LAPORAN PRAKTIKUM

PERENCANAAN DAN PENGENDALIAN PRODUKSI

PERIODE SEMESTER GENAP 2023

Disusun Oleh :

Grub B
1. Kelvin Maulana ( 2011000054 )
2. Rudol M Pardede ( 2011000047 )
3. Romanda Pasaribu ( 2011000046 )

FAKULTAS TEKNIK DAN ILMU KOMPUTER

PROGRAM STUDI TEKNIK INDUSTRI
UNIVERSITAS POTENSI UTAMA
MEDAN
2023
DAFTAR ISI

MODUL I “FORCASTING”

BAB I PENDAHULUAN.............................................................................I-I

1.1 Latar Belakang..........................................................................................I-I

1.2 Rumusan Masalah.....................................................................................I-I

1.3 Tujuan Praktikum......................................................................................I-I

1.4 Batasan Masalah........................................................................................I-I

BAB II LANDASAN TEORI........................................................................II-1

2.1 Pengertian Forcasting ..........................................................................II-1

2.2 Tujuan Forcasting.......................................................................................II-2

2.3 Metode-metode Forcasting.........................................................................II-3

BAB III PENGUMPULAN DAN PENGOLAHAN DATA........................III-1

3.1 Pengumpulan Data......................................................................................III-1

3.2 Pengolahan Data.........................................................................................III-2

BAB IV ANALISA DAN PEBAHASAN......................................................IV-1

4.1 Analisa........................................................................................................IV-1

4.2 Pembahasan................................................................................................IV-2

BAB V KESIMPULAN DAN SARAN.........................................................V-1

5.1 Kesimpulan.................................................................................................V-1

5.2 Saran...........................................................................................................V-2

DAFTAR PUSTAKA.....................................................................................

LAMPIRAN....................................................................................................

1
 MODUL I

FORCASTING

BAB I

PENDAHULUAN

BAB I

2
 PENDAHULUAN

1.1. Latar Belakang

Peramalan (forecasting) permintaan akan produk dan jasa di waktu

mendatang dan bagian-bagiannya adalah sangat penting dalam perencanaan dan

pengawasan produksi. Peramalan yang baik adalah esensial untuk efisiensi operas-

operasi manufacturing dan produksi jasa. Pada hakekatnya peramalan merupakan

suatu perkiraan terhadap keadaan yang akan terjadi di masa yang akan datang.

Peramalan permintaan dibutuhkan agar tidak terjadi kesenjangan yang

cukup tinggi antara permintaan pasar dengan tingkat produksi dan stok barang di

pabrik. Peramalan adalah suatu perkiraan tingkat permintaan yang diharapkan

untuk suatu produk atau beberapa produk dalam periode waktu tertentu dimasa

yang akan datang. Sehingga peramalan merupakan suatu taksiran yang ilmiah.

Peramalan permintaan akan menjadi masukan dalam keputusan perencaan dan

pengendalian produksi.

Peramalan memiliki tujuan untuk memprediksi prospek ekonomi dan

aktivitas usaha dan juga pengaruh lingkungan kepada prospek tersebut. Peramalan

(forecasting) adalah suatu bagian yang paling penting untuk setiap perusahaan

maupun organisasi bisnis dalam saat mengambil keputusan manajemen.

Peramalan sendiri dapat menjadi dasar untuk suatu rencana jangka pendek

menengah ataupun jangka panjang suatu perusahaan. Dalam suatu peramalan

(forecasting) diperlukan seminim munngkinn kesalahan (error) didalamnya.

3
Supaya bisa meminimalisir tingkat kesalahan tersebut maka akan lebih baik apabila

peramalan itu dilaksanakan dalam satuan angka atau kantitatif.

Karakteristik peramalanyangbaik menurut Nasution (1999)didasarkan oleh :

a. Akurasi

Akurasi dari hasil peramalan diukur dengan kebiasaan dan kekonsistensian

peramalan tersebut. Hasil peramalan dikatakan bisa bila peramalan tersebut terlalu

tinggi atau terlalu rendah dibandingnkan dengan kenyataan. Hasil peramalan

dikatakan konsisten bila besarnya kesalahan peramalan relatif kecil. Peramalan

yang terlalu rendah mengakibatkan kekurangan persediaan sehingga permintaan

konsumen tidak dapat dipenuhi dengan segera, akibatnya adalah perusahaan akan

kehilangan pelangaan dan kehilangan keuntungan penjualan. Peramalan yang

terlalu tinggi akan mengakibatkan terjadinya penumpukan persediaan. Keakuratan

dari hasil peramalan berperan penting dalam menyeimbangkan persediaan yang

ideal (meminimasi persediaan dan memaksimalkan tingkat pelayanan)

b. Biaya

Biaya yang diperlukan dalam pembuatan suatu peramalan tergantung dari jumlah

item yang diramalkan, lamanya periode peramalan dan metode peramalan yang

dipakai.

c. Kemudahan

Penggunaan metode peramalan yang sederhana,mudah dibuat,dan mudah

diaplikasikan akan memberikan keuntungan bagi perusahaan. Peramalan pasti

mengandung kesalahan,artinya peramalan hanya bisa mengurangi ketidak pastikan

yang akan terjadi tetapi tidak dapat menghilangkan ketidak pastian tersebut.

4
Peramalan seharusnya memberikan informasi tentang berapa ukuran

kesalahan,artinya karena peramalan pasti mengandung kesalahan maka penting

bagi peramal untuk menginformasikan seberapa besar kesalahan yang mungkin

terjadi.

Hal-hal yang diperlukan dalam membuat peramalan secara statistik:

a) Membuat suatu gambaran permintaan dan waktu (ploting data permintaan),

dimana permintaan sebagai ordinat (x) dan waktu sebagai absis(y)

b) Menentukan model peramalan yang akan digunakan

c) Menilai kesalahan peramalan yang akan digunakan

d) Menilai kesalahanperamalanyangdiperkirakan (MAD,MSE,MAPE)

e) Membuatverifikasi danpengendalianperamalan (MRchart)

f) Membuat suatu keputusan untuk menggunakan teknik/model peramalan

tertentu berdasarkan pertimbangan yang ada (perkiraan nilai kesalahan peramalan

yang terkecil dan hasil verifikasi model peramalan)

Dalam Laporan Praktikum Perencanaan dan Pengendalian Produksi ini kami

mengolah data penjualan sablon karung goni yang dikelola oleh PT. Prima Raya.

PT. Prima Raya adalah sebuah usaha yang menjual sablon karung untuk armada

pengangkutan darat seperti Truck,Tronton,dan sejenisnya. Permasalahan yang ada

yaitu menumpuknya stok karung goni sehingga penghasilan dari hasil penjualan

tersebut tidak maksimal. Disini kami membantu PT. Prima Raya untuk mengetahui

peramalan penjualan 1 tahun kedepan, agar stock barang yang akan diambil dari

distributor tidak berlebih. Cara kami menyelesaikan masalah tersebut yaitu dengan

meramalkan penjualan menggunakan sebuah software yaitu Winqsb.

5
1.2. Rumusan Masalah

1) Membuat peramalan penjualan sablon karung untuk periode waktu kedepan

di PT. Prima Raya.

2) Memilih metode peramalan terbaik dilihat dari biaya yang dikeluarkan

menggunakan software winQSB.

1.3. Tujuan

1) Memahami manfaat peramalan dalam menentukan pemesanan di periode

waktu tertentu.

2) Mampu meramalkan kebutuhan produksi untuk beberapa periode kedepan.

3) Mampu membuat Jadwal Induk Produksi.

4) Memahami teknik dan metode peramalan.

5) Mampu memilih metode peramalan terbaik.

1.4. Batasan Masalah

1) Menyelesaikan permasalahan peramalan untuk penjualan pada PT. Prima

Raya Peramalan dihitung menggunakan software winQSB sub aplikasi FC

(Forecasting)

2) Peramalan terhadap pemesanan dilakukan hanya untuk jangka waktu 12

bulan ke depan.

3) Metode peramalan yang digunakan adalah Simple Average,Moving

Averagedan Single Exponential Smoothing.

6
 MODUL I

FORCASTING

BAB II

LANDASAN TEORI

7
 BAB II
LANDASAN TEORI

2.1. Pengertian Peramalan Permintaan

Peramalan adalah proses untuk memperkirakan berapa kebutuhan di mas datang

yang meliputi kebutuhan dalam ukuran kuantitas, kualitas, waktu dan lokasi yang

dibutuhkan dalam rangka memenuhi permintaan barang ataupun jasa. Peramalan

permintaan (demand forecasting) merupakan tingkat permintaan produk-produk

yang diharapkan akan terealisasi untuk jangka waktu tertentu pada masa yang akan

datang.

Menurut Vincers Gapers didalam managemen permintaan ada dua jenis

permintaan, yaitu:

1. Permintaan bebas (independent demand)

Merupakan permintaan terhadap material, suku cadang, atau produk yang bebas

atau tidak terkait langsung dengan struktur Bill Of Material (BOM) untuk produk

akhir atau item tertentu.

2. Permintaan tidak bebas (dependent demand)

3. Merupakan permintaan terhadap material, suku cadang, atau produk yang

bebas atau terkait langsung dengan atau diturunkan dari struktur Bill Of Material

(BOM) untuk produk akhir atau item tertentu.

8
Permintaanakan suatu produk dari suatu perusahaan merupakan hasil dari berbagai

faktor yang saling berinteraksi dalam pasar. Faktor ini kadang kala berada diluar

kendali perusahaan. Faktor-faktor tersebut antara lain :

1. Siklus Bisnis

Permintaan akan suatu produk dipengaruhi oleh kondisi ekonomi yang membentuk

siklus bisnis dengan fase-fase inflasi ,resesi ,depresi dan masa pemulihan.

2. Siklus hidup produk

Siklus hidup suatu produk biasanya mengikuti suatu pola yang disebut kurva S.

Kurva S menggambarkan besarnya permintaan terhadap waktu,dimana sikus hidup

suatu produk akan dibagi menjadi fase pengenalan, fase pertumbuhan, fase

kematangan dan akhirnya fase penurunan.Untuk menjaga kelangsungan usaha,

maka perlu dilakukaninovasi disaat yang tepat.

3. Faktor-faktor lain

Faktor lain yang mempengaruhi permintaan adalah reaksi balik dari pesaing,

perilaku konsumen yang berubah, dan usaha-usaha yang dilakukan sendiri oleh

perusahaan seperti meningkatkan kualitas,pelayanan,anggaran iklan,dan

kebijaksanaan pembayaran secara kredit.

3.2. Tujuan Peramalan

Tujuan peramalan dilihat dengan waktu yaitu sebagai berikut :

1. Jangka Pendek (Short Term)

Menentukan kuantitas dan waktu dari item dijadikan produksi. Biasanya bersifat

harian maupun mingguan dan ditentukan oleh Low Management.

2. Jangka Menengah (Medium Term.

9
Menentukan kuantitas dan waktu dari kapasitas produksi. Biasanya bersifat bulanan

ataupun kuartal dan ditentukan oleh Middle Management.

3. Jangka Panjang (Long Term)

Menentukan kuantitas dan waktu dari fasilitas produksi. Biasanya bersifat tahunan,

5 tahun, 10 tahun, ataupun 20 tahun dan ditentukan oleh Top Management.

3.3. Metode Peramala

3.3.1 Berdasarkan Sifat Penyusunan

Menurut Ginting (2007) peramalan berdasarkan sifat penyusunannya dibagi

menjadi 2 macam,yaitu peramalan yang bersifat subyektif dan peramalan yang

bersifat objektif. Perbedaannya adalah dalam cara mendapatkan hasil ramalan.

Peramalan subyektif lebih menekankan pada keputusan-keputusan hasil

diskusi,pendapat pribadi,dan intuisi. Sedangkan peramalan obyektif meruapak

prosedur peramalan yang mengikuti aturan matematis dan statistic dalam

menunjukkan hubung antara permintaan dengan satuataulebih variable yang

mempengaruhinya.

1) Metode Peramalan Subyektif

a) MetodeDelphi, cara yang digunakan dalam metode ini adalah dengan

mengumpulkan pendapat ahli dari bidang yang berbeda secara terpisah. Hal ini

bertujuan untuk menghindari pengaruh kelompok. Jika terdapat perbedaan pendapat

10
yang signifikan maka akan dinyatakan lagi kepada yang bersangkutan hingga

akhirnya diperoleh angka estimasi tertentu pada interval yang dapat diterima.

b) Metode Penelitian Pasar, cara yang dilakukan adalah dengan

mengumpulkan dan menganalisa fakta secara sistematis yang berhubungan dengan

pemasaran.Yang paling biasa dilakukan adalah dengan mengadakan survey

konsumen.

2) Metode Peramalan Obyektif

a) Metode Intrinsik, metode ini membuat peramalan hanya berdasarkan pada

proyeksi permintaan historis tanpa mempertimbangkan factor- faktor eksternal

yang mempengaruhinya. Metode ini hanya cocok digunakan untuk peramalan

jangka pendek pada kegiatan produksi. Metode peramalan intrinsic diwakili oleh

analisis deret waktu atau Timeseries.

b) Metode Ekstriksik, metode ini mempertimbangkan faktor - faktor eksternal

yang mungkin mempengaruhi besarnya permintaan dimasa yang akan datang.

Metode ini digunakan untuk peramalan jangka panjang yang dapat menunjukkan

hubungan sebab akibat yang jelas dalam hasil peramalannya. Metode ekstrinsik

banyak digunakan untuk peramalan pada tingkat agregat. Kelemahan dari metode

ini adalah dalam hal mahalnya biaya aplikasinya dan frekuensi perbaikan hasil

peramalan yang rendah kerana sulitnya mengumpulkan informasi perubahan faktor-

faktor eksternal yang terukur. Metode ini diwakilioleh metoderegresi.

3.3.2 Berdasarkan Jenis Data Ramalan

Menurut Saputro dan Asri (2000:148) peramalan berdasarkan jenis data ramalan

yang disusun dibedakan menjadi dua jenis, yaitu :

11
1) Metode Kualitatif

Peramalan kualitatif pada umumnya bersifat subyektif, dipengaruhi oleh intuisi,

emosi, pendidikan, dan pengalaman seseorang. Meskipun demikian, peramalan

dengan metode kualitatif tidak berarti hanya menggunakan intuisi, tetapi juga bisa

mengikutsertakan model-model statistic ssebagai bahan masukan dalam melakukan

judgement (keputusan), dan dapat dilakukan secara individu maupun kelompok.

Metode peramalan permintan secara kualitatif berhubungan dengan data-data

kualitatif, misalnya tentang selera konsumen terhadap suatu produk, atau survey

tentang loyalitas konsumen, dan lain-lain. Forecasting kualitatif ini dapat

dikelompokkan ke dalam beberapa metode teknik sebagai berikut :

a) Teknik Survey ( riset pasar/ market research)

Teknik survey ini merupakan suatu alat meramalkan yang cukup penting khususnya

untuk memprediksi kejadian-kejadian atau kecenderungan-kecenderungan dalam

jangka pendek mendatang ini. Survey biasanya menggunakan alat interview atau

daftar pertanyaan yang akan ditujukan para responden yang terpilih dan yang dituju.

Sesuai kelompok yang memang diperkirakan akan menjadi sasaran pasar yang

dituju oleh perusahaan. Survey ini dilakukan untuk meramalkan variabel ekonomi

yang memang berhubungan baik langsung maupun tidak langsung dengan

permintaan konsumen atau pasar yang dituju. Variabel-variabel ekonomi yang

disurvey ini misalnya variabel yang berhubungan dengan budget rumah tangga

yang dikeluarkan untuk memenuhi kebutuhan rumah tangga. Sasaran dan

12
klasifikasi sasaran dan jenis kebutuhan dan keperluan dari kelompok responden ini

dapat dikategorikan sebagai berikut :

➢ Survey tentang budget keperluan rumah tangga masyarakat eksekutif bisnis

dan pemerintahan yang sekiranya berkait dengan rencana perusahaan. Survey ini

diharapkan dapat merekam keseluruhan anggaran setiap rumah tangga yang

disurvey.

➢ Survey mengenai barang atau jasa yang diperlukan bagi para pelaku bisnis

yang akan memperdagangkan barang atau jasanya. Mereka ini mungkin pelaku

bisnis yang bergerak pada bisnis distributor, pengecer atau pedagang besar.

➢ Survey ini dilakukan bagi para rumah tangga umum mengenai keperluan

rumah tangga, produk atau barang apa secara periodic diperlukan dan frekuensi

pemenuhan yang dilakukan untuk masa-masa yang akan datang, dan lain-lain.

Dari metode survey berdasar kelompok sasaran ini sebenarnya terkandung maksud

dari surveyor bahwa barang dan jasa apa saja yang dibutuhkan, berapa frekuensi

pemenuhan kebutuhan dan faktor-faktor apa saja yang pada umumnya yang

mempengaruhi perilaku beli mereka ini. Sehingga secara tidak langsung perusahaan

melihat peluang dan apa saja yang bisa ditarik sebagai kepentingan bagi perusahaan

atas hasil-hasil survey ini untuk memprediksi dan memperkirakan perilaku pasar

atau konsumen perusahaan.

Bila diklasifikasikan bahwa hasil survey ini merupakan bagian dari kegiatan riset

pasar yang dilakukan oleh perusahaan. Dari sini berbagai kemungkinan yang

diperoleh adalah munculnya variabel ikutan yang dapat diprediksi Apa yang bisa

dimanfaatkan oleh perusahaan yang hendak atau sudah diproduksi dan dijual

13
kepada pasar yang dituju yang telah disurvey ini. Dengan demikian dapat

dinyatakan bahwa hasil survey ini sebagian atau seluruhnya dapat dipergunakan

untuk memprediksi permintaan konsumennya dari produk yang dibuat dan jual oleh

perusahaan.

b) Teknik Jajak Pendapat (Opinion Pools)

Teknik jajak pendapat sering dilakukan untuk melengkapi data dari survey. Jajak

pendapat dari para pakar, para eksekutif, dari masyarakat umum, atau dari

konsumen. Jajak pendapat ini lebih bersifat pandangan atau pendapat pribadi

(subjektif) dari respondennya, sebaliknya teknik survey lebih bersifat objektif.

Sebelum peluncuran produk baru, biasanya diadakan pre test dan jajak pendapat

terhadap responden yang menjadi sampel. Teknik pooling ini melibatkan berbagai

media seperti media TV, telepon, koran, surat, SMS, email, atau internet untuk

menyebarkan kuesioner atau daftar pertanyaan tentang berbagai informasi yang

dibutuhkan perusahaan.

Laporan atau pernyataan resmi dari suatu perusahaan atau pemerintah suatu negara

dapat digunakan sebagai sumber data guna meramalkan kondisi ekonomi di masa

yang akan datang, sekaligus dapat digunakan untuk membuat strategi bersaing

dalam pasar bebas.

c) Metode Delphi

Pada metode ini sekelompok pakar mengisi kuesioner, moderator

menyimpulkan hasilnya dan memformulasikan menjadi suatu kuesioner baru

yang diisi kembali oleh kelompok tersebut, demikian seterusnya. Hal ini merupakan

14
proses pembelajaran (learning process) dari kelompok tanpa

adanya tekanan atau intimidasi individu.

d) Analogi historis (Historical Analogy)

Merupakan teknik peramalan berdasarkan pola data masa lalu dari produk-produk

yang dapa disamakan secara Analogi.

e) Dugaan manajemen ( management estimate ) atau Panel Consensus

Dimana peramalan sematamata berdasarkan pertimbangan manajemen,

umumnya oleh manajemen senior. Metode ini akan cocok dalam situasi yang sangat

sensitif terhadap intuisi dari suatu atau sekelompok kecil orang yang karena

pengalamannya mampu memberikan opini yang kritis dan relevan.

2) Metode Kuantitatif

Peramalan kualitatif dapat diterapkan jika tersedia data masa lalu, informasi dapat

dikuatifikasi (diwujudkan dalam bentuk angka), dan asumsi beberapa aspek pola

masa lalu akan terus berlangsung (assumption of community). Adapun jenis

peramalan kuantitif meliputi :

a) Time Series

Metode Time Series berhubungan dengan nilai-nilai suatu variabel yang diatur

secara periodesasi sepanjang periode waktu dimana prakiraan permintaan

diproyeksikan. Misalnya mingguan, bulanan, kwartalan, dan tahunan, tergantung

keinginan dari pihak-pihak yang melakukan prakiraan permintaan ini. Metode ini

semata-mata mendasarkan diri pada data dan keadaan masa lampau. Jika keadaan

15
di masa yang akan datang cukup stabil dalam arti tidak banyak perubahan yang

berarti dengan keadaan masa lampau, metode ini dapat memberikan hasil

peramalan yang cukup akurat.

Dengan analisis deret waktu dapat ditunjukkan bagaimana permintaan terhadap

suatu produk tertentu bervariasi terhadap waktu. Sifat dari perubahan permintaan

dari tahun ke tahun dirumuskan untuk meramalkan penjualan pada masa yang akan

datang.

Pola dari serangkaian data dalam serial waktu dapat dikelompokkan dalam pola

dasar sebagai berikut :

1. Konstan, yaitu apabila data berfluktuasi di sekitar rata-rata secara stabil.

Polanya berupa garis lurus horizontal.Pola seperti ini terdapat dalam jangka pendek

atau menengah, jarang sekali suatu variabel memiliki pola konstan dalam jangka

panjang.

2. Kecenderungan (trend), yaitu apabila data dalam jangka panjang

mempunyai kecenderungan, baik yang arahnya meningkat dari waktu ke waktu

maupun menurun. Pola ini disebabkan antara lain oleh bertambahnya populasi,

perubahan pendapatan, dan pengaruh budaya.

3. Musiman (seasonal), yaitu apabila polanya merupakan gerakan yang

berulang-ulang secara teratur dalam setiap periode tertentu, misalnya tahunan,

semesteran, kuartalan, bulanan atau mingguan. Pola ini berhubungan dengan faktor

iklim/cuaca atau faktor yang dibuat oleh manusia, seperti liburan dan hari besar.

4. Siklus (cyclical), yaitu apabila data dipengaruhi oleh fluktuasi ekonomi

jangka panjang, seperti daur hidup bisnis. Perbedaan utama antara pola musiman

16
dan siklus adalah pola musiman mempunyai panjang gelombang yang tetap dan

terjadi pada jarak waktu yang tetap, sedangkan pola siklus memiliki durasi yang

lebih panjang dan bervariasi dari satu siklus ke siklus yang lain.

5. Residu atau variasi acak, yaitu merupakan satu titik khusus dalam data

yang disebabkan oleh pekuang dan situasi tidak lazim,dan data tidak mempunyai

pola khusus sehingga tidak dapat diprediksi.

Model Seri Waktu / Metode deret berkala, terbagi menjadi :

• Rata-rata bergerak (moving averages),

➢ Rata-Rata Bergerak Sederhana (simple moving averages) : bermanfaat jika

diasumsikan bahwa permintaan pasar tetap stabil.

➢ Rata-Rata Bergerak Tertimbang (weighted moving averages) : apabila ada

pola atau trend yang dapat dideteksi, timbangan bisa digunakan untuk

menempatkan lebih banyak tekanan pada nilai baru.

• Penghalusan eksponensial (exponential smoothing),

➢ Penghalusan Eksponensial : metode peramalan dengan menambahkan

parameter alpha dalam modelnya untuk mengurangi faktor kerandoman. Istilah

eksponensial dalam metode ini berasal dari pembobotan/timbangan (faktor

penghalusan dari periode-periode sebelumnya yang berbentuk eksponensial.

• Proyeksi trend (trend projection)

➢ Metode proyeksi trend dengan regresi, merupakan metode yang dignakan

baik untuk jangka pendek maupun jangka panjang. Metode ini merupakan garis

trend untuk persamaan matematis.

b) Model / metode kausal (causal/explanatory model)

17
Mengasumsikan variabel yang diramalkan menunjukkan adanya hubungan sebab

akibat dengan satu atau beberapa variabel bebas (independent variable). Merupakan

metode peramalan yang didasarkan kepada hubungan antara variabel yang

diperkirakan dengan variabel alin yang mempengaruhinya tetapi buakn waktu.

Dalam prakteknya jenis metode peramalan ini terdiri dari :

1. Metode regresi dan kolerasi, merupakan metode yang digunakan baik untuk

jangka panjang maupun jangka pendek dan didasarkan kepada persamaan dengan

teknik least squares yang dianalisis secara statis.

2. Model Input Output, merupakan metode yang digunakan untuk peramalan

jangka panjang yang biasa digunakan untuk menyusun trend ekonomi jangka

panjang.

3. Model ekonometri, merupakan peramalan yang digunakan untuk jangka

panjang dan jangka pendek.

3.4. Verifikasi dan Pengendalian Peramalan

Dalam membuat peramalan atau menerapkan hasil suatu peramalan, maka pasti ada

beberapa hal yang harus dipertimbangkan, yaitu:

1. Peramalan pasti mengandung kesalahan, artinya peramal hanya bias

mengurangi ketidakpastian yang akan terjadi, tetapi tidak dapat menghilangkan

ketidakpastian yang akan terjadi, tetapi tidak dapat menghilangkan ketidakpastian

tersebut.

2. Peramalan seharusnya memberikan informasi tentang berapa ukuran

kesalahan, artinya karena peramalan pasti mengandung kesalahan, maka penting

18
bagi peramal untuk menginformasikan seberapa besar kesalahan yang mungkin

terjadi.

3. Peramalan jangka pendek lebih akurat dibandingkan permalan jangka

panjang. Hal ini disebabkan karena peramalan jangka pendek dipengaruhi oleh

faktor- faktor permintaan yang bersifat konstan.

Ukuran akurasi hasil peramalan yang merupakan ukuran kesalahan peramalan

merupakan ukuran tentang tingkat perbedaan antara hasil peramalan dengan

permintaan yang sebenarnya terjadi. Ada 4 ukuran yang biasanya digunakan,

yaitu :

3.2.1. Rata-rata Deviasi Mutlak (Mean Absolut Deviation = MAD)

MAD merupakan rata-rata kesalahan mutlak selama periode tertentu tanpa

memperhatikan apakan hasil peramalan lebih besar atau lebih kecil dibandingkan

kenyataannya.

3.2.2. Rata-rata Kuadrat Kesalahan (Mean Square Error = MSE)

MSE dihitung dengan menjumlahkan kuadrat semua kesalahan peramalan pasa

setiap periode dan membaginya dengan jumlah periode peramalan.

3.2.3. Rata-rata kesalahan peramalan (Mean Forecast Error = MFE)

MFE sangat efektif untuk mengetahui apakah suatu hasil peramalan selama periode

tertentu terlalu tinggi atau rendah. MFE dihitung dengan menjumlahkan semua

kesalahan peramalan selama periode peramalan dan membaginya dengan jumlah

periode peramalan.

19
 4. LATAR BELAKANG SABLON KARUNG GONI

Apa itu Silk Screen Printing? Cetak Saring / Sablon adalah salah satu teknik cetak

dalam keilmuan printmaking yang mereproduksi sebuah citra visual menggunakan

proses pembuatan film afdruk pada sebuah screen sebagai master cetakan.

Goni terbuat dari bahan serat alami. Beberapa serat yang dapat digunakan untuk

membuat karung goni antara lain serat rosella (Hybiscus sabdariffa), serat kenaf

(Hybiscus cannbicus), serat jute (Chorcorus capsularis) dan serat rami (Boehmeria

nivea). Penggunaan kain goni atau karung goni biasanya untuk menyimpan biji-

bijian, kemasan untuk beras, gula, dan hasil panen. Di pasaran juga ada kain goni

meteran yang peruntukannya lebih kepada penunjang industri, biasanya untuk

industri rotan atau meubel. Jadi dapat disimpulkan sablon karung goni dapat

diartikan sebagai mencetak gambar atau angka dan huruf pada karung goni guna

memberikan status atau informasi pada goni tersebut.

20
 MODUL I

FORCASTING

BAB III

PENGUMPULAN DAN PENGOLAHAN DATA

21
 BAB III
PENGUMPULAN DAN PENGOLOHAN DATA

3.1. Pengumpulan Data

3.1.1. Alat

Adapun alat yang digunakan dalam praktikum adalah sebagai berikut :

1. PC/laptop

2. Software winQSB

3. Worksheet (Microsoft Excel)

4. Work Processor(MicrosoftWord)

22
4.1.2 Flowchart Pengumpulan Data

Mulai

Membuka Software
WinQsb

Membuka Forcasting
(SE,WME,SES)

Olah data
dengan 3
metode

Selesai

Gambar 3.1 Flowchart

23
3.1.3. Bahan

Bahan yang digunakan dalam praktikum ini adalah data permintaan produksi baja
satu tahun lalu. Tabel berikut merupakan data permintaan produksi baja PT.Prima Raya
setiap bulan pada tahun 2020 lalu yang akan digunakan dalam pengolahan data.

Tabel : Data Permintaan Sablon Karung Tahun 2020 Lalu.

No Bulan Permintaan (Lembar)

1 Januari 2020 1.700.000

2 Februari 2020 1.650.000

3 Maret 2020 1.390.000

4 April 2020 1.200.000

5 Mei 2020 800.000

6 Juni 2020 960.000

7 Juli 2020 1.240.000

8 Agustus 2020 1.430.000

9 September 2020 1.600.000

10 Oktober 2020 1.633.000

11 November 2020 1.550.000

12 Desember 2020 1.680.000

Total 16.833.000

24
4.2 Pengolahan Data

3.2.1. Metode simple average [SA]

Month Actual Forecast Forecast CFE MAD MAPE (%)

data by SA Eror

1 1700000

2 1650000 1700000 -50000 -50000 50000 3,030303

3 1390000 1675000 -335000 167500 167500 11,76695

4 1200000 1580000 -715000 238333,3 238333,3 18,40019

5 800000 1485000 -1400000 350000 350000 35,20639

6 960000 1348000 -1788000 357600 357600 36,24845

7 1240000 1283333 -1831333 305222,2 305222,2 30,78948

8 1430000 1277143 -1678476 283455,8 283455,8 27,91803

9 1600000 1296250 -1374726 285992,6 285992,6 26,80132

10 1633000 1330000 -1071726 287882,3 287882,3 25,88504

11 1550000 1360000 -882026,3 278064,1 278064,1 24,52041

12 1580000 1377546 -579571,8 280281,4 280281,4 23,92794

Tabel 3.2. Perhitungan Peramalan Metode SA

25
Grafik 3.1. Grafik Permalan Simple Average

26
3.2.2. Metode weighted moving average [WMA]

Month Actual Forecast Forecast CFE MAD MAPE

data by WMA Eror (%)

1 1700000

2 1650000 1700000 -50000 -50000 50000 3,030303

3 1390000 1650000 -260000 -310000 155000 10,86767

4 1200000 1390000 -190000 -500000 166666,7 12,52289

5 800000 1200000 -400000 -900000 225000 21,89217

6 960000 800000 160000 -740000 212000 20,84707

7 1240000 960000 280000 -460000 223333,3 21,136

8 1430000 1240000 190000 -270000 218571,4 20,01467

9 1600000 1430000 170000 -100000 212500 18,84096

10 1633000 1600000 33000 -67000 192555,6 16,97026

11 1550000 1633000 -83000 -150000 181600 15,81034

12 1580000 1550000 130000 -20000 176909,1 15,0765

Tabel 3.3. Perhitungan Peramalan Metode WMA

27
 Grafik 3.2. Grafik Peramalan Weighted Moving Average

3.2.3 Metode Single exponential smoothing [SES]

28
Month Actual Forecast Forecast CFE MAD MAPE (%)

data by SES Eror

1 1700000

2 1650000 1700000 -50000 -50000 50000 3,030303

3 1390000 1700000 -310000 -360000 180000 12,66623

4 1200000 1700000 -500000 -860000 286666,7 22,33304

5 800000 1700000 -900000 -1760000 440000 44,87478

6 960000 1700000 -740000 -2500000 500000 51,31649

7 1240000 1700000 -460000 -2960000 493333,3 48,94654

8 1430000 1700000 -270000 -3230000 461428,6 44,65148

9 1600000 1700000 -100000 -3330000 416250 39,8513

10 1633000 1700000 -67000 -3397000 377444,4 35,87925

11 1550000 1700000 -150000 -3547000 354700 33,25907

12 1680000 1700000 -20000 -3567000 324272,7 30,34374

Tabel 3.3. Perhitungan Peramalan Metode SES

29
Grafik 3.3. Grafik Peramalan Single Exponential Smoothing

30
 MODUL I

FORCASTING

BAB IV

ANALISIA DAN PEMBAHASAN

31
 BAB IV

ANALISA & PEMBAHASAN

4. Pembahasan

Kriteria pertama adalah Mean Absolute Deviation (MAD). Mean Absolute

Deviation (MAD) perhitungan yang digunakan untuk menghitung rata-rata

kesalahan mutlak atau absolut. Mean absolute deviation mengukur akurasi dari

forecast dengan membuat sama rata dari besarnya kesalahan perkiraan yang

dimana setiap forecasting memiliki nilai absolut untuk setiap errornya.

Mean Squared Error (MSE) adalah Rata-rata Kesalahan kuadrat antara nilai

aktual dan nilai peramalan. Metode Mean Squared Error secara umum

digunakan untuk mengecek estimasi berapa nilai kesalahan pada peramalan.

Nilai Mean Squared Error yang rendah atau nilai mean squared error mendekati

nol menunjukkan bahwa hasil peramalan sesuai dengan data aktual dan bisa

dijadikan untuk perhitungan peramalan di periode mendatang.

Mean Absolut Percentage error (MAPE) adalah persentase kesalahan rata-rata

secara mutlak (absolut). Pengertian Mean Absolute Percentage Error adalah

Pengukuran statistik tentang akurasi perkiraan (prediksi) pada metode

peramalan. Pengukuran dengan menggunakan Mean Absolute Percentage Error

(MAPE) dapat digunakan oleh masyarakat luas karena MAPE mudah dipahami

dan diterapkan dalam memprediksi akurasi peramalan.

Root Mean Square Error (RMSE) merupakan besarnya tingkat kesalahan hasil

prediksi, dimana semakin kecil (mendekati 0) nilai RMSE maka hasil prediksi

akan semakin akurat. Root Mean Squared Error (RMSE) merupakan salah satu

32
 cara untuk mengevaluasi model regresi linear dengan mengukur tingkat akurasi

hasil perkiraan suatu model.

CFE ( cumulative sum of forecast error)menunjukkan jumlah error

peramalanmenunjukkan jumlah error peramalan

4.1 Analisa

Dari hasil pengolahan data menggunakan winQsb maka didapat sebuah analisa

sebagai berikut :

METODE PERAMALAN MAPE %

SIMPLE AVERAGE [SA] 23,92794

WEIGHTED MOVING AVERAGE

[WMA] 15,0765

SINGLE EXPONENTIAL SMOOTHING

[SES] 30,34374

Tabel 4.1. Rekapitulasi Hasil Permintaan Produk Sablon karung

Dari hasil perhitungan peramalan maka dapat dipilih untuk yang menjadi

peramalan penjualan 12 bulan kedepan adalah dengan metode Weighted Moving

Average karena memiliki nilai kesalahan terkecil (MAPE = 15,0765).

Berikut adalah hasil peramalan permintaan sablon karung di PT. Prima Raya

dengan menggunakan metode Weighted Moving Average

33
 T Bulan Data Peramalan
Historis
12 Dec 1700000 1402750

13 Jan 1650000 1402750

14 Feb 1390000 1402750

15 Mar 1200000 1402750

16 Apr 800000 1402750

17 May 960000 1402750

18 Jun 1240000 1402750

19 Jul 1430000 1402750

20 Aug 1600000 1402750

21 Sept 1633000 1402750

22 Oct 1550000 1402750

23 Nov 1680000 1402750

24 Dec 1700000

Tabel 4.2. Hasil Peramalan Penjualan 12 Bulan Kedepan

Dari hasil tabel diatas dapat kita simpulkan bahwa untuk satu tahun kedepan

penjualan sablon karung goni di PT. Prima Raya yaitu rata-rata 1.402.750 Lembar

/bulannya.

34
 MODUL I

FORCASTING

BAB V

KESIMPULAN DAN SARAN

35
 BAB V

KESIMPULAN DAN SARAN

5.1 Kesimpulan

Didalam laporan ini kami menggunakan 3 metode peramalan yaitu Simple Average

(SA), Weighted Moving Average (WMA) dan Single Exponential Smoothing

(SES)

Dari hasil perhitungan peramalan maka dapat dipilih untuk yang menjadi peramalan

penjualan 12 bulan kedepan adalah dengan metode Weighted Moving Average

karena memiliki nilai kesalahan terkecil (MAPE = 15,0765).

5.2 Saran

1. Saran dari kami untuk kedepannya aplikasi peramalan dapat di upgrade di

beberapa software dan bisa digunakan di beberapa software, agar bisa

dibandingkan.

2. Dengan adanya software ini kita dapat mengetahui bagaimana cara meramal

untuk 1 tahun atau bahkan sampai 10 tahun kedepan.

36
Lampiran :

1. METODE SIMPLE AVERAGE [SA]

37
2. METODE WEIGHTED MOVING AVERAGE [WMA]

38
3. METODE SINGLE EXPONENTIAL SMOOTHING [SES]

39