JURNAL PRAKTIKUM

PROYEK TEKNIK INDUSTRI

MODUL 3 FORECASTING

Disusun Oleh:
Kelompok 32

1. Ina Nurul Kholisoh (21070119120016)

2. Ananda Shafy P (21070119130116)
3. Indah Ananda Putri H. (21070119130122)
4. Muhammad Arief Perdana H.M. (21070119140156)
5. Muhammad Alfarez Prajantoro (21070119140169)

DEPARTEMEN TEKNIK INDUSTRI

FAKULTAS TEKNIK UNIVERSITAS DIPONEGORO
SEMARANG
2021
 DAFTAR ISI

DAFTAR ISI .....................................................................................................................ii

BAB I PENDAHULUAN ................................................................................................ 3
1.1 Latar Belakang ...................................................................................................... 3
1.2 Metode Praktikum ................................................................................................. 3
BAB II PENGOLAHAN DAN ANALISIS DATA ........................................................ 4
2.1 Pengumpulan Data ................................................................................................ 6
2.2 Pengolahan Data .................................................................................................... 8
2.2.1 Plot Data ................................................................................................................ 8
2.2.2 Analisis Pemilihan Metode Peramalan ................................................................. 8
2.2.3 Peramalan ............................................................................................................ 15
2.2.3.1 Metode X ............................................................................................................. 15
2.2.3.2 Metode Y ............................................................................................................. 15
2.2.3.3 ARIMA ............................................................................................................... 16
2.2.4 Hasil Rekap Perhitungan Error ........................................................................... 18
2.2.5 Validasi Hasil Peramalan Terpilih ...................................................................... 18
2.3 Hasil Peramalan .................................................................................................. 18
BAB III KESIMPULAN ................................................................................................. 19
DAFTAR PUSTAKA ..................................................................................................... 20
LAMPIRAN .................................................................................................................... 21

ii
 BAB I
PENDAHULUAN

1.1 Latar Belakang

Forecasting akhir-akhir ini memainkan peran yang semakin penting dalam
metode peramalan untuk memberikan gambaran masa depan di berbagai bidang,
termasuk ekonomi, keuangan, dan lain-lain. Salah satunya di sektor industri, di mana
keberhasilan sistem pengukuran kinerja sebanding dengan intensitasnya, pengambilan
keputusan dapat dipengaruhi oleh berbagai faktor, tetapi peramalan memfasilitasi
pengambilan keputusan (Krupp, 1994). Kerangka waktu dalam pengendalian persediaan
sangat penting dalam rantai pasok, karena peramalan menyediakan prosedur yang
mendukung proses perencanaan persediaan, yang mencakup banyak karakteristik seperti
permintaan produk, dan model permintaan dalam waktu tertentu. berbagai informasi yang
ada, tidak hanya sekedar permintaan, saat peramalan dengan model Time Series (Aviv,
2003).
Perusahaan kami, PT. Toyoti Corporation Tbk. adalah produsen mainan yang
sedang berkembang. Perlunya peramalan atau forecasting pada PT. Toyoti Corporation
Tbk. adalah untuk memperkirakan dan memprediksi permintaan pasar yang PT. Toyoti
Corporation Tbk. akan dihadapi di masa depan berdasarkan data historis yang dimiliki
perusahaan. Peramalan sangat penting di perusahaan kami karena memungkinkan kami
untuk meminimalkan kesalahan dalam permintaan produk kami. Peramalan juga
dilakukan untuk memaksimalkan keuntungan dengan mengetahui target pasar permintaan
produk apa saja yang dibutuhkan dari PT. Toyoti Corporation Tbk.

1.2 Metode Praktikum

Berikut merupakan flowchart metode praktikum Proyek Teknik Industri (PTI)
modul 3 dengan tema Forecasting yang ditunjukkan pada gambar 1.1:

3
 Gambar 1. 1 Flowchart Metode Praktikum
Pada praktikum modul 3 tentang forecasting akan dilakukan peramalan
permintaan produk dari perusahaan PT. Toyoti Corporation Tbk yang bergerak dibidang
industry manufaktur dengan produk yang dipasarkan yaitu mainan double cabin. Langkah
pertama yang dilakukan adalah mengumpulkan data permintaan pasar yang akan
digunakan sebagai dasar untuk peramalan yang akan dilakukan. Langkah selanjutnya
adalah memplot data berdasarkan data permintaan pasar untuk melihat pola data. Setelah
mengidentifikasi pola data, langkah selanjutnya adalah memilih metode peramalan
terbaik dan membuat prakiraan berdasarkan data permintaan pasar yang ada. Metode
yang digunakan lebih dari satu metode, sehingga hasil dari masing-masing metode dapat
dibandingkan dan dapat diperoleh hasil peramalan yang lebih akurat. Langkah
selanjutnya adalah menghitung error untuk setiap metode peramalan. Hasil perhitungan
error masing-masing metode akan dibandingkan, dan metode dengan error terkecil akan

4
dipilih untuk memvalidasi hasil peramalan. Jika data lolos validasi, maka akan digunakan
sebagai rencana produksi; namun, jika data gagal dalam uji validasi, metode peramalan
harus dipilih kembali. Dalam melakukan proses forecasting perhitungan dilakukan juga
dengan bantuan software Eviews.

5
 BAB II
PENGOLAHAN DAN ANALISIS DATA

2.1 Pengumpulan Data

Berikut merupakan data given market demand produk mobil mainan double cabin
selama 52 periode dimulai dari April 2017 sampai dengan Juni 2021 pada perusahaan PT.
Toyoti Corporation Tbk. :
Tabel 2. 1 Demand PT. Toyoti Corporation Tbk.
Tahun Bulan Demand
April 9152
May 27993
June 28360
July 19614
2017 August 20595
September 16056
October 27801
November 23145
December 15610
January 22040
February 31130
March 28600
April 17800
May 32886
June 29066
2018
July 26954
August 33630
September 33547
October 33685
November 27416
December 22433
January 16810
February 29389
March 26821
2019
April 19398
May 22998
June 25224

6
 July 22099
August 30648
September 23001
October 25012
November 20674
December 22600
January 26473
February 29329
March 17099
April 5213
May 2777
June 8842
2020
July 9054
August 14941
September 18576
October 32493
November 33127
December 33901
January 28469
February 23729
March 26283
2021
April 27468
May 28735
June 28880

7
2.2 Pengolahan Data
2.2.1 Plot Data
Berikut merupakan plot data demand mobil mainan double cabin pada perusahaan
PT. Toyoti Corporation Tbk.:

Gambar 2. 1 Plot Data Demand

Dari hasil plot data diatas pada gambar 2.1 didapatkan bahwa data demand market
memiliki plot data berbentuk fluktuatif,dan dapat dikatakan bahwa plot datanya adalah
horizontal dengan penaikan dan penurunan yang cukup drastis pada pertengahan bulan
April hingga Juni.

2.2.2 Analisis Pemilihan Metode Peramalan

a. Metode Permalan
Berikut ini merupakan metode peramalan yang dipilih sesuai dengan plot data:
1) Metode SMA (Single Moving Average)
Suatu cara memodifikasi pengaruh data masa lalu terhadap rata-rata bergerak
(moving average) sebagai alat meramal adalah dengan menetapkan berapa
banyak observasi terakhir yang diikutsertakan. Rata-rata bergerak memiliki
arti bahwa apabila observasi baru telah tersedia, rata - rata yang baru dapat
dihitung dengan menghilangkan data yang tertua dan menggantinya dengan

8
 yang terbaru. Ramalan demikian dikatakan adaptive yang berarti
menyesuaikan terhadap tersedianya data baru dengan sendirinya.
(Prisca Nurida Eris, 2014)

𝑌𝑡−1 + 𝑌𝑡−2 … + 𝑌𝑡−𝑛

𝐹𝑡 =
𝑛
Keterangan :
Ft = peramalan untuk periode t
𝑌𝑡−𝑛 = data aktual pada periode t
n = jumlah periode moving average

Alasan pemilihan metode:

Metode Single Moving Average ini biasanya lebih cocok digunakan untuk
melakukan forecast atau peramalan hal-hal yang bersifat random, artinya
tidak ada gejala trend naik maupun turun, musiman dan sebagainya, serta sulit
diketahui polanya. (Prisca Nurida Eris, 2014)
Sumber: Prisca Nurida Eris , Darnah A. Nohe & , Sri Wahyuningsih,2014,
Peramalan Dengan Metode Smoothing dan Verifikasi Metode Peramalan
Dengan Grafik Pengendali Moving Range (MR) Jurnal EKSPONENSIAL
Volume 5, Nomor 2.

2) Metode SES (Single Eksponensial Smoothing)

Metode Single Exponential Smoothing adalah metode yang menunjukan
pembobotan menurun secara eksponensial terhadap nilai observasi yang lebih
tua. Yaitu nilai yang lebih baru diberikan bobot yang relatif lebih besar
dibanding nilai observasi yang lebih lama. Metode ini memberikan sebuah
pembobotan eksponensial rata-rata bergerak dari semua nilai observasi
sebelumnya. Pada metode ini tidak dipengaruhi oleh trend maupun musim.
Rumusnya adalah sebagai berikut: (Hartono, 2012)
𝐹𝑡+1 = 𝛼 𝑋𝑡 + (1 − 𝛼)𝐹𝑡−1
Keterangan:
𝐹𝑡+1 = peramalan periode t+1

9
 α = konstanta smoothing (0 < α < 1)
Xt = nilai riil periode ke – t
𝐹𝑡−1 = peramalan periode t - 1

Alasan pemilihan metode:

Metode single exponential smoothing digunakan karena pola data yang
cenderung fluktuatif,Pada metode ini tidak dipengaruhi oleh trend maupun
musim. (Hartono, 2012)
Sumber: Anggi Hartono,2012. Perbandingan Metode Single Exponential
Smoothing Dan Metode Exponential Smoothing Ajusted For Trend (HOLT’S
METHOD) Untuk Meramalkan Penjualan.

3) ARIMA
Metode ARIMA menggunakan pendekatan iteratif dalam indentifikasi
terhadap suatu model yang ada. Model yang dipilih diuji lagi dengan data
masa lampau untuk melihat apakah model tersebut menggambarkan keadaan
data secara akurat atau tidak. (Hartati, 2017)
 Proses Autoregressive (AR)
𝑍𝑡 = ∅1 𝑍𝑡−1 + ∅2 𝑍𝑡−2 +. . . . + ∅𝑝 𝑍𝑡−𝑝 + 𝑎𝑡
Keterangan:
∅𝑛 = parameter autoregressive ke - n
𝑎1 = nilai kesalahan pada saat t
𝑍𝑡−1 = variabel periode ke t-1
 Proses Moving average (MA)
𝑍𝑡 = 𝑎𝑡 − ∅1 𝑎𝑡−1 − ∅2 𝑎𝑡−2 −. . . . − ∅𝑝 𝑎𝑡−𝑝
Keterangan:
∅𝑝 = parameter moving average ke - p
𝑎𝑡 = nilai kesalahan pada saat t
𝑎𝑡−1 = nilai kesalahan pada periode t-1
 Proses ARIMA

10
 𝑍𝑡 = ∅1 𝑧𝑡−1 +. . . + ∅𝑛 𝑧𝑡−𝑛 + 𝑎𝑡 − ∅𝑝 𝑎𝑡−1 . . . . − ∅𝑝 𝑎𝑡−𝑛
Keterangan:
𝑍𝑡−1 = variabel periode ke t-1
∅𝑛 = parameter autoregressive ke - n
𝑎𝑡 = nilai kesalahan pada saat t
∅𝑝 = parameter moving average ke - p
Alasan pemilihan metode:
ARIMA merupakan suatu metode peramalan time series yang cocok
digunakan untuk meramal sejumlah variabel secara cepat, sederhana, murah,
dan akurat serta hanya membutuhkan data variabel yang akan diramal.
(Hartati, 2017)
Sumber: Hartati,2017. Penggunaan Metode ARIMA Dalam Meramal
Pergerakan Inflansi, Jurnal Matematika, Saint, dan Teknologi, Volume 18,
Nomor 1

b. Metode Perhitungan Error (Verifikasi)

Berikut ini merupakan metode perhitungan eror (verifikasi) yang dipilih:
1) MAPE
Mean Absolute Percentage Error (MAPE) menyatakan persentase kesalahan
hasil peramalan terhadap permintaan aktual selama periode tertentu yang akan
memberikan informasi persentase error terlalu tinggi atau terlalu rendah,
dengan kata lain MAPE merupakan rata-rata kesalahan mutlak selama periode
tertentu yang kemudian dikalikan 100% agar mendapatkan hasil secara
prosentase (Khair, 2017). Berikut merupakan rumus MAPE:
(100%) |𝑋𝑡−𝐹𝑡|
MAPE = ∑𝑛𝑡=0
𝑛 𝑋𝑡

Keterangan :
𝑋𝑡 = data aktual pada periode t
𝐹𝑡 = nilai peramalan pada periode t
𝑛 = jumlah data

11
 Alasan pemilihan metode: Mean Absolute Percentage Error (MAPE)
memiliki kelebihan yaitu menyatakan persentase kesalahan hasil peramalan
terhadap permintaan aktual selama periode tertentu yang akan memberikan
informasi persentase error terlalu tinggi atau terlalu rendah, sehingga akan
lebih akurat. MAPE mengindikasi seberapa besar kesalahan dalam meramal
yang dibandingkan dengan nilai nyata pada deret. Metode MAPE juga dapat
digunakan untuk membandingkan ketepatan dari metode yang sama atau
berbeda dalam dua deret yang berbeda sekali dan mengukur ketepatan nilai
dugaan model yang dinyatakan dalam bentuk ratarata persentase absolut
kesalahan.
Sumber: Mitra. (2011). Pemilihan Teknik Lot Sizing untuk Meminimalkan
Biaya pada Pendistribusian Produk Cokelat Ros. Fakultas Teknologi Industri
Universitas Islam Indonesia Yogyakarta.
https://ririez.blog.uns.ac.id/files/2010/11/makalah-pemilihan-metode-
peramalan-jadi.pdf
2) MAD
Mean Absolute Deviation (MAD) merupakan metode peramalan dengan cara
mengukur ketepatan ramalan dengan merata-rata kesalahan dugaan (nilai
absolut masing-masing kesalahan) (Pakaja, Naba, & Purwanto, 2012).
Berikut rumus dari MAD :
|𝑋𝑡 −𝐹𝑡 |
MAD = ∑𝑛𝑡=1 𝑛

Keterangan :
𝑋𝑡 = data aktual pada periode t
𝐹𝑡 = nilai peramalan pada periode t
n = jumlah data
Alasan pemilihan metode: Metode MAD cocok digunakan pada perhitungan
error karena pengukuran kesalahan lebih sederhana dengan hanya
menggunaka n rata-rata kesalahan mutlak selama periode tertentu.

12
 Sumber: Pakaja, F., Naba, A., Purwanto. (2012), Peramalan Penjualan Mobil
Menggunakan Jaringan Syaraf Tiruan dan Certainty Factor, Jurnal EECCIS,
Vol.6, No.1, Juni 2012.
3) MSE
Mean Square Error (MSE) merupakan metode peramalan dengan
penjumlahan kuadrat semua kesalahan peramalan pada setiap periode dan
membaginya dengan jumlah periode peramalan (Hartini, 2011). Berikut
rumus dari MSE :
(𝐴𝑡 −𝐹𝑡 )2
MSE = ∑ 𝑛

Keterangan :
𝐴𝑡 = Demand pada periode ke – t
𝐹𝑡 = Hasil Forecast pada periode ke– t
n = banyaknya error
Alasan pemilihan metode: Metode MSE digunakan karena emiliki
perhitungan yang relatif sederhana.
Sumber: Hartini, S. (2011). Teknik Mencapai Produksi Optimal. Bandung :
Lubuk Agung
c. Metode Validasi
1) Metode Moving Range
Peta Moving Range adalah salah satu metode uji validasi yang digunakan
untuk memperhatikan kestabilan peramalan. Peta moving range
menunjukkan perbandingan nilai data aktual dengan nilai peramalan dari
kebutuhan yang sama.
Rumus :
𝑀𝑅 = |(𝑦̂𝑡 − 𝑦𝑡 ) − (𝑦̂𝑡−1 − 𝑦𝑡−1 )|
𝑀𝑅
̅̅̅̅̅ = ∑
𝑀𝑅
𝑛−1
Keterangan :
 𝑦̂𝑡 = Suatu Ramalanpada waktu t
 𝑦̂𝑡−1 = ramalan sebelumnya t-1
 𝑦𝑡 = Data aktual pada waktu t

13
  𝑦𝑡−1 = Data aktual pada waktu sebelumnya
 n = banyaknya observasi
 ̅̅̅̅̅
𝑀𝑅 = Nilai moving range pada waktu ke t
Alasan pemilihan metode: Karena moving range akan mem-plot error dengan
grafik peta kendali, sehingga dari grafik tersebut akan mudah diamati apakah
ada titik error yang berada diluar batas kendali atau tidak. Jika ada sebuah
titik atau data yang beradadi luar batas tersebut maka ada beberapa data yang
harus dihilangkan atau mencari metode peramalam yang lain. Apabila
menggunakan peta moving range maka kita mampu mengetahui apakah
terjadi perubahan sebab akibat yang melatar belakangi permintaan
Sumber: Hartini, Sri dan Kadarsyah Suryadi.(2011). Teknik Mencapai
Produksi Optimal. Bandung : CV.Lubuk Agung
2) Metode Uji F
Uji F merupakan uji untuk melihat pengaruh semua variabel bebas secara
bersama-sama terhadap variabel terikatnya.
Rumus :
 Ho = Variansi demand = variansi forecast
 H1 = Variansi demand ≠ variansi forecast
 α = 0,05
 Daerah Kritis = fhitung > fα, fhitung > 1,601
 Perhitungan
 Keputusan
 Kesimpulan
Alasan pemilihan metode: karena dengan menggunakan Uji F untuk
mengetahui apakah nilai variansi antara demand dengan forecasting memiliki
variansi yang sama, karena Uji F membandingkan antara data demand
dengan data forecast (data aktual dan data hasil peramalan) sehingga akan
memiliki hasil yang akurat namun perhitungannya cukup sederhana.
Sumber: Hartini, Sri dan Kadarsyah Suryadi.(2011). Teknik Mencapai
Produksi Optimal.Bandung : CV.Lubuk Agung

14
2.2.3 Peramalan
2.2.3.1 Metode X
a. Perhitungan Peramalan
Berisi contoh perhitungan dan tabel perhitungan
𝛼 = 0,5
𝐹𝑡 + 1 = 𝛼. 𝑋𝑡 + (1 − 𝛼)𝐹𝑡 = ⋯
dst
Berikut merupakan…
Perhitungan Peramalan Metode X
t Xt Ft
1 22545 22.545
2 25289 22.545,000
3 18424 23.917,000
b. Perhitungan Error
Berisi contoh perhitungan dan tabel perhitungan
𝑒𝑡 = 𝑋𝑡 − 𝐹𝑡 = ⋯
dst
Berikut merupakan…
Perhitungan Error Metode SES
t Xt Ft 𝒆𝒕 𝒆𝒕 𝟐 |𝒆𝒕 | |PE|
1 22545 22.545 0 0 0 0
2 25289 22.545,000 2.744 7.529.536 2744 0,109
3 18424 23.917,000 -5.493 30.173.049 5493,000 0,298

 MAPE
Perhitungan error dengan metode MAPE adalah sebagai berikut…
 Metode X
 Metode Y
c. Grafik Peramalan
Berisi grafik peramalan dengan excel
2.2.3.2 Metode Y
a. Perhitungan Peramalan
b. Perhitungan Error

15
 c. Grafik Peramalan
2.2.3.3 ARIMA
a. Uji Stasioneritas (Uji Augmented Dickey – Fuller)
 Level 0
Berisi uji hipotesis dari H0 sampai kesimpulan
Kalau tidak lolos lanjut level 1
b. Identifikasi ACF (Autocorrelation Function) dan PACF (Partial Auto
Correlation Function)
(level sesuai dengan hasil uji stasioner)
Berisi output software, penjelasan, dan pemilihan model ARIMA berdasarkan
identifikasi AC dan PAC.
Model yang dipilih = 3
c. Estimasi Parameter
 Uji hipotesis untuk parameter X (misal X adalah MA2 (0,1,2))
Berisi uji hipotesis dari H0 sampai kesimpulan
 Uji hipotesis untuk parameter Y
Berisi uji hipotesis dari H0 sampai kesimpulan
 Uji hipotesis untuk parameter Z
Berisi uji hipotesis dari H0 sampai kesimpulan
d. Uji Residual
1. Uji Correlogram
 Uji Correlogram Model X (Uji Correlogram AR(1,0,0))
Berisi output software dan analisisnya
 Uji Correlogram Model Y
Idem
 Uji Correlogram Model Z
Idem
2. Uji Heteroskesdastisitas
 Uji Heteroskesdastisitas Model X
Berisi uji hipotesis dari H0 sampai kesimpulan
 Uji Heteroskesdastisitas Model Y

16
 idem
 Uji Heteroskesdastisitas Model Z
idem
3. Uji Normalitas
 Uji Normalitas Model X
Berisi uji hipotesis dari H0 sampai kesimpulan
 Uji Normalitas Model Y
Idem
 Uji Normalitas Model Z
Idem
e. Pemilihan Model ARIMA
Berisi tabel rekap perbandingan model arima dan analisis pemilihan model
ARIMA.
Model ARIMA Terpilih
Parameter AR(1,0,0) Model Y Model Z
C Sig.
ϕ1 Sig.
θ1 -
AIC 19,78852
SC 19,90215
Collerogram Lolos
Uji
Heteroskesdastisitas Tidak Lolos
Residual
Normalitas Lolos

f. Hasil Peramalan
Berisi tabel hasil peramalan dari software
Hasil Forecast ARIMA Ouput Eviews
t Xt Ft
1 3973 27131,79
2 4622 27131,79
3 4623 27131,79
dst

g. Perhitungan Error
Berisi contoh perhitungan, tabel perhitungan error, dan perhitugan metode
error yang digunakan

17
 h. Grafik Peramalan
Berisi grafik peramaan dengan excel dan eviews
 Manual Excel
 Software Eviews
2.2.4 Hasil Rekap Perhitungan Error
Berisi tabel rekap perhitungan error masing-masing metode peramalan dan
analisis metode mana yang terpilih.
Rekapitulasi Perhitungan Error Metode Peramalan
Metode Metode X Metode Y ARIMA
MAPE
Metode X
Metode Y

2.2.5 Validasi Hasil Peramalan Terpilih

a. Moving Range
 Perhitungan
Berisi contoh perhitungan, tabel perhitungan, dan gambar garfik.
 Analisis
Berisi analisis dari hasil perhitungan dan grafik
b. Metode X
 Perhitungan
Berisi perhitungan validasi dengan metode tersebut
 Analisis
Berisi analisis dari hasil perhitungan

2.3 Hasil Peramalan

Berisi tabel hasil peramalan 12 periode mendatang
Peramalan Demand untuk 12 Periode Mendatang
Periode Demand
Mei 2021

dst

18
 BAB III
KESIMPULAN

Kesimpulan dalam bentuk paragraf

Berisi manfaat forecasting, pola data historis market demand, identifikasi jangka
forecast, kegunaan hasil forecast, alasan pemakaian metode terpilih (forecast, verifikasi,
validasi), kelemahan forecasting dengan metode time series pada praktikum ini, fungsi
verifikasi dan validasi, pernyataan hasil forecasting dalam 1 tahun.

19
 DAFTAR PUSTAKA

Dibuat otomatis dengan reference tool

 LAMPIRAN

Berisi lembar asistensi