LAPORAN PRAKTIKUM

PERENCANAAN PRODUKSI DAN

PENGENDALIAN PERSEDIAAN

FORECASTING

Nama : Benteng Agum K

NIM : 210331100111
Tanggal Praktikum : 03 Mei 2023 Program Studi
Nama Asisten : Zahwa Almia Khodim Teknologi Industri Pertanian

PENDAHULUAN
Peramalan (forecasting) merupakan seni atau ilmu untuk memperkirakan
kejadian di masa depan. Hal ini dapat dilakukan dengan melibatkan pengambilan
data historis dan memproyeksikannya ke masa mendatang dengan suatu bentuk
model sistematis. Peramalan juga bisa dilakukan dengan menggunakan kombinasi
model matematis yang disesuaikan dengan pertimbangan yang baik dari seorang
manajer (Meliana et al., 2020).
Fungsi peramalan (forecasting) terlihat pada saat pengambilan keputusan.
Keputusan yang baik adalah keputusan yang didasarkan atas pertimbangan apa
yang akan terjadi pada waktu keputusan itu dilaksanakan. Peramalan permintaan
memiliki karakteristik tertentu yang berlaku secara umum. Karakteristik ini harus
diperhatikan untuk menilai hasil suatu proses peramalan permintaan dan metode
peramalan yang digunakan. Karakteristik peramalan yaitu faktor penyebab yang
berlaku di masa lalu diasumsikan akan berlaku juga di masa yang akan datang,
dan peramalan tak pernah sempurna (Sinaga dan Irawati, 2018).
Manfaat metode peramalan atau forecasting ini antara lain memungkinkan
sebuah perusahaan memiliki tingkat persediaan yang optimal untuk membuat
keputusan produksi yang sesuai dan mempertahankan efisiensi dari kegiatan
operasional, menjadi alat bantu penting bagi perusahaan untuk perencanaan yang
lebih efektif dan efisien dalam meningkatkan kualitas dan produktivitas. Salah
satu tujuan dari forecasting dalam dunia industri yaitu agar suatu perusahaan
mampu memprediksi prospek ekonomi antara rugi dan untung serta menyediakan
pasokan barang yang pas untuk periode berikutnya (Hernadewita, et al. 2020).
TSFC atau teknis progam forecasting merupakan metode peramalan
menggunakan time series data dan berhubungan dengan nilai-nilai suatu variabel
yang diatur secara periodik sepanjang waktu dimana perkiraan permintaan
diproyeksikan. Waktu perkiraan permintaan misalnya mingguan, bulanan,
kuartalan dan tahunan. Metode time series dibagi menjadi 5 metode yaitu metode
smoothing, metode proyeksi kencendrungan dengan regresi, metode musiman dan
metode dekomposisi (Lusiana dan Yuliarty, 2020).
Metode smoothing digunakan untuk mengatur data masa lalu sesuai
dengan musiman data yang terjadi dengan cara merata-ratakan sederetan data
hingga memiliki jarak serta jumlah data yang cenderung/hampir seimbang dan
metode ini dibagi menjadi 2 yaitu moving average dan exponential smoothing
(Lusiana dan Yuliarty, 2020). Moving average adalah suatu metode peramalan
yang dilakukan dengan mengambil sekelompok nilai pengamatan, mencari nilai
rata-rata tersebut sebagai ramalan untuk periode yang akan datang (Meliana et al.,
2020). Moving average dibagi menjadi 2 antara lain simple moving average dan
weighted moving average (Lusiana dan Yuliarty, 2020). Exponential smoothing
merupakan metode yang digunakan untuk peramalan jangka pendek. Model
mengasumsikan bahwa data berfluktuasi di sekitar nilai mean yang tetap, tanpa
trend atau pola pertumbuhan konsisten (Meliana et al., 2020). Exponential
smoothing dibagi menjadi 2 antara lain single exponential smoothing dan double
exponential smoothing (Lusiana dan Yuliarty, 2020).
Mean Absolute Percent Error merupakan ukuran ketepatan relatif yang
digunakan untuk mengetahui persentase penyimpangan hasil peramalan. MAPE
adalah cara yang paling akurat untuk menghitung error, karena menyatakan
persentase kesalahan hasil ramalan terhadap keadaan actual selama periode
tertentu yang memberikan informasi persentase terlalu tinggi atau terlalu rendah.
Suatu metode mempunyai kemampuan peramalan sangat baik jika nilai MAPE
berada dibawah 10%, (Rahmadhani et al. 2018).
METODE
SOAL APLIKASI
Volume penjualan dari perusahaan untuk 12 bulan terakhir ditunjukan pada tabel.
Dengan menggunakan Moving Average, ramalkan penjualan 8 bulan ke depan
dengan data 4 bulanan.

Bulan Permintaan
1 200
2 260
3 220
4 250
5 205
6 210
7 315
8 190
9 111
10 190
11 250
12 280

Keterangan :
• Kelas A mengubah angka di bulan 5 dengan NIM
• Kelas B mengubah angka di bulan 7 dengan NIM
• Kelas C mengubah angka di bulan 9 dengan NIM
• Untuk angka 0 pada awal NIM diganti angka depan sesuai dengan
soal Contoh : NIM (200331100002) pada bulan ke5 berarti tulis 3
angka terakhir menjadi 202.
Berikut adalah Langkah -langkah dalam mengerjakan forcasting
menggunakan Windows XP:
1. Membuka aplikasi windows xp

2. Pilih winsQSB kemudian pilih menu forecasting and linear regression

3. Mengklik new problem pada menu file, problem specification kemudian

pilih time series forecasting pada problem type.
4. Menunjukkan tabel berikut

5. Menunjukkan data historis selama 12 bulan, kemudian masukkan data

sesuai dengan soal

6. Menu salve and analyze, kemudian pilih perform forecasting

7. Forecasting method kemudian pilih moving average, kemudian pada

number of priode to forecast isi dengan angka 8 dan number of prionds in
average isi dengan angka 4, kemudian klik ok.
8. Menghasilkan hasil dari peramalan

9. Memilih menu result kemudian pilih show the forcasting in detail

10. Menghasilkan hasil peramalan

11. Memilih menu result kemudian pilih show the forcasting in graph

12. Menunjukkan hasil grafik

HASIL DAN PEMBAHASAN

Gambar 1. Hasil Forecasting

Data diatas memperoleh hasil yaitu CFE -4.75, MAD 59.84, MSE 4862,
MAPE 31.57051, Trk signal -7.937337E-02 R square 0.1019045. Peramalan ini
dikatakan layak atau berhasil karena MAPE melebihi dari 20%. Ramalan kedepan
selama 4 bulan yaitu m=4. Adapun hasil peramalan 8 bulan kedepan mulai dari
bulan 13 sampai dengan 20 hasilnya sama rata yaitu dengan nilai 207.75.

Gambar 2. Grafik Hasil Pembahasan

 Data diatas memperoleh hasil Mean of aktual data 223.4167, standart
deviasi (sigma) 52.4759, n (banyak bulan) yaitu 12, forecasting (peramalan
selama 8 bulan) 8. Garis hitam pada grafik actual, sedangkan garis biru yaitu data
hasil forcasting untuk 8 bulan kedepan. Garis putus-putus yang artinya yaitu akhir
dari suatu peramalan.

REFERENSI
Hernadewita, Yan, K. H., Muhammad, J. S. dan Donny, S. 2020. Peramalan
Penjualan Obat Generik Melalui Time Series Forecasting Model pada
Perusahaan Farmasi di Tangerang: Studi Kasus. Journal Industrial.
Lusiana, A, Yuliarty, P. 2020. Penerapan Metode Peramalan (Forecasting) pada
Permintaan Atap di PT X. Jurnal Teknik Industri, 10(1): 11-20
Meliana, D, Suharto, S, Suwarni, P. 2020. Analisis Peramalan Penjualan Air
Minum Dalam Kemasan 240ml Pada PT Trijaya Tirta Darma (Great)
dengan Metode Single Moving Avarage dan Exponential Smoothing. Jurnal
Ilmiah Teknik Industri, 4(2): 114-120.
Rahmadhani, M. N., Sulistianingsih, E.dan Pradana, H. 2018. Peramalan Produksi
Kelapa Sawit dengan Metode Winter’s Exponential Smoothing dan Pegels
Exponential Smoothing). Jurnal Bimasker. 7(2) : 111-118.
Sinaga, H, D, E, Irawati, N. 2018. Perbandingan Double Moving Average dengan
Double Exponential Smoothing pada Peramalan Bahan Medis Habis Pakai.
Jurnal Teknologi dan Sistem Informasi, 4(2): 197-204.