LAPORAN PRAKTIKUM

SISTEM PRODUKSI
PERAMALAN (FORECASTING)

Nama : Faturrozi Tanggal Tutorial : 27 September

NIM : 22440410012 Hari Tutorial : Jumat
Kelas : SJ Tgl. : 4 Oktober
Pengumpulan
Asisten : Yogyakarta, .............. 2023
Kriteria Penilaian (diisi oleh dosen)
Format Laporan : Max (10) Dosen Pengampu
Tujuan & Tugas : Max (10)
Laporan
Kajian Literatur : Max (10)
Input : Max (20)
Output : Max (45)
Kesimpulan, Lampiran : Max (5) (Edit Rusnita, S.T., M.Sc)
& Daftar Pustaka
TOTAL : Max (100)

PROGRAM STUDI TEKNIK INDUSTRI

FAKULTAS TEKNIK
UNIVERSITAS PROKLAMASI 45 YOGYAKARTA
2023
 BAB I
PERAMALAN (FORECASTING)

1.1 Tujuan Tutorial

1. Memahami konsep peramalan time series.
2. Melakukan peramalan menggunakan metode regresi linear, moving average,
weighted moving average, dan exponential smoothing menggunakan software
POM-QM.
3. Menghitung nilai MAD, MSE, dan MAPE dari metode peramalan time series.
4. Menganalisa dari tracking signal suatu metode peramalan.
5. Untuk menentukan metode peramalan terbaik berdasarkan hasil analisa dari
pengolahan data permintaan terdahulu.

1.2 Tugas Tutorial

1. Menghitung peramalan menggunakan metode time series (regresi linear, moving
average, weighted moving average, dan exponential smoothing).
2. Menganalisis tracking signal metode peramalan.
3. Menghitung dan menentukan metode peramalan terbaik berdasaran nilai MAD,
MSE dan MAPE.

1.3 Kajian Literatur

Kajian literatur merupakan ringkasan tentang suatu topik di bidang penelitian
tertentu yang mendukung pengidentifikasian pertanyaan penelitian secara spesifik.
Secara umum, literatur digunakan untuk mengidentifikasi hasil-hasil penelitian
terdahulu, yaitu berbagai temuan yang telah ditemukan atau yang belum ditemukan
terkait dengan fenomena atau situasi khusus yang akan diteliti:

1
 Tabel 1.1. Kajian Literatur
No Judul Metode Hasil Kesimpulan
1 Analisis Menggunakan Memprediksi hasil MAPE
Forecasting metode penjualan dengan metode
demand dengan Linear produk yang peramalan Linear
metode Linier Exponential terlalu besar Exponential
Exponential Smoothing dan kurang Smoothing sebesar
Smoothing (studi akurat dapat 9,21% lebih kecil
pada produk batik mengakibatkan dibandingkan
Fendy, Klaten) biaya dengan MAPE
operasional dari metode
meningkat peramalan yang
sehingga modal dilakukan
yang pengelola Batik
dikeluarkan Fendy sebesar
menjadi kurang 17,5%.
efisien. Oleh
karena itu,
diperlukan
suatu ilmu
yang mampu
memprediksi
penjualan yang
akan datang
dengan melihat
data dimasa
lalu..
2 Analisis Metode yang Hasil penelitian Produksi beras
Forecasting digunakan menunjukkan yang terus
produksi dan untuk bahwa proyeksi meningkat setiap
konsumsi beras di mengolah produksi beras tahunnya tetap
profinsi Sumatra data pada di Propinsi harus diperhatikan
Utara penelitian ini Sumatera Utara serta ditingkatkan

2
 No Judul Metode Hasil Kesimpulan
adalah pada tahun kualitasnya agar
dengan 2020- 2024 ketersediaan beras
metode mengalami mampu memenuhi
Regresi trend positif. kebutuhan
Linier konsumsi
masyarakat.

1.4 Input
Input adalah data, informasi, atau masukan yang dimasukkan ke dalam sistem,
perangkat, atau proses untuk diolah, dianalisis, atau digunakan dalam berbagai
cara.
1.4.1 Data perusahaan
Pada praktikum peramalan kali ini data yang digunakan data penjualan
produk lemari kabinet mulai tahun 2001 sampai tahun 2016. Data
perusahaan selama 16 periode dari tahun 2001 sampai 2016 pada Tabel
1.2 berikut:
Tabel 1.2. Data Perusahaan
Tahun Data permintaan
2001 550
2002 350
2003 250
2004 540
2005 575
2006 400
2007 350
2008 550
2009 750
2010 500
2011 400
2012 650
2013 850
2014 600

3
 Tahun Data permintaan
2015 450
2016 700

1.5 Output
Output dalam praktikum kali ini merupakan hasil dari peramalan
menggunakan metode Time Series.
1.5.1 Perhitungan Peramalan Dengan Linear Regression
Analisis Regresi Linier biasa digunakan untuk melakukan prediksi atau
sebuah peramalan. Pada analisis Regresi Linier, suatu variabel yang
mempengaruhi disebut dengan variabel independen atau bisa disebut
dengan variabel bebas disimbolkan dengan variabel X. Sedangkan untuk
variabel yang dipengaruhi dikenal sebagai variabel dependen, variabel
terikat, disimbolkan dengan variabel Y (Firmansyah, 2021 ). Hasil
Perhitungan Peramalan linear regression pada Tabel 1.3 sebagai berikut:
Tabel 1.3. Hasil Perhitungan Peramalan Linear Regression
Tahun Demand Forecast
2001 550 404
2002 350 421
2003 250 438
2004 540 454
2005 575 471
2006 400 488
2007 350 504
2008 550 521
2009 750 538
2010 500 555
2011 400 571
2012 650 588
2013 850 605
2014 600 621
2015 450 638
2016 700 655

4
 Total 8465 8472
Dari tabel diatas bias disimpulkan bahwa jumlah permintaan 8465
lebih sedikit dari hasil peramalan berjumlah 8472 unit dengan selisih 7
unit.

1.5.2 Perhitungan Peramalan Dengan Moving Average

Metode peramalan Moving Average dilakukan dengan mengambil
sekelompok nilai pengamatan yang kemudian dicari rata-ratanya, lalu
menggunakan rata-rata tersebut sebagai ramalan untuk periode
berikutnya. Istilah rata-rata bergerak digunakan, karena setiap kali data
observasi baru tersedia, maka angka rata-rata yang baru dihitung dan
dipergunakan sebagi ramalan (Pengestu, 2004). Hasil dari Perhitungan
Peramalan moving average pada Tabel 1.4 sebagai berikut:
Tabel 1.4 Hasil Perhitungan Moving Average
Tahun Demand Forecast
2001 550 584
2002 350 567
2003 250 429
2004 540 384
2005 575 380
2006 400 455
2007 350 505
2008 550 442
2009 750 434
2010 500 550
2011 400 600
2012 650 550
2013 850 517
2014 600 634
2015 450 700
2016 700 634
Total 8465 8365
Dari tabel diatas bias disimpulkan bahwa jumlah permintaan 8465
lebih banyak dari hasil peramalan berjumlah 8365 unit dengan selisih
100 unit.

1.5.3 Perhitungan Peramalan Dengan Weighted Moving Average

5
 Menurut Aritonang (2009), Weighted Moving Average (WMA) adalah
rata-rata bergerak yang memiliki bobot. Metode Weighted Moving
Average merupakan metode yang mempunyai teknik pemberian bobot
yang berbeda atas data yang tersedia dengan demikian bahwa data yang
paling akhir adalah data yang paling relevan untuk peramaln sehingga
diberi bobot yang lebih besar. Bobot ditentukan sedemikian rupa
sehingga sehingga jumlah keseluruhan sama dengan satu Hasil
Perhitungan Peramalan weighted moving average pada Tabel 1.5 sebagai
berikut:
Tabel 1.5 Hasil Perhitungan Peramalan Weighted Moving Average
Tahun Demand Forecast
2001 550 600
2002 350 474
2003 250 475
2004 540 334
2005 575 412
2006 400 510
2007 350 482
2008 550 405
2009 750 459
2010 500 617
2011 400 592
2012 650 492
2013 850 542
2014 600 709
2015 450 691
2016 700 567
Total 8465 8361
Dari tabel diatas bias disimpulkan bahwa jumlah permintaan
8465 unit lebih banyak dari hasil peramalan berjumlah 8361 unit
dengan selisih 104 unit.

1.5.4 Perhitungan Peramalan Dengan Exponential Smoothing

Penghalusan eksponensial (exponential smoothing) adalah suatu tipe
teknik peramalan rata-rata bergerak yang melakukan penimbangan
terhadap data masa lalu dengan cara eksponensial sehingga data paling
akhir mempunyai bobot atau timbangan lebih besar dalam rata-rata
bergerak. (Handoko, 1984). Hasil Perhitungan Peramalan Exponential
Smoothing pada Tabel 1.6 sebagai berikut:
6
 Tabel 1.6 Hasil Perhitungan Peramalan Exponential Smoothing
Tahun Demand Forecast
2001 550 626
2002 350 550
2003 250 450
2004 540 350
2005 575 445
2006 400 510
2007 350 455
2008 550 477
2009 750 613
2010 500 557
2011 400 479
2012 650 564
2013 850 707
2014 600 654
2015 450 552
2016 700 550
Total 8465 8539
Dari tabel diatas bisa disimpulkan bahwa jumlah permintaan 8465
unit lebih sedikit dari hasil peramalan berjumlah 8539 unit dengan
selisih 74 unit.

1.5.5 Perhitungan 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 (Reyvan, 2022:01). Hasil Perhitungan
MAD pada Tabel 1.7 sebagai berikut:

7
 Tabel 1.7 Hasil Perhitungan MAD
Metode MAD
Linear Regression 116,563
Moving Average 155,385
Weighted Moving Average 177,436
Exponential Smoothing 169,49
Dari hasil perhitungan MAD dari ke empat metode yang dilakukan
yaitu Linear Regression, Moving Average, Weighted Moving Average
dan Exponential Smoothing diperoleh hasil bahwa metode dengan
nilai MAD terkecil yaitu metode Linear Regression sebesar 116.563.

1.5.6 Perhitungan MSE

Mean Squared Error (MSE) adalah metrik evaluasi yang umum
digunakan dalam statistik dan machine learning untuk mengukur seberapa
akurat sebuah model regresi dalam memprediksi nilai numeric (Nuha,
2023). Hasil Perhitungan MSE pada Tabel 1.8 sebagai berikut:
Tabel 1.8 Hasil Perhitungan MSE
Metode MSE
Linear Regression 18202.37
Moving Average 33330.77
Weighted Moving Average 35644.76
Exponential Smoothing 27933.82
Dari hasil perhitungan MSE dari ke empat metode yang dilakukan
yaitu Linear Regression, Moving Average, Weighted Moving Average
dan Exponential Smoothing diperoleh hasil bahwa metode dengan
nilai MSE terkecil yaitu metode Linear Regression sebesar 18202.37.

1.5.7 Perhitungan MAPE

MAPE (Mean Absolute Percentage Error) adalah merupakan ukuran
kesalahan relatif. MAPE biasanya lebih berarti dibandingkan MAD karena
MAPE menyatakan persentase kesalahan hasil peramalan terhadap
permintaan aktual selama periode tertentu yang akan memberikan
informasi persentase kesalahan terlalu tinggi atau rendah (Nasution dan

8
 Prasetyawan, 2008:35). Hasil perhitungan MAPE pada tabel 1.9 sebagai
berikut.
Tabel 1.9 Hasil Perhitungan MAPE
Metode MAPE
Linear Regression 24,935%
Moving Average 28,317%
Weighted Moving Average 32,283%
Exponential Smoothing 34,788%
Dari hasil perhitungan MAPE dari ke empat metode yang dilakukan
yaitu Linear Regression, Moving Average, Weighted Moving Average dan
Exponential Smoothing diperoleh hasil bahwa metode dengan nilai MAPE
terkecil yaitu metode Linear Regression sebesar 24,935%.

1.5.8 Analisa Hasil peramalan dengan Time Series

Hasil peramalan untuk penjualan lemari kabinet periode mendatang
dapat dilihat pada tabel 1.10 sebagai berikut: Hasil peramalan dengan time
series pada Tabel 1.10 sebagai berikut:
Tabel 1.10 Hasil Peramalan dengan Time Series
Tahun Data Regresi Moving Weighte Exponentia
Linear Averag d l
e Moving Smoothing
Average
2001 550 404 584 600 626
2002 350 421 567 474 550
2003 250 438 429 475 450
2004 540 454 384 334 350
2005 575 471 380 412 445
2006 400 488 455 510 510
2007 350 504 505 482 455
2008 550 521 442 405 477
2009 750 538 434 459 613
2010 500 555 550 617 557
2011 400 571 600 592 479
2012 650 588 550 492 564

9
 Tahun Data Regresi Moving Weighte Exponentia
Linear Averag d l
e Moving Smoothing
Average
2013 850 605 517 542 707
2014 600 621 634 709 654
2015 450 638 700 691 552
2016 700 655 634 567 550
Total 8465 8472 8365 8361 8539
Hasil peramalan dengan time series penjualan lemari kabinet periode
mendatang diketahui dari total jumlah data permintaan 8465 unit jika
dihitung menggunakan empat metode yaitu Linear Regression, Moving
Average, Weighted Moving Average dan Exponential Smoothing memiliki
total perhitungan yang berbeda. Perhitungan menggunakan metode linear
regression total jumlah peramalan yaitu sebesar 8472 unit selisih 7 unit
dari total jumlah data permintaan. Pada perhitungan metode moving
average total perhitungannya berjumlah 8365 unit dengan selisih 100 unit
dari total jumlah data permintaan. Pada perhitungan peramalan
menggunakan metode weighted moving average total berjumlah 8361 unit
dengan selisih 104 unit dari data permintaan. Pada hasil perhitungan
peramalan metode exponential smoothing total berjumlah 8539 unit
dengan selisih 74 unit dari data permintaan.

1.5.9 Analisa Tracking Signal

Hasil regresi linear diketahui peramalan pada tahun 2001, 2004, 2005,
2008, 2009, 2012, 2013 dan 2016 jumlah permintaan lebih banyak
dibanding dari jumlah peramalan. Jumlah permintaan pada tahun tersebut
dengan total sebesar 4615 unit sedangkan jumlah peramalannya yaitu
3341 unit. Pada tahun 2003, 2006, 2007, 2010, 2011, 2014 dan 2015
jumlah permintaan pada tahun tersebut lebih sedikit dari jumlah
peramalan. Jumlah permintaan pada tahun tersebut sebesar 3850 unit
sedangkan jumlah peramalannya yaitu 5024 unit.
Hasil peramalan dengan metode moving average, dapat diketahui
bahwa permintaan dari tahun 2004, 2005, 2008, 2009, 2012, 2013 dan

10
 2016 lebih banyak dibanding dari jumlah peramalan. Dimana jumlah
permintaan pada tahun tersebut dengan total 4099 unit sedangkan jumlah
peramalannya sebesar 2946 unit. Sedangkan jumlah permintaan pada
tahun 2001, 2002, 2003, 2006, 2007, 2010, 2011, 2014 dan 2015 lebih
sedikit dibanding jumlah peramalan. Total jumlah permintaan pada tahun
tersebut sebesar 3850 unit sedangkan jumlah peramalannya yaitu 10024
unit.
Hasil peramalan dengan metode weighted moving average diketahui
bahwa permintaan dari tahun 2004, 2005, 2008, 2009, 2012, 2013 dan
2016 lebih banyak dibanding dari jumlah peramalan. Dimana jumlah
permintaan pada tahun tersebut dengan total 4615 unit sedangkan jumlah
peramalannya sebesar 3211 unit. Sedangkan jumlah permintaan pada
tahun 2001, 2002, 2003, 2006, 2007, 2010, 2011, 2014 dan 2015 lebih
sedikit dibanding jumlah peramalan. Dimana total jumlah permintaan
pada tahun tersebut sebesar 3850 unit sedangkan jumlah peramalannya
yaitu 5150 unit.
Hail peramalan dengan metode exponential smoothing diketahui
peramalan pada tahun 2004, 2005, 2008, 2009, 2012, 2013 dan 2016 lebih
sedikit dibanding jumlah peramalan. Dimana jumlah permintaan pada
tahun tersebut dengan total 4615 unit sedangkan jumlah peramalannya
sebesar 3706 unit. Sedangkan jumlah permintaan pada tahun 2004, 2005,
2008, 2009, 2012 dan 2016 lebih banyak dibanding jumlah peramalan.
Dimana total jumlah permintaan pada tahun tersebut sebesar 3850 unit
sedangkan jumlah peramalannya yaitu 4833 unit.

1.5.10 Analisa Hasil Akurasi Peramalan dengan MAD, MSE, dan MAPE
Akurasi dari masing-masing metode peramalan jika dihitung dengan
MAD, MSE, dan MAPE pada Tabel 1.11 sebagai berikut:
Tabel 1.11 Hasil Akurasi Peramalan
Metode MAD MSE MAPE
Linear Regression 116,563 18202.37 24,935%
Moving Average 155,385 33330.77 28,317%
Weighted Moving 177,436 35644.76 32,283%

11
 Metode MAD MSE MAPE
Average
Exponential 169,49 27933.82 34,788%
Smoothing
Akurasi peramalan dan perhitungan akurasi peramalan yang telah
dilakukan, metode yang terpilih adalah metode yang memiliki nilai
kesalahan terkecil. Dari empat metode yang telah dilakukan, diperoleh
hasil bahwa metode dengan nilai kesalahan terkecil adalah metode
linear regression dengan nilai MAD sebesar 116.563, nilai MSE
18202.37, dan nilai MAPE sebesar 24.90 %.

1.6 Kesimpulan
Dari analisa yang telah dilakukan metode yang terpilih adalah metode yang
memiliki nilai kesalahan terkecil. Dari empat metode yang dilakukan, maka
diperoleh hasil peramalan yang nilai kesalahan terkecil adalah metode linear
regression dengan nilai MAD sebesar 116.563, nilai MSE 18202.37, dan nilai
MAPE sebesar 24.90 %.

Daftar Pustaka
Aritonang, Lerbin R. (2009). Peramalan Bisnis Edisi Kedua. Jakarta :Ghalia
Indonesia.
Eduard, N. Dkk. (2021). Analisis Forecasting produksi dan konsumsi beras di
profinsi Sumatera Utara. Jurnal Darma Agung. Vol 29, (3), hal 370-377.
Firmasnyah , M. A., (2021). Aplikasi Forcasting Penjualan Bahan Bangunan
(Jurnal Mahasiswa Teknik Informatika), 526 - 533.
Handoko, T. Hani. (1984). Dasar-dasar Manajemen Produksi dan Operasi.
Yogyakarta: BPFE UGM Yogyakarta.
Nuha,H., (2023). Mean Squared Error (MSE) dan Penggunaannya
Nita, K. Dkk. (2019). Analisis forecasting demand dengan metode linier
exponential smoothing (studi pada produk batik Fendy, Klaten). Jurnal
Ekonomi & Pendidikan. Vol. 16, (2), hal. 1-9.
Nasution dan Prasetyawan., 2008. Mean Absolute Percentage Error. Vol 35.
Pengestu, S., (2004). Moving Average.

12
Reyvan, M., (2022). Kriteria Jenis Teknik Analisis Data dalam Forecasting. Vol.
01, (13).
Lampiran

Gambar 1.1. Memasukan data Demand dan Time metode Linear Regression

Gambar 1.2. Forecasting Results metode Linear Regression

13
Gambar 1.3. Tracking Signal metode Linear Regression

Gambar 1.4. Forecasting Results metode Moving Average

Gambar 1.5. Moving Average

14
Gambar 1.5. Tracking Signal metode Moving Average

Gambar 1.6. Proses memasukan data weight metode Weighted Moving Averages

Gambar 1.7. Forecasting Results metode Weighted Moving Averages

15
Gambar 1.8. Tracking Signal metode Weighted Moving Averages

Gambar 1.9. Exponential Smoothing

Gambar 1.10. Forecasting Results metode Exponential Smoothing

16
Gambar 1.11. Tracking Signal metode Exponential Smoothing

17