TI3003 1

PRAKTIKUM PERANCANGAN SISTEM TERINTEGRASI II

MODUL 5

PERAMALAN PERMINTAAN PASAR

PROGRAM STUDI TEKNIK INDUSTRI

FAKULTAS TEKNOLOGI INDUSTRI
INSTITUT TEKNOLOGI BANDUNG
2013
 TI3003 1
PRAKTIKUM PERANCANGAN SISTEM TERINTEGRASI II

MODUL 5

PERAMALAN PERMINTAAN PASAR

Tujuan Umum

Secara umum, dari praktikum ini praktikan diharapkan:

1. Memahami dan dapat menggunakan kriteria pemilihan metode peramalan permintaan

pasar.
2. Memahami dan dapat menggunakan metode peramalan untuk memprediksi permintaan
pasar.
3. Memahami dan dapat mengevaluasi performansi metode peramalan permintaan pasar.
4. Dapat menginterpretasikan hasil permintaan pasar.

Tujuan Khusus

Secara khusus, dari praktikum ini praktikan diharapkan:

1. Memahami dan dapat membuat peramalan permintaan pasar sebagai dasar

perencanaan produksi dengan benar.
2. Memahami dan dapat menginterpretasikan hasil peramalan dengan benar.
3. Mampu menggunakan alat bantu computer untuk melakukan peramalan sebagai dasar
dalam perencanaan produksi.

Peramalan

Definisi Peramalan

Peramalan adalah aktivitas yang dilakukan untuk memprediksi kejadian yang akan terjadi pada
masa yang akan datang. Pada skala produksi, peramalan digunakan untuk memprediksi jumlah
permintaan dari suatu produk sebagai dasar yang digunakan untuk menentukan target volume
produksi beserta strategi untuk mencapai target tersebut. Kesalahan dalam proses peramalan
dapat berakibat pada kesalahan penentuan target atau strategi. Lebih lanjut, kesalahan tersebut
dapat berakibat pada kerugian, misalnya jika strategi yang dipilih melibatkan investasi. Konsep
dasar dari peramalan adalah penggunakan pola pada fakta atau data-data pada masa lalu,
untuk memprediksi kondisi pada masa yang akan datang dengan asumsi bahwa pola tersebut
akan berulang kembali di kemudian hari. Secara garis besar, peramalan dapat dikelompokkan
menjadi dua yaitu metode peramalan kualitatif dan metode peramalan kuantitatif.

Pada gambar 1, ditunjukkan klasifikasi peramalan yang dipakai dalam praktikum kali ini.
Praktikum kali ini akan berfokus pada peramalan kuantitatif dengan model time-series.
Peramalan kualitatif dan peramalan kuantitatif dengan model kasual tetap disajikan pada modul
ini untuk memberikan pengetahuan lebih dan memperjelas perbedaannya di antaranya.
 TI3003 2
PRAKTIKUM PERANCANGAN SISTEM TERINTEGRASI II

Single Exponential Smoothing

Model Untuk Pola

Single Moving Average
Data Horizontal

Metode
Weighted Moving Average
Kualitatif

Peramalan Model Kausal

Metode Moving Average with Linear

Kuantitatif Trend

Model Time Series

Model Untuk Pola

Linear Regression
Data Tren

Double Exponential Smoothing

(Holt's Method)

Model Untuk Pola Triple Exponential Smoothing

Data Seasonal (Holt's Winter Method)

Gambar 1 Klasifikasi Peramalan

A. Metode Peramalan Kualitatif

Metode peramalan ini biasa digunakan jika data pada masa lalu tidak tersedia sehingga tidak
ada dasar untuk melakukan peramalan. Pada umumnya metode ini cenderung bersifat subjektif,
dan lebih mengandalkan penggabungkan informasi, pengalaman dan intuisi untuk
menghasilkan pola-pola yang dapat digunakan secagai dasar untuk prediksi masa depan.
Beberapa metode peramalan kualitatif yang sering digunakan untuk memprediksi permintaan
pasar antara lain adalah :

 Market Survey
Metode ini merupakan pendekatan yang sistematik dalam menentukan preferensi
konsumen terhadap suatu produk atau jasa. Market Survey terdiri dari beberapa tahap.
Pertama, penyebaran kuisioner (melakukan survei) yang berisi pertanyaan-pertanyaan
yang jawabannya mengandung informasi yang dibutuhkan untuk menentukan
peramalan. Kedua, analisa hasil survei tersebut dan menginterpretasikan hasilnya. Hasil
survei dapat menghasilkan informasi penting yang membantu proses peramalan, namun
tingkat kesulitan tertinggi ada dalam proses perancangan kuisioner.

 Delphi Method
Metode ini biasa digunakan oleh sekelompok ahli dalam menentukan kesepakatan yang
disetujui bersama. Biasanya, penyebaran kuisoner dilakukan di antara para ahli tersebut,
di mana kuisioner berisi pertanyaan-pertanyaan mengenai kondisi penjualan dan
 TI3003 3
PRAKTIKUM PERANCANGAN SISTEM TERINTEGRASI II

produksi dalam perusahaan. Kekurangan dari metode ini adalah lamanya waktu yang
dibutuhkan dan tingginya kemungkinan (resiko) terjadinya kesalahpahaman.

 Panel Consensus
Peramalan dilakukan berdasarkan pertimbangan pihak manajemen senior perusahaan.
Metode ini baik untuk dilakukan pada situasi yang sensitif dan intuitif karena
pengalaman dari para manajemen senior dapat memberikan opini yang relevan terhadap
situasi yang terjadi.

 Hystorical Analogy
Metode ini menggunakan data-data historis produk-produk sejenis untuk meramalkan
kondisi pada masa mendatang.

 Sales and operations planning

Metode ini mengkolaborasikan perencanaan internal, terutama bagian pemasaran dan
operasi. Metode ini membantu mengidentifikasi peristiwa yang akan terjadi pada masa
datang. Contohnya pada penjualan, promosi, pengenalan produk baru, dan aktivitas
lainnya yang mempengaruhi kebutuhan kapasitas produksi atau kebutuhan persediaan.

B. Konsep Peramalan Kuantitatif

Peramalan kuantitatif adalah suatu metode peramalan yang bergantung kepada data-data yang
didapatkan dari masa lalu. Pada peramalan metode kuantitatif hasil peramalan akan sangat
bergantung kepada metode yang digunakan. Dengan menggunakan metode yang berbeda,
maka akan didapatkan hasil peramalan yang berbeda pula. Oleh sebab itu, diperlukan analisis
lebih lanjut mengenai hasil dari peramalan dengan menggunakan metode tertentu. Analisis ini
dilakukan dengan menguji validasi metode (model) peramalan dengan membandingkan data
hasil peramalan metode tersebut dengan data aktual yang tersedia. Suatu metode yang baik
akan menghasilkan data hasil peramalan yang memiliki selisih yang kecil terhadap data aktual
yang tersedia. Peramalan metode kuantitaif dapat digunakan pada kondisi sebagai berikut.

 Terdapat informasi yang dapat dikuantifikasikan dalam bentuk data.

 Pola data tersebut diasumsikan akan berlanjut di masa mendatang.
 TI3003 4
PRAKTIKUM PERANCANGAN SISTEM TERINTEGRASI II

B.1 Pola Data

Pola Data Definisi Gambar

Horizontal Pola Horizontal terjadi apabila suatu

data hasil observasi berubah-
berubah di sekitar tingkatan atau
rata-rata yang konstan. Sehingga
disebut pola data horizontal.

Tren Pola data tren terjadi apabila suatu

data memiliki kecenderungan
meningkat atau menurun, dari waktu
ke waktu.

Seasonal Pola data seasonal atau musiman

terjadi saat suatu deret data
dipengaruhi oleh faktor musiman
(kuartal waktu tertentu,
mingguan,atau bulanan). Contoh
produk yang mengikuti pola
penjualan ini adalah baju koko yang
akan menigkat pada saat mendekati
hari raya lebaran.
 TI3003 5
PRAKTIKUM PERANCANGAN SISTEM TERINTEGRASI II

Pola data siklis memiliki pola yang

Cyclical
mirip dengan seasonal.
Perbedaannya, interval pengulangan
siklusnya tidaklah sama. (Pola Data
ini tidak dicoba dalam praktikum)

B.2 Pre Processing Data

Dalam mengumpulkan data, tidak semua data dapat secara langsung dipakai dalam proses
peramalan. Hal ini mungkin terjadi ketika abnormalitas terjadi dan membuat data mengalami
penyimpangan dari pola yang seharusnya. Dalam peramalan volume produksi, misalnya,
terdapat satu bulan di mana volume produksi meningkat pesat karena kebetulan pada bulan
tersebut perusahaan sedang menerima order langka dalam rangka ulang tahun ke-50 salah satu
konsumen terbesarnya. Jika data pada bulan tersebut diikutsertakan dalam pembangunan
model peramalan, maka model tersebut akan meneruskan pola, dengan suatu peningkatan
pesat tersebut, untuk kejadian di masa mendatang.

Selain itu, terkadang data yang dibutuhkan tidak tersedia dengan baik. Sebagai contoh, data
penjualan perusahaan pada bulan Agustus 2013 tidak tersedia, atau data tingkat kerusakan
mesin pada bulan Mei 2013 tidak tersedia. Ketidaktersediaan data ini membuat data menjadi
tidak lengkap. Jika data yang tidak lengkap (missing data) ini diikutsertakan sebagai input bagi
proses peramalan, hasil peramalan yang didapatkan akan kurang tepat. Sama dengan kasus
peningkatan pesat, model peramalan juga akan melanjutkan pola akibat missing data tersebut.
Fenomena semacam ini dikenal sebagai fenomena GIGO (Garbage In, Garbage Out).

Hair (2010) menjelaskan bahwa missing data adalah ketidaktersediaan informasi untuk suatu
subjek atau kasus. Selain itu, Hair (2010) juga mengatakan bahwa terkait dengan missing data,
tugas peneliti adalah untuk mengidentifikasi dan melihat hubungan yang terdapat pada missing
data sehingga jika dilakukan perbaikan, hasil perbaikan tersebut akan memiliki distribusi yang
sama atau mirip dengan distribusi data aslinya.

Terdapat dua tindakan yang dapat dilakukan untuk menghadapi missing data yang terdapat
dalam data mentah sebagai berikut.

1. Tidak mempedulikan missing data

 TI3003 6
PRAKTIKUM PERANCANGAN SISTEM TERINTEGRASI II

Tindakan ini dilakukan jika terdapat allowance untuk missing data yang normal terjadi dalam
teknik yang dilakukan. Missing data juga dapat diabaikan dengan alasan yang dapat diterima
misalnya karena data yang disensor.

2. Mempedulikan missing data

Tindakan ini dilakukan jika peneliti bisa mengidentifikasi bahwa missing data terjadi karena
faktor prosedural, misalnya saja kesalahan dalam meng-input data. Untuk mengatasi missing
data semacam ini, terdapat alternatif tindakan berupa penghapusan variabel atau case. Namun
begitu, tindakan tersebut hanya dapat dilakukan pada data multivariat dan beberapa data
univariat. Sementara itu, untuk data univariat, penghapusan data tidak dapat dilakukan karena
data dari tiap waktu harus diperhitungkan (time series) untuk menentukan model peramalan
terbaik.

Metode yang dapat dilakukan untuk mengatasi missing data, antara lain sebagai berikut.

1. Mean Substitution

Mean substitution dilakukan dengan mengganti nilai missing data dengan rata-rata data
yang ada. Metode ini dapat digunakan pada data numerik.

2. Regression-Based Approach

Pada metode ini, analisis regresi digunakan untuk memprediksi nilai variabel missing data
berdasarkan hubungannya dengan variabel lain pada set data. Metode ini mengasumsikan
bahwa terdapat hubungan antara missing data dengan variabel lain yang terdapat pada
set data.

3. Case Substitution

Metode ini dilakukan dengan mengganti keseluruhan variabel yang memiliki missing data
dengan data lain dari observasi.

4. Deck Imputation

Deck Imputation dilakukan dengan mengganti nilai variabel dengan berdasarkan pada
sumber eksternal (misalnya observasi lain).

B.3 Metode Peramalan Kuantitatif

Metode peramalan kuantitatif adalah metode peramalan yang berdasarkan kepada data-data
yang terdapat pada masa lalu. Metode ini terbagi atas dua jenis yaitu metode kausal dan
metode deret waktu.

B.3.1 Metode Peramalan Kausal

Metode peramalan kausal merupakan teknik peramalan yang menggunakan informasi satu atau
beberapa variabel tidak berpengaruh (independen) terhadap variabel-variabel lain yang
 TI3003 7
PRAKTIKUM PERANCANGAN SISTEM TERINTEGRASI II

dianggap berpengaruh (dependen). Sebagai contoh, permintaan jumlah baju yang diperngaruhi
oleh hal—hal seperti hari raya (natal, lebaran), kenaikan gaji, dll. Salah satu teknik utama dalam
metode kausal ini adalah regresi.

Model regresi adalah salah satu teknik yang digunakan untuk menjelaskan perubahan dari satu
atau beberapa variabel ketika suatu variabel mengalami perubahan. Variabel yang akan
dijelaskan perubahannya disebut dengan variabel dependen dan variabel yang menyebabkan
perubahan disebut dengan variabel independen.

Jenis regresi yang sering digunakan pada metode kausal adalah multiple regression. Pada
regresi ini, variable independen (xi) merupakan variabel-variabel yang bersifat independen.

Metode kausal dapat digunakan ketika perubahan suatu variabel disebabkan oleh perubahan
pada variabel-variabel lain. Hal tersebut menyebabkan proses identifikasi variabel menjadi
sangat penting. Beberapa pedoman yang dapat menjadi acuan untuk menerapkan metode
kausal adalah sebagai berikut.

1. Terdapat alasan yang kuat untuk menganggap suatu perubahan variabel disebabkan
oleh perubahan pada variabel-variabel lain. Sebagai contoh, tingkat pendapatan
masyarakat akan mempengaruhi tingkat konsumsi masyarakat.
2. Terdapat indikator utama yang dapat diindetifikasi.
3. Rentang waktu atau horizon waktu peramalan yang relevan. Untuk jangka waktu
pendek, rentang waktu antara pengumpulan data dan efek kausal dapat diabaikan.
Namun, untuk jangka waktu yang panjang bisa terdapat kemungkinan bahwa efek kausal
telah bergesar akibat faktor rentang waktu.

B.3.2 Metode Time Series

Metode time series atau biasa dikenal dengan metode deret waktu adalah metode yang
menggunakan data-data pada masa lalu untuk meramalkan keadaaan pada masa yang akan
datang. Pada metode deret waktu ini, sumbu x menunjukkan waktu sedangkan sumbu y
menunjukkan jumlah dari permintaan pada periode x.

B.3.2.1 Model Untuk Pola Data Horizontal

a. Single Moving Average

Salah satu metode peramalan yang ringkas dan mudah digunakan adalah moving
average. Moving average termasuk kepada peramalan jenis One Step Ahead Forecast
(OSF), yaitu model peramalan yang dapat digunakan untuk meramalkan satu periode ke
depan. Oleh sebab itu, untuk melakukan peramalan-peramalan di periode selanjutnya,
digunakanlah nilai peramalan pada periode yang telah diramalkan pada satu periode ke
depan tersebut. Suatu moving average berorde N adalah rata-rata dari data sejumlah N
 TI3003 8
PRAKTIKUM PERANCANGAN SISTEM TERINTEGRASI II

observasi. Untuk melakukan peramalan terhadap satu periode didepan, maka digunakan
data pada N periode sebelumnya. Maka untuk menghitung , rumusnya adalah sebagai
berikut.

( ⁄ ) ∑ ( ⁄ )

dimana :

b. Single Exponential Smoothing

Metode ini memanfaatkan data hasil peramalan periode sebelumnya dan data aktual dari
periode yang bersangkutan. Single Exponential Smoothing termasuk kepada peramalan
jenis One Step Ahead Forecast (OSF). Exponential smoothing bertujuan untuk melakukan
penyesuaian antara hasil peramalan dengan data aktual.

dimana :

c. Weighted Moving Average

Sama dasarnya dengan metode single moving average, metode ini memanfaatkan data
aktual dari beberapa periode masa lalu. Weighted Moving Average termasuk kepada
peramalan jenis One Step Ahead Forecast (OSF). Jika pada metode single moving
average, setiap data aktual memiliki bobot yang sama, sedangkan pada metode
weighted moving average bobot yang berbeda-beda digunakan untuk setiap data
aktual, dimana bobot tersebut adalah Wi. Pemilihan bobot akan memengaruhi galat hasil
peramalan dengan data aktual.

Untuk menentukan bobot, dapat digunakan perumusan matematis sebagai berikut.

 TI3003 9
PRAKTIKUM PERANCANGAN SISTEM TERINTEGRASI II

dimana :

Perhatikan indeks yang digunakan pada proses pembobotan secara seksama. Perumusan
matematis tersebut memungkinkan data aktual yang lebih dekat dengan periode
peramalan akan mendapatkan bobot yang lebih besar.

B.3.2.2 Model Untuk Pola Data Tren

a. Double Exponential Smoothing (Using Holt’s Method)

Double exponential smoothing using Holt’s Method termasuk kepada peramalan jenis
Multiple Step Forecast (MSF), yaitu peramalan yang dapat digunakan untuk beberapa
periode ke depan. Pada prinsipnya, metode ini mempertimbangkan terdapatnya faktor
tren pada data. Beta menggunakan perubahan nilai aktual untuk memodifikasi
tren peramalan dari periode sebelumnya. Untuk menghilangkan pengaruh level dan tren
data peramalan, maka dibutuhkan data dari beberapa periode sebelumnya. Dikarenakan
persamaan dari Double exponential smoothing using Holt’s Method membutuhkan data
peramalan dari periode sebelumnya (dalam bentuk dan ), maka dibutuhkan nilai
awal untuk menginisiasi persamaan ini. Salah satu pendekatan untuk mendapatkan nilai
intercept dan slope awal adalah dengan menggunakan metode linear regression dengan
a dan b sebagai nilai awal intercept dan slope tersebut.

dimana :

b. Linear Regression With Time

 TI3003 10
PRAKTIKUM PERANCANGAN SISTEM TERINTEGRASI II

Linear Regression With Time termasuk kepada peramalan jenis Multiple Step Forecast
(MSF). Metode ini berupaya mengestimasi sebuah garis lurus sesuai dengan kumpulan
titik-titik yang ada. tujuan dari metode ini adalah untuk mengestimasi garis tersebut
berdasarkan titik-titik data yang ada. garis tersebut terdiri dari intercept dan slope.
Kedua nilai tersebut berubah seiring dengan pertambahan periode peramalan. Pada
metode ini waktu merupakan variable independen.

∑ ∑

dimana :

c. Moving Average With Linear Trend (MAT)

Prinsip dari metode ini adalah melakukan moving average pada tingkat ke-1, dan
kemudian hasil dari tingkat 1 tersebut digunakan pada tingkat ke-2 untuk digabungkan
dengan faktor trend. Hasilnya diharapkan dapat memperkecil kesalahan sistematis yang
mungkin terjadi pada peramalan moving average dengan tingkatan tunggal. Berikut ini
ialah perumusan matematisnya.

dimana :
 TI3003 11
PRAKTIKUM PERANCANGAN SISTEM TERINTEGRASI II

B.3.2.3 Model Untuk Pola Data Seasonal

a. Holt’s Winter Methode (Triple Exponential Smoothing)

Metode Holt Winter digunakan untuk mengatasi adanya pola data trend dan seasonal. Pada
metode ini terdapat tiga jenis parameter yaitu α,β dan . Metode ini juga membutuhkan nilai
awal dari data peramalan sebelumnya sehingga dibutuhkan pendekatan yang sama dengan
metode Double exponential smoothing using Holt’s Method untuk nilai awal tersebut.

Untuk forecast data aktual :

Untuk forecast future demand :

for h=1,2….c
for h=c+1,c+2…,2c
for h=2c+1,2c+2,….,3c

di mana,
 TI3003 12
PRAKTIKUM PERANCANGAN SISTEM TERINTEGRASI II

B.4 Ukuran Hasil Performansi Peramalan

Pemilihan model peramalan yang tepat adalah kunci dalam melakukan peramalan dengan baik.
Kriteria baik atau tidaknya suatu model peramalan dalam meramalkan data dengan pola
tertentu harus didasarkan pada ukuran-ukuran performansi peramalan yang kuantitatif sehingga
dapat dibandingkan dengan baik. Ukuran performansi peramalan dilakukan berdasarkan adanya
galat (error) yang dihasilkan antara nilai hasil peramalan dan nilai data aktual. Dengan mudah,
semakin kecil galat yang dihasilkan dari peramalan dengan suatu model tertentu, semakin baik
model tersebut dalam meramalkan data yang bersangkutan.

Konsep galat (error) tersebut kemudian digunakan untuk menentukan model peramalan terbaik,
beserta parameter-parameternya, untuk suatu data tertentu. Tentu saja, model peramalan
terbaik ialah model peramalan yang menghasilkan galat terkecil.

Besarnya galat pada periode ke-t, yaitu , dinyatakan dengan formula berikut :
̂

Dimana :

Dalam implementasinya, konsep galat ini memiliki kelemahan seperti adanya efek saling
meniadakan yaitu ketika 2 atau lebih data memiliki galat yang secara resultan (penjumlahan)
saling meniadakan. Hal ini akan menyebabkan kesalahan dalam menentukan performansi suatu
model peramalan. Oleh sebab itu, dengan melakukan perbaikan pada perumusan matematika,
berikut ini ialah beberapa ukuran performansi yang dirumuskan untuk menghilangkan efek
saling meniadakan tersebut.

 Mean Absolute Deviation (MAD)

∑ ̂

 Mean Squared Error (MSE)

̂
∑

 Mean Absolute Percent Error (MAP)

̂
∑[ ]
 TI3003 13
PRAKTIKUM PERANCANGAN SISTEM TERINTEGRASI II

B. 5 Verifikasi Hasil Peramalan

Verifikasi hasil peramalan bertujuan memeriksa fungsi peramalan, apakah sudah mewakili data
yang ada atau belum. Metode verifikasi yang umum digunakan adalah moving range chart.

̅̅̅̅̅ ∑

Dimana:

Kemudian dibuat batas control atas atau Upper Control Limit (UCL), batas control bawah atau
Lower Control Limit (LCL), dan garis tengah atau Center Line (CL).
̅̅̅̅̅
̅̅̅̅̅

Berdasarkan peta kendali yang dibuat, dapat terlihat sebaran data. Apakah sebaran data berada
di dalam atau di luar control. Jika sebaran berada di luar control, maka fungsi atau metode
peramalan yang digunakan tidak sesuai. Sehingga peramalan yang dihasilkan tidak
representative.
Kondisi abnormalitas dapat diidentifikasi berdasarkan empat aturan sebagai berikut :

1. 2 dari 3 data yang berurutan berada di daerah A

2. 4 dari 5 data yang berurutan berada di daerah B
3. 8 atau lebih data yang berurutan berada di salah satu sisi (atas atau bawah) center line.
4. Terdapat satu titik yang berada diluar bata kendali atas dan batas kendali bawah. Kondisi
tersebut disebut out of control.
 TI3003 14
PRAKTIKUM PERANCANGAN SISTEM TERINTEGRASI II

Outlier

Outlier adalah hasil observasi yang berbeda secara signifikan dengan data-data hasil
observasi yang lainnya. Outlier dapat membuat hasil analisis data tidak representative.
Terdapat dua tindakan yang dapat dilakuan terhadap outlier. Pertama, ourlier dapat
diabaikan jika tidak terdapat alasan yang masuk akan terhadap keberadaan outlier tersebut.
Kedua, jika keberadaan data outlier tersebut dapat dijelaskan maka harus dihiraukan supaya
tidak mengganggu proses selanjutnya. Pada data time series, outlier tidak dapat dihapus
karena setiap data merupakan data yang diperhitungkan.
 TI3003 15
PRAKTIKUM PERANCANGAN SISTEM TERINTEGRASI II

REFERENSI

1. Referensi Utama:

Nahmias, Steven. 2005. Production and Operations Analysis 5th Edition. Singapore: McGraw
Hill.

Makridakis, S. & Wheelwright, S.C. 1980. Forecasting Methods for Management3rd Ed.. New
York: John Wiley & Sons.

Hair, J., Black, B., Babin, BJ., Anderson, RE. 2010. Multivariate Data Analysis. New Jersey:
Prentice Hall, Inc.

2. Referensi Pendukung:

Walpole, Ronald E.; Raymond H. Myers, Sharon L. Myers, dan Keying Ye. 2002. Probability &
Statistics for Engineers & Scientists 7th Ed.. New Jersey: Prentice-Hall, Inc.
Elsayed, E.A. & Boucher, T.O. 1994. Analysis and Control of Production System 2nd . New
Jersey: Prentice Hall.

Crandall, Richard E. & William ―Rick‖ Crandall. 2008). Demand Forecasting – Art, Science, or
Chaos? South East Decision Sciences Institute Conference Proceedings, Category:
Teaching Pedagogy, p.914.

BAHAN DAN PERALATAN

Bahan dan peralatan yang dibutuhkan dalam praktikum ini adalah sebagai berikut.

a. Modul praktikum
b. Data penjualan aktual masa lalu selama 48 bulan (diberikan pada saat praktikum)
c. Perangkat lunak Microsoft Excel
d. Perangkat komputer
e. Lembar pengolahan data (Template Excel Modul 5, diberikan pada saat praktikum)

Bahan dan peralatan tersebut WAJIB dibawa oleh praktikan saat praktikum berlangsung.
 TI3003 16
PRAKTIKUM PERANCANGAN SISTEM TERINTEGRASI II

PROSEDUR PRAKTIKUM

Langkah-langkah pengolahan data yang dilakukan dalam praktikum ini adalah sebagai berikut.

1. Lakukan pre-processing data.

2. Agregasikan data penjualan jenis dongkrak yang sama dari 3 regional penjualan untuk
setiap periode.
3. Plot data penjualan agregat masa lalu untuk setiap jenis dongkrak.
4. Analisis pola data penjualan setiap jenis dongkrak.
5. Pilih model-model peramalan deret waktu yang sesuai untuk meramalkan data penjualan
setiap jenis dongkrak.
6. Tentukan parameter-parameter model yang digunakan untuk setiap model peramalan.
7. Gunakan bantuan referensi untuk melakukan peramalan menggunakan model-model
peramalan tersebut.
8. Ukur performansi dari hasil peramalan dengan setiap model-model peramalan tersebut.
9. Pilihlah model peramalan terbaik untuk meramalkan data penjualan setiap jenis dongkrak.
10. Lakukan verifikasi terhadap hasil peramalan.

Langkah-langkah dalam melakukan praktikum digambarkan dalam flowchart sebagai berikut.

 TI3003 17
PRAKTIKUM PERANCANGAN SISTEM TERINTEGRASI II

Gambar 2 Flowchart Praktikum

 TI3003 18
PRAKTIKUM PERANCANGAN SISTEM TERINTEGRASI II

SUSUNAN TATA TULIS LAPORAN

Laporan dibuat dengan susunan tata tulis sebagai berikut.

Cover

Lembar Pengesahan

Lembar Asistensi

Daftar Isi

Bab 1. Pendahuluan

1.1 Latar belakang

1.2 Tujuan

1.3 Flowchart pengolahan data

Bab 2. Pengolahan Data

2.1. Pre-processing data penjualan dongkrak.

2.2. Agregasi data penjualan setiap jenis dongkrak selama periode t.

2.3. Pemetaan dan penentuan pola data penjualan untuk setiap jenis dongkrak.

2.4. Peramalan data penjualan dengan menggunakan model-model peramalan yang

sesuai

2.5. Pengukuran performansi hasil peramalan data penjualan

2.6. Pemilihan model peramalan untuk setiap jenis dongkrak

2.7. Verifikasi terhadap hasil peramalan untuk setiap model peramalan terpilih untuk setiap
jenis dongkrak

2.8. Hasil peramalan data penjualan dengan model peramalan terpilih untuk setiap jenis
dongkrak

Bab 3. Analisis

3.1. Analisis pre-processing data

3.2. Analisis agregasi/diagregasi data penjualan dongkrak A, B, dan C di seluruh regional

3.3. Analisis pola data penjualan setiap jenis dongkrak yang telah diagregasikan

3.4. Analisis setiap model-model peramalan

3.5. Analisis pemilihan model peramalan untuk setiap jenis dongkrak

3.6. Analisis hasil peramalan dengan model peramalan terpilih

 TI3003 19
PRAKTIKUM PERANCANGAN SISTEM TERINTEGRASI II

3.7. Analisis perbandingan ketepatan penggunaan data penjualan atau data produksi
untuk peramalan permintaan produk di masa yang akan datang

3.8. Analisis pengaruh kesalahan peramalan (kelebihan atau kekurangan) terhadap

kegiatan produksi dan solusi yang diperlukan untuk penangannya

3.9. Analisis keterkaitan Modul Peramalan Permintaan Pasar dengan modul lainnya

Bab 4. Kesimpulan dan Saran

4.1. Kesimpulan

4.2. Saran

Daftar Pustaka

Lampiran

Format laporan ialah sebagai berikut.

a. Jenis font : Times New Roman 11

b. Spasi : 1,2
c. Margin : Kiri 2,5 cm; Kanan, atas, dan bawah 2cm
d. Header
1. Kiri : Laporan PPST-2 Modul 5 – Peramalan Permintaan Pasar
2. Kanan : Nama dan NIM asisten
e. Footer
1. Kiri : Nomor kelompok dan NIM anggota kelompok
2. Kanan : Nomor halaman
f. Ukuran kertas : A4 (Print bolak-balik)
g. Laporan dikumpulkan dengan menggunakan klip

Laporan dikumpulkan paling lambat hari Jumat,8 November 2013 pukul 12.00 WIB di LPOSI.

Softcopy dikirimkan ke email asisten dan cc ke lposi.itb.2010 @gmail.com.

Keterlambatan akan dikenakan pengurangan nilai 1 poin per menit.