DAFTAR ISI

Daftra Isi ................................................................................................................................ i

Daftar Tabel ........................................................................................................................... iii
Daftra Gambar ....................................................................................................................... iv

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

Tabel 1. Data Permintaan ...................................................................................................... 4

Tabel 2. Data Permintaan Win QSB...................................................................................... 5

iii
 DAFTAR GAMBAR

Gambar 1. Pola Data Trend ................................................................................................ 3

Gambar 2. Pola Data Musiman .......................................................................................... 3
Gambar 3. Pola Data Siklus ............................................................................................... 3
Gambar 4. Pola Data Horizontal ........................................................................................ 4
Gambar 5. Plot Data Permintaan ........................................................................................ 4
Gambar 6. Grafik Batas Kontrol ........................................................................................ 5

iv
 Modul I (Peramalan)

Praktikum Laboratorium Sistem Produksi

Peramalan

Yulia Sridewi Syahri(1), Safiq Nasution (2)

Jurusan Teknik Industri, Fakultas Teknologi Industri, Universitas
Bung Hatta
Email: yulia.sridewi30@gmail.com, safiqnasution29@gmail.com

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.

Kata Kunci: Peramalan, MAD, Kesalahan Peramalan

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.

Key Word: Forecasting, MAD, Forecasting Error

1. PENDAHULUAN akan diperlukan suatu periode waktu paling

1.1 Latar Belakang
Dunia industri berkembang sangat pesat
karena ditunjang oleh kemajuan teknologi. Pada
usaha yang khususnya berhubungan dengan
produksi sangat penting untuk memperkirakan
sesuatu yang akan terjadi dimasa depan sebagai
dasar untuk mengambil keputusan. 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.
Peramalan permintaan akan suatu barang
dan jasa diwaktu mendatang dan bagian-
bagiannya sangat penting dalam perencanaan
dan pengawasan produksi. Suatu peramalan
banya mempunyai arti maka peramalan tersebut
perlu direncanakan dan dijadwalkan sehingga
sedikit dalam periode waktu yang dibutuhkan
untuk membuat suatu kebijaksanaan dan
menetapkan beberapa hal yang mempengaruhi
kebijaksanaan. Peramalan suatu kegiatan
memperkirakan atau memprediksikan kejadian
dimasa yang akan datang tentunya dengan
bantuan penyusunan rencana terlebih dahulu,
dimana rencana ini dibuat berdasarkan kapasitas
dan kemampuan permintaan atau produksi yang
telah dilakukan di perusahaan. Suatu
perencanaan produksi yang dibutuhkan agar
mampu menghasilkan produk yang memiliki
kualitas tinggi dan mampu memenuhi kbutuhan
dan permintaan konsumen (pelanggan).
Peramalan menjadi salah satu
pertimbangan setiap pengambilan keputusan dan
menjadi dasar perencanaan jangka panjang.
Peramalan penjualan sangat dibutuhkan untuk

Jurnal Laboratorium Sistem Produksi, 2021. 1


meningkatkan nilai produk baru dan juga untuk
meningkatkan jumlah produksi. Tujuan
peramalan untuk memutuskan apakah
permintaan untuk suatu produk cukup untuk
memasuki pasar dan peramalan bertujuan untuk
menentukan kapasitas jangka panjang pada
perencanaan fasilitas serta peramalan bertujuan
untuk menentukan permintaan untuk
perancanaan produksi, jadwal kerja dan
perencanaan bahan baku atau bahan mentah.
Permalan sebagai alat bantu yang sangat
penting dalam perencanaan yang efektif dan
efisien. Suatu perusahaan produksi barang dan
jasa harus dapat memperkirakan apa yang akan
terjadi dimasa mendatang agar tidak mengalami
kerugian. Peramalan yang dilakukan tidak akan
pernah sempurna, dengan adanya peramalan
akan memberikan arahan bagi suatu perusahaan
produksi barang dan jasa untuk melakukan
perencanaan. Peramalan ini sangat penting bagi
perusahaan produksi barang dan jasa, karena
akan berkaitan dengan setiap proses dalam
perusahaan. Peramalan sangat penting untuk
menentukan persedian di perusahaan.
1.2 Tujuan Praktikum
Adapun tujuan praktikum dari peramalan
pada proses praktikum sistem produksi sebagai
berikut:
1. Memahami dan menganalisis pola
demand serta menerapkan teknik-
teknik peramalan dalam sistem
produksi.
2. Mengetahui metoda-metoda
peramalan dengan menggunakan
software Win QSB.
3. Memahami keterkaitan data-data
yang dibutuhkan untuk melakukan
peramalan.
4. Mengetahui ukuran-ukuran kesalahan
peramalan.
1.3 Batasan Masalah
Berdasarkan permasalahan yang telah
diuraikan, maka batasan masalah pada modul ini
adalah memahami dan mengetahui pola dan
teknik peramalan, melakukan peramalan
menggunakan software Win QSB, keterkaitan
data yang dibutuhkan pada saat peramalan serta
ukuran kesalahan pada saat peramalan
dilakukan.
1.4 Alat dan Bahan yang Digunakan
Adapun alat dan bahan yang digunakan
saat melakukan praktikum dari peramalan pada
proses sistem produksi sebagai berikut:
1. Software Win QSB.
2. Modul Praktikum Sistem Produksi.
3. Data Permintaan.
Jurnal Laboratorium Sistem Produksi, 2021.
Modul I (Peramalan)
1.5 Prosedur Praktikum
Langkah-langkah yang dilakukan selama
praktikum adalah:
1. definisikan tujuan peramalan
kemudian kumpulkan data masa lalu.
2. Plot data dengan membuatn diangram
pencar.
3. Pilih beberapa metode peramalan dan
hitung parameter-parameter fungsi
peramalan menggunakan software
Win QSB.
4. Tentukan kesalahan peramalan
(error).
5. Pilih metode peramalan terbaik yang
memiliki error terkecil.
6. Interpretasi hasil peramalan
melakukan verifikasi hasil ramalan.
2. KAJIAN LITERATUR
2.1 Peramalan
Peramalan merupakan suatu kegiatan
memperkirakan atau memprediksikan kejadian
dimasa yang akan datang tentunya dengan
bantuan penyusunan rencana terlebih dahulu,
dimana rencana ini dibuat berdasarkan kapasitas
dan kemampuan permintaan atau produksi yang
telah dilakukan di perusahaan.
Peramalan (Forecasting) suatu proses
untuk memperkirakan besar kebutuhan di masa
datang yang meliputi kebutuhan dalam ukuran
kuantitas, kualitas, waktu dan lokasi yang
dibutuhkan dalam rangka memenuhi permintaan
barang ataupun jasa. Peramalan tidak terlalu
dibutuhkan dalam kondisi permintaan pasar yang
stabil karena permintaannya relatif kecil.
Sebaliknya, akan sangat dibutuhkan bila kondisi
permintaan pasar bersifat kompleks. Metode
serial waktu sangat tepat untuk meramalkan
permintaan yang memiliki pola permintaan
dimasa lalunya cukup konsisten dalam periode
waktu yang lama, sehingga pola tersebut dapat
diharapkan tetap berlanjut pada permintaan di
masa yang akan datang.
Peramalan adalah metode untuk
memperkirakan suatu nilai dimasa depan dengan
menggunakan data masa lalu. Peramalan juga
dapat diartikan sebagai seni dan ilmu untuk
memperkirakan kejadian pada masa yang akan
datang, sedangkan aktivitas peramalan
merupakan suatu fungsi bisnis yang berusaha
memperkirakan penjualan dan penggunaan suatu
produk sehingga produk-produk itu dapat dibuat
dalam kuantitas yang tepat. Hasil peramalan
dalam prakteknya hampir tidak pernah secara
mutlak tepat. Hal ini karena keadaan maupun
kejadian di masa depan tidak menentu. Walaupun
demikian, apabila semua faktor penting yang
mempengaruhi telah diperhitungkan dan model
2
 Modul I (Peramalan)

hubungan dari faktor-faktor tersebut ditentukan karena peramalan jangka pendek,

dengan baik, maka hasil peramalan akan kondisi yang mempengaruhi
mendekati kondisi yang sebenarnya, maka harus permintaan cenderung tetap atau
dilakukan dengan hati-hati terutama pemilihan berubah lambat, sehingga peramalan
metode untuk digunakan dalam suatu kasus jangka pendek lebih akurat.
tertentu. 5. Jika memungkinkan coba melakukan
Peramalan penjualan sangat dibutuhkan perhitungan permintaan dari pada
untuk meningkatkan nilai produk baru dan juga meramalkan permintaan.
untuk meningkatkan jumlah produksi. Heizer dan
2.4 Jenis Pola Peramalan
Render menyatakan peramalan merupakan suatu
3.4.1 Pola Data Trend
seni dan ilmu pengetahuan dalam memprediksi
Trend (T), terjadi bila ada kenaikan atau
peristiwa pada masa mendatang. Ramalan yang
penurunan dari data secara gradual dari gerakan
dilakukan umumnya akan berdasarkan pada data
datanya dalam kurun waktu panjang. Pola data
masa lampau yang di analisis dengan
trend terjadi jika terdapat kenaikan atau
menggunakan cara-cara tertentu. Data dari
penurunan sekuler jangka panjang dalam data.
peramalan penjualan dapat digunakan untuk
dasar perencanaan produksi.
2.2 Langkah Peramalan
Pada dasarnya ada 3 langkah peramalan
yang penting, yaitu:
1. Menganalisa data yang lalu, tahap ini
berguna untuk pola yang terjadi pada
masa lalu.
2. Menentukan data yang dipergunakan. Gambar 1. Pola Data Trend
Metode yang baik adalah metode 2.4.2 Pola Data Seasonality
yang memberikan hasil ramalan yang Seasonality (S) pola musiman terjadi bila
tidak jauh berbeda dengan kenyataan pola datanya berulang sesudah suatu periode
yang terjadi. tertentu yitu hari, mingguan, bulanan, triwulan dan
3. Memproyeksikan data yang lalu tahun. Pola data ini terjadi jika terdapat suatu
dengan menggunakan metode yang deret data yang dipengaruhi oleh faktor musiman.
dipergunakan, dan
mempertimbangkan adanya beberapa
faktor perubahan (perubahan
kebijakan-kebijakan yang mungkin
terjadi, termasuk perubahan kebijakan
pemerintah, perkembangan potensi
masyarakat, perkembangan teknologi
dan penemuan-penemuan baru).
Gambar 2. Pola Data Musiman
2.3 Prinsip Peramalan
Prinsip–prinsip peramalan yang perlu 2.4.3 Pola Data Cycles
dipertimbangkan adalah: Cycles (C), Siklus adalah suatu pola data
1. Peramalan melibatkan kesalahan yang terjadinya setiap beberapa tahun, biasanya
(error), peramalan akan hanya dipengaruhi oleh fluktuasi ekonomi jangka
mengurangi ketidakpastian tetapi panjang berkaitan dengan siklus bisnis.
tidak menghilangkannya.
2. Peramalan sebaiknya memakai tolak
ukur kesalahan peramalan, pemakai
harus tahu besar kesalahan, yang
dapat dinyatakan dalam satuan unit
atau persentase (probability)
permintaan aktual akan jatuh dalam
interval peramalan.
3. Peramalan famili produk lebih akurat Gambar 3. Pola Data Siklus
dari pada peramalan produk individu 2.4.4 Pola Data Horizontal
(item). Horizontal (H) atau stasioner, terjadi bila
4. Peramalan jangka pendek lebih akurat nilai data berfluktuasi di sekitar nilai rata-rata yang
dari pada peramalan jangka panjang, tetap, stabil atau disebut stasioner terhadap nilai

Jurnal Laboratorium Sistem Produksi, 2021. 3

 Modul I (Peramalan)

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

Jurnal Laboratorium Sistem Produksi, 2021. 4

 Modul I (Peramalan)

3.3 Pengolahan Data Win QSB

Pengolahan data dengan menggunakan Batas Kontrol
software Win QSB dimana data yang diolah yaitu
2500
data demand masa lalu. Pada saat pengolahan
data dengan software Win QSB didapatkan hasil
2000
MAD yang dicari menggunakan beberapa
metode. Metode yang digunakan sebagai berikut: 1500
Tabel 2. Data Permintaan Win QSB
No. Metode MAD 1000
1. Simple Average (SA) 751,8583
2. Moving Average (MA) 113,6522 500
Weighted Moving Average
3. 113,6522
(WMA) 0
Moving Average With 1 3 5 7 9 11 13 15 17 19 21 23
4. 113,6522
Linear Trend (MAT) -500
Single Exponential
5. 113,6522 -1000
Smoothing (SES)
ei ucl lcl
Pada hasil metode yang digunakan
terdapat beberapa metode yang nilai MAD nya Gambar 6. Grafik Batas Kontrol
yang terkecil adalah metode Moving Average 4. KESIMPULAN
(MA), Weighted Moving Average (WMA), Moving Peramalan (Forecasting) suatu proses
Average With Linear Trend (MAT) dan Single untuk memperkirakan besar kebutuhan di masa
Exponential Smoothing (SES). Hasil metode yang datang yang meliputi kebutuhan dalam ukuran
terpilih sebanyak 4 metode dari metode tersebut kuantitas, kualitas, waktu dan lokasi yang
metode dipilih yaitu metode Weighted Moving dibutuhkan dalam rangka memenuhi permintaan
Average (WMA). barang ataupun jasa. Tujuan peramalan untuk
3.4 Verifikasi Peramalan memutuskan apakah permintaan untuk suatu
Verifikasi peramalan dilakukan untuk produk cukup untuk memasuki pasar dan
melihat apakah data tersebut keluar batas kendali peramalan bertujuan untuk menentukan
dan melihat seberapa besar kesalahan dalam kapasitas jangka panjang pada perencanaan
peramalan yang dilakukan. Berikut ini adalah fasilitas serta peramalan bertujuan untuk
hasil verifikasi peramalan data permintaan yang menentukan permintaan untuk perancanaan
dilakukan: produksi, jadwal kerja dan perencanaan bahan
baku atau bahan mentah. Pada data permintaan
∑|MR| masa lalu terdapat 24 periode. Pada data
MR =
n-1 permintaan tersebut dapat dilihat bahwa setiap
5802 periode 1 sampe periode 24 terjadinya kenaikan
= angka permintaan. Data permintaan masa lalu
24-1 sangat diperlukan untuk mengetahui jumlah
= 252,26087 kebutuhan pada masa yang akan datang dan
1. Batas Kontrol Atas data masa lalu sangat mempengaruhi permintaan
dimasa yang akan datang.
UCL = 2,66 × MR
Pada pengolahan data Win QSB terdapat
= 2,66 × 252,26087 lima metode yang digunakan yaitu metode Simple
Average (SA), Moving Average (MA), Weighted
= 671,014
Moving Average (WMA), Moving Average With
2. Batas Kontrol Bawah Linear Trend (MAT) dan Single Exponential
Smoothing (SES). Pada metode yang digunakan
LCL = -2,66 × MR
juga didapatkan hasil Mean Absolute Deviation
= -2,66 × 252,26087 (MAD). Pada hasil metode yang digunakan
terdapat beberapa metode yang nilai MAD nya
= -671,014
yang terkecil adalah metode Moving Average
(MA), Weighted Moving Average (WMA), Moving
Average With Linear Trend (MAT) dan Single
Exponential Smoothing (SES). Hasil metode yang
terpilih sebanyak 4 metode dari metode tersebut
metode dipilih yaitu metode Weighted Moving

Jurnal Laboratorium Sistem Produksi, 2021. 5

 Modul I (Peramalan)

Average (WMA) dengan nilai MAD sebesar

113,6522.
Pada verifikasi data peramalan yang
dilakukan perhitungan nilai rata-rata Moving
Range (MR) sebesar 252,26087. Pada batas
kontrol atas atau UCL terdapat nilai sebesar
671,014 dan pada batas kontrol bawah atau LCL
terdapat nilai sebesar -671,014. Pada grafik
batas kontrol tersebut menunjukkan bahwa data
peramalan tidak ada yang melewati batat kontol
atas dan batas kontrol bawah.
DAFTAR PUSTAKA
Indah, Dewi Rosa dan Evi Rahmadani. 2018.
Sistem Forecasting Perencanaan
Produksi dengan Metode Single
Eksponensial Smoothing pada Keripik
Singkong Srikandi Di Kota Langsa.
Aceh: Universitas Samudra.
Lusiana, Anna dan Popy Yuliarty. 2020.
Penerapan Metode Peramalan
(Forecasting) Pada Permintaan Atap di
PT X. Jakarta Barat: Universitas Mercu
Buana.
M, Dharmesta Adri dan Novie Susanto.
Peramalan Perencanaan Produksi Terak
Dengan Exponential Smoothing With
Trend Pada PT. Semen Indonesia
(Persero) TBK. Semarang: Universitas
Diponegoro.
Modul Praktikum Sistem Produksi, Jurusan
Teknik Industri, Universitas Bung Hatta,
Padang, 2021.
Wardah, Siti dan Iskandar. 2016. Analisis
Peramalan Penjualan Produk Kripik
Pisang Kemasan Bungkus. Tembilahan:
Universitas Islam Indragiri.
Widiyarini. 2016. Penggunaan Metode
Peramalan Dalam Produksi Kayu Untuk
Penentuan Total Permintaan
(Konsumen). Jakarta: Universitas
Indraprasta PGRI.

Jurnal Laboratorium Sistem Produksi, 2021. 6