MODUL II
“PERAMALAN PERMINTAAN”
No. Kelompok : 27
UNIVERSITAS TRISAKTI
JAKARTA
2020
KATA PENGANTAR
Kelompok 27
i
DAFTAR ISI
ii
III.7 Studi Kasus dan Analisa ............................................................................................ III-63
BAB IV ANALISA HASIL ................................................................................................... IV-1
IV.1 Analisa Plot Data Permintaan ...................................................................................... IV-1
IV.2 Analisa Pengujian Metode Peramalan Permintaan ...................................................... IV-2
IV.3 Analisa Tingkat Akurasi Model Peramalan ................................................................. IV-5
IV.4 Analisa Tracking Signal............................................................................................... IV-6
IV.5 Analisa Peramalan Permintaan 6 Periode .................................................................... IV-7
IV.6 Analisa Pemanfaatan WINQSB dalam Peramalan Permintaan ................................... IV-8
BAB V KESIMPULAN DAN SARAN .................................................................................. V-1
V.1 Kesimpulan .................................................................................................................... V-1
V.2 Saran .............................................................................................................................. V-1
DAFTAR PUSTAKA ................................................................................................................. iv
LAMPIRAN................................................................................................................................. v
iii
BAB I
PENDAHULUAN
I.1 Tujuan
1. Mengidentifikasi pola data permintaan yang sesuai dengan plot data berdasakan
asumsi 48 data pada produk Truk Dump.
2. Mengidentifikasi metode peramalan terbaik yang sesuai dengan plot data berdasakan
asumsi 48 data pada produk Truk Emergency.
3. Menentukan peramalan untuk 6 bulan kedepan pada produk Loko Dump.
4. Menentukan nilai a dan b pada produk Loko Emergency dengan metode Regresi
Linier
5. Menentukan nilai MSE, MAD, dan MAPE produk Truk Dump dengan metode
Regresi Linier.
6. Menentukan nilai MAPE pada produk Loko Emergency dengan metode DMA.
7. Menentukan peramalan untuk 6 bulan kedepan pada produk Loko Dump.
I.2 Pembatas Masalah
1. Menggunakan WinQSB untuk melakukan pengolahan data permintaan.
2. Menggunakan Produk mainan kayu Truck Dump, Truck Emergency, Loko Dump,
Loko Emergency sebagai acuan produk.
3. Menggunakan 48 periode asumsi data.
4. Menggunakan 4 pola data pada peramalan, yaitu pola data horizontal, pola data trend,
pola data siklis dan pola data musiman.
5. Menggunakan nilai alpha 0.2, 0.5 dan 0.9 pada metode Single Exponential Smoothing
dan Double Exponential Smoothing.
6. Menggunakan nilai N sebesar 3, 5, 9 untuk digunakan pada Double Moving Average.
7. Menggunakan metode MSE, MAPE, dan MAD untuk menghitung tingkat akurasi
peramalan.
8. Menggunakan tracking signal untuk menentukan metode peramalan terbaik.
9. Menggunakan nilai UCL 4 dan LCL -4 pada perhitungan tracking signal.
I-1
I-2
Laporan Modul II Peramalan Permintaan
10. Menggunakan N sebesar 2, 5, 9 untuk digunakan pada metode Single Moving Average.
Pendahuluan
Tujuan Penelitian
Pembatas Masalah
Pengambilan Data
Pengolahan Data
Analisa Data
End
II-1
II-2
Laporan Modul II Peramalan Permintaan
• Start
Berisi intruksi untuk persiapan yang diperlukan sebelum menangani pemecahan
masalah.
• Pendahuluan
Sebelum melakukan praktikum, praktikan mempelajari terlebih dahulu materi yang
akan diberikan. Selain itu juga mendapat tugas sebelum praktikum dan kuis yang
diberikan sebelum praktikum dimulai.
• Tujuan Penelitian
Tujuan praktikum tersebut adalah untuk mengetahui jenis pola data, metode
peramalan permintaan, tingkat akurasi metode peramalan, tracking signal, dan
peramalan permintaan untuk 6 periode kedepan.
• Pembatasan Masalah
Saat praktikum berlangsung menggunakan aplikasi berupa WINQSB untuk
membantu melihat data yang sudah dihitung akurat atau tidak. Menggunakan 3 jenis
pola data yaitu horizontal, seasonal, dan trend.
• Pembentukan Metode Penelitian
Dilakukan untuk mengetahui cara-cara yang akan dilakukan selama melakukan
peramalan.
• Pengolahan Data
Merupakan proses manipulasi data ke dalam bentuk yang lebih berarti berupa
informasi, sedangkan informasi adalah hasil dari kegiatan-kegiatan pengolahan data
yang memberikan bentuk yang lebih berarti dari suatu kegiatan peristiwa.
• Analisa Data
Melakukan analisa dari pengolahan data yang sudah didapatkan sehingga dapat jenis
pola data, metode peramalan, metode terbaik dan peramalan untuk 6 periode kedepan
pada ke empat produk.
• Kesimpulan dan Saran
Pendahuluan
Tujuan Penelitian
Pembatasan Masalah
Asumsi Masalah
Pengolahan Data
Plot Data
Pengujian Tingkat
Akurasi
No
Tracking
Signal
Yes
Peramalan 6 Bulan
Finish
Truk Emergency
380
360
340
320
Truk Emergency
300
280
260
1 4 7 10131619222528313437404346
III-1
III-2
Laporan Modul II Peramalan Permintaan
Truk Dump
350
345
340
Truk Dump
335
330
325
1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46
Loko Emergency
300
250
200
150
Loko Emergency
100
50
0
1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46
Loko Dump
300
250
200
150
Loko Dump
100
50
0
1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46
35 339 11865 1225 331,75 7,25 -13 7,25 488,2 52,56 2,14
36 350 12600 1296 331,7 18,3 5,3 18,3 506,5 334,89 5,23
37 360 13320 1369 331,65 28,35 33,65 28,35 534,85 803,72 7,88
38 318 12084 1444 331,6 -13,6 20,05 13,6 548,45 184,96 4,28
39 320 12480 1521 331,55 -11,55 8,5 11,55 560 133,4 3,61
40 330 13200 1600 331,5 -1,5 7 1,5 561,5 2,25 0,45
41 339 13899 1681 331,45 7,55 14,55 7,55 569,05 57 2,23
42 305 12810 1764 331,4 -26,4 -11,85 26,4 595,45 696,96 8,66
43 333 14319 1849 331,35 1,65 -10,2 1,65 597,1 2,72 0,5
44 355 15620 1936 331,3 23,7 13,5 23,7 620,8 561,69 6,68
45 343 15435 2025 331,25 11,75 25,25 11,75 632,55 138,06 3,43
46 334 15364 2116 331,2 2,8 28,05 2,8 635,35 7,84 0,84
47 322 15134 2209 331,15 -9,15 18,9 9,15 644,5 83,72 2,84
48 312 14976 2304 331,1 -19,1 -0,2 19,1 663,6 364,81 6,12
1176 15949 390290 38024 663,6 13006 201,37
b -0,05
a 333,5
MAD 13,83
MAPE 4,2
MSE 270,97
344,7
13 344 -0,76 -0,8 0,76 8,82 0,58 0,22
6
341,3
14 342 0,62 -0,18 0,62 9,44 0,38 0,18
8
15 339 338 1 0,82 1 10,44 1 0,29
16 337 338 -1 -0,18 1 11,44 1 0,3
334,6
17 335 0,38 0,2 0,38 11,82 0,14 0,11
2
18 339 338 1 1,2 1 12,82 1 0,29
19 337 338 -1 0,2 1 13,82 1 0,3
334,6
20 335 0,38 0,58 0,38 14,2 0,14 0,11
2
334,6
21 335 0,38 0,96 0,38 14,58 0,14 0,11
2
334,6
22 334 -0,62 0,34 0,62 15,2 0,38 0,19
2
334,6
23 335 0,38 0,72 0,38 15,58 0,14 0,11
2
344,7
24 344 -0,76 -0,04 0,76 16,34 0,58 0,22
6
345,7
25 345 -0,78 -0,82 0,78 17,12 0,61 0,23
8
342,3
26 343 0,61 -0,21 0,61 17,73 0,37 0,18
9
27 340 339 1 0,79 1 18,73 1 0,29
28 338 339 -1 -0,21 1 19,73 1 0,3
335,6
29 336 0,39 0,18 0,39 20,12 0,15 0,12
1
30 340 339 1 1,18 1 21,12 1 0,29
31 338 339 -1 0,18 1 22,12 1 0,3
335,6
32 336 0,39 0,57 0,39 22,51 0,15 0,12
1
335,6
33 336 0,39 0,96 0,39 22,9 0,15 0,12
1
335,6
34 335 -0,61 0,35 0,61 23,51 0,37 0,18
1
335,6
35 336 0,39 0,74 0,39 23,9 0,15 0,12
1
345,7
36 345 -0,78 -0,04 0,78 24,68 0,61 0,23
8
41 269 268,87 268,72 269,02 1,35 270,59 -1,59 1,78 1,59 38,28 2,53 0,59
42 270 269,89 269,77 270,01 1,08 270,37 -0,37 1,41 0,37 38,65 0,14 0,14
43 271 270,89 270,78 271 0,99 271,09 -0,09 1,32 0,09 38,74 0,01 0,03
44 271 270,99 270,97 271,01 0,18 271,99 -0,99 0,33 0,99 39,73 0,98 0,37
45 272 271,9 271,81 271,99 0,81 271,19 0,81 1,14 0,81 40,54 0,66 0,3
46 273 272,89 272,78 273 0,99 272,8 0,2 1,34 0,2 40,74 0,04 0,07
47 274 273,89 273,78 274 0,99 273,99 0,01 1,35 0,01 40,75 0 0
48 276 275,79 275,59 275,99 1,8 274,99 1,01 2,36 1,01 41,76 1,02 0,37
41,76 79,38 17,05
MAD 0,89
MAPE 0,36
MSE 1,69
41 263 262,98 262,94 263,02 0,36 264,79 -1,79 0,71 1,79 36,51 3,2 0,68
42 263 263 262,99 263,01 0,09 263,38 -0,38 0,33 0,38 36,89 0,14 0,14
43 266 265,7 265,43 265,97 2,43 263,1 2,9 3,23 2,9 39,79 8,41 1,09
44 268 267,77 267,54 268 2,07 268,4 -0,4 2,83 0,4 40,19 0,16 0,15
45 270 269,78 269,56 270 1,98 270,07 -0,07 2,76 0,07 40,26 0 0,03
46 271 270,88 270,75 271,01 1,17 271,98 -0,98 1,78 0,98 41,24 0,96 0,36
47 271 270,99 270,97 271,01 0,18 272,18 -1,18 0,6 1,18 42,42 1,39 0,44
48 274 273,7 273,43 273,97 2,43 271,19 2,81 3,41 2,81 45,23 7,9 1,03
45,23 72,16 19,06
MAD 0,96
MSE 1,54
MAPE 0,41
• Truk Dump
Tabel Metode Peramalan Terbaik
Akurasi Tingkat
Metode Peramalan Ket
MAPE MSE MAD
tidak
Dekomposisi 0,09 0,17 0,31
layak
Seasonal 0,2 0,56 0,69 layak
• Loko Emergency
Tabel Metode Peramalan Terbaik
Akurasi Tingkat
Metode Peramalan Ket
MAPE MSE MAD
Seasonal 0,38 1,35 0,93 tidak layak
DES 0,5 0,36 1,33 0,89 tidak layak
DES 0,9 0,36 1,69 0,89 layak
• Loko Dump
Tabel Metode Peramalan Terbaik
Akurasi Tingkat
Metode Peramalan Ket
MAPE MSE MAD
tidak
DES 0,5 0,39 1,27 0,91
layak
32 14,54 -4 4 -0,32
33 14,52 -4 4 -1,27
34 14,15 -4 4 -1,43
35 13,95 -4 4 -0,93
36 14,07 -4 4 0,38
37 14,46 -4 4 2,33
38 14,43 -4 4 1,39
39 14,36 -4 4 0,59
40 14,04 -4 4 0,5
41 13,88 -4 4 1,05
42 14,18 -4 4 -0,84
43 13,89 -4 4 -0,73
44 14,11 -4 4 0,96
45 14,06 -4 4 1,8
46 13,81 -4 4 2,03
47 13,71 -4 4 1,38
48 13,83 -4 4 -0,01
Tracking Signal
5
4
3
2
1
0
-1 1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47
-2
-3
-4
-5
LCL UCL TS
33 0,69 -4 4 1,39
34 0,69 -4 4 0,51
35 0,68 -4 4 1,09
36 0,69 -4 4 -0,06
37 0,69 -4 4 -1,22
38 0,69 -4 4 -0,35
39 0,69 -4 4 1,1
40 0,7 -4 4 -0,34
41 0,69 -4 4 0,23
42 0,7 -4 4 1,66
43 0,71 -4 4 0,23
44 0,7 -4 4 0,8
45 0,7 -4 4 1,37
46 0,69 -4 4 0,52
47 0,69 -4 4 1,1
48 0,69 -4 4 -0,06
Tracking Signal
5
4
3
2
1
0
-1 1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49
-2
-3
-4
-5
LCL UCL TS
33 0,95 -4 4 2,43
34 0,94 -4 4 1,62
35 0,92 -4 4 1,46
36 0,9 -4 4 1,5
37 0,9 -4 4 0,4
38 0,88 -4 4 0,19
39 0,88 -4 4 1,33
40 0,92 -4 4 3,66
41 0,93 -4 4 1,91
42 0,92 -4 4 1,53
43 0,9 -4 4 1,47
44 0,9 -4 4 0,37
45 0,9 -4 4 1,27
46 0,89 -4 4 1,51
47 0,87 -4 4 1,55
48 0,87 -4 4 2,71
Tracking Signal
5
4
3
2
1
0
-1 1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47
-2
-3
-4
-5
LCL UCL TS
33 0,95 -4 4 1,68
34 0,93 -4 4 1,53
35 0,91 -4 4 1,57
36 0,88 -4 4 1,64
37 0,88 -4 4 2,78
38 0,87 -4 4 3,06
39 0,87 -4 4 1,93
40 0,87 -4 4 2,87
41 0,89 -4 4 0,8
42 0,88 -4 4 0,38
43 0,93 -4 4 3,47
44 0,91 -4 4 3,11
45 0,89 -4 4 3,1
46 0,9 -4 4 1,98
47 0,9 -4 4 0,67
48 0,94 -4 4 3,63
Tracking Signal
5
4
3
2
1
0
-1 1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47
-2
-3
-4
-5
LCL UCL TS
b -0,4038
a 341,17
Peramalan 6 Bulan
Kedepan
t Fi = a+bt Unit
49 321,384 322
50 320,98 321
51 320,576 321
52 320,172 321
53 319,769 320
54 319,365 320
3. Pilih Moving Average (MA), isi Number of periodes to forecast dengan 6 dan
Number of periods in average dengan 2. Kemudian klik OK.
SMA N = 2
SMA N = 5
Grafik SMA N = 5
SMA N = 9
Grafik SMA N = 9
SES 0,2
SES 0,5
SES 0,9
• Truk Dump
Regresi Linier
1. Klik New Problem kemudian pilih Problem Type Time Series Forecasting dan isi
Problem Tittle dengan nama produk, Time Unit dengan month, Number of Time
Units (Periods) dengan 48.
2. Masukkan data permintaan asumsi historis produk Truk Dump kedalam WINQSB.
3. Pilih Linier regression with time (LR) isi Number of periodes to forecast dengan 6.
Kemudian klik OK.
• Loko Emergency
Regresi Linier
1. Klik New Problem kemudian pilih Problem Type Time Series Forecasting dan isi
Problem Tittle dengan nama produk, Time Unit dengan month, Number of Time
Units (Periods) dengan 48.
3. Pilih Linier regression with time (LR) isi Number of periodes to forecast dengan 6.
Kemudian klik OK.
• Loko Dump
Regresi Linier
6. Klik New Problem kemudian pilih Problem Type Time Series Forecasting dan isi
Problem Tittle dengan nama produk, Time Unit dengan month, Number of Time
Units (Periods) dengan 48.
7. Masukkan data permintaan asumsi historis produk Loko Dump kedalam WINQSB.
8. Pilih Linier regression with time (LR) isi Number of periodes to forecast dengan 6.
Kemudian klik OK.
Demand
350
300
250
200
150
100
50
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Regresi Linier
t y(t) ty(t) t^2 Fi ei cum ei |ei| cum |ei| |ei|^2 |ei|/yt*100
1 215 215 1 239,48 -24,48 -24,48 24,48 24,48 599,27 11,39
2 265 530 4 241,09 23,91 -0,57 23,91 48,39 571,69 9,02
3 259 777 9 242,7 16,3 15,73 16,3 64,69 265,69 6,29
4 210 840 16 244,31 -34,31 -18,58 34,31 99 1177,18 16,34
5 272 1360 25 245,92 26,08 7,5 26,08 125,08 680,17 9,59
6 247 1482 36 247,53 -0,53 6,97 0,53 125,61 0,28 0,21
7 225 1575 49 249,14 -24,14 -17,17 24,14 149,75 582,74 10,73
8 207 1656 64 250,75 -43,75 -60,92 43,75 193,5 1914,06 21,14
9 281 2529 81 252,36 28,64 -32,28 28,64 222,14 820,25 10,19
10 265 2650 100 253,97 11,03 -21,25 11,03 233,17 121,66 4,16
11 234 2574 121 255,58 -21,58 -42,83 21,58 254,75 465,7 9,22
12 274 3288 144 257,19 16,81 -26,02 16,81 271,56 282,58 6,14
13 293 3809 169 258,81 34,19 8,17 34,19 305,75 1168,96 11,67
14 273 3822 196 260,42 12,58 20,75 12,58 318,33 158,26 4,61
15 281 4215 225 262,03 18,97 39,72 18,97 337,3 359,86 6,75
16 260 4160 256 263,64 -3,64 36,08 3,64 340,94 13,25 1,4
17 271 4607 289 265,25 5,75 41,83 5,75 346,69 33,06 2,12
18 276 4968 324 266,86 9,14 50,97 9,14 355,83 83,54 3,31
19 232 4408 361 268,47 -36,47 14,5 36,47 392,3 1330,06 15,72
20 293 5860 400 270,08 22,92 37,42 22,92 415,22 525,33 7,82
21 242 5082 441 271,69 -29,69 7,73 29,69 444,91 881,5 12,27
22 244 5368 484 273,3 -29,3 -21,57 29,3 474,21 858,49 12,01
23 275 6325 529 274,91 0,09 -21,48 0,09 474,3 0,01 0,03
24 298 7152 576 276,52 21,48 0 21,48 495,78 461,39 7,21
300 6192 79252 4900 495,78 13355 199,34
b 1,6104
a 237,87
MAD 20,66
MAPE 8,31
MSE 556,46
Tracking Signal
t MAD LCL UCL TS
1 24,48 -4 4 -1
2 24,2 -4 4 -0,02
3 21,56 -4 4 0,73
4 24,75 -4 4 -0,75
5 25,02 -4 4 0,3
6 20,94 -4 4 0,33
7 21,39 -4 4 -0,8
8 24,19 -4 4 -2,52
9 24,68 -4 4 -1,31
10 23,32 -4 4 -0,91
11 23,16 -4 4 -1,85
12 22,63 -4 4 -1,15
13 23,52 -4 4 0,35
14 22,74 -4 4 0,91
15 22,49 -4 4 1,77
16 21,31 -4 4 1,69
17 20,39 -4 4 2,05
18 19,77 -4 4 2,58
19 20,65 -4 4 0,7
20 20,76 -4 4 1,8
21 21,19 -4 4 0,36
22 21,56 -4 4 -1
23 20,62 -4 4 -1,04
24 20,66 -4 4 0
Tracking Signal
5
4
3
2
1
0
-1 1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47
-2
-3
-4
-5
LCL UCL TS
IV-1
IV-2
Laporan Modul II Peramalan Permintaan
total mutlak kuadrat dan nilai error dibagi demand dikali 100nya hingga mencari nilai
MAD,MAPE,dan MSE untuk masing masing table alpha tersebut.
Berdasarkan pola data yang sudah diplot datanya, pada produk Truk Dump
menggunakan metode Regresi Linier, MSM, dan Dekomposisi. Pada 48 data permintaan
produk Truk Dump diramalkan dengan metode Regresi Linier dicari total dari periode, total
demand, perkalian periode dan total demand, dan total kuadrat periode. Setelah itu, mencari
nilai b dengan rumus periode dikalikan total perkalian periode dan total demand dikurangi
total demand dikali total periode dibagi periode dikali total kuadrat dikurang jumlah periode
yang dikuadratkan. Maka didapat nilai b sebesar 0,0492. Kemudian dicari nilai a dengan
rumus total demand dibagi periode dikurang total periode dibagi periode. Maka didapat nilai
a sebesar 337,34. Setelah mendapat nilai a dan b, kemudian meramalkan permintaan di
periode berikutnya dengan rumus a + b (t). Setelah didapatkan data permintaan peramalan
pada periode berikutnya, kemudian dicari nilai error yang didapatkan dari pengurangan data
masa lalu dengan data permintaan peramalan. Kemudian dicari nilai mutlak dari error, mutlak
error kuadrat dan error per-demand dikali 100. Setelah dicari error, kemudian dicari nilai
MAPE, MSE, dan MAD. Nilai MAPE sebesar 0,92, nilai MSE sebesar 13,24 dan nilai MAD
sebesar 3,12. Metode selanjutnya yang digunakan pada Truk Dump adalah MSM. Tabel 1
dipisah data permintaan menjadi 4 tahun. Kemudian Tabel 2 index musimam yang dimana
tahun data permintaan dibagi rata-rata pertahunnya. Kemudian pada Tabel 3, rata-rata Index
Musimam dimana rata-rata dari periode masa lalu dikali dengan rata-rata pada tabel 2 index
musimam. Nilai rata-rata index musiman adalah nilai data peramalan. Setelah itu mencari
nilai error, dimana dari nilai error itu didapatkan nilai MAPE sebesar 0,2, nilai MSE sebesar
0,56, dan nilai MAD sebesar 0,69. Metode selanjutnya yang digunakan pada porduk Truk
Dump digunakan dekomposisi, yang dilakukan beberapa tahap. Setelah mendapatkan nilai
peramalan dicari nilai error untuk mendapatkan nilai MAPE, MSE, dan MAD. Nilai MAPE
sebesar 0,49, nilai MSE sebesar 0,38 dan nilai MAD sebesar 0,49.
Berdasarkan 48 data yang didapat dari Loko Emergency dan sudah di plot datanya
dan merupakan pola data tren, karena data permintaan pada produk Loko Emergency datanya
mengalami kenaikan rata-rata yang sistematis. Metode yang digunakan pada pola data ini
adalah Double Moving Average, Double Exponential Smoothing, Regresi Linier,
Dekomposisi, Multiplicative Seasonal Method. Pada perhitungan regresi liniernya mendapat
nilai a sebesar 218,6 dan nilai b sebesar 1,22, sedangkan untuk nilai MAD mendapat nilai
sebesar 1,17, untuk MAPE sebesar 0,47 dan MSE mendapat nilai sebesar 1,96. Pada DMA
N=3 untuk MAD mendapat sebesar 1, untuk MAPE sebesar 0,4, untuk MSE sebesar 1,53,
kemudian untuk DMA N=5 untuk MAD mendapat sebesar 1,28 , untuk MAPE sebesar 0,51,
untuk MSE sebesar 2,12 dan pada DMA N=9 mendapat MAD sebesar 1,13, untuk MAPE
sebesar 0,44, MSE sebesar 2,1. Sedangkan untuk DES 0,2 untuk MAD mendapat sebesar
1,28, untuk MAPE sebesar 0,53, untuk MSE sebesar 2,82, kemudian untuk DES 0,5
mendapat nilai MAD sebesar 0,89, untuk MAPE sebesar 0,36, untuk MSE sebesar 1,33, dan
untuk DES 0,9 mendapat MAD sebesar 0,89, untuk MAPE sebesar 0,36, untuk MSE sebesar
1,69.
Hampir sama seperti Loko Emergency, pada 48 data yang didapat dari Loko Dump
dan sudah di plot datanya dan merupakan pola data tren, karena data permintaan pada produk
Loko Dump datanya mengalami kenaikan rata-rata yang sistematis. Metode yang digunakan
juga sama seperti Loko Emergency yaitu menggunakan metode seperti Double Moving
Average, Double Exponential Smoothing, Regresi Linier, Dekomposisi, Multiplicative
Seasonal Method. Pada perhitungan regresi liniernya mendapat nilai a sebesar 200,6 dan nilai
b sebesar 1,57, sedangkan untuk nilai MAD mendapat nilai sebesar 1,56, untuk MAPE
sebesar 0,66 dan MSE mendapat nilai sebesar 3,74. Pada DMA N=3 untuk MAD mendapat
sebesar 1,13, untuk MAPE sebesar 0,46, untuk MSE sebesar 1,77, kemudian untuk DMA
N=5 untuk MAD mendapat sebesar 1,02 , untuk MAPE sebesar 0,42, untuk MSE sebesar
1,49 dan pada DMA N=9 mendapat MAD sebesar 1,17, untuk MAPE sebesar 0,46, MSE
sebesar 2,02. Sedangkan untuk DES 0,2 untuk MAD mendapat sebesar 1,48, untuk MAPE
sebesar 0,65, untuk MSE sebesar 3,54, kemudian untuk DES 0,5 mendapat nilai MAD
sebesar 0,91, untuk MAPE sebesar 0,39, untuk MSE sebesar 1,27, dan untuk DES 0,9
mendapat MAD sebesar 0,96, untuk MAPE sebesar 0,41, untuk MSE sebesar 1,54.
MAPE 0.44, MSE 1.74, dan MAD 1.09. metode DES 0.2 dengan nilai MAPE 0.53, MSE
1.96, dan MAD 1.28. kemudian metode Regresi linear didapatkan dengan nilai MAPE 0.47,
MSE 1.96, dan MAD 1.17. Selanjutnya untuk Produk Loko Dump Metode DES 0.5
didapatkan nilai MAPE sebesar 0.39, MSE 1.27, dan MAD 0.91 dengan keterangan tidak
layak, kemudian metode DES 0.9 dengan nilai MAPE 0.41, MSE 1.54, dan MAD 0.96
dengan keterangan Layak atau in-control. . Dengan metode DMA N=5 nilai MAPE 0.42,
MSE 1.49, dan MAD 1.02. dengan DMA N=3 nilai MAPE 0.46, MSE 1.17, dan MAD 1.13.
DMA N=9 nilai MAPE 0.46, MSE 2.02, dan MAD 1.17. dengan metode Seasonal MAPE
yang didapatkan sebesar 0.61, MSE 3.16, dan MAD 1.47. untuk metode DES 0.2 nilai MAPE
0.65, MSE 3.54, dan MAD 1.48, untuk metode Regresi Linear nilai MAPE 0.66, MSE 3.74,
dan MAD 1.56, untuk metode Dekomposisi nilai MAPE 0.66, MSE 3.74, dan MAD 1.56.
IV.4 Analisa Tracking Signal
Tracking Signal biasanya dihitung sebagai jumlah kesalahan peramalan atau biasa
disebut running sum forecast error) dibandingkan dengan nilai MAD. Pada nilai positif
tracking signal biasanya menunjukan bahwa data sebenarnya masih lebih besar dibandingkan
dengan data peramalannya. Sedangkan untuk negatifnya berarti bahwa data sebenernya lebih
kecil dibandingkan data peramalannya. Pada perhitungan Tracking Signal juga bertujuan
untuk memverifikasi metode peramalan Tracking Signal yang dihitung dengan menggunakan
data kumulatif ei mutlak dan tidak mutlak. Metode ini juga memiliki batasan nilai seperti
batas atasnya adalah 4 dan batas bawahnya adalah -4.
Pada produk Truk emergency pertama kali menggunakan metode seasonal, ternyata
pada metode ini tidak layak karena banyak data yang out of control. Kemudian gunakan
metode selanjutnya metode dekomposisi, ternyata metode jni juga tidak layak karena ada
data yg ouf of control. Selanjutnya digunakan metode regresi linier, ternyata metode ini layak
digunakan karena berada pada batas kontrol atau tidak ada data yg in control. Nilai Tsnya
pada periode 1 sampe 48 ada di rentang -2,71 sampai 3,69 yang dimana berada di batas LCL
dan UCL. Sehingga metode ini yang digunakan untuk peramalan 6 bulan kedepan.
V.1 Kesimpulan
1. Jenis pola data permintaan pada produk Truk Dump adalah Seasonal karena pola data
permintaan mengalami kenaikan atau penurunan yang berulang tergantung pada
waktu hari, minggu, bulan.
2. Pada produk Truk Emergency dilakukan peramalan dengan menggunakan metode
Single Exponential Smoothing, Single Moving Average, Regresi Linier, Dekomposisi,
MSM. Metode terbaik yang digunakan pada produk ini adalah Regresi Linier.
3. Jumlah peramalan produk Loko Dump pada periode ke 49 sebesar 332 unit, pada
periode ke 50 sebesar 331, periode ke 51 sebesar 331, periode ke 52 sebesar 331,
periode ke 53 sebesar 331, dan periode ke 54 sebesar 331.
4. Nilai a dan b pada produk Loko Emergency dengan metode Regresi Linier sebesar
218,6 dan 1,2231.
5. Nilai MSE, MAD, dan MAPE pada produk Truk Dump sebesar 13.24, 3.12, dan 0,92.
6. Nilai MAPE pada produk Loko Emergency metode DMA sebesar 0,4
7. Jumlah peramalan produk Loko Dump pada periode ke 49 sebesar 277 unit, pada
periode ke 50 sebesar 279, periode ke 51 sebesar 282, periode ke 52 sebesar 287,
periode ke 53 sebesar 287, dan periode ke 54 sebesar 289.
V.2 Saran
1. Pemberian waktu untuk kuisnya mungkin bisa sedikit diperpanjang karena mungkin
terlalu cepat dan kadang koneksi internet juga kurang bagus sehingga membutuhkan
sedikit tambahan waktu.
2. Menyediakan platform yang lebih baik untuk praktikum online selanjutnya.
V-1
DAFTAR PUSTAKA
1. Bedworth, Davis D., James E. Bailey, Integrated Production Control System : Analysis
Design, 2nd ed., John Willey & Sons, 1987.
2. Fogarty, Donald W, John H. Blanckstone & Thomas R. Hoffmann, : Production &
Inventory Management, 2nd edition, South-Western Publishing Co., 1991
3. Groover, Mikell. P, Automation Production Systems and Computer Integrated
Manufacturing, 2nd ed., Prentice Hall, 2001
4. Krajewski, Lee J., Larry P. Ritzman, Operations Management : Processes and Supply
Chains” 10th Edition, Pearson USA., 2013
5. Makridakis, S., Stevan C. Wheelwright & Victor E. McGee, “Forecasting Methods and
Application, 2nd Edition, John Wiley & Sons, 1983
iv
LAMPIRAN