LAPORAN PRAKTIKUM

MANUAL FROZEN MUTTON SLICER

“METODE PERAMALAN”
Dibuat untuk memenuhi tugas Production Planing and Inventory Control

Dosen Pengampu : Dr. Ir. Eng. Muslimin, S.T., M.T., IWE

Disusun Oleh :

Kelompok 2

- Alvin Rizky Fernanda (2002411057)

- Arsad Aryanto (2002411055)
- Widad Afdhila (2002411061)
- M.Sirojul Munir (2002411060)
- Rizqi Aqdam Erlangga (2002411058)

PROGRAM STUDI D4
MANUFAKTUR JURUSAN TEKNIK
MESIN POLITEKNIK NEGERI
JAKARTA 2023
 Kata Pengantar

Puji syukur penulis panjatkan kehadirat Allah SWT yang telah memberikan
rahmat dan Karunia-Nya sehingga dalam penyusunan laporan ini dapat diselesaikan.
Laporan ini disusun untuk diajukan sebagai pelengkap tugas mata kuliah Production
Planing and Inventory Control (PPIC) dengan judul Drill Stand Penyangga Bor Listrik
“Metode Peramalan” di Program Studi Manufaktur, Jurusan Teknik Mesin, Politeknik
Negeri Jakarta.

Laporan ini kami susun secara cepat dengan bantuan dan dukungan berbagai
pihak diantaranya Bapak Dr. Ir. Eng. Muslimin, S.T., M.T., IWE selaku dosen mata kuliah
Sistem Production Planing and Inventory Control, Ibu Dhiya LuqyanaS.Tr.T selaku asisten
lab serta teman-teman anggota kelompok 2. Oleh karena itu kami sampaikan terimakasih
atas waktu, tenaga dan pikirannya yang telah diberikan.

Dalam penyusunan laporan ini, kami menyadari bahwa hasil ini masih jauh dari
kata sempurna. Sehingga kami selaku penyusun sangat mengharapkan kritik dan saran yang
membangun dari pembaca sekalian. Akhir kata semoga laporan ini memberikan manfaat
untuk kelompok kami dan masyarakat pada umumnya.

Depok, 17 April 2023

Penyusun
Daftar Isi
Daftar Gambar
Daftar Tabel
Daftar Lampiran
 BAB 1

PENDAHULUAN

1.1 Latar Belakang

Untuk menyelesaikan masalah di masa datang yang tidak dapat dipastikan, orang
senantiasa berupaya menyelesaikannya dengan model pendekatan-pendekatan yang sesuai
dengan perilaku aktual data, begitu juga dalam melakukan peramalan. Peramalan
(forecasting) adalah suatu teknik yang digunakan untuk memprediksi nilai masa depan dari
suatu variabel atau serangkaian variabel. Teknik ini bisa diterapkan dalam berbagai bidang
seperti dalam ekonomi, bisnis, ilmu sosial, teknik, dll.

Tujuan dari teknik Peramalan (forecasting) adalah untuk membantu pengambilan

keputusan dengan memberi informasi tentang masa depan yang akan datang dengan
ketidakpastian tertentu. Dalam bisnis, peramalan dapat digunakan untuk memprediksi
permintaan produk, penjualan, perkiraan anggaran, dan lain sebagainya. Peramalan ini dapat
membantu perusahaan untuk menjaga kestabilan keuangannya dan mencegah kerugian dalam
jangka waktu yang panjang. Ada banyak teknik peramalan yang dapat digunakan, tergantung
pada data historis yang tersedia, misalnya time series analysis, trend analysis, regresi analisis,
simulasi, dan forecast optimization.

1.2 Tugas Praktikum

1.3 Tujuan Praktikum

Praktikum ini bertujuan agar mahasiswa :

- Memahami manfaat dan posisi peramalan dalam sistem industri

- Memahami metoda dan teknik peramalan
- Dapat menggunakan metoda dan teknik peramalan untuk menentukan kebutuhan pasar
sebagai dasar penyusunan rencana produksi
 BAB 2

LANDASAN TEORI

2.1 Peramalan
Peramalan merupakan aktivitas pertama dalam penentuan jadwal produksi di masa depan.
Peramalan didasarkan pada penentuan (prediksi) jumlah demand sebuah produk yang
kemudian akan dijadikan sebagai target produksi. Ide dasar yang mendasari setiap metode
peramalan adalah penggunaan data-data masa lalu untuk memprediksikan (memproyeksikan)
nilai-nilai di masa yang akan datang. Ada dua pengkategorian metode-metode peramalan :

Berdasarkan sifatnya :

a. Teknik-teknik kualitatif
Teknik ini digunakan apabila data masa lalu tidak tersedia atau walaupun tersedia namun
jumlahnya tidak mencukupi. Teknik kualitatif mengkombinasikan informasi dengan
pengalaman, penilaian, dan intuisi untuk menghasilkan pola-pola dan hubungan yang
mungkin dapat diterapkan dalam memprediksi masa yang akan datang. Teknik-teknik
kualitatif didasarkan atas pendekatan akal sehat (common sense) dalam menyaring
informasi ke dalam bentuk yang bermanfaat.

b. Teknik-teknik kuantitatif
Dalam teknik ini, pola historis data digunakan untuk mengekstrapolasi (meramalkan)
masa datang. Terdapat dua teknik kuantitatif yang utama : analisis deret waktu (time
series analysis) dan model struktural (structural model) atau model kausal.

1.2 Metode-Metode Deret Waktu (Time Series)

Deret waktu (time series) adalah sebuah kumpulan observasi yang dibuat secara sekuensial
dalam waktu. Contoh time series antara lain statistik inflasi, dinamika jumlah pengangguran,
dan lain-lain.
Analisis deret waktu didasarkan pada deret yang menggambarkan pola-pola yang bervariasi
sepanjang waktu, yang dapat dimodelkan untuk menentukan bagaimana pola yang akan
terjadi di masa yang akan datang. Secara tradisional, jenis-jenis variasi dibedakan dalam
empat elemen.

Trend :kecenderungan jangka panjang dalam satu arah

Variasi Siklis :variasi ini secara natural memiliki siklus yang dapat
diidentifikasikan. Sebagai contoh, data ekonomi dapat dipengaruhi
oleh siklus bisnis dalam suatu peride waktu yang bervariasi antara
5 sampai 7 tahun
Variasi Musiman : variasi yang memiliki pola tahunan
Variasi Tak Beraturan :residual yang tertinggal setelah semua tipe trend berhasil
diidentifikasikan. Jika semua tipe trend telah secara penuh
diperhitungkan dalam model, variasi tak beraturan ini akan bersifat
random.

 Jenis Deret waktu

Terdapat beberapa jenis deret waktu. Masing-masing tergantung pada jenis
variasi yang terdapat dalam data
o Stationary : tanpa trend
o Trend : terdapat sebuah pergerakan konsisten naik ataupun turun
(tidak stationer pada posisi nilai rataan)
o Trend, musiman : pola teratur yang berulang setiap tahunnya (tidak stasioner
dalam variansi)
o Trend,musiman,siklus : terdapat pola reguler yang memerlukan waktu lebih dari
setahun untuk berulang (tidak stasioner dalam rataan dan
variansi)
Langkah pertama dalam setiap analisis deret waktu adalah melakukan plot data selanjutnya
dapat digunakan salah satu dari beberapa metode di bawah ini :

1. Trend Curve Fitting

Metode trend curve fitting mengidentifikasikan pola-pola masa lalu dan mengekstrapolasikannya
untuk meramalkan masa depan. Masalah utama dalam trend curve fitting adalah memilih kurva
mana yang akan digunakan. Beberapa jenis kurva yang umum digunakan antara lain : garis lurus,
kurva eksponensial, kurva parabola, kurva ekponensial yang dimodifikasi, kurva Gompertz, dan
kurva logistik.

2. Dekomposisi Klasik

Metode ini dapat diaplikasikan pada deret dengan semua jenis variasi. Tujuannya adalah untuk
mengidentifikasi dan mengisolasi variasi sehingga peramalan dapat dibuat dengan jalan
mensubsitusikan variasi tersebut dalam sebuah persamaan.

Terdapat dua versi model :

 Multiplikatif
Metode ini mengkombinasikan komponen dalam bentuk :
Y=TxCxSxI
 Aditif
Metode ini mengkombinasikan komponen dalam bentuk
Y = T + C + S+ I

3. Moving Average

Moving average merupakan metode peramalan yang hanya sesuai untuk deret waktu yang
bersifat stasioner. Metode ini sering digunakan untuk menghilangkan trend dan sifat musiman
pada satu set data, menganalisis deret residualnya, dan kemudian menggabungkan kembali
variasi trend dan seasonal.
a. Single moving average
Dengan rumus sebagai berikut :

xi = data pengamatan pada waktu ke-t

Ft+1 = nilai ramalan pada waktu ke-t+1 dengan menggunakan metode single moving
average

b. Double moving average

Pada double moving average terdapat 3 aspek yaitu :

 Menggunakan single moving average pada waktu t

 Terjadi penyesuaian antara single moving average - double moving average (S’t -S’’t)
pada saat t
 Terjadi penyesuaian trend t - N + 1

Aspek-aspek ini dapat dilihat pada persamaan-persamaan peramalan berikut :

 c. Weighted Moving Average:

Pada metode ini, terdapat koefisien pemberat (weighted) yang berfungsi sebagai faktor
pengali. Rumusan metode ini sebagai berikut :

F(t) = S w(t-i+1)x(i) / S w(t-i+1) ; i dari (t-m+1) sampai

t f(t+h) = F(t)

Dengan nilai m adalah panjang (banyaknya) data moving average, dan nilai w(1), w(2),
dan w(m) adalah faktor pengali. Masing masing faktor pengali dipakaiuntuk data ke-n
sesuai dengan faktor pengalinya.

4. Exponential Smoothing
Metode ini menutupi kekurangan moving average dalam hal perbedaan informasiyang
dihasilkan oleh pengamatan terdahulu dan pengamatan yang lebih baru. Hal ini menyebabkan
timbulnya dorongan untuk memberikan bobot yang tidak sama untuk masing-masing
pengamatan. Metode exponential smoothing secara umum dirumuskan sebagai:

Ramalan baru = ramalan lama + x

(pengamatan terakhir – ramalan lama)Ft+1 = Ft + (xt -
Ft )

2.3 Model-model Kausal

Model-model kausal terdiri atas teknik-teknik peramalan yang menggunakan informasi

atas satu atau beberapa faktor (variable) untuk memprediksi faktor (variable) lainnya
denganjalan memanfaatkan pengetahuan atas hubungan antara variabel-variabel tersebut.
Teknik utama dalam model-model kausal ini adalah analisis regresi.

Penggunaan Model-model Kausal

Pada dasarnya model-model kausal dapat digunakan manakala pergerakan dalam suatu
variabel dianggap disebabkan oleh pergerakan pada variabel-variabel yang lain. Akibatnya,
proses pengidentifikasian variabel-variabel menjadi proses yang kritis. Pedoman berikut
menggambarkan kapan pemodelan kausal sesuai untuk diterapkan :
 1. Pada saat terdapat alasan-alasan a priori untuk menganggap bahwa satu variabel adalah
dipengaruhi oleh variabel yang lain. Misalnya, terdapat alasan yang kuat untuk
mempercayai bahwa periklanan akan mempengaruhi tingkat penjualan.
2. Pada saat sebuah indikator utama dapat teridentifikasikan. Misalnya, tingkat kelahiran
bayi saat ini dapat digunakan untuk meramalkan kebutuhan akan busana balita untuk
beberapa tahun ke depan.
3. Horison waktu peramalan yang relevan. Dalam jangka pendek, delay antara efek kausal
dan waktu data dikumpulkan dapat diabaikan. Namun dalam jangka panjang terdapat
kemungkinan bahwa efek kausal telah bergeser.

2.4 Pemilihan Dan Evaluasi Metode-Metode Peramalan

Tidak ada bukti yang menunjukkan bahwa satu metode secara konsisten lebih baik dari
pada metode yang lainnya. Karena itu adalah penting untuk memilih metode yang sesuai
berdasarkan situasi yang ada. Terdapat dua kelompok karakteristik yang dapat digunakan
sebagai kerangka dasar untuk menilai kesesuaian suatu model untuk diterapkan :

 Situasi
Berdasarkan situasi yang ada, harus diperhatikan hal-hal antara lain : horison waktu, detil
yang dibutuhkan, jumlah item yang akan diramal, tujuan dilakukannya peramalan (kontrol vs
perencanaan), kekonstanan, dan prosedur perencanaan yang ada saat ini
 Metode
Berdasarkan metode yang ad, harus diperhatikan hal-hal antara lain : horison waktu, pola
data, biaya, keakuratan, dan daya tarik intuitif

Mula-mula, terdapat pilihan apakah akan digunakan metode kuantitatif atau metode
kualitatif.Dalam peramalan bisnis, metode-metode kualitatif lebih sesuai untuk peramalan
jangka panjang yang berkaitan dengan identifikasi perubahan yang mungkin terjadi dalam
pola-pola dan hubungan-hubungan yang sudah mapan serta juga pada keadaan di mana
terdapat ketidakpastian yang tinggi atau kurangnya data. Peramalan kuantitatif biasanya
lebih baik dalam jangka pendek atau menengah, yang kebutuhan peramalannya adalah untuk
perencanaan produksi dan penjadwalan personel dalam jangka pendek serta untuk penentuan
anggaran dalam jangka menengah.
 Jika metode kuantitatif yang dipilih, selanjutnya terdapat pilihan antara model kausal atau
deret waktu. Metode kausal lebih sesuai di mana terdapat hubungan antar variabel yang
dapat diidentifikasikan dengan mudah dan terdapat sedikit variabel eksternal. Ketika
variabel tersebut dipengaruhi oleh lebih banyak faktor, metode deret waktu lebih sesuai.
Deret waktu lebih efektif ketika banyak peramalan dibutuhkan dalam horison jangka pendek
sebagaimana yang sering dijumpai dalam dunia bisnis.

Setelah ditentukan metode-metode mana yang diperkirakan sesuai dan parameter-

parameter model telah pula ditetapkan, maka untuk menentukan metode terbaik yang
nantinya akan dipakai diperlukan suatu evaluasi.

Terdapat tiga atribut penilaian sebuah peramalan :

1. Kesesuaian terhadap data historis

2. Landasan statistik dan teoritis yang dapat dipertanggungjawabkan
3. Kesesuaiannya dengan situasi yang sedang dihadapi

Setiap metode peramalan cenderung memiliki error. Besarnya error pada

periode ke-i (ei) dinyatakan dengan :
ei = Xi - Fi
ei = kesalahan pada periode ke-i
Xi = data aktual periode ke-i
Fi = nilai peramalan periode ke-i

Ada beberapa rumus untuk mengukur error. Rumus-rumus tersebut antara lain :

 Mean Error : ME = ei / n

 Mean Ablolute Error : MAE = ei / n
 Sum of Square Error : SSE =  ei2
 Mean Squared Error : MSE =  ei2 / n
 Standard Deviation of Error : SDE =  ei2 / (n-1)1/2
 Percentage Error : PEi = (ei / Xi ) * 100 %
 Mean Percentage Error : MPE =  PEi / n
 Mean Absolute Percentage : MAPE = PEi / n
Suatu metode dapat dipilih berdasarkan ukuran error yang terkecil
 BAB 3

METODOLOGI PENELITIAN
 BAB 4
PEMBAHASAN

4.1 Manual Frozen Mutton Slicer Type A

Data Forecast 2021 dan Data Aktual 2022
4.2 Drill Stand Type B
Data Forecast 2021 dan Data Aktual 2022

DRILL STAND TYPE B

PERIODE FORECAST 2021 AKTUAL 2022
1 235 232
2 247 246
3 213 223
4 256 244
5 264 259
6 266 267
7 261 263
8 268 274
9 247 241
10 255 265
11 264 266
12 247 247
Average 251.9 252.3

GRAFIK DATA FORECAST DAN AKTUAL

PADA DRILL STAND TYPE B
FORECAST 2021 AKTUAL 2022

300
250
200
150
100
50
DATA

1 2 3 4 5 6 7 8 9101112
PERIODE
4.3 Drill Stand Type C
Data Forecast 2021 dan Data Aktual 2022

DRILL STAND TYPE C

PERIODE FORECAST 2021 AKTUAL 2022
1 230 227
2 241 240
3 212 218
4 257 238
5 265 253
6 267 261
7 262 257
8 239 268
9 247 236
10 256 259
11 265 260
12 247 241
Average 249.0 246.5

GRAFIK DATA FORECAST DAN AKTUAL PADA DRILL STAND TYPE

FORECAST 2021 AKTUAL 2022

300
250
200
150
100
50
DATA

1 2 3 4 5 6 7 8 9101112
PERIODE
LAMPIRAN