1. PENDAHULUAN
1.1 Latar Belakang ................................................................................................. 1
1.2 Tujuan Praktikum ............................................................................................. 2
1.3 Batasan Masalah ............................................................................................... 2
1.4 Alat dan Bahan yang Digunakan ...................................................................... 2
1.5 Prosedur Praktikum .......................................................................................... 2
2. KAJIAN LITERATUR
2.1 Peramalan ......................................................................................................... 2
2.2 Langkah Peramalan .......................................................................................... 2
2.3 Prinsip Peramalan ............................................................................................. 2
2.4 Jenis Pola Peramalan ........................................................................................ 2
2.4.1 Pola Data Trend ................................................................................... 2
2.4.2 Pola Data Seasonality .......................................................................... 2
2.4.3 Pola Data Cycles .................................................................................. 2
2.4.4 Pola Data Horizontal ........................................................................... 2
2.5 Uji Kesalahan Peramalan ................................................................................. 4
2.5.1 Mean Absolute Deviation (MAD) ......................................................... 4
2.5.2 Mean Square Error (MSE) ................................................................... 4
2.5.3 Mean Forecast Error ............................................................................ 4
2.5.4 Mean Absolute Percentage Error (MAPE) .......................................... 4
3. HASIL DAN PEMBAHASAN
3.1 Data Permintaan ............................................................................................... 4
3.2 Plot Data Demand ............................................................................................ 4
3.3 Pengolahan Data Win QSB .............................................................................. 5
3.4 Verifikasi Peramalan ........................................................................................ 5
4. KESIMPULAN
i
DAFTAR PUSTAKA
ii
DAFTAR TABEL
iii
DAFTAR GAMBAR
iv
Modul I (Peramalan)
Abstrak – Perkembangan teknologi industri pada saat ini berkembang begitu pesat, sehingga pada
suatu pekerjaan dibutuhkan peramalan untuk pengambilan keputusan, keputusan yang diambil dapat
mempengaruhi keadaan suatu perusahaan dimasa yang akan datang. Peramalan suatu proses untuk
memperkirakan berapa kebutuhan dimasa datang yang meliputi kebutuhan dalam ukuran kuantitas,
kualitas, waktu dan lokasi yang dibutuhkan dalam rangka memenuhi permintaan barang atau jasa. Pada
dasarnya peramalan diperlukan untuk mengetahui jumlah demand suatu produk pada masa yang akan
datang. MAD (Mean Absolute Deviation) adalah rata-rata kesalahan mutlak selama periode tertentu
tanpa memperhatikan apakah hasil peramalan lebih besar atau lebih kecil dari kenyataan, dengan kata
lain MAD adalah rata-rata dari nilai absolut simpangan. Metode yang digunakan pada peramalan yaitu
ada dua metode, metode pertama adalah metode kualitatif dan kedua metode kuantitatif. Pada
pengolahan data manual terdapat nilai MAPE dan SEE, nilai MAPE sebesar 4,301 dan nilai SEE
sebesar 157,53. Pada perhitungan kesalahan peramalan terdapat nilai MSE dan SEE, nilai MSE
sebesar 225417,88 dan nilai SEE sebesar 495,8935.
Abstract – The development of industrial technology is currently growing so rapidly, so that in a job
forecasting is needed for decision making, the decisions taken can affect the state of a company in the
future. Forecasting is a process for estimating how many future needs include needs in terms of quantity,
quality, time and location needed in order to meet the demand for goods or services. Basically,
forecasting is needed to find out the amount of demand for a product in the future. MAD (Mean Absolute
Deviation) is the average absolute error over a certain period regardless of whether the forecast results
are larger or smaller than reality, in other words MAD is the average of the absolute values of deviation.
The method used in forecasting is that there are two methods, the first method is a qualitative method
and the second is a quantitative method. In manual data processing there are MAPE and SEE values,
MAPE values are 4.301 and SEE values are 157.53. In the calculation of forecasting errors there are
MSE and SEE values, the MSE value is 225417,88 and the SEE value is 495,8935.
meningkatkan nilai produk baru dan juga untuk 1.5 Prosedur Praktikum
meningkatkan jumlah produksi. Tujuan Langkah-langkah yang dilakukan selama
peramalan untuk memutuskan apakah praktikum adalah:
permintaan untuk suatu produk cukup untuk 1. definisikan tujuan peramalan
memasuki pasar dan peramalan bertujuan untuk kemudian kumpulkan data masa lalu.
menentukan kapasitas jangka panjang pada 2. Plot data dengan membuatn diangram
perencanaan fasilitas serta peramalan bertujuan pencar.
untuk menentukan permintaan untuk 3. Pilih beberapa metode peramalan dan
perancanaan produksi, jadwal kerja dan hitung parameter-parameter fungsi
perencanaan bahan baku atau bahan mentah. peramalan menggunakan software
Permalan sebagai alat bantu yang sangat Win QSB.
penting dalam perencanaan yang efektif dan 4. Tentukan kesalahan peramalan
efisien. Suatu perusahaan produksi barang dan (error).
jasa harus dapat memperkirakan apa yang akan 5. Pilih metode peramalan terbaik yang
terjadi dimasa mendatang agar tidak mengalami memiliki error terkecil.
kerugian. Peramalan yang dilakukan tidak akan 6. Interpretasi hasil peramalan
pernah sempurna, dengan adanya peramalan melakukan verifikasi hasil ramalan.
akan memberikan arahan bagi suatu perusahaan
2. KAJIAN LITERATUR
produksi barang dan jasa untuk melakukan
2.1 Peramalan
perencanaan. Peramalan ini sangat penting bagi
Peramalan merupakan suatu kegiatan
perusahaan produksi barang dan jasa, karena
memperkirakan atau memprediksikan kejadian
akan berkaitan dengan setiap proses dalam
dimasa yang akan datang tentunya dengan
perusahaan. Peramalan sangat penting untuk
bantuan penyusunan rencana terlebih dahulu,
menentukan persedian di perusahaan.
dimana rencana ini dibuat berdasarkan kapasitas
dan kemampuan permintaan atau produksi yang
1.2 Tujuan Praktikum
telah dilakukan di perusahaan.
Adapun tujuan praktikum dari peramalan
Peramalan (Forecasting) suatu proses
pada proses praktikum sistem produksi sebagai
untuk memperkirakan besar kebutuhan di masa
berikut:
datang yang meliputi kebutuhan dalam ukuran
1. Memahami dan menganalisis pola
kuantitas, kualitas, waktu dan lokasi yang
demand serta menerapkan teknik-
dibutuhkan dalam rangka memenuhi permintaan
teknik peramalan dalam sistem
barang ataupun jasa. Peramalan tidak terlalu
produksi.
dibutuhkan dalam kondisi permintaan pasar yang
2. Mengetahui metoda-metoda
stabil karena permintaannya relatif kecil.
peramalan dengan menggunakan
Sebaliknya, akan sangat dibutuhkan bila kondisi
software Win QSB.
permintaan pasar bersifat kompleks. Metode
3. Memahami keterkaitan data-data
serial waktu sangat tepat untuk meramalkan
yang dibutuhkan untuk melakukan
permintaan yang memiliki pola permintaan
peramalan.
dimasa lalunya cukup konsisten dalam periode
4. Mengetahui ukuran-ukuran kesalahan
waktu yang lama, sehingga pola tersebut dapat
peramalan.
diharapkan tetap berlanjut pada permintaan di
1.3 Batasan Masalah masa yang akan datang.
Berdasarkan permasalahan yang telah Peramalan adalah metode untuk
diuraikan, maka batasan masalah pada modul ini memperkirakan suatu nilai dimasa depan dengan
adalah memahami dan mengetahui pola dan menggunakan data masa lalu. Peramalan juga
teknik peramalan, melakukan peramalan dapat diartikan sebagai seni dan ilmu untuk
menggunakan software Win QSB, keterkaitan memperkirakan kejadian pada masa yang akan
data yang dibutuhkan pada saat peramalan serta datang, sedangkan aktivitas peramalan
ukuran kesalahan pada saat peramalan merupakan suatu fungsi bisnis yang berusaha
dilakukan. memperkirakan penjualan dan penggunaan suatu
produk sehingga produk-produk itu dapat dibuat
1.4 Alat dan Bahan yang Digunakan
dalam kuantitas yang tepat. Hasil peramalan
Adapun alat dan bahan yang digunakan
dalam prakteknya hampir tidak pernah secara
saat melakukan praktikum dari peramalan pada
mutlak tepat. Hal ini karena keadaan maupun
proses sistem produksi sebagai berikut:
kejadian di masa depan tidak menentu. Walaupun
1. Software Win QSB.
demikian, apabila semua faktor penting yang
2. Modul Praktikum Sistem Produksi.
mempengaruhi telah diperhitungkan dan model
3. Data Permintaan.
rata-ratanya. Pola ini terjadi jika terdapat dua data suatu hasil peramalan selama periode waktu
yang befluktuasi nilai rata-rata yang konstan. tertentu terlalu tinggi atau terlalu rendah. Bila hasil
Suatu produk yang penjualannya tidak meningkat peramalan tidak bias, maka nilai MFE akan
atau menurun selama waktu tertentu termasuk mendekati nol. MFE dihitung dengan
jenis pola data horizontal. menjumlahkan semua kesalahan peramalan
selama periode peramalan dan membaginya
dengan jumlah periode peramalan, secara
sistematis.
2.5.4 Mean Absolute Percentage Error
(MAPE)
MAPE (Mean Absolute Percentage Error),
merupakan rata-rata kesalahan mutlak selama
Gambar 4. Pola Data Horizontal periode tertentu yang dikalikan 100% agar
mendapatkan hasil secara persentase dan
2.5 Uji Kesalahan Peramalan digunakan jika ukuran variabel yang diramalkan
Uji Kesalahan Peramalan digunakan sangat menentukan akurasi peramalan. MAPE
dengan membandingkan hasil peramalan dengan merupakan ukuran kesalahan relatif, MAPE
data aktual. Menurut Sofyan, makin kecil nilai biasanya lebih berarti bila dibandingkan dengan
kesalahan maka makin tinggi tingkat ketelitian MAD karena MAPE menyatakan persentase
peramalan, demikian sebaliknya. Ukuran akurasi kesalahan hasil peramalan terhadap permintaan
hasil pengukuran peramalan yang merupakan aktual selama periode tertentu yang akan
ukuran kesalahan tentang tingkat perbedaan memberikan informasi persentase kesalahan
antara hasil peramalan dengan permintaan yang terlalu tinggi atau terlalu rendah.
sebenarnya terjadi.
3. HASIL DAN PEMBAHASAN
2.5.1 Mean Absolute Deviation (MAD) 3.1 Data Permintaan
MAD (Mean Absolute Deviation) adalah Pada pengumpulan data didapatkan data
rata-rata kesalahan mutlak selama periode demand (data permintaan) dan data periode pada
tertentu tanpa memperhatikan apakah hasil praktikum sistem produksi.
peramalan lebih besar atau lebih kecil dari Tabel 1. Data Permintaan
kenyataan, dengan kata lain MAD adalah rata- Periode Demand Periode Demand
rata dari nilai absolut simpangan. MAD mengukur 1 2235 13 3259
ketepatan ramalan dengan merata-rata 2 2360 14 3493
kesalahan dugaan (nilai absolut masing-masing 3 2417 15 3546
kesalahan) serta MAD memberikan bobot yang 4 2468 16 3864
sama pada setiap nilai selisih peramalan dan 5 2553 17 4043
aktual. MAD yaitu rata-rata kesalahan mutlak 6 2626 18 4181
selama periode waktu tertentu tanpa 7 2644 19 4327
memperhatikan apakah hasil peramalan lebih 8 2709 20 4471
besar atau lebih kecil dibandingkan dengan 9 2797 21 4650
faktanya. 10 2875 22 4786
2.5.2 Mean Square Error (MSE) 11 3070 23 4827
MSE (Mean Square Error), rata-rata 12 3196 24 4849
kuadrat kesalahan. Perhitungan eror ini
memberikan pinalti pada selisi yang lebih besar 3.2 Plot Data Demand
dibandingkan selisih yang kecil. MSE dihitung
dengan menjumlahkan kuadrat semua kesalahan Plot Data
peramalan pada setiap periode dan membaginya 6000
dengan jumlah periode peramalan.
2.5.3 Mean Forecast Error (MFE) 4000
MFE (Mean Forecast Error), perhitungan
eror ini dengan menjumlahkan semua kesalahan 2000
peramalan selama periode dan membagi dengan
jumlah periode. MFE sangat efektif untuk 0
mengetahui apakah suatu hasil peramalan 1 3 5 7 9 11 13 15 17 19 21 23
selama periode tertentu terlalu tinggi atau rendah.
Gambar 5. Plot Data Permintaan
MFE sangat efektif untuk mengetahui apakah