Faturrozi 22440410012 Praktikum 1
Faturrozi 22440410012 Praktikum 1
SISTEM PRODUKSI
PERAMALAN (FORECASTING)
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.
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.
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.
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%.
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.
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
13
Gambar 1.3. Tracking Signal metode Linear Regression
14
Gambar 1.5. Tracking Signal metode Moving Average
Gambar 1.6. Proses memasukan data weight metode Weighted Moving Averages
15
Gambar 1.8. Tracking Signal metode Weighted Moving Averages
16
Gambar 1.11. Tracking Signal metode Exponential Smoothing
17