LAPORAN PRAKTIKUM SISTEM PRODUKSI

MODUL I

FORECASTING

Diajukan sebagai salah satu syarat untuk kelulusan praktikum Sistem Produksi

Disusun oleh :

KELOMPOK 1

LABORATORIUM SISTEM PRODUKSI

PROGRAM STUDI TEKNIK INDUSTRI

FAKULTAS TEKNIK

UNIVERSITAS KRISNADWIPAYANA

JAKARTA

2023
 LEMBAR PENGESAHAN
Laporan ini disusun sebagai salah satu syarat kelulusan Laporan Akhir
Sistem Produksi di laboratorium Fakultas Teknik Program Studi Teknik Industri
Universitas Krisnadwipayana.
Kelompok 1

1. Andrianus Nicholas Sitorus (2170031001)

2. Muhammad Adam Firdaus (2170031004)
3. Chris Martin Simatupang (2170034001)
4. Widia Fitri Siregar (2170031012)
5. Alan Fauzan (2170031016)

Modul : Forecasting
Dengan ini telah diperiksa untuk

DITERIMA / DITOLAK
Jakarta, 9 Juni 2023
Menyetujui,

Kepala Laboratotium Asisten Laboratorium

Mesin-Industri Sistem Produksi

Dr. Ir. Aries Abbas, ST. MM, MT. Amallia Aindina Fitri
NIDN : 0329056505 NIM : 1970031040

Mengetahui,

Kepala Program Studi

Teknik Industri

Ir. Florida Butarbutar, MT

NIDN : 0310056507

i
 KATA PENGANTAR
Puji syukur kita panjatkan kehadirat Allah SWT yang telah memberikan rahmat

dan hidayah-Nya sehingga kami dapat menyelesaikan tugas yang berjudul “

Laporan Akhir Praktikum Sistem Produksi ” ini tepat pada waktunya.

Adapun tujuan dari penulisan dari makalah ini adalah untuk memenuhi tugas pada

mata kuliah Sistem Produksi.

Kami mengucapkan terima kasih kepada semua pihak yang tidak dapat kami

sebutkan semua, terimakasih atas bantuannya sehingga sehingga kami dapat

menyelesaikan tugas ini.

Kami menyadari, tugas yang kami tulis ini masih jauh dari kata sempurna. Oleh

karena itu, kritik dan saran yang membangun kami butuhkan demi kesempurnaan

makalah ini.

Akhir kata penulis mohon maaf atas kekeliruan dan kesalahan yang terdapat dalam

laporan praktikum ini dan berharap semoga laporan praktikum ini dapat

memberikan manfaat untuk kita semua.

Jakarta, 09 Juni 2023

Kelompok 1

ii
 DAFTAR ISI

LEMBAR PENGESAHAN ........................................................................................................ i

KATA PENGANTAR ............................................................................................................... ii
DAFTAR ISI .......................................................................................................................... iii
DAFTAR GAMBAR ................................................................................................................ v
DAFTAR TABEL .....................................................................................................................vi
BAB I PENDAHULUAN ......................................................................................................... 7
1.1 Latar Belakang Masalah ...................................................................................... 7
1.2 Identifikasi Masalah ............................................................................................ 7
1.3 Perumusan Masalah............................................................................................ 8
1.4 Maksud dan Tujuan ............................................................................................. 8
1.5 Batasan Masalah ................................................................................................. 8
1.6 Metodologi Penelitian ......................................................................................... 9
1.6.1 Flowchart Pemecahan Masalah ............................................................... 9
1.6.2 Filosofi Alur Pemecahan Masalah ......................................................... 10
BAB II LANDASAN TEORI................................................................................................... 12
2.1 Pengertian Forecasting ..................................................................................... 12
2.1.1 Peramalan Dalam Horizon Waktu ........................................................ 15
2.1.2 Peramalan Permintaan ........................................................................... 16
2.1.3 Faktor-Faktor Yang Mempengaruhi Peramalan.................................. 17
2.1.4 Metode Peramalan Permintaan ............................................................. 18
2.1.5 Metode Peramalan Permintaan Time Series ......................................... 19
2.1.6 Ukuran Akurasi Hasil Peramalan ......................................................... 23
2.1.7 Sifat Hasil Peramalan ............................................................................. 25
BAB III PENGUMPULAN DAN PENGOLAHAN DATA ........................................................... 26
3.1 Pengumpulan Data ............................................................................................ 26
3.1.1 Data Aktual .............................................................................................. 26
3.1.2 Tujuan Peramalan................................................................................... 26
3.1.3 Identifikasi Pola Data ............................................................................. 27
3.1.4 Harga Barang Per Unit........................................................................... 27
3.2 Pengolahan Data ............................................................................................... 28
3.2.1 Perhitungan Forecast By 3 Moving Average ........................................ 28

iii
 3.2.2 Perhitungan Forecast by 4 WMA .......................................................... 31
3.2.3 Perhitungan Forecast by SES ................................................................. 33
3.2.4 Perhitungan Menggunakan QM FOR WINDOWS dengan Metode
Moving Average ........................................................................................................ 36
3.2.5 Menggunakan QM FOR WINDOWS dengan Metode Weight Moving
Average 39
3.2.6 Menggunakan Qm For Windows dengan Metode Simple Exponential
Smoothing................................................................................................................. 42
3.2.7 Perhitungan Ongkos Produksi Per Unit ............................................... 45
3.2.8 Penyusunan JIP Untuk 12 Periode Kedepan ........................................ 46
3.2.9 Perhitungan Produksi Rate Bulanan .................................................... 46
BAB IV ANALISIS ............................................................................................................... 47
BAB V KESIMPULAN DAN SARAN ...................................................................................... 48
5.1 Kesimpulan ........................................................................................................ 48
5.2 Saran ................................................................................................................. 48
DAFTAR PUSTAKA .............................................................................................................. 49
LAMPIRAN ......................................................................................................................... 50

iv
 DAFTAR GAMBAR

Gambar 3. 1 Perhitungan forecast by 3 MA ..................................................................... 28

Gambar 3. 2 Perhitungan Forecast Error 3 MA ................................................................ 28
Gambar 3. 3erhitungan ABS Error .................................................................................... 29
Gambar 3. 4 Perhitungan MAD 3 MA.............................................................................. 29
Gambar 3. 5 Perhitungan Forecast by 4 WMA ................................................................. 31
Gambar 3. 6 Perhitungan Forecast Error .......................................................................... 31
Gambar 3. 7 Perhitungan ABS Error ................................................................................ 32
Gambar 3. 8Perhitungan MAD by 4 WMA ...................................................................... 32
Gambar 3. 9 Perhitungan Forecast by SES ....................................................................... 33
Gambar 3. 10 Perhitungan Forecast Error ........................................................................ 34
Gambar 3. 11Perhitungan ABS Error................................................................................ 34
Gambar 3. 12 Perhitungan MAD ...................................................................................... 35
Gambar 3. 13 Perhitungan data aktual forecast by 3 MA menggunakan QM FOR
WINDOWS ....................................................................................................................... 36
Gambar 3. 14 Input data aktual ....................................................................................... 36
Gambar 3. 15 Hasil forcasting Results 3MA QM for windows ...................................... 37
Gambar 3. 16Hasil Details and Error Analysis 3 MA menggunakan QM ........................ 37
Gambar 3. 17 Hasil Tracking Signal 3 MA menggunakan QM ........................................ 38
Gambar 3. 18 Hasil Graph 3 MA menggunakan QM ....................................................... 38
Gambar 3. 19 Perhitungan Data Aktual Forecast By 4 WMA .......................................... 39
Gambar 3. 20 Hasil Perhitungan Setelah Di Solve ........................................................... 39
Gambar 3. 21 Hasil Forecasting Results 4 WMA ............................................................. 40
Gambar 3. 22 Hasil Details And Error Analysis 4 WMA ................................................. 40
Gambar 3. 23 Hasil Tracking Signal 4 WMA .................................................................. 41
Gambar 3. 24 Hasil Graph 4 WMA .................................................................................. 41
Gambar 3. 25 Perhitungan Data Aktual Forecast By SES ................................................ 42
Gambar 3. 26 Hasil Perhitungan Forecast Setelah Di Solve ............................................. 42
Gambar 3. 27 Hasil Forecasting Results ........................................................................... 43
Gambar 3. 28 Hasil Details And Error Analysis ............................................................... 43
Gambar 3. 29 Hasil Error As A Function Of Alpha .......................................................... 44
Gambar 3. 30 Hasil Tracking Signal ............................................................................... 44
Gambar 3. 31 Hasil Graph by SES .................................................................................. 45

v
 DAFTAR TABEL
Tabel 3. 1 Data Aktual ...................................................................................................... 26
Tabel 3. 2 metode 3MA Ms Excel .................................................................................... 30
Tabel 3. 3 metode 4 WMA Ms Excel ................................................................................ 33
Tabel 3. 4 Metode SES Menggunakan Ms Excel ............................................................. 35
Tabel 3. 5 Perhitungan Ongkos Produksi Per Unit ........................................................... 45
Tabel 3. 6 Penyusunan JIP Untuk 12 Periode Kedepan.................................................... 46
Tabel 3. 7 Perhitungan Produksi Rate Bulanan ................................................................ 46

vi
 7

BAB I
PENDAHULUAN
1.1 Latar Belakang Masalah

Kebutuhan untuk meramal meninkat seiring dengan usaha pihak

manajemen perusahaan untuk mengurangi ketergantungan pada perubahan

lingkungan, peramalan adalah bagian intern aktivitas pengambil

keputusan memngenai kebijakan-kebijakan umum, strategi dan taktik

yang akan di terapkan pada waktu yang akan datang

Dalam dunia usaha biasanya timbul persoalan intern yang rutin

sehingga diperlukan suatu usaha untuk menelah ke dalam dan

menghubungkannya dengan lingkungan baik intern maupun ekstern

Dalam melaksanakan praktikum perlunya penambahan alat alat untuk

praktikum dan menambah computer dalam laboratorium sehingal proses

praktikum dapat berjalan dengan optimal.

1.2 Identifikasi Masalah

1. Berdasarkan latar belakang masalah belum diketahui JIP

2. Berdasarkan Latar Belakang Masalah Belum Di Ketahui Nilai Production

Rate

3. Metode yang digunakan menggunakan Software Microsoft Excel dan

Software QM for windows

 8

1.3 Perumusan Masalah

Berdasarkan praktikum yang telah di lakukan, maka masalah yang

dapat di uraikan sebagai berikut

1. Bagaimana cara mengelola data perencanaan produksi dengan

menggunakan Software Microsoft Excel dan Software QM for

windows ?

2. Bagaimana Menentukan Jadwal Induk Produksi (JIP) ?

3. Apa perbedaan data dengan menggunakan software Microsoft Excel

dan software QM for windows ?

1.4 Maksud dan Tujuan

Berikut adalah beberapa maksud dan tujuan praktikum sebagai berikut

1. Dapat mengetahui dan memahami bagaimana menentukan JIP

2. Dapat mengetahui Langkah-langkah peramalan secara sistematis

dengan menggunakan QM dan Ms, Excel

3. Dapat mengetahui dan menerapkan metode perencanaan produksi

1.5 Batasan Masalah

Pada penulisan laporan akhir praktikum ini Batasan masalahnya sebagai

berikut.

1. Pola data yang di pakai hanya data horizontal

2. Perhitungan menggunakan Ms.Excel dan QM for windows

3. Data yang di gunakan menggunakan metode 3 Moving Average, 4

Weight Moving Average dan SES ∝∶ 0.8

4. Data yang digunakan dari periode bulai mei 2022 sampai bulan April

2023
 9

1.6 Metodologi Penelitian

1.6.1 Flowchart Pemecahan Masalah

Mulai

Technical meeting

Tugas pendahuluan

Praktikum

Identifikasi masalah

Rumusan masalah

Tujuan

Pengumpulan data
1. Data aktual
2. Tujuan peramalan
3. Identifikasi pola data
tidak

Pengolahan data
1. Perhitungan forcast metode 3MA 4WMA
dan SES menggunakan Ms Excel
2. Perhitungan forcast metode 3MA 4WMA dan
SES menggunakan QM for windows

Asistensi

ya
Pengumpulan laporan

Responsi

selesai
 10

1.6.2 Filosofi Alur Pemecahan Masalah

1. Mulai

Praktikum dimulai di ruangan Laboratorium Sistem Produksi dengan

modul yang telah disediakan oleh Asisten Lab

2. Technical meeting

Pemaparan secara teknis bagaimana praktikum ini dilaksanakan

3. Tugas pendahuluan

Tugas yang berisi pertanyaan tertulis mengenai metode yang akan

digunakan dalam pemecahan masalah

4. Praktikum

Proses pengambilan data yang dilakukan di laboratorium Teknik

Industri

5. Identifikasi masalah

Identifikasi masalah dilakukan sebagai langkah lanjutan setelah

dilakukannya studi pustaka untuk mengidentifikasikan masalah yang

ada dan membuat permasalahan tersebut dapat diukur dan diuji.

6. Perumusan Masalah

Rumusan masalah dibuat dengan pertanyaan yang jelas terhadap

praktikum yang telah dilakukan dan mendapatkan jawabannya

berdasarkan pengumpulan data.

7. Tujuan

Menjelaskan dari sebuah laporan yang telah dibuat sehingga dapat

dipertanggung jawabkan dari sebuah kegiatan observasi yang telah

dilakukan.
 11

8. Pengumpulan dan Pengolahan Data

Pengumpulan dan pengolahan data dibuat dan di lampirkan ke dalam

laporan akhir praktikum agar nantinya dapat dibuat suatu hasil dan

kesimpulan dari praktikum yang telah dilaksanakan.

9. Asistensi

Asistensi dilakukan sebagai bentuk konsultasi tentang laporan akhir

yang telah dikerjakan praktikan terhadap asisten lab, jika terdapat

ketidaksesuaian penulisan, pengumpulan, dan pengolahan data dengan

ketetapan yang telah ditentukan oleh asisten lab maka praktikan harus

merevisi laporan sesuai dengan koreksi dari asisten lab.

10. Pengumpulan Laporan

Laporan akhir dapat dikumpulkan jika sudah disetujui oleh asisten lab

dan laporan yang dikumpulkan sesuai dengan ketentuan yang telah

disepakati.

11. Responsi

Setelah laporan akhir disetujui oleh asiten lab dan telah dikumpulkan,

maka praktikan wajib melakukan responsi untuk mengetahui apakah

praktikan telah memahami materi praktikum yang telah dilaksanakan.

12. Selesai
 12

BAB II

LANDASAN TEORI

2.1 Pengertian Forecasting

Menurut (purbaningrat, 2019) definisi dari peramalan (forecasting)

adalah seni dan ilmu untuk memperkirakan kejadian di masa depan. Hal

tersebut dapat dilakukan dengan menggunakan data historis dan proses

kalkulasi untuk memprediksikan sebuah proyeksi atas kejadian di masa

yang datang.

Cara lain yang dapat ditempuh adalah dengan intuisi subjektif atau

dengan model matematis yang disusun oleh pihak manajemen. Pedapat

lain dari buku Operation Management. Peramalaan adalah masukan/input

dasar dalam proses pengambilan keputusan dari manajemen operasi

karena permalaan memberikan informasi dalam perimintaan dimasa yang

akan dating. Salah satu tujuan utama dari manajemen operasi adalah untuk

menyeimbangkan antara pasokan/supply dan permintaan memiliki

perkiraan permintaan dimasa yang akan datang sangat penting untuk

menentukan berapa kapasitas atau pasokan/supply yang dibutuhkan untuk

menyeimbangi permintaan.

Dalam dunia usaha khususnya yang berhubungan dengan produksi

sangat penting untuk memperkirakan hal-hal yang akan terjadi dimasa

depan sebagai dasar untuk pengambilan keputusan. Peramalan adalah

proses untuk memperkirakan beberapa kebutuhan dimasa datang yang

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

 13

yang dibutuhkan dalam rangka memenuhi permintaan barang maupun

jasa. Render dan Heizer (2007) mendefinisikan peramalan adalah seni dan

ilmu memprediksi peristiwa-peristiwa masa depan.

Hal ini serupa dengan pendapat Subagyo (2000) Forecasting adalah

memperkirakan sesuatu yang akan terjadi. Menurut Handoko (1999)

Peramalan adalah suatu usaha untuk meramalkan keadaan dimasa

mendatang melalui pengujian keadaan di masa lalu. Menurut Gaspersz

(2005) Aktivitas peramalan merupakan suatu fungsi bisnis yang berusaha

memperkirakan penjualan dan penggunaan produk sehingga produk-

produk itu dapat dibuat dalam kuantitas yang tepat. Menurut Taylor (2004)

Peramalan yaitu sebuah prediksi mengenai apa yang akan terjadi di masa

depan.

Sebuah perusahaan yang menghasilkan barang hasil produksi

memerlukan bahan baku, seperti halnya PT Tamiya Racing Indonesia

memerlukan bahan baku dalam proses produksi. Dalam memenuhi

kebutuhan bahan baku diperlukan peramalan. Dari pengertian para ahli

diatas, maka dapat ditarik suatu kesimpulan bahwa Peramalan adalah seni

dan ilmu memprediksi peristiwa-peristiwa masa depan dengan melakukan

studi terhadap data historis untuk menemukan hubungan, kecenderungan

dan pola yang sistematis.

Peramalan tidak terlalu dibutuhkan dalam kondisi permintaan pasar

yang stabil, karena perubahan permintaan relatif kecil. Tetapi peramalan

akan sangat dibutuhkan bila kondisi permintaan pasar bersifat kompleks

 14

dan dinamis. Dalam kondisi pasar bebas, permintaan pasar lebih banyak

bersifat kompleks, dan dinamis karena permintaan tersebut akan

tergantung dari keadaan sosial, ekonomi, politik, aspek teknologi, produk

pesaing dan produk substitusi. Oleh karena itu peramalan yang akurat

merupakan informasi yang sangat dibutuhkan dalam pengambilan

keputusan manajemen. Berikut jenis-jenis peramalan dapat dikategorikan

sebagai berikut :

1. Peramalan Ekonomi, menjalankan siklus bisnis dengan

memprediksikan tingkat inflasi, ketersediaan uang, dana yang

dibutuhkan untuk membangun perumahan dan indikator

perencanaan lainnya.

2. Peramalan Teknologi memperhatikan tingkat kemajuan

tekhnologi yang dapat meluncurkan produk baru yang menarik,

yang membutuhkan pabrik dan peralatan baru.

3. Peramalan Permintaan, proyeksi permintaan untuk produk atau

layanan suatu perusahaan. Peramalan ini disebut peramalan

penjualan yaitu mengendalikan produksi, kapasitas, serta sistem

penjadwalan dan menjadi input bagi perencanaan keuangan,

pemasaran dan sumber daya manusia.

Peramalan merupakan satu-satunya prediksi atas permintaan hingga

permintaan yang sebenarnya diketahui. Dampak peramalan produk dapat

dilihat pada aktivitas sumber daya manusia, kapasitas, dan manajemen

rantai pasokan (supply chain management).

 15

Peramalan permintaan (forecasting demand) merupakan tingkat

permintaan produk-produk yang diharapkan akan terealisasi untuk jangka

waktu tertentu pada masa yang akan datang. Menurut Render dan Heizer

dkk (2014), terdapat tujuh tahap dasar dalam melakukan peramalan

permintaan.

Dalam menetapkan dapat menggunakan 7 langkah sebagai berikut:

1. Menetapkan tujuan ramalan,

2. Memilih unsur apa yang diramal,

3. Menentukan horizon waktu yang diramal,

4. Mengumpulkan data yang diperlukan untuk melakukan peramalan,

5. Memilih tipe model peramalan,

6. Membuat peramalan,

7. Memvalidasi dan menetapkan hasil peramalan.

2.1.1 Peramalan Dalam Horizon Waktu

Peramalan biasanya diklasifikasikan berdasarkan horizon waktu masa

depan yang dicakupnya. Horizon waktu terbagi kedalam beberapa

kategori, yaitu :

1. Peramalan jangka pendek. Peramalan ini mencakup jangka waktu

hingga 1 tahun tetapi umumnya kurang dari 3 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 bulanan hingga 3 tahun.

Peramalan ini berguna untuk merencanakan penjualan, perencanaan

 16

dan anggaran produksi, anggaran kas, dan menganalisis bermacam-

macam rencana operasi.

3. Peramalan jangka panjang. Umumnya untuk perencanaan masa 3

tahun atau lebih. Peramlan jangka panjang digunakan untuk

merencanakan produk baru, pembelanjaan, modal, lokasi atau

pembangunan fasilitas, serta penelitian dan pengembangan.

2.1.2 Peramalan Permintaan

Peramalan permintaan (Forecasting Demand) merupakan tingkat

permintaan produk –produk yang diharapkan akan terealisasi untuk jangka

waktu tertentu pada masa yang akan datang. Menentukan kuantitas dan

waktu dari kapasitas produksi. Peramalan permintan ini akan jadi masukan

yang penting dalam keputusan perencanaan dan pengendalian perusahaan.

Karena bagian operasional produksi bertanggung jawab terhadap

pembuatan produk yang dibutuhkan konsumen, maka keputusan-

keputusan operasi produksi sangat dipengaruhi hasil dari peramaaln

permintn. Peramalan permintaan ini digunakn untuk meramalkan

permintaan dari produk yang bersifat bebas (tidak tergaantung) seperti

peramalan produk jadi. Berikut pola data metode time series (deret

berkala), terdapat beberapa pola permintaan dalan peramalan, yaitu:

Pola data horizontal (constant), terjadi bilamana data berfluktuasi

disekitar nilai rata-rata yang konstan. Suatu produk yang penjualannya

tidak meningkat atau menurun selama waktu tertentu termasuk jenis ini.

1. Pola musiman (seasonal), terjadi bilamana suatu deret dipengaruhi

oleh faktor musiman (misalnya kuartal tahun tertentu, bulanan, atau

 17

hari-hari pada minggu tertentu). Penjualan dari produk seperti

minuman ringan, es krim, dan bahan bakar pemanas ruang semuanya

menunjukkan jenis pola ini.

2. Pola siklis (cycle), terjadi bilamana datanya dipengaruhi oleh fluktuasi

ekonomi jangka panjang seperti yang berhubungan dengan siklus

bisnis. Contoh: Penjualan produk seperti mobil, baja, dan peralatan

utama lainnya.

3. Pola trend, terjadi bilamana terdapat kenaikan atau penurunan sekuler

jangka panjang dalam data. Contoh: Penjualan banyak perusahaan,

GNP dan berbagai indikator bisnis atau ekonomi lainnya.

2.1.3 Faktor-Faktor Yang Mempengaruhi Peramalan

Permintaan suatu produk pada suatu perusahaan sangat dipengaruhi

oleh berbagai faktor lingkungan yang saling berinteraksi dalam pasar yang

berada di luar kendali perusahaan. Dimana faktor-faktor lingkungan

tersebut juga akan mempengaruhi peramalan. Berikut ini merupakan

faktor lingkungan yang mempengaruhi peramalan:

1. Kondisi umum bisnis dan ekonomi

Penjualn produk akan dipengaruhi oleh permintaan akan produk

tersebut, dan permintaan akan suatu produk akan dipengaruhi oleh

kondisi ekonomi yang membentuk siklus bisnis dengan fase-fase,

inflasi resesi, depresi, dan masa pemulihan.

2. Siklus hidup produk

Siklus hidup produk biasanya mengikuti pola yang biasa disebut kurva

S. Kurva S menggambarkan besarnya permintaan terhadap waktu,

 18

dimana siklus hidupsuatu produk yang dibagi menjadi fase

pengenalan, fase pertumbuhan, fase kematangan, dan akhirnya fase

penurunan untuk menjaga kelangsungan usaha, maka perlu dilakukan

inovasi produk pada saat yang tepat.

a. Reaksi dan tindakan pesaing

b. Gaya dan mode

c. Perubahan permintaan

2.1.4 Metode Peramalan Permintaan

Banyak jenis metode peramalan yang tersedia untuk digunakan,

namun yang lebih penting adalah bagaimana memahami karakteristik

suatu metode peramalan agar cocok untuk diterapkan pada kasus yang

diteliti berdasarkan data–data yang telah terjadi sebelumnya. Secara umum

metode peramalan dapat dibagi dalam dua ketegori utama, yaitu metode

kuantitatif dan metode kualitatif.

Metode kuantitatif dapat dibagi ke dalam deret berkala atau kurun

waktu (time series) dan metode kausal, sedangkan metode kualitatif dapat

dibagi menjadi metode eksploratoris dan normative. Metode kuantitatif

sangat beragam dan setiap teknik memiliki sifat, ketepatan dan biaya

tertentu yang harus dipertimbangkan dalam memilih metode tertentu.

Untuk menggunakan metode kuantitatif terdapat tiga kondisi yang harus

dipenuhi, yaitu:

1. Tersedia informasi tentang masa lalu,

2. Informasi tersebut dapat dikuantitatifkan dalam bentuk numeric, dan

 19

3. Diasumsikan bahwa beberapa pola masa lalu akan terus berlanjut.

Salah satu cara untuk mengklasifikasikan permasalahan pada

peramalan adalah mempertimbangkan skala waktu peramalannya yaitu

seberapa jauh rentang waktu data yang ada untuk diramalkan. Terdapat

tiga kategori waktu yaitu jangka pendek (minggu @ bulan), menengah

(bulan @ tahun), dan jangka panjang (tahun @ dekade). Tabel berikut ini

menunjukkan tipe-tipe keputusan berdasarkan jangka waktu

peramalannya.

Untuk melakukan peramalan diperlukan metode tertentu dan metode

mana yang digunakan tergantung dari data dan informasi yang akan

diramal serta tujuan yang hendak dicapai. Dalam prakteknya terdapat

berbagai metode peramalan antara lain :

1. Time Series atau Deret Waktu

2. Causal Methods atau sebab akibat

2.1.5 Metode Peramalan Permintaan Time Series

Analisa deret waktu didasarkan pada asumsi bahwa deret waktu tersebut

terdiri dari komponen trend/kecenderungan (T) Siklus/cycle(C), Pola

Musiman/Season (S) dan variasi acak/random(R) yang akan menunjukan

suatu pola tertentu. Penjelasan komponen–komponen tersebut adalah

sebagai berikut:

1. Trend (T) merupakan sifat dari permintaan masa lalu terhadap waktu

terjadinya apakah permintaan tersebut cenderung naik, turun atau

konstan.
 20

2. Cycle (C) merupakan sifat dari permintaan dalam satu periode apakah

mengalami permintaan dengan jumlah yang sama atau tidak.

3. Season (S) merupakan Fluktuasi permintaan suatu produk yang dapat

mengalami kenaikan atau penurunan pada saat-saat musim tertentu.

Pola ini biasanya disebabkan oleh factor cuaca, musim libur panjang,

hari raya keagamaan yang akan berulang secara periodic tiap tahunnya.

4. Random (R) permintaan suatu produk dapat berubah secara tiba-tiba

yang disebabkan oleh faktor tertentu. Contoh bencana alam, promosi

khusus perusahaan pesaing, dimana faktor-faktor ini tidak dapat

diperkirakan dan tidak mempunyai pola tertentu.

Dalam metode time series ada beberapa teknik yang biasa digunakan

tergantung pola permintaan yang terjadi. Dibawah ini merupakan

penjelasannya:

1. Metode Naive (NAIF)

Teknik peramalan yang mengasumsikan permintaan periode berikutnya

sama dengan permintaan pada periode terakhir. Metode naif

digambarkan secara matematis berikut :

Permintaan periode mendatang = permintaan periode terakhir

2. Moving Average

Peramalan moving average (rataan bergerak) menggunakan sejumlah

data aktual masa lalu untuk menghasilkan peramalan.

𝐴𝑡+𝐴𝑡−1+⋯+𝐴𝑡−(𝑁−1)
MA = 𝑁
 21

keterangan:

At = Permintaan aktual pada periode t

N = Jumlah data permintaan yang dilibatkan dalam perhitungan.

a. Weighted Moving Average

Saat terdapat tren atau pola yang terdeteksi, bobot dapat

digunakan untuk menempatkan penekanan yang lebih pada nilai

terkini. Moving average dengan pembobotan disebut juga

Weighted Moving Average. Weighted Moving Average dapat

digambarkan secara matematik sebagai berikut:

WMA = ∑ Wt- Et

keterangan:

Wt = bobot permintaan aktual pada periode t

At = permintaan aktual pada periode t

b. Exponential Smoothing

Exponential smoothing (penghalusan eksponensial) merupakan

metode peramalan rataan bergerak dengan pembobotan di mana

titik-titik data dibobotkan oleh fungsi eksponensial. Single

Exponential Smoothing dapat digambarkan secara matematis

berikut:

Ft = Ft-1 + α (At-1 -Ft-1 )

 22

keterangan:

Ft =peramalan baru

Ft-1= peramalan sebelumnya

α= konstanta penghalusan (0 ≤ α ≤ 1)

At-1 = permintaan aktual periode lalu.

Single Exponential Smoothing yang telah disesuaikan

dengan adanya tren disebut Double Exponential Smoothing.

Double Exponential Smoothing dapat digambarkan secara

matematis sebagai berikut:

F(0) = F1 (0) = A(1)

F(t) = α A(t) + (1 -α ) F(t -1)

1F(t) = α F(t) + (1 -α ) F1 (t -1)

f(t + τ ) = F1 (t)

keterangan:

Ft = peramalan Double Exponential Smoothing pada periode t

At = peramalan Single Exponential Smoothing pada periode t

Ft-1 = peramalan Double Exponential Smoothing pada periode t-1

α = konstanta penghalusan (0 ≤ α ≤ 1)
 23

2.1.6 Ukuran Akurasi Hasil Peramalan

Ukuran akurasi hasil peramalan yang merupakan ukuran tentang

tingkat perbedaan atau kesalahan hasil peramalan dengan permintaan yang

sebenarnya terjadi. Ada 4 ukuran yang biasa digunakan, yaitu:

1. Rata–rata deviasi mutlak (Mean Absolute Deviation = MAD)

Mean Absolute Deviation (MAD) merupakan rata –rata

kesalahan mutlak selama periode tertentu tanpa memperhatikan

apakah hasil peramalan lebih besar atau lebih kecil jika

dibandingkan dengan kenyataannya. Secara sistematis, MAD

dirumuskan sebagai berikut :

𝐴𝑡−𝐹𝑡
MAD = ∑ 𝑛

keterangan:

At = Permintaan aktual pada periode t

Ft = Peramalan permintaan pada periode t

n = Jumlah periode peramalan yang terlibat

2. Rata-rata kuadrat kesalahan (Mean Square Error = MSE)

Mean Square Error ( MSE ) dihitung dengan menjumlahkan

kuadrat semua kesalahan peramalan pada setiap periode dan

membaginya dengan jumlah periode peramalan. Secara matematis,

MSE dirumuskan sebagai berikut :

(𝐴𝑡−𝐹𝑡)²
MSE = ∑ 𝑛
 24

keterangan:

At = Permintaan aktual pada periode t

Ft = Peramalan permintaan pada periode t

n= Jumlah periode peramalan yang terlibat

3. Rata–rata kesalahan peramalan (Mean Forecast Error = MFE)

Mean Forecast Error (MFE) sangat efektif untuk

mengetahui apakah suatu hasil peramalan selama periode tertentu

terlalu tinggi atau rendah. Bila hasil peramalan tidak bias, maka nilai

MFE akan mendekati not. MSE dihitung dengan menjumlahkan

semua kesalahan peramalan selama periode peramalan dan

membaginya dengan jumlah periode peramalan. Secara sistematis

dirumuskan sebagai berikut :

𝐴𝑡−𝐹𝑡
MFE = ∑ 𝑛

keterangan:

At = Permintaan aktual pada periode t

Ft = Peramalan permintaan pada periode t

n = Jumlah periode peramalan yang terlibat

4. Rata–rata persentase kesalahan mutlak (Mean Absolute

Percentage Error = MAPE)

Merupakan ukuran kesalahan relatif. MAPE biasanya lebih

berarti dibandingkan MAD karena MAPE menyatakan persentase

 25

kesalahan hasil peramalan terhadap permintaan aktual selama

periode tertentu yang akan memberikan informasi persentase

kesalahan telalu tinggi atau rendah. Secara sistematis dirumuskan

sebagai berikut :

100 𝐹𝑡
MAPE = ( ) ∑ |𝐴𝑡 − 𝐴𝑡 |
𝑛

keterangan:

At = Permintaan aktual pada periode t

Ft = Peramalan permintaan pada periode t

n = Jumlah periode peramalan yang terlibat

2.1.7 Sifat Hasil Peramalan

Menurut (adieb, 2021)Dalam membuat peramalan atau menerapkan

suatu peramalan maka ada beberapa hal yang harus dipertimbangkan yaitu

1. Peramalan pasti mengandung kesalahan, artinya peramal hanya bisa

mengurangi ketidakpastian yang akan terjadi, tetapi tidak dapat

menghilangkan ketidakpastian tersebut.

2. Peramalan seharusnya memberikan informasi tentang beberapa ukuran

kesalahan, artinya karena peramalan pasti mengandung kesalahan.

 BAB III
PENGUMPULAN DAN PENGOLAHAN DATA

3.1 Pengumpulan Data

Pengumpulan data berisi data dari lapangan yang akan digunakan untuk

mengetahui jumlah produksi di bulan yang akan datang

3.1.1 Data Aktual

Tabel 3. 1 Data Aktual

PERIODE AKTUAL
MEI 690
JUNI 657
JULI 681
AGUSTUS 556
SEPTEMBER 661
OKTOBER 577
NOVEMBER 599
DESEMBER 645
JANUARI 559
FEBRUARI 599
MARET 681
APRIL 628

3.1.2 Tujuan Peramalan

Tujuan dari peramalan yaitu :

1. untuk mengetahui produksi di bulan yang akan dating

2. untuk menentukan JIP dari bulan mei 2022 sampai bulan April 2023

3. untuk menentukan nilai production rate dari bulan mei 2022 sampai

bulan April 2023

26
3.1.3 Identifikasi Pola Data

Diketahui dari data aktual jeniss pola data adalah pola data horizontal

maka metode yang digunakan dalam pengolahan data adalah metode 3

MA, 4 WMA dan Exponential Smoothing dengan nilai α = 0,8

3.1.4 Harga Barang Per Unit

No Alat Harga Jumlah Harga

Satuan

1 Besi Holo 2 x 2 cm (6m) 81.000 2 162.000

2 Besi Holo 2 X4 cm (6m) 145.000 1 145.000
3 Multiplek tebal 12 mm 95.000 1 95000
4 Multiplek Tabel 5 mm 75.000 2 15000
5 Double Track 30 cm 47.500 2 95000
6 Karet kaki meja 2x2 1.100 4 4.400
7 Baut scrup tapping 2.000 22 44.000
(8x30mm)
8 Kertas HPL 122 x 244 13.000 6 78.000
cm
TOTAL 638.400

27
3.2 Pengolahan Data
Pola data yang digunakan adalah jenis data horizontal sehingga metode

perhitungan yang digunakan adalah 3 MA,4 WMA dan SES

3.2.1 Perhitungan Forecast By 3 Moving Average

Gambar 3. 1 Perhitungan forecast by 3 MA

3.2.1.1 Perhitungan Forecast Error

Gambar 3. 2 Perhitungan Forecast Error 3 MA

28
3.2.1.2 Perhitungan ABS Error

Gambar 3. 3 Perhitungan ABS Error

3.2.1.3 Perhitungan MAD

Gambar 3. 4 Perhitungan MAD 3 MA

29
3.2.1.4 Perhitungan Menggunakan Ms. Excel dengan Metode Moving
Average

Tabel 3. 2 metode 3MA Ms Excel

FORECAST FORECAST
BULAN AKTUAL ABS ERROR MAD
BY 3 MA ERROR

MEI 690
JUNI 657
JULI 681
AGUSTUS 556 676 -120 120 120.0
SEPTEMBER 661 631.3 29.7 29.66666667 74.8
OKTOBER 577 632.7 -55.7 55.66666667 68.4
NOVEMBER 599 598.0 1 1 51.6
DESEMBER 645 612.3 32.7 32.66666667 47.8
JANUARI 559 607 -48 48 47.8
FEBRUARI 599 601 -2 2 41.3
MARET 681 601 80 80 46.1
APRIL 628 613 15 15 42.7

30
3.2.2 Perhitungan Forecast by 4 WMA

Gambar 3. 5 Perhitungan Forecast by 4 WMA

3.2.2.1 Perhitungan Forecast Error

Gambar 3. 6 Perhitungan Forecast Error

31
3.2.2.2 Perhitungan ABS Error

Gambar 3. 7 Perhitungan ABS Error

3.2.2.3 Perhitungan MAD

Gambar 3. 8 Perhitungan MAD by 4 WMA

32
3.2.2.4 Perhitungan Menggunakan Metode Ms. Excel Dengan Metode
Weight Moving Average
Tabel 3. 3 metode 4 WMA Ms Excel

FORCAST BY 4 FORECAST ABS

BULAN AKTUAL MAD
WMA ERROR ERROR

MEI 690
JUNI 657
JULI 681
AGUSTUS 556
SEPTEMBER 661 627.1 33.9 33.9 33.9
OKTOBER 577 633.1 -56.1 56.1 45
NOVEMBER 599 608.4 -9.4 9.4 33.1
DESEMBER 645 600.5 44.5 44.5 36.0
JANUARI 559 619.2 -60.2 60.2 40.8
FEBRUARI 599 594.6 4.4 4.4 34.8
MARET 681 596.2 84.8 84.8 41.9
APRIL 628 628.4 -0.4 0.4 36.7

3.2.3 Perhitungan Forecast by SES

Gambar 3. 9 Perhitungan Forecast by SES

33
3.2.3.1 Perhitungan Forecast Error

Gambar 3. 10 Perhitungan Forecast Error

3.2.3.2 Perhitungan ABS Error

Gambar 3. 11 Perhitungan ABS Error

34
3.2.3.3 Perhitungan MAD

Gambar 3. 12 Perhitungan MAD

3.2.3.4 Perhitungan Menggunakan Ms. Excel Dengan Metode Simple

Exponential Smoothing (SES)

Tabel 3. 4 Metode SES Menggunakan Ms Excel

FORCAST FORECAST
BULAN AKTUAL ABS ERROR MAD
BY SES ERROR
MEI 690
JUNI 657 690 -33 33 33
JULI 681 663.6 17.4 17.4 25.2
AGUSTUS 556 677.52 -121.52 121.52 57.30666667
SEPTEMBER 661 580.304 80.696 80.696 63.154
OKTOBER 577 644.8608 -67.8608 67.8608 64.09536
NOVEMBER 599 590.57216 8.42784 8.42784 54.81744
DESEMBER 645 597.314432 47.685568 47.685568 53.79860114
JANUARI 559 635.4628864 -76.4628864 76.4628864 56.6316368
FEBRUARI 599 574.2925773 24.70742272 24.70742272 53.0845019
MARET 681 594.0585155 86.94148454 86.94148454 56.47020017
APRIL 628 663.6117031 35.61170309 35.61170309 54.57397316

35
3.2.4 Perhitungan Menggunakan QM FOR WINDOWS dengan Metode
Moving Average
3.2.4.1 Perhitungan Data Aktual Forecast By 3 MA

Gambar 3. 13 Perhitungan data aktual forecast by 3 MA menggunakan QM FOR WINDOWS

3.2.4.2 Hasil Perhitungan Data Setelah di Solve

Gambar 3. 14 Input data aktual

36
3.2.4.3 Hasil Forecasting Results 3MA

Gambar 3. 15 Hasil forcasting Results 3MA QM for windows

3.2.4.4 Hasil Details and Error Analysis 3 MA

Gambar 3. 16Hasil Details and Error Analysis 3 MA menggunakan QM

37
3.2.4.5 Hasil Tracking Signal 3 MA

Gambar 3. 17 Hasil Tracking Signal 3 MA menggunakan QM

3.2.4.6 Hasil Graph 3 MA

Gambar 3. 18 Hasil Graph 3 MA menggunakan QM

38
3.2.5 Menggunakan QM FOR WINDOWS dengan Metode Weight Moving
Average
3.2.5.1 Perhitungan Data Aktual Forecast By 4 WMA

Gambar 3. 19 Perhitungan Data Aktual Forecast By 4 WMA

3.2.5.2 Hasil Perhitungan Setelah Di Solve

Gambar 3. 20 Hasil Perhitungan Setelah Di Solve

39
3.2.5.3 Hasil Forecasting Results 4 WMA

Gambar 3. 21 Hasil Forecasting Results 4 WMA

3.2.5.4 Hasil Details And Error Analysis 4 WMA

Gambar 3. 22 Hasil Details And Error Analysis 4 WMA

40
3.2.5.5 Hasil Tracking Signal 4 WMA

Gambar 3. 23 Hasil Tracking Signal 4 WMA

3.2.5.6 Hasil Graph 4 WMA

Gambar 3. 24 Hasil Graph 4 WMA

41
3.2.6 Menggunakan Qm For Windows dengan Metode Simple Exponential
Smoothing
3.2.6.1 Perhitungan Data Aktual Forecast By SES

Gambar 3. 25 Perhitungan Data Aktual Forecast By SES

3.2.6.2 Hasil Perhitungan Forecast Setelah Di Solve

Gambar 3. 26 Hasil Perhitungan Forecast Setelah Di Solve

42
3.2.6.3 Hasil Forecasting Results

Gambar 3. 27 Hasil Forecasting Results

3.2.6.4 Hasil Details And Error Analysis

Gambar 3. 28 Hasil Details And Error Analysis

43
3.2.6.5 Hasil Error As A Function Of Alpha

Gambar 3. 29 Hasil Error As A Function Of Alpha

3.2.6.6 Hasil Tracking Signal

Gambar 3. 30 Hasil Tracking Signal

44
3.2.6.7 Hasil Graph by SES

Gambar 3. 31 Hasil Graph by SES

3.2.7 Perhitungan Ongkos Produksi Per Unit

Tabel 3. 5 Perhitungan Ongkos Produksi Per Unit

No Alat Harga Jumlah Harga

Satuan
1 Besi Holo 2 x 2 cm (6m) 81.000 2 162.000
2 Besi Holo 2 X4 cm (6m) 145.000 1 145.000
3 Multiplek tebal 12 mm 95.000 1 95000
4 Multiplek Tabel 5 mm 75.000 2 15000
5 Double Track 30 cm 47.500 2 95000
6 Karet kaki meja 2x2 1.100 4 4.400
7 Baut scrup tapping 2.000 22 44.000
(8x30mm)
8 Kertas HPL 122 x 244 13.000 6 78.000
cm
TOTAL 638.400

45
3.2.8 Penyusunan JIP Untuk 12 Periode Kedepan

Tabel 3. 6 Penyusunan JIP Untuk 12 Periode Kedepan

BULAN AKTUAL JIP

MEI 690 690

JUNI 657 690
JULI 681 664
AGUSTUS 556 678
SEPTEMBER 661 580
OKTOBER 577 645
NOVEMBER 599 591
DESEMBER 645 597
JANUARI 559 635
FEBRUARI 599 574
MARET 681 594
APRIL 628 664

3.2.9 Perhitungan Produksi Rate Bulanan

Tabel 3. 7 Perhitungan Produksi Rate Bulanan

BULAN AKTUAL JIP Per Unit (Rp) Hasil (Rp)

MEI 690 690 638400 440496000

JUNI 657 690 638400 440496000
JULI 681 664 638400 423897600
AGUSTUS 556 678 638400 432835200
SEPTEMBER 661 580 638400 370272000
OKTOBER 577 645 638400 411768000
NOVEMBER 599 591 638400 377294400
DESEMBER 645 597 638400 381124800
JANUARI 559 635 638400 405384000
FEBRUARI 599 574 638400 366441600
MARET 681 594 638400 379209600
APRIL 628 664 638400 423897600
Total 4853116800

46
 BAB IV
ANALISIS
Pelamalan yang berdasarkan metode kuantitatif yaitu metode 3MA karena pola

data yang di hasilkan adalah pola data musiman

Pelamalan yang berdasarkan metode kualitatif yaitu metode 4WMA karena pola

data yang di hasilkan adalah pola data ketersediaan

Dalam peramalan jadwal induk produksi,sebelum melakukan percobaan harus

mengetahui data hasil sebelum melakukan produksi, lalu jika sudah mendapatkan

data hasil sebelum produksi, kita masukkan data sebelum melakukan produksi ke

kedalam beberapa metode peramalan yang sudah di ketahui yaitu dengan metode :

1. Metode Weight Moving Average

2. Metode Moving Average

3. Simple Exponential Smooting

Dari metode di atas lalu kita lakukan dengan menggunakan Ms. Excel dan QM FOR

WINDOWS agar dapat mengetahui nilai MAD yang terkecil dan nilai MAD yang

di dapat yaitu dengan menggunakan metode Weight Moving Average

Setelah melakukan uji coba maka nilai MAD dapat di jadikan forecast untuk jadwal

induk produksi (JIP), dari data JIP dapat digunakan untuk menghitung production

rate bulanan.

47
 BAB V
KESIMPULAN DAN SARAN
5.1 Kesimpulan

Pola data di atas tidak bisa menetap setiap bulannya untuk rencana produksi

perbulannya dan dapat berubah setiap bulannya tergantung permintaan dari

costumer.

Dalam melakukan suatu perencanaan produksi membutuhkan data peramalan

masa lampau,data yang akan di ramal yaitu data aktual produksi masa lampau

Setelah melakukan tiga metode peramalan makan akan mendapatkan nilai

MAD yang paling kecil yaitu dengan menggunakan metode 4 WMA. Dari

data nilai MAD terkecil dapat dijadikan untuk menghitung production rate

bulanan.

5.2 Saran

Untuk menambah pengembangan perlunya tambahan peralatan computer

dalam laboratorium dan penerapannya dengan sstem yang telah dijalankan

sehingga proses praktikum dapat berjalan dengan optimal

48
 DAFTAR PUSTAKA

adieb, M. (2021, januari 19). Forecasting. Retrieved from sifat hasil peramalan :

https://glints.com/id/lowongan/forecasting-adalah/

purbaningrat, n. (2019, november 19). forecast. Retrieved from latar belakang forecast:

https://www.academia.edu/41131220/LAPORAN_BESAR_PERAMALAN_FORECA

STING_PRAKTIKUM_SISTEM_PRODUKSI

49
LAMPIRAN