“METODE PERAMALAN”
Dibuat untuk memenuhi tugas Production Planing and Inventory Control
Disusun Oleh :
Kelompok 2
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.
Penyusun
Daftar Isi
Daftar Gambar
Daftar Tabel
Daftar Lampiran
BAB 1
PENDAHULUAN
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.
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.
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.
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 :
Ft+1 = nilai ramalan pada waktu ke-t+1 dengan menggunakan metode single moving
average
Pada metode ini, terdapat koefisien pemberat (weighted) yang berfungsi sebagai faktor
pengali. Rumusan metode ini sebagai berikut :
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:
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.
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.
Ada beberapa rumus untuk mengukur error. Rumus-rumus tersebut antara lain :
METODOLOGI PENELITIAN
BAB 4
PEMBAHASAN
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
300
250
200
150
100
50
DATA
1 2 3 4 5 6 7 8 9101112
PERIODE
LAMPIRAN