produk-produk yang dapat
disamakan secara analogi. Misalnya peramalan untuk pengembangan
pasar televise multi sistem menggunakan model permintaan televisi
hitam putih atau televisi berwarna biasa. Analogi historical
cenderung akan menjadi terbaik untuk penggantian produk di pasar
dan apabila terdapat hubungan substitusi langsung dari produk dalam
pasar itu.
Peramalan kualitatif umumnya bersifat subjektif, dipengaruhi oleh
intuisi, emosi, pendidikan, dan pengalaman seseorang. Oleh karena itu,
hasil peramalan dari satu orang dengan orang lain dapat berbeda.
 II-17

Meskipun demikian, peramalan dengan metode kualitatif tidak berarti

hanya menggunakan intuisi, tetapi juga bisa mengikutsertakan model-
model statistik sebagai bahan masukan dalam melakukan judgement
(keputusan), dan dapat dilakukan secara perorangan maupun kelompok.
c. Peramalan Kuantitatif, pada dasarnya metode peramalan kuantitatif ini
dapat dibedakan atas dua bagian, yaitu :
1) Metode peramalan yang didasarkan atas penggunaan analisa pola
hubungan antara variabel yang akan diperkirakan dengan variabel
waktu yang merupakan deret waktu atau “time series”.
2) Metode peramalan yang didasarkan atas penggunaan analisa pola
hubungan antara variabel yang akan diperkirakan dengan variabel
lain yang mempengaruhinya, yang bukan waktu yang disebut metode
korelasi atau sebab akibat (causal method).
Metode kuantitatif sangat beragam dan setiap teknik memiliki sifat,
ketepatan, dan biaya tertentu yang harus dipertimbangkan dalam memilih
metode tertentu. Untuk menggunakan metode kuantitatif terdapat tiga
kondisi yang harus dipenuhi, yaitu :
1) Tersedia informasi tentang masa lalu.
2) Informasi tersebut dapat dikuantitatifkan dalam bentuk numerik.
3) Diasumsikan bahwa beberapa pola masa lalu akan terus berlanjut.
Peramalan permintaan (forecasting demand) merupakan tingkat
permintaan produk-produk yang diharapkan akan terealisasi untuk jangka
waktu tertentu pada masa yang akan datang. Menurut Render dan Heizer
dkk (2014), terdapat tujuh tahap dasar dalam melakukan peramalan
permintaan yaitu :
1) Menentukan penggunaan dari peramalan.
2) Memilih items atau kuantitas yang akan diramalkan.
3) Menentukan horizon dari peramalan.
4) Memilih model peramalan.
5) Mengumpulkan data yang diperlukan untuk memperoleh peramalan.
6) Melakukan peramalan.
7) Memvalidasi peramalan dan mengimplementasikan hasil peramalan.
 II-18

Metode peramalan permintaan time series merupakananalisa deret

waktu yang didasarkan pada asumsi bahwa deret waktu tersebut terdiri dari
komponen-komponen :
1) Trend/kecenderungan (T), sifat dari permintaan masa lalu terhadap
waktu terjadinya apakah permintaan tersebut cenderung naik, turun,
atau konstan.
2) Siklus/cycle (C), merupakan sifat dari permintaan dalam satu periode
apakah mengalami permintaan dengan jumlah yang sama atau tidak.
3) Pola Musiman/Season (S), merupakan fluktuasi permintaan suatu
produk yang dapat mengalami kenaikan atau penurunan pada saat
musim tertentu. Pola ini biasanya disebabkan oleh fakor cuaca,
musim libur panjang, hari raya keragaman yang akan berulang secara
periodic tiap tahunnya.
4) Variasi acak/random (R), permintaan sutau produk dapat berubah
secara tiba-tiba yang disebabkan oleh faktor tertentu. Contoh
bencana alam, promosi khusus, perusahaan pesaing, daimana faktor-
faktor ini tidak dapat diperkirakan dan tidak mempunyai pola
tertentu.
2.9 Akurasi Peramalan
Model-model peramalan yang dilakukan kemudian divalidasi menggunakan
sejumlah indikator, diantaranya adalah :
1. Mean Average Deviation (MAD)
Metode untuk mengevaluasi metode peramalan menggunakan jumlah
dari kesalahan-kesalahan yang absolut. Mean Absolute Deviation (MAD)
mengukur ketepatan ramalan dengan merata-ratakan kesalahan dugaan (nilai
absolut masing-masing kesalahan). MAD berguna ketika mengukur kesalahan
ramalan dalam unit yang sama sebagai seret asli. Nilai MAD dihitung dengan
rumus :

n
|et|
∑ ( Absolute dari forcast error ) ∑ ………………...(7)
MAD= = t =1
n n

2. Mean Squarred Error (MSE)

 II-19

Mean Squarred Error (MSE) adalah metode lain untuk mengevaluasi

metode peramalan. Masing-masing kesalahan atau sisa dikuadratkan kemudian
dijumlahkan dan ditambah dengan jumlah observasi. Pendekatan ini mengatur
kesalahan peramalan yang besar karena kesalahan-kesalahan itu dikuadratkan.
Metode ini menghasilkan kesalahan-kesalahan sedang yang kemungkinan
lebih baik untuk kesalahan kecil, tetapi kadang menghasilkan perbedaan yang
besar.

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

3. Mean Absolute Percentage Error (MAPE)

Mean Absolute Percentage Error (MAPE) adalah ukuran yang paling

umum kesalahan perkiraan. Fungsi MAPE terbaik bila tidak ada ekstrem
untuk data (termasuk nol). merupakan ukuran kesalahan relatif. MAPE
menyatakan presentase kesalahan hasil peramalan terhadap permintaan aktual
selama periode tertentu yang akan memberikan informasi presentase kesalahan
terlalu tinggi atau terlalu rendah.

n
MAPE= ( )∑ |DtDt−Ft| ………………………………...…(9)
100
n t=1

4. Mean Forecast Error (MFE)

 II-19

Mean Forecast Error (MFE) sangat efektif untuk mengetahui apakah

suatu hasil peramalan selama periode tertentu terlalu tinggi atau terlalau
rendah. Bila hasil peramalan tidak bias, maka nilai MFE akan mendekati nol.
 II-20

( A t −F f ) …………………………………………..(10)
MFE=∑
n

5. Average Error (AE)

Average Error (AE) merupakan rata-rata perbedaan antara nilai
sebenarnya dan nilai peramalan, yang dirumuskan sebagai berikut :

A t −Ft
AE=∑ ………………………………………………(11)
n

Dimana : A = Permintaan Aktual pada Periode t

F = Peramalan Permintaan pada Periode t
n = Jumlah Periode Peramalan yang terlibat

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

2.10 Faktor-Faktor yang Mempengaruhi Pemilihan Teknik Peramalan

Faktor-faktor yang perlu dipertimbangkan adalah :
1. Horizon Peramalan
Ada dua aspek dari horizon waktu yang berhubungan dengan masing-
masing metode peramalan, yaitu :
a. Cakupan waktu dimasa yang akan datang, dimana perbedaan dari
metode peramalan yang digunakan sebaiknya disesuaikan.
 II-21

b. Jumlah periode dimana ramalan diinginkan, beberapa teknik dan metode

hanya dapat disesuaikan untuk peramalan satu atau dua periode dimuka,
sedangkan teknik dan metode lain dapat dipergunakan untuk peramalan
beberapa periode dimasa mendatang.
2. Tingkat Ketelitian
Tingkat ketelitian yang dibutuhkan sangat erat hubungannya dengan
tingkat perincian yang dibutuhkan dalam suatu peramalan. Untuk beberapa
pengambilan keputusan mengharapkan variasi atau penyimpanan atas ramalan
yang dilakukan antara 10% - 15% bagi maksud-maksud yang mereka
harapkan, sedangkan untuk hal atau kasus lain mungkin menganggap bahwa
adanya variasi atau penyimpangan atas ramalan sebesar 5% adalah cukup
berbahaya.
3. Ketersediaan Data
Metode yang dipergunakan sangat besar manfaatnya, apabila dikaitkan
dengan keadaan atau informasi yang ada atau data yang dipunyai. Apabila dari
data yang lalu diketahui adanya pola musiman, maka untuk peramalan satu
tahun kedepan sebaiknya digunakan metode variasi musim. Sedangkan dari
data yang lalu diketahui adanya pola hubungan antara variabel-variabel yang
saling mempengaruhi, maka sebaiknya dipergunakan metode sebab akibat
(causal) atau korelasi (correlation).
4. Bentuk Pola Data
Dasar utama dari metode peramalan adalah anggapan bahwa macam dari
pola yang didapat di dalam data yang diramalkan akan berkelanjutan. Sebagai
contoh beberapa deret yang menggambarkan pola musiman, demikian pula
halnya dengan suatu pola trend. Disini perlu adanya usaha penyesuaian antara
pola data yang telah diperkirakan terlebih dahulu dengan teknik dan metode
peramalan yang akan digunakan.
5. Biaya
Umumnya ada empat unsur biaya yang tercakup dalam penggunaan
suatu prosedur peramalan, yaitu biaya-biaya pengembangan, penyimpanan
(storage) data, operasi pelaksanaan dan kesempatan penggunaan teknik-teknik
dan metode lainnya. Adanya perbedaan yang nyata dalam jumlah biaya,
 II-22

mempunyai pengaruh atas dapat menarik tidaknya penggunaan metode

tertentu untuk suatu keadaan yang dihadapi.
6. Jenis dari Model
Model-model merupakan suatu deret dimana waktu digambarkan sebagai
unsur penting untuk menentukan perubahan-perubahan dalam pola, yang
mungkin secara sistematik dapat dijelaskan dengan analisis regresi atau
korelasi. Model-model tersebut sangat penting diperhatikan karena masing-
masing model tersebut mempunyai kemampuan yang berbeda-beda dalam
analisis keadaan untuk pengambilan keputusan.
7. Mudah Tidaknya Penggunaan dan Aplikasinya
Satu prinsip umum dalam penggunaan metode ilmiah dari peramalan
untuk manajemen dan analisis adalah metode-metode yang dapat dimengerti
dan mudah diaplikasikan yang akan dipergunakan dalam pengembalian
keputusan dan analisa. Prinsip ini didasarkan pada alasan bahwa bila seorang
manajer atau analisis bertanggungjawab atas keputusan yang diambilnya atau
hasil analisa yang dilakukannya, maka ia sudah tentunya tidak menggunakan
dasar yang tidak diketahuinya atau diyakininya. Jadi, sebagai ciri tambahan
dari teknik dan metode peramalan adalah bahwa yang diperlukan untuk
memenuhi kebutuhan dari keadaan ialah teknik dan metode peramalan yang
dapat disesuaikan dengan kemampuan dari menejer atau analisis yang akan
menggunakan metode peramalan tersebut.
2.11 Kegunaan Pemilihan Teknik Peramalan
Sebagaimana yang diketahui bahwa metode peramalan merupakan cara
berpikir yang sistematis dan pragmatis atas pemecahan suatu masalah. Dengan dasar
ini, maka metode peramalan merupakan cara memperkirakan apa yang akan terjadi
pada masa yang akan datang secara sistematis dan pragmatis. Sehingga metode
peramalan sangat berguna untuk dapat memperkirakan secara sistematis dan
pragmatis atas dasar data yang relevan pada masa lalu, dengan demikian metode
peramalan diharapkan dapat memberikan objektifitas yang lebih besar.
Disamping itu metode peramalan juga memberikan urutan pengerjaan dan
pemecahan atas pendekatan suatu masalah dalam peramalan yang teratur dan
terarah sehingga dengan demikian dapat dimungkinkannya pengguna teknik-teknik
penganalisaan yang lebih maju. Dengan penggunaan teknik-teknik tersebut, maka
 II-23

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

3.1 Prosedur Praktikum

 Peralatan dan Bahan

Alat yang digunakan untuk praktikum ini adalah dengan menggunakan

Software POM for Windows.

 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.

3.2 Pengumpulan Data

Pabrik Bolpoint ingin melakukan peramalan terhadap permintaan untuk 2 tahu
ke depan (24 bulan) menggunakan forecasting. Data yang dibutuhkan untuk
meramalkan adalah data permintaan pada masa lalu atau lebih sering disebut
demand yang mana sebagai berikut ini :

III-24
 III-25

Tabel 3.1 Data Demand

Period Demand
e
1 12701
2 12133
3 13515
4 10726
5 14617
6 15417
7 13370
8 9470
9 13953
10 14324
11 13572
12 15010
13 17262
14 15112
15 13785
16 14219
17 12926
18 17435
19 11989
20 14097
21 12178
22 14654
23 11406
24 16809

Tabel 3.2 Data Demand Nomor Kelompok

Period Period Period Period
Demand Demand Demand Demand
e e e e
1 12701+NK 7 13370 13 17262 19 11989
2 12133 8 9470+NK 14 15112 20 14097
13785+N
3 13515 9 13953 15 21 12178+NK
K
4 10726+NK 10 14324 16 14219 22 14654
12926+N
5 14617 11 13572+NK 17 23 11406+NK
K
6 15417 12 15010 18 17435 24 16809
III-25
 III-26

Tabel 3.3 Data Demand Konversi Nomor Kelompok

Period Demand
e
1 12701+4 = 12705
2 12133
3 13515
4 10726+ 4 = 10730
5 14617
6 15417
7 13370
8 9470+4 = 9474
9 13953
10 14324
11 13572+4=13576
12 15010
13 17262
14 15112
15 13785+4=13789
16 14219
17 12926+4=12930
18 17435
19 11989
20 14097
21 12178+4=12182
22 14654
23 11406+4=11410
24 16809

3.3 Pengolahan Data

Data demand pada Pabrik Bolpoint diolah dengan menggunakan
bantuan software POM QM Versi 5.2 yang mana langkah-langkahnya
adalah sebagai berikut :
1. Buka aplikasi atau Software POM QM
2. Klik modul (Forecasting)
 III-27

Gambar 3.1 Tampilan Aplikasi POM QM

3. Klik file New

4. Klik edit (Time Series Analys)

Gambar 3.2 Tampilan Time Series Analys

5. Title dapat di isi dengan format : NAMA DEPAN_PRAKTIKAN

(Pabrik Bolpoint).
6. Number of Past Periods bisa di isi 24 (karena 24 periode perencanaan).
7. Row names pilih yang angka (1, 2, 3, 4, 5, …).
 III-28

8. Klik Ok.

A. Regresi Linier dengan Metode Trend Analysis (regress over time)

1. Masukkan data Demand
2. Untuk sesi pertama Pilih Metode Trend Analysis (regress over time)

Gambar 3.3 Tampilan Input Data Demand

3. Pilih Solve
 III-29

4. Hasil running

Gambar 3.4 Tampilan Data Result

5. Klik tanda setrip (-)

Gambar 3.5 Tampilan Tanda Setrip

6. Atau klik Solution

7. Klik Details and Error Analysis

Gambar 3.6 Tampilan Solution

 III-30

Gambar 3.7 Tampilan Detail and Error Analysis

8. Klik Solution
9. Klik Graph
 III-31

Gambar 3.8 Tampilan Solution

Gambar 3.9 Tampilan Grafik Regress Over Time

B. Simple Average dengan Metode Naive Method

1. Klik Edit

Gambar 3.10 Tampilan Edit Data

 III-32

2. Untuk sesi kedua Pilih Metode Naive Method

Gambar 3.11 Tampilan Pengisian Metode

3. Pilih Solve
4. Hasil running

Gambar 3.12 Tampilan Data Result

 III-33

5. Klik tanda setrip (-)

Gambar 3.13 Tampilan Tanda Setrip

6. Atau klik Solution

7. Klik Details and Error Analysis

Gambar 3.14 Tampilan Solution

 III-34

Gambar 3.15 Tampilan Detail and Error Analysis

8. Klik Solution
9. Klik Graph

Gambar 3.16 Tampilan Solution

 III-35

Gambar 3.17 Tampilan Grafik Naive Method

C. Moving Average
1. Klik Edit

Gambar 3.18 Tampilan Edit Data

2. Untuk sesi kedua Pilih Metode Moving Average

3. Perioeds to average diisi 1
 III-36

Gambar 3.19 Tampilan Pengisian Metode

4. Pilih Solve
5. Hasil running

Gambar 3.20 Tampilan Data Result

 III-37

6. Klik tanda setrip (-)

Gambar 3.21 Tampilan Tanda Setrip

7. Atau klik Solution

8. Klik Details and Error Analysis

Gambar 3.22 Tampilan Solution

 III-38

Gambar 3.23 Tampilan Detail and Error Analysis

9. Klik Solution
10. Klik Graph

Gambar 3.24 Tampilan Solution

 III-39

Gambar 3.25 Tampilan Grafik Moving Average

D. Weighted Moving Average

1. Klik Edit

Gambar 3.26 Tampilan Edit Data

2. Untuk sesi kedua Pilih Metode Weighted Moving Average

3. Perioeds to average diisi 2
4. Weighted diisi 1 untuk most recent period dan 2 untuk 2nd most recent
period
 III-40

Gambar 3.27 Tampilan Pengisian Metode

5. Pilih Solve
6. Hasil running

Gambar 3.28 Tampilan Data Result

 III-41

7. Klik tanda setrip (-)

Gambar 3.29 Tampilan Tanda Setrip

8. Atau klik Solution

9. Klik Details and Error Analysis

Gambar 3.30 Tampilan Solution

 III-42

Gambar 3.31 Tampilan Detail and Error Analysis

10. Klik Solution

11. Klik Graph

Gambar 3.32 Tampilan Solution

 III-43

Gambar 3.33 Tampilan Grafik Weighted Moving Average

E. Eksponential Smoothing
1. Klik Edit

Gambar 3.34 Tampilan Edit Data

2. Untuk sesi kedua Pilih Metode Eksponential Smoothing

3. Alpha for smooting diisi 0,50
 III-44

Gambar 3.35 Tampilan Pengisian Metode

4. Pilih Solve
5. Hasil running

Gambar 3.36 Tampilan Data Result

 III-45

6. Klik tanda setrip (-)

Gambar 3.37 Tampilan Tanda Setrip

7. Atau klik Solution

8. Klik Details and Error Analysis

Gambar 3.38 Tampilan Solution

 III-46

Gambar 3.39 Tampilan Detail and Error Analysis

9. Klik Solution
10. Klik Graph

Gambar 3.40 Tampilan Solution

 III-47

Gambar 3.41 Tampilan Grafik Eksponential Smoothing

F. Eksponential Smoothing With Trend

1. Klik Edit

Gambar 3.42 Tampilan Edit Data

2. Untuk sesi kedua Pilih Metode Eksponential Smoothig with Trend

3. Alpha for smooting diisi 0,50
4. Beta for smoothing diisi 0,50
 III-48

Gambar 3.43 Tampilan Pengisian Metode

5. Pilih Solve
6. Hasil running

Gambar 3.44 Tampilan Data Result

 III-49

7. Klik tanda setrip (-)

Gambar 3.45 Tampilan Tanda Setrip

8. Atau klik Solution

9. Klik Details and Error Analysis

Gambar 3.46 Tampilan Solution

 III-50

Gambar 3.47 Tampilan Detail and Error Analysis

10. Klik Solution

11. Klik Graph

Gambar 3.48 Tampilan Solution

 III-51

Gambar 3.49 Tampilan Grafik Eksponential Smoothing

 Article IV. BAB IV
ANALISIS DATA

4.1 Hasil Penelitian

Pengambilan data tentang produk yang dilakukan pada Pabrik
Bolpoint. Data yang diambil adalah data produksi di Pabrik Bolpoint.
Penggunaan model Regresi Linier sederhana, Simple Average, Moving
Average, Weighted Moving Average, Eksponential Smoothing yaitu Single
Eksponential Smoothing dan Eksponential Smoothing With Linear Trend.
Berdasarkan langkah-langkah yang telah dijabarkan pada bab III di atas
terhadap data produk diperoleh hasil sebagai berikut.

4.2 Analisis Data di Pabrik Bolpoint

1. Model Regresi Linier sederhana
Data result di Pabrik Bolpoint menggunakan model Regresi Linier
sederhana dengan parameter metode Trend Analysis (regress over time)
menggunakan program POM QM diperoleh hasil Error Measure dengan
forecast sebesar 14.622,25, Bias (Mean Error) memperoleh hasil yaitu
value 0 dengan periode 26 dan forecast sebesar 14.689,66, MAD
memperoleh hasil yaitu value 1.403,016 dengan periode 27 dan forecast
sebesar 14.757,07, MSE memperoleh hasil yaitu value 3.339.018 dengan
periode 28 dan forecast sebesar 14.757,07, Standard Error memperoleh
hasil yaitu value 1.925,622 dengan periode 29 dan forecast sebesar
14.891,88, MAPE memperoleh hasil yaitu value 10,684% dengan periode
30 dan forecast sebesar 14.959,29, Regretion Line memperoleh hasil
forecast sebesar 15.026,69, Demand (y) = 12.937,08 memperoleh hasil
forecast sebesar 15.094,1, Time memperoleh hasil forecast sebesar
15.161,51, Statistics memperoleh hasil forecast sebesar 15.226,92,
Correlation Coefficient memperoleh hasil yaitu value 0,245 dengan

IV-52
 IV-53

periode 35 dan forecast sebesar 15.296,32, serta Coefficient Of

Determination memperoleh hasil yaitu value 0,06 dengan periode 36
forecast sebesar 15.363,73.
Regresi Linier sederhana menggunakan metode Trend Analysis
(Regress Over Time) mendapatkan forecasting (peramalan) untuk periode
1-24 di antaranta adalah sebagai berikut:

Tabel 4.1 Forecasting Menggunakan Metode Trend Analysis (Regress

Over Time)
Periode Forecasting
1 13004,49
2 13071,89
3 13139,3
4 13206,71
5 13274,12
6 13341,52
7 13408,93
8 13476,34
9 13543,74
10 13611,15
11 13678,56
12 13745,96
13 13813,37
14 13880,78
15 13948,18
16 14015,59
17 14083
18 14150,4
19 14217,81
20 14285,22
21 14352,63
22 14420,03
23 14487,44
24 14554,85
Next Period 14622,25
 IV-54

Adapun grafik dari hasil regresi linier sederhana menyatakan

bahwa grafik permintaan dan peramalan yang dibuat dengan software
POM QM. Garis berwarna hitam menunjukkan permintaan yang terjadi
dan garis berwarna biru menunjukkan hasil peramalan menggunakan
metode trend analysis (regress over time).

2. Model Simple Average

Data result di Pabrik Bolpoint menggunakan model Simple
Average dengan parameter metode Naïve Method menggunakan program
POM QM diperoleh hasil Error Measure yaitu Bias (Mean Error)
memperoleh hasil yaitu value sebesar 178,435, MAD memperoleh hasil
yaitu value 2.388,435, MSE memperoleh hasil yaitu value sebesar
8.046.312, Standard Error memperoleh hasil yaitu value sebesar
2.968,607, MAPE memperoleh hasil yaitu value 17,743%, dan
Forecasting next period sebesar 16.809.
Simple Average menggunakan metode Naïve Method mendapatkan
forecasting (peramalan) untuk periode 1-24 di antaranta adalah sebagai
berikut:
Tabel 4.2 Forecasting Menggunakan Metode Naïve Method

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

Tabel 4.2 Lanjutan Forecasting Menggunakan Metode Naïve Method

Periode Forecasting
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

Adapun grafik dari hasil Simple Average sederhana menyatakan

bahwa grafik permintaan dan peramalan yang dibuat dengan software
POM QM. Garis berwarna hitam menunjukkan permintaan yang terjadi
dan garis berwarna biru menunjukkan hasil peramalan menggunakan
metode Naïve Method.

3. Metode Moving Average

Data result di Pabrik Bolpoint menggunakan model Moving
Average dengan parameter metode Moving Average menggunakan
program POM QM diperoleh hasil Error Measure yaitu Bias (Mean
Error) memperoleh hasil yaitu value sebesar 178,435, MAD memperoleh
hasil yaitu value 2.388,435, MSE memperoleh hasil yaitu value sebesar
8.046.312, Standard Error memperoleh hasil yaitu value sebesar
2.968,607, MAPE memperoleh hasil yaitu value 17,743%, dan
Forecasting next period sebesar 16.809.
Moving Average menggunakan metode Moving Average
mendapatkan forecasting (peramalan) untuk periode 1-24 di antaranta
adalah sebagai berikut:
 IV-56

Tabel 4.3 Forecasting Menggunakan Metode Moving Average

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

Adapun grafik dari hasil Moving Average sederhana menyatakan

bahwa grafik permintaan dan peramalan yang dibuat dengan software
POM QM. Garis berwarna hitam menunjukkan permintaan yang terjadi
dan garis berwarna biru menunjukkan hasil peramalan menggunakan
metode Moving Average.
 IV-57

4. Metode Weighted Moving Average

Data result di Pabrik Bolpoint menggunakan model Weighted
Moving Average dengan parameter metode Weighted Moving Average
menggunakan program POM QM diperoleh hasil Error Measure yaitu
Bias (Mean Error) memperoleh hasil yaitu value sebesar 173,303, MAD
memperoleh hasil yaitu value 1.997,756, MSE memperoleh hasil yaitu
value sebesar 5.536.521, Standard Error memperoleh hasil yaitu value
sebesar 2.467,828, MAPE memperoleh hasil yaitu value 14,81%, dan
Forecasting next period sebesar 13.209,67.
Weighted Moving Average menggunakan metode Weighted Moving
Average mendapatkan forecasting (peramalan) untuk periode 1-24 di
antaranta adalah sebagai berikut:
Tabel 4.4 Forecasting Menggunakan Metode Weighted Moving Average
Periode Forecasting
1  
2  
3 12514,33
4 12593,67
5 12586,67
6 12025,67
7 14883,67
8 14734,67
9 12071,33
10 10967
11 14076,67
12 14074,67
13 14054
14 15760,67
15 16545,33
16 14671
17 13932,33
18 13789,33
19 14431,67
20 15619,67
 IV-58

Tabel 4.4 Lanjutan Forecasting Menggunakan Metode Weighted Moving

Average
Periode Forecasting
20 15619,67
21 12691,67
22 13458,67
23 13006
24 13572,67
Next Period 13209,67

Adapun grafik dari hasil Weighted Moving Average sederhana

menyatakan bahwa grafik permintaan dan peramalan yang dibuat dengan
software POM QM. Garis berwarna hitam menunjukkan permintaan yang
terjadi dan garis berwarna biru menunjukkan hasil peramalan
menggunakan metode Weighted Moving Average.

5. Metode Eksponential Smoothing

Data result di Pabrik Bolpoint menggunakan model Eksponential
Smoothing dengan parameter metode Eksponential Smoothing
menggunakan program POM QM diperoleh hasil Error Measure yaitu
Bias (Mean Error) memperoleh hasil yaitu value sebesar 175,306, MAD
memperoleh hasil yaitu value 1.923,636, MSE memperoleh hasil yaitu
value sebesar 5.174.823, Standard Error memperoleh hasil yaitu value
sebesar 2.380,685, MAPE memperoleh hasil yaitu value 14,342%, dan
Forecasting next period sebesar 14.721,02.
Eksponential Smoothing menggunakan metode Eksponential
Smoothing mendapatkan forecasting (peramalan) untuk periode 1-24 di
antaranta adalah sebagai berikut:

Tabel 4.5 Forecasting Menggunakan Metode Eksponential Smoothing

Periode Forecasting
1  
2 12705
 IV-59

Tabel 4.5 Lanjutan Forecasting Menggunakan Metode Eksponential Smoothing

Periode Forecasting
3 12419
4 12967
5 11848,5
6 13232,75
7 14324,88
8 13847,44
9 11660,72
10 12806,86
11 13565,43
12 13570,71
13 14290,36
14 15776,18
15 15444,09
16 14616,54
17 14417,77
18 13673,89
19 15554,44
20 13771,72
21 13934,36
22 13058,18
23 13856,09
24 12633,04
Next Period 14.721,02

Adapun grafik dari hasil Eksponential Smoothing menyatakan

bahwa grafik permintaan dan peramalan yang dibuat dengan software
POM QM. Garis berwarna hitam menunjukkan permintaan yang terjadi
dan garis berwarna biru menunjukkan hasil peramalan menggunakan
metode Eksponential Smoothing.

6. Metode Eksponential Smoothing With Trend

Data result di Pabrik Bolpoint menggunakan model Eksponential
Smoothing With Trend dengan parameter metode Eksponential Smoothing
With Trend dengan alpha 0,50 dan beta 0,50 menggunakan program POM
 IV-60

QM diperoleh hasil Error Measure yaitu Bias (Mean Error) memperoleh

hasil yaitu value sebesar 126,444, MAD memperoleh hasil yaitu value
2.241,815, MSE memperoleh hasil yaitu value sebesar 6.789.066,
Standard Error memperoleh hasil yaitu value sebesar 2.726,838, MAPE
memperoleh hasil yaitu value 16,631%, dan Forecasting next period
sebesar 15.101,78.
Eksponential Smoothing With Trend menggunakan metode
Eksponential Smoothing With Trend mendapatkan forecasting (peramalan)
untuk periode 1-24 di antaranta adalah sebagai berikut:

Tabel 4.6 Forecasting Menggunakan Metode Eksponential Smoothing

With Trend
Adjusted
Periode
Forecasting
1  
2 12705
3 12276
4 13062,25
5 11479,81
6 13416,39
7 15284,83
8 14716,84
9 11174,14
10 12337
11 13600,68
12 13852,35
13 14984,6
14 17246,07
15 16768,29
16 15123,08
17 14289,45
18 12888,28
19 15576,87
20 13301,2
21 13416,31
22 12207,79
 IV-61

Tabel 4.6 Lanjutan Forecasting Menggunakan Metode Eksponential

Smoothing With Trend

Adjusted
Periode
Forecasting

23 13451,08

24 11940,46

Next Period 15.101,78

Adapun grafik dari hasil Eksponential Smoothing With Trend

menyatakan bahwa grafik permintaan dan peramalan yang dibuat dengan
software POM QM. Garis berwarna hitam menunjukkan permintaan yang
terjadi dan garis berwarna biru menunjukkan hasil peramalan
menggunakan metode Eksponential Smoothing With Trend.
 Article V. BAB V
KESIMPULAN

Analisis dengan menggunakan software POM QM dapat mengetahui

hal-hal berikut:

1. Berdasarkan pengujian terhadap tingkat error dari enam metode

peramalan time series yaitu metode regresi linier sederhana dengan
metode trend analysis (regress over time), simple average dengan metode
naïve, moving average, weighted moving average, exponential smoothing,
dan exponential smoothing with trend, metode peramalan permintaan
yang paling tepat dalam memprediksi permintaan pada produk Bolpoint
adalah regresi linier sederhana dengan parameter metode trend analysis
(regress over time) karena metode tersebut menghasilkan ranking terbaik
diantara enam metode time series analysis yang diuji dan memiliki tingkat
error terkecil dengan MAD sebesar 1.403,016, MSE sebesar 3.339.018,
dan MAPE sebesar 10,684%.

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

1. Ahfriyanto, D., (2012), Analisis Peramalan Penjualan Produk Cat Envitex

Type Brilliant White Pada Kemasan Galon Di PT. INDACO Coastings
Industry Karanganyar, Tugas Akhir, Program Studi Diploma III
Manajemen Bisnis, Universitas Sebelas Maret.
2. Cristhopher, K., (2018), Analisis Peramalan Permintaan Dan Safety Stock
Produk Semen Gresik Di PT. Wira Mega Sejati, Skripsi, Program Studi
Sarjana Ekonomi, Universitas Multimedia Nusantara.
3. Modul Forecasting STT Bandung.

viii