BAB I

PENDAHULUAN

1.1 Latar Belakang

Perencanaan produksi adalah perencanaan mengenai faktor produksi yang

diperlukan untuk memproduksi produk pada suatu periode tertentu di masa yang

akan datang sesuai dengan yang diperkirakan. Perencanaan dan pengendalian

adalah dua fungsi manajemen yang tidak dapat dipisahkan dalam setiap bidang

kegiatan termasuk kegiatan produksi. Perencanaan adaalah langkah pertama dalam

proses manajemen yang meliputi penetapan tujuan dan sasaran yang ingin dicapai

dan keputusan tentang bagaimana cara untuk mencapai tujuan dan sasaran tersebut.

Perencanaan produksi merupakan proses untuk memproduksi barang-barang pada

suatu periode tertentu sesuai dengan yang diramalkan atau dijadwalkan melalui

pengorganisasian sumber daya seperti tenaga kerja, bahan baku, mesin dan

peralatan lainnya.

Peramalan (forecasting) adalah seni dan ilmu untuk memperkirakan kejadian

di masa yang akan datang. Hal ini dapat dilakukan dengan melibatkan pengambilan

data historis dan memproyeksikan ke masa mendatang dengan suatu bentuk model

matematis (kuantitatif), atau bisa juga merupakan prodiksi intuisi yang bersifat

subjektif (kualitatif). Metode peramalan kuantitatif dapat dibagi dalam deret

berkala (time series) dan metode kausal. Metode time series merupakan bagian dari

beberapa metode, diantaranya adalah moving average forecasting (rata-rata

bergerak), simple average metode yang digunakan jika data yang tersedia tidak

mengandung unsur trend dan faktor musiman, Weighted Moving Average Metode
(WMA) yaitu peramalan dengan memberikan pembobotan lebih berat kepada data

yang terbaru, dan mengurangi pembobotan pada data yang lampau. Dan yang

terakhir Single Exponential Smoothing yaitu metode yang digunakan untuk data

stasioner atau data yang relatif stabil.

Pada praktikum kali ini, praktikan membuat perecanaan produksi rak meja

multi fungsi. Hal tersebut bertujuan untuk menjamin kelangsungan produksi agar

dapat memproduksi barang sesuai dengan kebutuhan pembeli secara tepat

kuantitas, tepat kualitas, tepat waktu, dan dengan harga yang kompetitif. Untuk

memperoleh kondisi seperti diatas maka perlu perencanaan produksi yang baik agar

rantai pasok yang tercipta dapat berjalan dengan baik.

1.2 Rumusan Masalah

Dari permasalahan di atas, dapat dibuat rumusan masalahnya sebagai berikut:

1. Bagaimana cara menentukan pola data dan metode yang sesuai dengan

perancanaan produk rak meja multifungsi?

2. Bagaimana cara menentukan peramalan produk rak meja multifungsi dengan

metode Single Exponential Smoothing, metode Naive, metode Moving

Average, dan metode Weighted Moving Average ?

3. Bagaimana cara menentukan hasil uji verifikasi pada metode peramalan

produk rak meja multifungsi?

1.3 Tujuan Praktikum

Adapun tujuan praktikum modul III Perencanaan Produksi I ini adalah

sebagai berikut:

1. Dapat mengetahui model peramalan untuk digunakan dalam pengolahan data

praktikum ini yang didapatkan dari pola data yang telah terbentuk.

2. Dapat melaksanakan perencanaan produksi rak meja multifungsi dengan

metode Single Exponential Smoothing (SES), Moving Average, Weighted

Moving Average, dan Metode Naive.

3. Dapat mengetahui hasil sebaran data sebagai uji verifikasi pada metode

peramalan data yang paling tepat.

1.4 Batasan Masalah

Adapun batasan masalah pada Modul III Perencanaan Produksi I ini adalah

sebagai berikut:

1. Periode data permintaan produk selama 24 bulan terakhir.

2. Model peramalan yang digunakan berasal dari pola data yang terbentuk.

3. Metode yang digunakan dalam perencanaan produksi berdasar dari

pengukuran akurasi peramalan.

1.5 Asumsi-Asumsi

Adapun asumsi untuk Modul III Perencanaan Produksi I ini adalah sebagai

berikut:

1. Setiap peramalan memiliki potensi kesalahan.

2. Hasil verifikasi peramalan telah sesuai dengan hasil nilai kesalahan terkecil.
3. Proses produksi pembuatan rak meja multfungsi berjalan lancar dan sesuai

dengan waktu kerja yang telah ditentukan.

1.6 Sistematika Penulisan

Adapun sistematika penulisan untuk Modul III Perencanaan Produksi I ini

adalah sebagai berikut:

BAB I PENDAHULUAN

Bab ini berisi tentang latar belakang, perumusan masalah, tujuan

dari praktikum, batasan masalah dan asumsi-asumsi yang digunakan

serta sistematika penulisannya.

BAB II LANDASAN TEORI

Bab ini berisi tentang teori yang diperlukan dalam melakukan

pembahasan terhadap permasalahan yang diambil dengan mengacu

pada beberapa literatur yang digunakan. Antara lain membahas

tentang perencanaan produksi, peramalan, konsep dasar teknik

peramala, macam-macam plot/pola data, metode-metode peramalan

dan ukuran akurasi peramalan.

BAB III PENGUMPULAN DATA

Bab ini berisi tentang pengumpulan data praktikum seperti langkah

pemecahan masalah, identifikasi variabel, dan pengumpulan data.

BAB IV PENGOLAHAN DATA

Bab ini berisi tentang pengolahan data dari bab sebelumnya seperti

data permintaan produksi rak meja multifungsi dan peramalan

produksi rak meja multifungsi.

BAB V KESIMPULAN DAN SARAN

Bab ini berisi tentang kesimpulan dari hasil pembahasan dan saran-

saran yang diberikan.

DAFTAR PUSTAKA

LAMPIRAN
 BAB II

TINJAUAN PUSTAKA

2.1. Perencanaan Produksi

Perencanaan produksi adalah proses menciptakan ide produk dan

menindaklanjutkan sampai produk diperkenalkan kepasar (Rusdiana, 2014: 168).

Fahmi (2014: 89) menyatakan perencanaan produksi merupakan suatu proses

penetapan tingkat output manufacturing secara keseluruhan guna memenuhi tingkat

penjualan yang direncanakan dan diinginkan. Menurut Assauri (2008: 181),

perencanaan produksi merupakan perencanaan dan pengorganisasian sebelumnya

mengenai orang-orang, bahan-bahan, mesin-mesin, peralatan lain serta modal yang

diperlukan untuk memproduksi barang-barang pada suatu periode tertentu dimasa

depan sesuai dengan yang diperkirakan atau diramalkan.

Adapun tujuan perencanaan menurut Fahmi, (2014: 14) adalah sebagai

berikut:

1. Suatu perencanaan bertujuan untuk untuk memperkecil resiko yang akan

terjadi dikemudian hari. Termasuk meminimalisir berbagai biaya yang

dianggap tidak efisien yang mungkin timbul selama proses pekerjaan

berlangsung.

2. Suatu perencanaan yang dibuat harus didasarkan atas target-target atau

prioritas-prioritas yang ingin dibangun.

3. Suatu perencanaan yang dikonsep secara baik serta dijalankan dengan benar

mampu memberikan keyakinan kepada perusahaan.

4. Perencanaan yang baik mampu memberikan kekuatan kepada berbagai

peristiwa yang terjadi.

Dari uraian di atas, dapat ditarik kesimpulan bahwa tujuan perencanaan

produksi ialah untuk dapat memproduksi barang-barang (output), dalam waktu

tertentu dimasa yang akan datang dengan kualitas yang dikehendaki serta dengan

keuntungan yang maksimum.

Faktor-faktor yang dipertimbangkan dalam perencanaan produksi terdapat

beberapa faktor yang mempengaruhi dalam perencanaan produksi menurut Assauri

(2008: 185) yaitu:

1. Sifat proses produksi

a. Proses produksi yang terputus-putus (intermitent process/manufacturing)

Perencanaan produksi yang dibuat semata-mata tidak berdasarkan ramalan

penjualan (sales forecasting) tetapi terutama didasarkan atas pesanan yang

masuk.

b. Proses produksi terus-menerus (continous process) berdasarkan ramalan

penjualan ini hal ini karena, kegiatan produksi tidak dilakukan berdasarkan

pesanan akan teteapi untuk memenuhi pasar dan jumlah yang besar serta serta

berulang-ulang dan telah mempunyai blueprint selama jangka waktu yang

tertentu.

2. Jenis dan mutu dari barang yang diproduksi ada beberapa hal mengenai jenis

dan sifat produk yang perlu kita ketahui dan diperhatikan.

a. Mempelajari dan menganalisis jenis barang yang diproduksi sejauh mungkin.

b. Apakah produk yang akan diproduksi itu merupakan consumers good

(barang-barang yang langsung dikonsumsi oleh konsumen) atau producers

goods (barang yang akan dipergunakan untuk memproduksi barang lain).

c. Sifat dari produksi yang akan dihasilkan, apakah merupakan barang yang

tahan lama atau tidak.

d. Sifat barang yang dihasilkan apakah mempunyai sifat permintaan yang

musiman atau bersifat permintaannya sepanjang masa.

e. Mutu dari barang yang akan diproduksi tergantung pada biaya persatuan yang

diinginkan dan permintaan atau keinginan konsumen terhadap barang hasil

produksi tersebut.

3. Barang yang diproduksi apakah merupakan barang yang baru ataukah barang

lama untuk barang yang baru maka, perlu diadakan penelitian terlebih

pendahuluan mengenai:

a. Lokasi perusahaan, apakah perusahaan perlu diletakkan berdekatan dengan

sumber bahan mentah ataukah dekat dengan pasar.

b. Jumlah barang yang akan diproduksi.

c. Sifat permintaan barang ini apakah musiman atau sepanjang masa.

4. Hal-hal lain yang dibutuhkan untuk memulai produksi tersebut yaitu untuk

barang yang lama atau telah ada, perencanaan produksinya adalah lebih

mudah karena perencanaan didasarkan pada pengalaman-pengalaman masa

lalu, walaupun demikian dalam hal ini perlu diperhatiakan perkembangan

teknologi baru, keadaan perusahan-perusahan yang ada.

2.2. Peramalan

Peramalan merupakan suatu seni dan ilmu pengetahuan dalam memprediksi

peristiwa dimasa mendatang (Heizer dan Barry, 2015: 112). Menurut Rusdiana

(2014: 95), peramalan adalah salah satu kegiatan yang dianggap mampu dijadikan

dasar dalam pembuatan strategi produksi perusahaan. Fahmi (2014: 159) juga

mengatakan bahwa peramalan merupakan suatu bentuk usaha dengan menerapkan

berbagai pendekatan baik kualitatif dan kuantitatif (Indah & Rahmadani, 2018).

Menurut Kushartini dan Almahdy (2016), Peramalan adalah 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 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 (Lusiana & Yuliarty, 2020).

Sofyan Assauri (1984: 1) mendefinisikan peramalan sebagai perkiraan yang

ilmiah (educated guess). Menurutnya, setiap pengambilan keputusan yang

menyangkut keadaan pada masa yang akan datang, pasti ada peramalan yang

melandasi pengambilan keputusan tersebut. Frechtling (2001: 8) mendefinisikan

peramalan sebagai proses menyusun informasi tentang kejadian masa lampau yang

berurutan untuk menduga kejadian pada masa depan. Berdasarkan dua definisi di

atas, pada hakikatnya peramalan merupakan bagian awal dari proses pengambilan

keputusan. Sebelum melakukan peramalan harus diketahui terlebih dahulu

persoalan dalam pengambilan keputusan. Dalam pengertian yang lebih khusus,

peramalan adalah pemikiran terhadap suatu besaran, misalnya permintaan terhadap

satu atau beberapa produk pada periode yang akan datang. Dalam praktiknya,

peramalan merupakan suatu perkiraan (guess) dengan menggunakan teknik-teknik

tertentu. Dalam kegiatan produksi, peramalan dilakukan untuk menentukan jumlah

permintaan terhadap suatu produk yang dilakukan pada awal proses perencanaan

dan pengendalian produksi. Dalam peramalan ditetapkan jenis produk yang

diperlukan (what), jumlahnya (how many), dan waktu dibutuhkannya (when).

Peramalan pada umumnya digunakan untuk memprediksi sesuatu yang

kemungkinan besar akan terjadi, misalnya kondisi permintaan, banyaknya curah

hujan, kondisi ekonomi, dan lain-lain (Rusdiana, 2014).

2.2.1 Manfaat Peramalan

Menurut Herjanto (2008: 96), tujuan peramalan adalah untuk meramalkan

keadaan dimasa datang dengan menemukan dan mengukur beberapa varibel bebas

yang penting beserta pengaruhnya terhadap variabel tak bebas yang diamati.

Haming dan Nurnajamuddin (2007: 113), menyatakan bahwa tujuan peramalan

adalah untuk memenuhi keperluan pembuatan perencanaan jangka panjang.

Menurut Rusdiana (2014: 96), Peramalan bertujuan untuk medapatkan ramalan

yang dapat meminimumkan kesalahan meramal dan dapat diukur dengan Mean

Absolute Percent Error (MAPE) (Indah & Rahmadani, 2018).

Pendekatan ini bermanfaat terutama dalam usaha penyelesaian masalah

dengan pendekatan analisis terhadap suatu fenomena atau pola dari data yang lalu,

sehingga dapat memberikan gambaran menganai cara berfikir dari pengerjaan dan

pemecahan suatu masalah dalam situasi yang sistematis dan dpat dibuktikan secara
riil sehingga memberikan tingkat keyakinan yang lebih pada saat pengambilan

keputusan (Ahmad, 2020).

2.2.2 Kegunaan Peramalan

Tujuan dari peramalan adalah untuk memberikan informasi kepada para

manajer yang akan memfasilitasi pengambilan keputusan. Secara virtual, setiap

organisasi, publik atau swasta, beroperasi dalam lingkungan yang tidak pasti dan

dinamis dengan pengetahuan masa depan yang tidak sempurna. Peramalan

merupakan bagian integral dari sistem perencanaan dan kontrol, dan organisasi

memerlukan prosedur peramalan yang memungkinkan perusahaan untuk

memprediksi masa depan secara efektif dan tepat waktu. Kepemimpinan bisnis

yang sukses berasal dari kemampuan untuk meramalkan perkembangan masa depan

dan kemampuan untuk membuat keputusan yang tepat. Oleh karena itu, peramalan

dapat digunakan sebagai alat untuk memandu keputusan bisnis untuk masa depan,

meskipun beberapa tingkat ketidakpastian masih ada. Top manajemen umumnya

tertarik untuk membuat keputusan berdasarkan faktor ekonomi, di mana perkiraan

yang sangat penting dalam perencanaan dan tindakan strategis (Yudaruddin, 2019).

2.3. Konsep Dasar Teknik Peramalan

Peramalan diklasifikasikan berdasarkan horizon waktu masa depan yang

dilingkupinya. Peramalan diklarifikasikan berdasarkan horizon waktu masa depan

yang dilingkupinya. Horizon waktu terbagi menjadi beberapa kategori:

1. Peramalan Jangka Pendek

Peramalan ini meliputi jangka waktu hingga satu tahun, tetapi umumnya

kurang dari tiga bulan. Peramalan ini digunakan untuk merencanakan

 pembelian, penjadwalan kerja, jumlah tenaga kerja, penugasan kerja, dan

tingkat produksi.

2. Peramalan Jangka Menengah

Peramalan jangka menengah atau intermediate umumnya mencakup hitungan

bulan hingga tiga tahun. Peramalan ini bermanfaat untuk merencanakan

penjualan, perencanaan dan anggaran produksi, anggaran kas, serta

menganalisis bermacam-macam rencana operasi.

3. Peramalan Jangka Panjang

Umumnya untuk perencanaan masa tiga tahun atau lebih. Peramalan jangka

panjang digunakan untuk merencanakan produk baru, pembelanjaan modal,

lokasi atau pengembangan fasilitas, serta penelitian dan pengembangan

(litbang).

2.4. Macam-Macam Plot/Pola Data

Dalam time series terdapat empat macam tipe pola data, yaitu:

1. Horizontal

Tipe data horizontal yaitu ketika data observasi berubah-ubah di sekitar

tingkatan atau rata-rata yang konstan. Sebagai contoh penjualan tiap bulan

suatu produk tidak meningkat atau menurun secara konsisten pada suatu

waktu.

2. Musiman (Seasonal)

Tipe data seasonal ialah ketika observasi dipengaruhi oleh musiman, yang

ditandai dengan adanya pola perubahan yang berulang secara otomatis dari
 tahun ke tahun. Sebagai contoh adalah pola data pembelian buku baru pada

tahun ajaran baru.

3. Trend

Tipe data trend ialah ketika observasi naik atau menurun pada perluasan

periode suatu waktu. Sebagai contoh adalah data populasi.

4. Cyclical

Tipe data cyclical ditandai dengan adanya fluktuasi bergelombang data yang

terjadi di sekitar garis trend. Sebagai contoh adalah data-data pada kegiatan

ekonomi dan bisnis.

2.5. Metode-Metode Peramalan

Teknik peramalan dapat dibagi dalam 2 bagian dilihat dari sifatnya yaitu:

a. Peramalan Kualitatif

Peramalan kualitatif adalah peramalan yang didasarkan atas data kualitatif

pada masa lalu. Hasil peramalan sangat bergantung pada orang yang menyusunnya,

karena berdasarkan pemikiran yang bersifat instuisi, pendapat dan pengetahuan

serta pengalaman dari orang-orang yang menyusunnya. Metode kualitatif dapat

dibagi menjadi dua, yaitu metode eksploratoris dan normatif.

b. Peramalan Kuantitatif

Peramalan kuantitatif adalah peramalan yang didasarkan atas data kuantitatif

pada masa lalu. Peramalan yang baik adalah peramalan yang dilakukan dengan

mengikuti prosedur peramalan penyusunan dengan baik. Semakin baik dalam

menggunakan prosedur peramalan, maka penyimpangan antara hasil peramalan

dengan kenyataan yang terjadi juga semakin kecil. Metode peramalan kuantitatif

dapat dibagi dalam deret berkala (time series) dan metode kausal (Zahra, 2021).

Metode time series merupakan bagian dari beberapa metode, diantaranya

adalah moving average forecasting (rata-rata bergerak). Dimana dalam pendekatan

metode moving average data yang dimanfaatkan meruakan data masa lalu yang

terdiri dari data yang tidak memiliki suatu unsur trend atau musiman yang

kemudian di ubah menjadi tren dari suatu deret waktu. Dalam upaya mencari nilai

dari pendekatan moving average terlebih dahulu yang dilakukan ialah menentukan

dahulu keseluruhan periode yang akan dicari. Kemudian setelah jumlah periode

ditentukan yang digunakan pada observasi di setiap rata-rata atau MA(T) dapat

dihitung nilai rata-ratanya, dimana nilai dari rata-rata bergerak tersebut yang

nantinya akan menjadi ramalan untuk periode kedepan.

Selanjutnya Punjawan juga menjelaskan bahwa pendekatan periode tertentu

(time series) adalah suatu pendekatan kuantitatif yang dapat diaplikasikan

kemudian didalamnya mempunyai beberapa pendekatan, diantaranya:

1. Simple Average, Metode Simple Average mencoba mengolah rataan dari

sumber yang dimiliki, biasanya dalam satu periode tertentu.

2. Moving Average atau sering disebut juga sebagai pendekatan rata-rata

bergerak dengan memanfaatkan data riil dari pelanggan yang paling baru

untuk mengetahui nilai perencanaan untuk permintaan pada periode

selanjutnya.

3. Weighted Moving Average Metode (WMA) tool ini biasanya digunakan untuk

mengantisipasi kekurangan dari pendekatan Moving Average yang

memandang seluruh data mempunyai pembobotan yang sama, kenyataannya

 lebih normatif jika perolehan data yang ada mempunyai akurasi yang lebih

baik.

4. Single Exponential Smoothing ialah dimana keterkaitan smoothing α didalam

pendekatan ini yaitu jika lebih besar nilai α, selanjutnya smoothing yang ada

semakin kecil dan begitu pula sebaliknya. jika α merupakan variable,

problem pada langkah pendekatan perencanaan ini untuk mendapatkan nilai

α yang paling ideal (Ahmad, 2020).

2.6. Ukuran Akurasi Peramalan

Ukuran akurasi hasil peramalan yang merupakan ukuran kesalahan

peramalan merupakan ukuran tentang tingkat perbedaan antara hasil permintaan

dengan permintaan yang sebenarnya terjadi. Beberapa metode telah digunakan

untuk menunjukkan kesalahan yang disebabkan oleh suatu teknik peramalan

tertentu. Hampir semua ukuran tersebut menggunakan pengrata-rataan beberapa

fungsi dari perbedaan antara nilai sebenarnya dengan nilai peramalannya.

Diantaranya adalah sebagai berikut :

a. Mean Absolute Deviation (MAD)

MAD merupakan rata-rata kesalahan mutlak selama periode tertentu tanpa

memperhatikan apakah hasil peramalan lebih besar atau lebih kecil

dibandingkan kenyataannya.

b. Mean Square Error (MSE)

MSE merupakan metode alternatif dalam suatu metode peramalan.

Pendekatan ini penting karena teknik ini menghasilkan kesalahan yang

 moderat lebih disukai oleh suatu peramalan yang menghasilkan kesalahan

yang sangat besar.

c. Mean Absolute Percentage Error (MAPE)

MAPE merupakan ukuran kesalahan relativ. MAPE biasanya lebih berarti

dibandingakan MAD karena MAPE menyatakan persentase kesalahan hasil

peramalan terhadap permintaan aktual selama periode tertentu yang akan

memberikan informasi persentase kesalahan terlalu tinggi atau terlalu rendah

(Hudaningsih dkk, 2020).

 BAB III

PENGUMPULAN DATA

3.1 Langkah-langkah Pemecahan Masalah

Adapun langkah-langkah pemecahan masalah pada modul III adalah sebagai

berikut:

Mulai

Studi Lapangan Studi Literatur

Rumusan Masalah

Tujuan Penelitian

Identifikasi Variabel Operasional:

1. Variabel Bebas: Data permintaan
rak troli
2. Variabel Terikat: Perencanaan
Produksi

Pengumpulan Data:
1. Data Permintaan
Produksi Rak Troli

Pembuatan Plot Data

Penentuan Metode
Peramalan sesuai Plot Data

A
 A

Pengolahan Data dengan Peramalan:

1. Metode Single Exponential
Smoothing
2. Metode Naive
3. Metode Moving Average
4. Metode Weighted Moving Average

Analisa Nilai
Kesalahan Peramalan

Pemilihan Metode
Peramalan dengan Nilai
Kesalahan Terkecil

Verifikasi Peramalan

Tidak Data
Kontrol?

Ya
Analisa dan Pembahasan

Kesimpulan dan Saran

Selesai

Gambar 3.1 Langkah-langkah Pemecahan Masalah

Analisa langkah-langkah pemecahan masalah:

1. Mulai

Mulai merupakan bagian awal dari sebuah flowchart dimana disimbolkan

dengan terminator yang menunjukkan awal dari sebuah proses atau prosedur.
2. Studi Lapangan

Studi lapangan sangat diperlukan karena pada tahap ini dimaksudkan untuk

mengetahui kondisi nyata objek yang akan diteliti.

3. Studi Literatur

Studi literatur merupakan tahap pencarian referensi baik dari buku, jurnal,

maupun penelitian sebelumnya.

4. Rumusan Masalah

Perumusan yang dilakukan untuk menyelesaikan suatu permasalahan dengan

cara mendefinisikan masalah, menentukan penyebab dari suatu

permasalahan, mencari sebuah solusi dan alternatif, dan

mengimplementasikan solusi tersebut sampai masalah benar-benar dapat

terselesaikan.

5. Tujuan Penelitian

Setelah rumusan masalah dilanjutkan dengan tujuan penelitian yang

diharapkan dapat menyelesaikan permasalahan. Adapun tujuan dari modul ini

adalah dapat meramalkan data permintaan produksi untuk di masa yang akan

datang agar dapat digunakan dalam pengambilan keputusan sesuai dengan

hasil nilai kesalahan yang terkecil.

6. Identifikasi Variabel Operasional

Variabel adalah segala sesuatu yang mempunyai variasi atau perbedaan nilai

terukur. Variabel yang digunakan adalah variabel terikat dan variabel bebas.

Variabel terikat pada studi kasus kali ini adalah perencanaan produksi.

Sedangkan pada variabel bebas pada studi kasus kali ini adalah data

pemintaan produk rak troli.

7. Pengumpulan Data

Data yang digunakan dalam penelitian ini adalah data sekunder. Sumber

tersebut berasal dari data penelitian. Data yang dibutuhkan adalah data

permintaan produksi rak troli.

8. Pembuatan Plot Data

Tahap ini ditujukan untuk pembuatan plot atau pola data yang digunakan

dalam menentukan metode peramalan dalam perhitungan peralaman

praktikum ini.

9. Penentuan Metode Peramalan sesuai dengan Plot Data

Pada langkah ini bertujuan agar mengetahui model dari data yang akan

diramalkan bertujuan untuk penggunaan metode dalam penyelesaian masalah

yang ada agar dapat memperoleh hasil peramalan yang mendekati.

10. Pengolahan Data

Pengolahan data merupakan suatu proses atau upaya pengolahan data menjadi

sebuah informasi baru agar karakteristik data tersebut menjadi lebih mudah

dimengerti dan berguna untuk solusi suatu permasalahan. Pengolahan data

pada studi kasus ini menggunakan peramalan dengan beberapa metode yaitu

metode Single Exponential Smoothing, metode Naive, metode Moving

Average, dan metode Weighted Moving Average.

11. Analisa Nilai Kesalahan Peramalan

Pada langkah ini melakukan analisa dari hasil peramalan dari beberapa

metode di atas yang diperoleh agar data yang didapatkan dapat dikatakan

valid dan tidak ada kesalahan dalam proses peramalan.

12. Pemilihan Metode Peramalan

Langkah selanjutnya setelah menganalisa nilai kesalahan peramalan adalah

memilih metode peramalan dari hasil nilai kesalahan terkecil yang diperoleh

pada saat melakukan pengolahan data dengan meninjau dari hasil nilai MAD,

MSE, dan MAPE lalu melakukan perbandingan dengan tiap-tiap metode yang

digunakan.

13. Verifikasi Peramalan

Pada langkah ini bertujuan agar data yang diperoleh dapat mewakili data dari

keadaan aslinya (data rill) dan hasil peramalan tetap berada di batas kontrol

atas dan batas kontrol bawah.

14. Analisa dan Pembahasan

Langkah selanjutnya adalah melakukan pembahasan dari hasil proses

pengolahan data peramalan di atas dengan penyajian secara cermat dan jelas

mengenai hasil analisis serta pembahasannya berdasarkan kajian pustaka dan

kerangka teori.

15. Kesimpulan dan Saran

Di dalam kesimpulan dan saran berisi pernyataan singkat, jelas, dan sistematis

dari keseluruhan hasil analisis, pembahasan, dan pengujian hipotesis dalam

sebuah penelitian serta usul atau pendapat dari peneliti yang berkaitan dengan

pemecahan masalah yang menjadi objek penelitian ataupun kemungkinan

penelitian lanjutan.
16. Pengolahan Data Selesai

Selesai merupakan bagian penutup dari sebuah flowchart dimana

disimbolkan dengan terminator yang menunjukkan berakhirnya dari sebuah

proses atau prosedur.

3.2 Identifikasi Variabel

Adapun identifikasi variabel untuk modul III (Perencanaan Produksi 1) ini

adalah sebagai berikut:

3.2.1 Variabel Terikat

Variabel terikat adalah variabel yang dipengaruhi tetapi tidak dapat

mempengaruhi variabel lainnya. Variabel terikat pada studi kasus ini adalah

perencanaan produksi.

3.2.2 Variabel Bebas

Variabel bebas adalah variabel yang mempengaruhi variabel terikat. Variabel

bebas pada studi kasus ini adalah data permintaan produksi rak troli.

3.3 Data Permintaan Produk

Berikut ini adalah data permintaan produk rak troli:

Tabel 3.1 Data Permintaan Produk

Permintaan
Periode Bulan
Aktual (Unit)
1 Maret 2021 1047
2 April2021 943
3 Mei 2021 1024
4 Juni 2021 1035
5 Juli 2021 1096
6 Agustus 2021 955
7 Seotember2021 1047
 Permintaan
Periode Bulan
Aktual (Unit)
8 Oktober 2021 1041
9 November 2021. 1047
10 Desember 2021 1127
11 Januari 2022 1093
12 Februari 2022 980
13 Maret 2022 1028
14 April2022 938
15 Mei 2022 1001
16 Juni 2022 1102
17 Juli 2022 944
18 Agustus 2022 961
19 Seotember2022 1068
20 Oktober 2022 1091
21 November2022. 1007
22 Desember 2021 964
23 Januari 2023 1019
24 Februari 2023 1080
 BAB IV

PENGOLAHAN DATA

4.1 Permintaan Produksi Rak Troli

Tabel di bawah ini merupakan data permintaan dari produksi rak troli:

Tabel 4.1 Data Permintaan Rak Troli

Permintaan
Periode Bulan Aktual
(Unit)
1 Maret 2021 1047
2 April 2021 943
3 Mei 2021 1024
4 Juni 2021 1035
5 Juli 2021 1096
6 Agustus 2021 955
7 September 2021 1047
8 Oktober 2021 1041
9 November 2021 1047
10 Desember 2021 1127
11 Januari 2022 1093
12 Februari 2022 980
13 Maret 2022 1028
14 April 2022 938
15 Mei 2022 1001
16 Juni 2022 1102
17 Juli 2022 944
18 Agustus 2022 961
19 September 2022 1068
20 Oktober 2022 1091
21 November 2022 1007
22 Desember 2021 964
23 Januari 2023 1019
24 Februari 2023 1080
 Permintaan Aktual
1200
1000
800
600
400
200
0

Sep-21

Nov-21

Feb-22

Aug-22
Sep-22

Feb-23
Aug-21

Nov-22
Oct-21

Oct-22
Mar-21

Mar-22
Jul-21

Jun-22
Jul-22
Jun-21

Dec-21

Dec-22
May-21

Jan-22

May-22

Jan-23
Apr-21

Apr-22
Gambar 4.1 Plot Data Permintaan Rak Troli

Berdasarkan gambar plot data permintaan rak troli di atas, plot data tersebut

cocok dengan pola data horizontal. Maka, metode yang cocok untuk pola data

horizontal adalah metode Single Exponential Smoothing, metode Naïve atau Past

Data, metode Moving Average, dan metode Weighted Moving Average.

4.2 Peramalan Produksi Rak Troli

4.2.1 Peramalan Produksi dengan Metode Single Exponential Smoothing

Berikut ini merupakan hasil dari peramalan produksi rak troli yang telah

dibuat:

A. Hasil Peramalan Produksi

Berikut ini merupakan hasil dari peramalan produksi rak troli menggunakan

metode Single Exponential Smoothing dengan α = 0,03

Tabel 4.2 Hasil peramalan Single Exponential Smoothing (α = 0,03)

Permintaan Ramalan Berdasarkan Single

Periode Bulan
Aktual (Unit) Exponential Smooting (α = 0,03)
1 Maret 2021 1047
2 April 2021 943 1047
3 Mei 2021 1024 1044
4 Juni 2021 1035 1043
 Permintaan Ramalan Berdasarkan Single
Periode Bulan
Aktual (Unit) Exponential Smooting (α = 0,03)
5 Juli 2021 1096 1043
6 Agustus 2021 955 1045
7 September 2021 1047 1042
8 Oktober 2021 1041 1042
9 November 2021 1047 1042
10 Desember 2021 1127 1042
11 Januari 2022 1093 1045
12 Februari 2022 980 1046
13 Maret 2022 1028 1044
14 April 2022 938 1044
15 Mei 2022 1001 1041
16 Juni 2022 1102 1040
17 Juli 2022 944 1042
18 Agustus 2022 961 1039
19 September 2022 1068 1037
20 Oktober 2022 1091 1038
21 November 2022 1007 1040
22 Desember 2021 964 1039
23 Januari 2023 1019 1037
24 Februari 2023 1080 1036
25 Maret 2023 1037
TOTAL 24656

SES = (𝛼 × 𝐴𝑡−1 ) + (1 − 𝛼)𝐹𝑡−1

= (0,03 × 943) + (1 − 0,03)1047

= 1044

Dari perhitungan SES dapat diketahui bahwa Singel Exponential Smoothing

yang memiliki alpha 0,03 akan menghasilkan nilai 1044 pada periode berikutnya.
 Grafik Data Aktual dan Forecast
1200
1000
800
600
400
200
0

Permintaan Aktual Ramalan

Gambar 4.2 Grafik Perbandingan Data Aktual dan Forecast Berdasarkan

Metode Single Exponential Smoothing (α = 0,03)

B. Hasil Kesalahan Peramalan

Dari perhitungan peramalan dapat juga diketahui hasil peramalan, berikut

adalah hasil kesalahan peramalan:

Tabel 4.3 Hasil Kesalahan Peramalan

Ramalan
Berdasarkan
Permintaan
Single
Bulan Aktual Error |Error| (𝑬𝒓𝒓𝒐𝒓)𝟐 %Error |%Error|
Exponential
(Unit)
Smooting
(α = 0,03)
Maret 2021 1047
April 2021 943 1047 -104 104 10816 -10 10
Mei 2021 1024 1044 -20 20 400 -2 2
Juni 2021 1035 1043 -8 8 64 -1 1
Juli 2021 1096 1043 53 53 2809 5 5
Agustus 1045 -90 90 8100 -9 9
955
2021
September 1042 5 5 25 0 0
1047
2021
Oktober 1042 -1 1 1 0 0
1041
2021
November 1042 5 5 25 0 0
1047
2021
 Ramalan
Berdasarkan
Permintaan
Single
Bulan Aktual Error |Error| (𝑬𝒓𝒓𝒐𝒓)𝟐 %Error |%Error|
Exponential
(Unit)
Smooting
(α = 0,03)
Desember 1042 85 85 7225 8 8
1127
2021
Januari 1045 48 48 2304 5 5
1093
2022
Februari 1046 -66 66 4356 -6 6
980
2022
Maret 2022 1028 1044 -16 16 256 -2 2
April 2022 938 1044 -106 106 11236 -10 10
Mei 2022 1001 1041 -40 40 1600 -4 4
Juni 2022 1102 1040 62 62 3844 6 6
Juli 2022 944 1042 -98 98 9604 -9 9
Agustus
961 1039 -78 78 6084 -8 8
2022
September 1037 31 31 961 3 3
1068
2022
Oktober 1038 53 53 2809 5 5
1091
2022
November
1007 1040 -33 33 1089 -3 3
2022
Desember 1039 -75 75 5625 -7 7
964
2021
Januari
1019 1037 -18 18 324 -2 2
2023
Februari
1080 1036 44 44 1936 4 4
2023
Maret 2023 1037
TOTAL 24638 24995 -367 1139 81493 -37 109

𝐴𝑡−𝐹𝑡
MAD = ∑ | |
𝑛

1139
= ∑| |
25

= 45,56 ≈ 46

(𝐴𝑡−𝐹𝑡)2
MSE = 𝑛

81493
=
25

= 3259,72
 100 𝐹𝑡
MAPE = ( ) ∑ |𝐴𝑡 − 𝐴𝑡 |
𝑛

109
= 25

= 4,36%

Berdasarkan perhitungan kesalahan peramalan di atas dengan menggunakan

metode Single Exponential Smoothing diperoleh nilai MAD adalah sebesar 46, nilai

MSE sebesar 3259,72 dan nilai MAPE sebesar 4,36%.

4.2.2 Peramalan Produksi dengan Metode Naïve

Berikut ini adalah tampilan untuk mengetahui hasil dari peramalan produksi

dengan metode naïve:

A. Hasil Peramalan Produksi

Berikut ini merupakan hasil dari peramalan menggunakan metode Naïve:

Tabel 4.4 Hasil peramalan Metode Naïve

Permintaan Ramalan Berdasarkan

Periode Bulan
Aktual (Unit) Metode Naïve
1 Maret 2021 1047
2 April 2021 943 1047
3 Mei 2021 1024 943
4 Juni 2021 1035 1024
5 Juli 2021 1096 1035
6 Agustus 2021 955 1096
7 September 2021 1047 955
8 Oktober 2021 1041 1047
9 November 2021 1047 1041
10 Desember 2021 1127 1047
11 Januari 2022 1093 1127
12 Februari 2022 980 1093
13 Maret 2022 1028 980
14 April 2022 938 1028
15 Mei 2022 1001 938
16 Juni 2022 1102 1001
17 Juli 2022 944 1102
18 Agustus 2022 961 944
 Permintaan Ramalan Berdasarkan
Periode Bulan
Aktual (Unit) Metode Naïve
19 September 2022 1068 961
20 Oktober 2022 1091 1068
21 November 2022 1007 1091
22 Desember 2021 964 1007
23 Januari 2023 1019 964
24 Februari 2023 1080 1019
25 Maret 2023 1080
JUMLAH 23591.00 23558.00

Naïve = permintaan periode mendatang = permintaan periode terakhir

= 1047 = 1047

Jadi, dari perhitungan di atas dapat diketahui bahwa hasil dari metode Naïve

yaitu 1047 dimana sama seperti periode terakhir.

Grafik Data Aktual dan Forecast

1200
1000
800
600
400
200
0

Permintaan Aktual Ramalan

Gambar 4.3 Grafik Perbandingan Data Aktual dan Forecast Berdasarkan

Metode Naïve
 B. Hasil Kesalahan Peramalan

Berikut ini merupakan tampilan dari hasil kesalahan peramalan menggunakan

metode Naïve:

Tabel 4.5 Hasil Kesalahan Peramalan

Permintaan Ramalan
Bulan Aktual Berdasarkan Error |Error| (𝑬𝒓𝒓𝒐𝒓)𝟐 %Error |%Error|
(Unit) Metode Naïve
Maret 2021 1047
April 2021 943 1047 -104 104 10816 -10 10
Mei 2021 1024 943 81 81 6561 9 9
Juni 2021 1035 1024 11 11 121 1 1
Juli 2021 1096 1035 61 61 3721 6 6
Agustus 2021 955 1096 -141 141 19881 -13 13
September 2021 1047 955 92 92 8464 10 10
Oktober 2021 1041 1047 -6 6 36 -1 1
November 2021 1047 1041 6 6 36 1 1
Desember 2021 1127 1047 80 80 6400 8 8
Januari 2022 1093 1127 -34 34 1156 -3 3
Februari 2022 980 1093 -113 113 12769 -10 10
Maret 2022 1028 980 48 48 2304 5 5
April 2022 938 1028 -90 90 8100 -9 9
Mei 2022 1001 938 63 63 3969 7 7
Juni 2022 1102 1001 101 101 10201 10 10
Juli 2022 944 1102 -158 158 24964 -14 14
Agustus 2022 961 944 17 17 289 2 2
September 2022 1068 961 107 107 11449 11 11
Oktober 2022 1091 1068 23 23 529 2 2
November 2022 1007 1091 -84 84 7056 -8 8
Desember 2021 964 1007 -43 43 1849 -4 4
Januari 2023 1019 964 55 55 3025 6 6
Februari 2023 1080 1019 61 61 3721 6 6
Maret 2023 1080
TOTAL 23591,00 23558,00 33,00 147417,00 12,00 156,00

𝐴𝑡−𝐹𝑡
MAD = ∑ | |
𝑛

1579,00
= ∑| |
25
 = 63,16 ≈ 63

(𝐴𝑡−𝐹𝑡)2
MSE = 𝑛

147417
= 25

= 5896,68 ≈ 5897

100 𝐹𝑡
MAPE = ( ) ∑ |𝐴𝑡 − 𝐴𝑡 |
𝑛

156
= 25

= 6,24%

Berdasarkan perhitungan kesalahan peramalan di atas dengan menggunakan

metode Naïve diperoleh nilai MAD adalah sebesar 63, nilai MSE sebesar 5897,

dan nilai MAPE sebesar 6,24%.

4.2.3 Peramalan Produksi dengan Metode Moving Average

Berikut ini merupakan langkah hasil peramalan produksi menggunakan

metode Moving Average:

A. Hasil Peramalan Produksi

Berikut ini diketahui hasil peramalan produksi rak troli menggunakan metode

Moving Average:

Tabel 4.6 Hasil peramalan Metode Moving Average

Ramalan
Permintaan
Periode Bulan Berdasarkan Metode
Aktual (Unit)
Moving Average
1 Maret 2021 1047
2 April 2021 943
3 Mei 2021 1024
4 Juni 2021 1035 1005
5 Juli 2021 1096 1001
6 Agustus 2021 955 1052
7 September 2021 1047 1029
8 Oktober 2021 1041 1033
 Ramalan
Permintaan
Periode Bulan Berdasarkan Metode
Aktual (Unit)
Moving Average
9 November 2021 1047 1014
10 Desember 2021 1127 1045
11 Januari 2022 1093 1072
12 Februari 2022 980 1089
13 Maret 2022 1028 1067
14 April 2022 938 1034
15 Mei 2022 1001 982
16 Juni 2022 1102 989
17 Juli 2022 944 1014
18 Agustus 2022 961 1016
19 September 2022 1068 1002
20 Oktober 2022 1091 991
21 November 2022 1007 1040
22 Desember 2021 964 1055
23 Januari 2023 1019 1021
24 Februari 2023 1080 997
25 Maret 2023 1021
TOTAL 21624 21548

∑ 𝑝𝑒𝑟𝑚𝑖𝑛𝑡𝑎𝑎𝑛 𝑛 𝑝𝑒𝑟𝑖𝑜𝑑𝑒 𝑠𝑒𝑏𝑒𝑙𝑢𝑚𝑛𝑦𝑎

MA =
𝑛

∑ 1047+943+1024
= 3

= 1005

Berdasarkan perhitungan kesalahan peramalan di atas dengan menggunakan

metode Moving Average diperoleh nilai MA adalah sebesar 1005.

 Grafik Data Aktual dan Forecast
1200
1000
800
600
400
200
0

Permintaan Aktual Ramalan

Gambar 4.4 Grafik Perbandingan Data Aktual dan Forecast Berdasarkan

Metode Moving Average

B. Hasil Kesalahan Peramalan

Berikut ini merupakan tampilan hasil dari kesalahan peramalan menggunakan

metode Moving Average:

Tabel 4.7 Hasil Kesalahan Peramalan

Ramalan
Permintaan Berdasarkan
Bulan Aktual Metode Error |Error| (𝑬𝒓𝒓𝒐𝒓)𝟐 %Error |%Error|
(Unit) Moving
Average
Maret 2021 1047
April 2021 943
Mei 2021 1024
Juni 2021 1035 1005 30 30 900 3 3
Juli 2021 1096 1001 95 95 9025 9 9
Agustus 2021 955 1052 -97 97 9409 -9 9
September 2021 1047 1029 18 18 324 2 2
Oktober 2021 1041 1033 8 8 64 1 1
November 2021 1047 1014 33 33 1089 3 3
Desember 2021 1127 1045 82 82 6724 8 8
Januari 2022 1093 1072 21 21 441 2 2
Februari 2022 980 1089 -109 109 11881 -10 10
Maret 2022 1028 1067 -39 39 1521 -4 4
 Ramalan
Permintaan Berdasarkan
Bulan Aktual Metode Error |Error| (𝑬𝒓𝒓𝒐𝒓)𝟐 %Error |%Error|
(Unit) Moving
Average
April 2022 938 1034 -96 96 9216 -9 9
Mei 2022 1001 982 19 19 361 2 2
Juni 2022 1102 989 113 113 12769 11 11
Juli 2022 944 1014 -70 70 4900 -7 7
Agustus 2022 961 1016 -55 55 3025 -5 5
September 2022 1068 1002 66 66 4356 7 7
Oktober 2022 1091 991 100 100 10000 10 10
November 2022 1007 1040 -33 33 1089 -3 3
Desember 2021 964 1055 -91 91 8281 -9 9
Januari 2023 1019 1021 -2 2 4 0 0
Februari 2023 1080 997 83 83 6889 8 8
Maret 2023 1021
TOTAL 21624 21548 76 1260 102268 10 122

𝐴𝑡−𝐹𝑡
MAD = ∑ | |
𝑛

1260
= ∑| |
25

= 50,4 ≈ 50

(𝐴𝑡−𝐹𝑡)2
MSE = 𝑛

102268
=
25

= 4090,72 ≈ 4091

100 Ft
MAPE = ( ) ∑ |At − At|
n

122
= 25

= 4.88%

Berdasarkan perhitungan kesalahan peramalan di atas dengan menggunakan

metode Moving Average diperoleh nilai MAD adalah sebesar 50, nilai MSE sebesar

4090, dan nilai MAPE sebesar 4,88%.

4.2.4 Peramalan Produksi dengan Metode Weighted Moving Average

Berikut ini merupakan hasil dari peramalan dan kesalahan produksi rak troli

menggunakan metode Weighted Moving Average:

A. Hasil Peramalan Produksi

Di bawah ini diketahui hasil dari peramalan produksi menggunakan metode

Weighted Moving Average:

Tabel 4.8 Hasil peramalan Metode Weighted Moving Average

Ramalan Berdasarkan
Permintaan
Periode Bulan Metode Weighted
Aktual (Unit)
Moving Average
1 Maret 2021 1047
2 April 2021 943
3 Mei 2021 1024
4 Juni 2021 1035 1001
5 Juli 2021 1096 1016
6 Agustus 2021 955 1064
7 September 2021 1047 1015
8 Oktober 2021 1041 1025
9 November 2021 1047 1029
10 Desember 2021 1127 1045
11 Januari 2022 1093 1086
12 Februari 2022 980 1097
13 Maret 2022 1028 1042
14 April 2022 938 1023
15 Mei 2022 1001 975
16 Juni 2022 1102 985
17 Juli 2022 944 1041
18 Agustus 2022 961 1006
19 September 2022 1068 979
20 Oktober 2022 1091 1012
21 November 2022 1007 1062
22 Desember 2021 964 1045
23 Januari 2023 1019 1000
24 Februari 2023 1080 999
25 Maret 2023 1040
TOTAL 21624 21547
 ∑(𝑏𝑜𝑏𝑜𝑡 𝑝𝑎𝑑𝑎 𝑝𝑒𝑟𝑖𝑜𝑑𝑒 𝑛)(𝑝𝑒𝑟𝑚𝑖𝑛𝑡𝑎𝑎𝑛 𝑝𝑎𝑑𝑎 𝑝𝑒𝑟𝑖𝑜𝑑𝑒 𝑛)
WMA = ∑ 𝑏𝑜𝑏𝑜𝑡

∑(3×1024)+(2×943)+(1×1047)
= ∑ 3+2+1

= 1001

Berdasarkan perhitungan kesalahan peramalan di atas dengan menggunakan

Metode Weight Moving Average diperoleh nilai WMA adalah sebesar 1001.

Grafik Data Aktual dan Forecast

1200
1000
800
600
400
200
0

Permintaan Aktual Ramalan

Gambar 4.5 Grafik Perbandingan Data Aktual dan Forecast Berdasarkan

Metode Weighted Moving Average

B. Hasil Kesalahan Peramalan

Tabel 4.9 Hasil Kesalahan Peramalan

Ramalan
Berdasarkan
Permintaan Metode
Bulan Aktual Weighted Error |Error| (𝑬𝒓𝒓𝒐𝒓)𝟐 %Error |%Error|
(Unit)
Moving
Average
Maret 2021 1047
April 2021 943
Mei 2021 1024
Juni 2021 1035 1001 34 34 1156 3 3
 Ramalan
Berdasarkan
Permintaan Metode
Bulan Aktual Weighted Error |Error| (𝑬𝒓𝒓𝒐𝒓)𝟐 %Error |%Error|
(Unit)
Moving
Average
Juli 2021 1096 1016 80 80 6400 8 8
Agustus 2021 955 1064 -109 109 11881 -10 10
September 2021 1047 1015 32 32 1024 3 3
Oktober 2021 1041 1025 16 16 256 2 2
November 2021 1047 1029 18 18 324 2 2
Desember 2021 1127 1045 82 82 6724 8 8
Januari 2022 1093 1086 7 7 49 1 1
Februari 2022 980 1097 -117 117 13689 -11 11
Maret 2022 1028 1042 -14 14 196 -1 1
April 2022 938 1023 -85 85 7225 -8 8
Mei 2022 1001 975 26 26 676 3 3
Juni 2022 1102 985 117 117 13689 12 12
Juli 2022 944 1041 -97 97 9409 -9 9
Agustus 2022 961 1006 -45 45 2025 -4 4
September 2022 1068 979 89 89 7921 9 9
Oktober 2022 1091 1012 79 79 6241 8 8
November 2022 1007 1062 -55 55 3025 -5 5
Desember 2021 964 1045 -81 81 6561 -8 8
Januari 2023 1019 1000 19 19 361 2 2
Februari 2023 1080 999 81 81 6561 8 8
Maret 2023 1040
TOTAL 21624 21547 77 1283 105393 13 125

𝐴𝑡−𝐹𝑡
MAD = ∑ | |
𝑛

1283
= ∑| |
25

= 51,32 ≈ 51

(𝐴𝑡−𝐹𝑡)2
MSE = 𝑛

105393
= 25

= 4215,72 ≈ 4216
 100 Ft
MAPE = ( ) ∑ |At − At|
n

125
= 25

= 5%

Berdasarkan perhitungan kesalahan peramalan di atas dengan menggunakan

metode Weighted Moving Average diperoleh nilai MAD adalah sebesar 51, nilai

MSE sebesar 4216, dan nilai MAPE sebesar 5%.

4.3 Analisa Peramalan

Pada peramalan produksi meja lipat digunakan 4 metode yaitu adalah metode

Single Exponential Smoothing, metode Weighted Moving Average, metode Moving

Avarege dan metode Past Data atau metode Naïve. Berikut merupakan tabel yang

menunjukkan hasil dari nilai kesalahan terkecil:

Tabel 4.10 Hasil Nilai Kesalahan Peramalan

Uji Kesalahan
Metode
MAD MSE MAPE
Singel Exponential Smoothing 45.56 3259.72 4.36
Naïve 63.16 5896.68 6.24
Moving Average 50.4 4090.72 4.88
Weighted Moving Average 51.32 4215.72 5
Berdasarkan perhitungan peramalan tersebut, peramalan masing-masing

dilakukan untuk mengetahui jumlah permintaan produk rak troli. Dari hasil

peramalan yang dilakukan, maka yang dipilih yaitu metode Single Exponential

Smoothing karena menghasilkan uji kesalahan MAD dengan nilai terkecil yaitu

sebesar 45,56%.
 4.4 Verifikasi Peramalan

Berikut ini merupakan tabel verifikasi peramalan rak troli:

4.11 Verifikasi Peramalan

Permintaan ̅̅̅̅̅
Bulan Ramalan Error MR 𝐌𝐑 BKA BKB
Aktual (Unit)
Maret 2021 1047
April 2021 943 1047
Mei 2021 1024 1044 -20 84 62.6667 166.6933 -166.693
Juni 2021 1035 1043 -8 12 62.6667 166.6933 -166.693
Juli 2021 1096 1043 53 61 62.6667 166.6933 -166.693
Agustus 2021 955 1045 -90 143 62.6667 166.6933 -166.693
September 2021 1047 1042 5 95 62.6667 166.6933 -166.693
Oktober 2021 1041 1042 -1 6 62.6667 166.6933 -166.693
November 2021 1047 1042 5 6 62.6667 166.6933 -166.693
Desember 2021 1127 1042 85 80 62.6667 166.6933 -166.693
Januari 2022 1093 1045 48 37 62.6667 166.6933 -166.693
Februari 2022 980 1046 -66 114 62.6667 166.6933 -166.693
Maret 2022 1028 1044 -16 50 62.6667 166.6933 -166.693
April 2022 938 1044 -106 90 62.6667 166.6933 -166.693
Mei 2022 1001 1041 -40 66 62.6667 166.6933 -166.693
Juni 2022 1102 1040 62 102 62.6667 166.6933 -166.693
Juli 2022 944 1042 -98 160 62.6667 166.6933 -166.693
Agustus 2022 961 1039 -78 20 62.6667 166.6933 -166.693
September 2022 1068 1037 31 109 62.6667 166.6933 -166.693
Oktober 2022 1091 1038 53 22 62.6667 166.6933 -166.693
November 2022 1007 1040 -33 86 62.6667 166.6933 -166.693
Desember 2021 964 1039 -75 42 62.6667 166.6933 -166.693
Januari 2023 1019 1037 -18 57 62.6667 166.6933 -166.693
Februari 2023 1080 1036 44 62 62.6667 166.6933 -166.693
Maret 2023 1037
TOTAL 24638 23958 -263 1504
 Tabel 4.13 Verifikasi Peramalan

Ft 1044
At 1024
𝐹𝑡−1 1047
𝐴𝑡−1 943
= |(𝐹𝑡 − 𝐴𝑡) − (𝐹𝑡−1 − 𝐴𝑡−1 )|
MR = |(1044 − 1024) − (1047 − 943)|
= 84
∑ 𝑀𝑅
= 𝑛−1
̅̅̅̅̅
MR 1504
= 25−1
= 66,667
̅̅̅̅̅)
= +2,66(𝑀𝑅
BKA = +2,66(66,667)
= 166,693
̅̅̅̅̅)
= −2,66(𝑀𝑅
BKB = −2,66(66,667)
= −166,693

Verifikasi Peramalan
400

200

0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
-200

-400
Error BKA BKB

Gambar 4.6 Grafik Verifikasi Peramalan

Dari gambar grafik di atas dapat dilihat bahwa terdapat sistem yang stabil

dapat dinyatakan secara statistik bahwa peramalan tersebut dapat digunakan untuk

peramalan permintaan di periode mendatang.

 BAB V

KESIMPULAN DAN SARAN

5.1 Kesimpulan

Adapun kesimpulan yang diperoleh dari modul 3 ini adalah:

1. Berdasarkan data permintaan pada praktikum, membentuk pola data

horizontal. Sehingga, model peramalan yang digunakan adalah Time Series

Analysis. Hal tersebut dikarenakan pengambilan data diambil dari data masa

lalu (historis) berdasarkan kecenderungan data memproyeksikan data tersebut

ke masa yang akan datang. Dimana data tersebut memiliki periode mulai dari

tahun 2021 sampai tahun 2023.

2. Dari keempat metode tersebut diketahui nilai error MAD pada metode Single

Exponential Smoothing yaitu sebesar 45,56. Sedangkan nilai error MAD

pada metode Moving Average yaitu sebesar 50,4, nilai error MAD pada

metode weight moving average sebesar 51,32 dan nilai error MAD pada

metode Peramalan Naive yaitu sebesar 63,16. Maka dapat disimpulkan bahwa

metode Single Exponential Smoothing adalah metode dengan nilai error

terkecil.

3. Berdasarkan hasil uji verifikasi peramalan dengan menggunakan metode

peramalan yang memiliki error MAD terkecil (Single Exponential

Smoothing) diperoleh sebaran data dalam batas kontrol, sehingga metode ini

dapat digunakan untuk meramalkan permintaan pada periode mendatang.

5.2 Saran

Adapun saran yang diperoleh dari modul 3 ini adalah:

1. Sebaiknya dimodul diberi penjelasan mengenai contoh perhitungan dari

masing-masing metode yang ada di modul.

2. Sebaiknya dalam pengambilan data dapat menggunakan lebih banyak varian

data agar hasil pengolahan data dapat lebih valid.

3. Sebaiknya dalam pengambilan data dapat lebih teliti agar saat pengolahan

data dapat menghasilkan output yang sesuai.

 DAFTAR PUSTAKA

Ahmad, F. (2020). Penentuan Metode Peramalan Pada Produksi Part New Granada

Bowl St Di PT X. Jurnal Integrasi Sistem Industri, 7(1), 31–39.

Hudaningsih, N., Firda Utami, S., & Abdul Jabbar, W. A. (2020). Perbandingan

Peramalan Penjualan Produk Aknil Pt.Sunthi Sepurimengguanakan Metode

Single Moving Average Dan Single Exponential Smooting. Jurnal

Informatika, Teknologi Dan Sains, 2(1), 15–22.

https://doi.org/10.51401/jinteks.v2i1.554

Indah, D. R., & Rahmadani, E. (2018). Sistem Forecasting Perencanaan Produksi

dengan Metode Single Eksponensial Smoothing pada Keripik Singkong

Srikandi Di Kota Langsa. Jurnal Penelitian Ekonomi Akuntansi (Jensi), 2(1),

10–18. https://ejurnalunsam.id/index.php/jensi/article/view/930

Lusiana, A., & Yuliarty, P. (2020). Penerapan Metode Peramalan (Forecasting)

Pada Permintaan Atap Di PT X. Industri Inovatif : Jurnal Teknik Industri,

10(1), 11–20. https://doi.org/10.36040/industri.v10i1.2530

Rusdiana. (2014). Manajemen Operasi (Beni Ahmad Saebani (ed.); 1st ed.). CCV

Pustaka Setia. http://digilib.uinsgd.ac.id/8788/1/Buku Manajemen

Operasi.pdf

Yudaruddin, R. (2019). Forecasting untuk Kegiatan Ekonomi dan Bisnis. RV

Pustaka Horizon.

Zahra, I. A. (2021). Analisi Perbandingan Teknik Peramalan Kebutuhan Obat

Dengan Dengan Metode Arima Dan Single Eksponensial SmoothinG Studi

Kasus : RSUD INDRAMAYU. Jurnal Magister Sistem Informasi UNIKOM,

6(1), 23–29. https://doi.org/https://doi.org/10.34010/jtk3ti.v6i1.2261

 LAMPIRAN

 Perhitungan Manual SES

a. Periode 3

SES = (𝛼 × 𝐴𝑡−1 ) + (1 − 𝛼)𝐹𝑡−1

= (0,03 × 943) + (1 − 0,03)1047

= 1044

b. Periode 4

SES = (𝛼 × 𝐴𝑡−1 ) + (1 − 𝛼)𝐹𝑡−1

= (0,03 × 1024) + (1 − 0,03)1044

= 1043

c. Periode 5

SES = (𝛼 × 𝐴𝑡−1 ) + (1 − 𝛼)𝐹𝑡−1

= (0,03 × 1035) + (1 − 0,03)1043

= 1043

d. Periode 6

SES = (𝛼 × 𝐴𝑡−1 ) + (1 − 𝛼)𝐹𝑡−1

= (0,03 × 1096) + (1 − 0,03)1043

= 1045

e. Periode 7

SES = (𝛼 × 𝐴𝑡−1 ) + (1 − 𝛼)𝐹𝑡−1

= (0,03 × 955) + (1 − 0,03)1045

= 1042
 Perhitungan Manual MA

a. Periode 5

∑ 𝑝𝑒𝑟𝑚𝑖𝑛𝑡𝑎𝑎𝑛 𝑛 𝑝𝑒𝑟𝑖𝑜𝑑𝑒 𝑠𝑒𝑏𝑒𝑙𝑢𝑚𝑛𝑦𝑎

MA = 𝑛

∑ 943+1024+1035
= 3

= 1001

b. Periode 6

∑ 𝑝𝑒𝑟𝑚𝑖𝑛𝑡𝑎𝑎𝑛 𝑛 𝑝𝑒𝑟𝑖𝑜𝑑𝑒 𝑠𝑒𝑏𝑒𝑙𝑢𝑚𝑛𝑦𝑎

MA = 𝑛

∑ 1024+1035+1096
= 3

= 1052

c. Periode 7

∑ 𝑝𝑒𝑟𝑚𝑖𝑛𝑡𝑎𝑎𝑛 𝑛 𝑝𝑒𝑟𝑖𝑜𝑑𝑒 𝑠𝑒𝑏𝑒𝑙𝑢𝑚𝑛𝑦𝑎

MA = 𝑛

∑ 1035+1096+955
= 3

= 1029

d. Periode 8

∑ 𝑝𝑒𝑟𝑚𝑖𝑛𝑡𝑎𝑎𝑛 𝑛 𝑝𝑒𝑟𝑖𝑜𝑑𝑒 𝑠𝑒𝑏𝑒𝑙𝑢𝑚𝑛𝑦𝑎

MA = 𝑛

∑ 1096+955+1047
= 3

= 1033

e. Periode 9

∑ 𝑝𝑒𝑟𝑚𝑖𝑛𝑡𝑎𝑎𝑛 𝑛 𝑝𝑒𝑟𝑖𝑜𝑑𝑒 𝑠𝑒𝑏𝑒𝑙𝑢𝑚𝑛𝑦𝑎

MA = 𝑛

∑ 955+1047+1041
= 3

= 1014
 Perhitungan Manual WMA

a. Periode 5

∑(𝑏𝑜𝑏𝑜𝑡 𝑝𝑎𝑑𝑎 𝑝𝑒𝑟𝑖𝑜𝑑𝑒 𝑛)(𝑝𝑒𝑟𝑚𝑖𝑛𝑡𝑎𝑎𝑛 𝑝𝑎𝑑𝑎 𝑝𝑒𝑟𝑖𝑜𝑑𝑒 𝑛)

WMA = ∑ 𝑏𝑜𝑏𝑜𝑡

∑(3×1035)+(2×1024)+(1×943)
= ∑ 3+2+1

= 1016

b. Periode 6

∑(𝑏𝑜𝑏𝑜𝑡 𝑝𝑎𝑑𝑎 𝑝𝑒𝑟𝑖𝑜𝑑𝑒 𝑛)(𝑝𝑒𝑟𝑚𝑖𝑛𝑡𝑎𝑎𝑛 𝑝𝑎𝑑𝑎 𝑝𝑒𝑟𝑖𝑜𝑑𝑒 𝑛)

WMA = ∑ 𝑏𝑜𝑏𝑜𝑡

∑(3×1096)+(2×1035)+(1×1024)
= ∑ 3+2+1

= 1064

c. Periode 7

∑(𝑏𝑜𝑏𝑜𝑡 𝑝𝑎𝑑𝑎 𝑝𝑒𝑟𝑖𝑜𝑑𝑒 𝑛)(𝑝𝑒𝑟𝑚𝑖𝑛𝑡𝑎𝑎𝑛 𝑝𝑎𝑑𝑎 𝑝𝑒𝑟𝑖𝑜𝑑𝑒 𝑛)

WMA = ∑ 𝑏𝑜𝑏𝑜𝑡

∑(3×955)+(2×1096)+(1×1035)
= ∑ 3+2+1

= 1015

d. Periode 8

∑(𝑏𝑜𝑏𝑜𝑡 𝑝𝑎𝑑𝑎 𝑝𝑒𝑟𝑖𝑜𝑑𝑒 𝑛)(𝑝𝑒𝑟𝑚𝑖𝑛𝑡𝑎𝑎𝑛 𝑝𝑎𝑑𝑎 𝑝𝑒𝑟𝑖𝑜𝑑𝑒 𝑛)

WMA = ∑ 𝑏𝑜𝑏𝑜𝑡

∑(3×1047)+(2×955)+(1×1096)
= ∑ 3+2+1

= 1025

e. Periode 9

∑(𝑏𝑜𝑏𝑜𝑡 𝑝𝑎𝑑𝑎 𝑝𝑒𝑟𝑖𝑜𝑑𝑒 𝑛)(𝑝𝑒𝑟𝑚𝑖𝑛𝑡𝑎𝑎𝑛 𝑝𝑎𝑑𝑎 𝑝𝑒𝑟𝑖𝑜𝑑𝑒 𝑛)

WMA = ∑ 𝑏𝑜𝑏𝑜𝑡

∑(3×1041)+(2×1047)+(1×955)
= ∑ 3+2+1

= 1029
 Perhitungan Manual Naïve

a. Periode 3

Naïve = permintaan periode mendatang = permintaan periode terakhir

= 943 = 943

b. Periode 4

Naïve = permintaan periode mendatang = permintaan periode terakhir

= 1024 = 1024

c. Periode 5

Naïve = permintaan periode mendatang = permintaan periode terakhir

= 1035 = 1035

d. Periode 6

Naïve = permintaan periode mendatang = permintaan periode terakhir

= 1096 = 1096

e. Periode 7

Naïve = permintaan periode mendatang = permintaan periode terakhir

= 955 = 955

 Perhitungan Manual MR

a. Periode 4

MR = |(𝐹𝑡 − 𝐴𝑡) − (𝐹𝑡−1 − 𝐴𝑡−1 )|

= |(1043 − 1035) − (1044 − 1024)|

= 12

b. Periode 5

MR = |(𝐹𝑡 − 𝐴𝑡) − (𝐹𝑡−1 − 𝐴𝑡−1 )|

= |(1043 − 1096) − (1043 − 1035)|

 = 61

c. Periode 6

MR = |(𝐹𝑡 − 𝐴𝑡) − (𝐹𝑡−1 − 𝐴𝑡−1 )|

= |(1045 − 955) − (1043 − 1096)|

= 143

d. Periode 7

MR = |(𝐹𝑡 − 𝐴𝑡) − (𝐹𝑡−1 − 𝐴𝑡−1 )|

= |(1042 − 1047) − (1045 − 955)|

= 95

e. Periode 8

MR = |(𝐹𝑡 − 𝐴𝑡) − (𝐹𝑡−1 − 𝐴𝑡−1 )|

= |(1042 − 1041) − (1042 − 1047)|

=6