LAPORAN PRAKTIKUM

PERANCANGAN SISTEM INDUSTRI TERPADU I

MODUL PERAMALAN

Disusun Oleh:

Bilal Dzulfiqar F. F (21221049)

Doni Rahman (21221058)

Oni Yunika S (21221133)

Rangga (21221138)

Rasyid Anzain (21221139)

Siti Shoofiyah S (21221159)

Semester 5 / A3

PROGRAM STUDI TEKNIK INDUSTRI

FAKULTAS TEKNIK
UNIVERSITAS SERANG RAYA
2023
 BAB I

PENDAHULUAN

1.1 Latar Belakang

Peramalan adalah proses untuk memperkirakan beberapa kebutuhan di masa
yang akan datang meliputi kebutuhan dalam ukuran kuantitas, kualitas, waktu, dan
lokasi yang dibutuhkan dalam rangka memenuhi permintaan barang. Peramalan
hanya merupakan suatu perkiraan, tetapi dengan mengunakan teknik-teknik
tertentu maka peramalan menjadi lebih sekedar perkiraan. Dalam kegiatan
produksi, peramalan dilakukan untuk menentukan jumlah permintaan terhadap
suatu produk dan merupakan langkah awal dari prosesn perencanaan dan
pengendalian produksi. Peramalan tidak terlalu dibutuhkan dalam kondisi
permintaan pasar yang stabil, karena perubahan permintaannya relatif kecil.
Tetapi peramalan akan sangat dibutuhkan bila kondisi permintaan pasar bersifat
kompleks dan dinamis.

Peramalan merupakan tahapan awal dari keseluruhan perencanaan produksi.

Adanya ketidakpastian dari permintaan konsumen di masa yang akan datang
menyebabkan aktivitas peramalan ini sangat dibutuhkan sebagai input bagi proses
perencanaan produksi. Peramalan adalah penggunaan data masa lalu dari sebuah
variabel atau kumpulan variabel untuk mengestimasi nilainya di masa yang akan
datang. Proses peramalan dilakukan pada level agregat (part family). Apabila data
yang dimiliki adalah item, maka perlu dilakukan agregasi terlebih dahulu.

Peramalan produk untuk produk alat pembuat kopi manual French Press
adalah proses perkiraan atau estimasi berapa banyak unit French Press yang
kemungkinan akan dijual di masa depan. Ini melibatkan pengumpulan dan analisis
data historis, tren pasar, serta faktor-faktor eksternal yang dapat mempengaruhi
permintaan produk tersebut. Dalam konteks pembuatan kopi manual, peramalan
produk French Press dapat membantu produsen kopi untuk membuat keputusan
terkait produksi, persediaan, dan strategi pemasaran. Dengan memahami perilaku
konsumen, tren pasar, dan variabel lainnya, perusahaan dapat mengoptimalkan
operasional mereka untuk menghadapi permintaan yang diantisipasi.

Peramalan produk membantu menghindari kekurangan atau kelebihan stok yang

berlebihan, memastikan ketersediaan produk saat dibutuhkan, dan mendukung
perencanaan bisnis secara keseluruhan. Proses ini dapat melibatkan analisis data
penjualan historis, survei konsumen, studi pasar, dan faktor-faktor lain yang dapat
memengaruhi penjualan produk French press di masa depan.

1.2 Tujuan
Adapun tujuan dari dibuatnya modul peramalan ini yaitu:

1. Mampu memprediksi kebutuhan atau permintaan yang akan

diperlukan dalam proses produksi.
2. Memahami tahapan dalam berbagai metode peramalan.
3. Mampu menentukan metode peramalan yang tepat.

1.3 Manfaat
Manfaat yang didapatkan dalam pembuatan modul ini yaitu:

1. Mahasiswa dapat mengetahui cara memprediksi kebutuhan atau

permintaan yang diperlukan dalam proses produksi.
2. Mahasiswa dapat mengetahui tahapan dalam berbagai metode
peramalan.
3. Mahasiswa dapat mengetahui metode peramalan yang tepat.
 BAB II

OUTPUT

2.1 Deskripsi Pasar dan Data Permintaan

Tabel 2.1 Data Penjualan
Data Penjualan
Periode ke- Tahun
(dalam ribu)
1 2014 154
2 2015 154
3 2016 163
4 2017 162
5 2018 165
6 2019 162
7 2020 160
8 2021 169
9 2022 168
10 2023 175
(Sumber: Pengolahan Data, 2023)

2.2 Pola Data

Pola data atau plotting data merupakan tahapan yang harus dilakukan
sebelum menentukan metode peramalan yang akan digunakan untuk mengetahui
pola data yang terjadi di periode saat itu atau dalam hal ini pada 5 (lima) periode
kedepan. Hasil plotting menunjukkan jumlah penjualan alat pembuat kopi manual
French Press selama tahun 2013 hingga 2023 memiliki kecenderungan pola data
siklis. Pola data siklis adalah fluktuasi seperti gelombang disekitas trend, atau bisa
disebut pola data musiman dalam jangka panjang yang berulang biasanya setiap 5
(lima) sampai 10 (sepuluh) tahun. pola ini terjadi ketika data dipengaruhi fluktuasi
ekonomi jangka panjang dan terjadi setiap beberapa tahun sekali.

Kesimpulannya pola data siklis merupakan pergerakan data yang

membentuk gelombang di sekitar trend, dengan durasi lebih dari 1 (satu) tahun
akibat siklus bisnis atau perubahan ekonomi. Pada data yang penulis miliki
menunjukan bahwa data tersebut termasuk kedalam pola data siklis dengan
gambar yang dapat dilihat dibawah ini

Data Penjualan (dalam ribu)

180
175 175
170 169 168
165 165
163 162 162
160 160 Data Penjualan
155 154 154 (dalam ribu)
150
145
140
1 2 3 4 5 6 7 8 9 10

2.3 Model Konstan

Persamaan garis yang menggambarkan pola konstan adalah

( )

Nilai a dapat dihitung dengan rumus:

∑ ( )

Dimana:

a : Nilai konstan

n : Jumlah periode peramalan

Y(t) : Data ke-t

Penyelesaian:
∑ ( )
2.4 Model Regresi Linier
Persamaan garis yang mendekati bentuk data linier adalah:

( ) ( )

Konstanta dan b ditentukan dari data mentah berdasarkan Kriteria Kuadrat

Terkecil (Least Square Criterion). Dimana nilai b dan a dapat dihitung dengan
rumus berikut:

∑ ( ) ∑ ( )∑ ∑ ( ) ∑
∑ (∑ )

Penyelesaian:

Tabel 2.2 Regresi Linier

Data ke
Y(t) t^2 t*Y(t)
(t)
1 154 1 154
2 154 4 308
3 163 9 489
4 162 16 648
5 165 25 825
6 162 36 972
7 160 49 1120
8 169 64 1352
9 168 81 1512
10 175 100 1750
∑t ∑ Y(t) ∑ (t^2) ∑ t*Y(t)
55 1632 385 9130
(Sumber: Pengolahan Data, 2023)

∑ ( ) ∑ ( )∑
∑ (∑ )
 ( ) ( )
( )

1,87

∑ ( ) ∑

( ) ( )

Maka untuk peramalan 5 tahun ke depan dapat dihitung dengan rumus

( )

Tabel 2.3 Data Linier Untuk 5 Tahun Kedepan

Tahun Periode ke (t) Permintaan

2024 11 173,485

2025 12 175,355

2026 13 177,225

2027 14 179,095

2028 15 180,965

(Sumber: Pengolahan Data, 2023)

2.5 Model Moving Average

2.5.1 Simple Moving Average
Simple Moving Average menggunakan data yang sedang di observasi
ditambah data sebelum observasi. Misalnya menggunakan 5 periode moving
average, maka forecasting menggunakan data periode ke-5 dan 4 data periode
sebelumnya.

Simple Moving Average (SMAt) =

Penyelesaian:

Jika t dimisalkan 3, artinya rata-rata bergerak dalam periode 3 tahunan, maka

peramalan untuk 5 tahun ke depan dapat disajikan dalam tabel berikut:

Tabel 2.4 Data Simple Moving Average

Data
Tahun Permintaan MA(3)
ke (t)
1 2014 154
2 2015 154
3 2016 163
4 2017 162 157
5 2018 165 159,67
6 2019 162 163,33
7 2020 160 163
8 2021 169 162,33
9 2022 168 163,67
10 2023 175 170,67
11 2024 170,67
12 2025 170,67
13 2026 170,67
14 2027 170,67
15 2028 170,67
(Sumber: Pengolahan Data, 2023)

Contoh perhitungan:

MA3 (untuk periode ke 4) =

Sehingga untuk peramalan tahun ke-11 hingga ke-15 dihitung sebagai berikut:

MA3 (untuk periode ke 11 dan seterusnya) =

2.5.2 Centered Moving Average

Perbedaan utama antara Simple Moving Average dan Centered Moving
Average terletak pada pemilihan observasi yang digunakan. “Center”berarti rataan
antara data sekarang dengan menggunakan data sebelumnya dan data sesudahnya.
Misalnya untuk periode 3 moving average, maka SMA menggunakan data periode
3 ditambah data sebelumnya dan data sesudahnya.

( ⁄ ) ( )

Penyelesaian:

Jika t dimisalkan 5, artinya rata-rata bergerak dalam periode 5 (Lima) tahunan,

maka peramalan untuk 5 (Lima) tahun kedepan dapat disajikan dalam tabel
berikut:

Tabel 2.5 Data Centered Moving Average

Data
Tahun Permintaan CMA(5)
ke (t)
1 2014 154
2 2015 154
3 2016 163 159,6
4 2017 162 159,6
5 2018 165 162,4
6 2019 162 163,6
7 2020 160 164,8
8 2021 169 166,8
9 2022 168 166,8
10 2023 175 166,8
11 2024 166,8
 Data
Tahun Permintaan CMA(5)
ke (t)
12 2025 166,8
13 2026 166,8
14 2027 166,8
15 2028 166,8
(Sumber: Pengolahan Data, 2023)

Contoh perhitungan:

MA3 (untuk periode ke 3) =

Sehingga untuk peramalan tahun ke-11 hingga ke-15 dihitung sebagai berikut:

MA3 (untuk periode ke 11) =

2.6 Model Pelicinan Eksponensial (Exponential Smoothing)

Model Exponential Smoothing digunakan untuk peramalan jangka pendek

( )

Keterangan:

Ft + 1 : Ramalan untuk periode berikutnya

Dt : Demand actual pada periode t

Ft : Peramalan yang ditentukan sebelumnya untuk periode t

α : Faktor bobot, α besar, smoothing yang dilakukan kecil dan sebaliknya

Penetapan nilai konstanta memiliki andil yang penting dalam menghasilkan hasil
ramalan yang valid.
Penyelesaian:
( )

Berikut perhitungan peramalan dengan α sebesar 0,2

Tabel 2.6 Data Exponential Smoothing

Data
Tahun Permintaan CMA(5)
ke (t)
1 2014 154
2 2015 154 154
3 2016 163 154
4 2017 162 286,4
5 2018 165 261,52
6 2019 162 242,22
7 2020 160 226,17
8 2021 169 212,94
9 2022 168 204,15
10 2023 175 196,92
11 2024 196,92
12 2025 196,92
13 2026 196,92
14 2027 196,92
15 2028 196,92
(Sumber: Pengolahan Data, 2023)

Contoh perhitungan:

( )

( ) ( )
2.7 CFE, MAD, dan Tracking Signal
Mean Absolute Deviation (MAD)
∑ ( ) ( )

Tracking Signal

( )

Dimana CFE adalah Cumulative Forecast Error dengan rumus

( ) ( )
Berikut adalah hasil perhitungan untuk setiap data menggunakan rumus CFE,
MAD, dan Tracking Signal

Metode Konstan
Data ke (t) Tahun Permintaan Forecast FE CFE MAD
1 2014 154 163.2 -9.2 -9.2 9.2
2 2015 154 163.2 -9.2 -18.4 4.6
3 2016 163 163.2 -0.2 -18.6 0.066666667
4 2017 162 163.2 -1.2 -19.8 0.3
5 2018 165 163.2 1.8 -18 0.36
6 2019 162 163.2 -1.2 -19.2 0.2
7 2020 160 163.2 -3.2 -22.4 0.457142857
8 2021 169 163.2 5.8 -16.6 0.725
9 2022 168 163.2 4.8 -11.8 0.533333333
10 2023 175 163.2 11.8 1.13687E-13 1.18
CFE -1.54E+01
MAD 1.76E+00
TS -8.74
 Metode Regresi Linier
Data ke
Tahun Permintaan Forecast FE CFE MAD
(t)
-
1 2014 154 154.785 -0.785 0.785
0.785
-
2 2015 154 156.655 -3.44 1.3275
2.655
3 2016 163 158.525 4.475 1.035 1.491666667
4 2017 162 160.395 1.605 2.64 0.40125
5 2018 165 162.265 2.735 5.375 0.547
-
6 2019 162 164.135 3.24 0.355833333
2.135
-
7 2020 160 166.005 -2.765 0.857857143
6.005
8 2021 169 167.875 1.125 -1.64 0.140625
-
9 2022 168 169.745 -3.385 0.193888889
1.745
10 2023 175 171.615 3.385 2.84217E-14 0.3385
CFE 2.75E-02
MAD 6.44E-01
TS 0.04

Metode Simple MA
Data ke (t) Tahun Permintaan Forecast FE CFE MAD
1 2014 154 154 154 154
2 2015 154 154 308 77
3 2016 163 163 471 54.33333333
4 2017 162 157 5 476 1.25
5 2018 165 159.67 5.33 481.33 1.066
-
6 2019 162 163.33 480 0.221666667
1.33
7 2020 160 163 -3 477 0.428571429
8 2021 169 162.33 6.67 483.67 0.83375
9 2022 168 163.67 4.33 488 0.481111111
10 2023 175 170.67 4.33 492.33 0.433
CFE 4.31E+02
MAD 2.90E+01
TS 1.49E+01
 Metode Centered MA
Data ke (t) Tahun Permintaan Forecast FE CFE MAD
1 2014 154 154 154 154
2 2015 154 154 308 77
3 2016 163 159.6 3.4 311.4 1.133333333
4 2017 162 159.6 2.4 313.8 0.6
5 2018 165 162.4 2.6 316.4 0.52
-
6 2019 162 163.6 314.8 0.266666667
1.6
-
7 2020 160 164.8 310 0.685714286
4.8
8 2021 169 166.8 2.2 312.2 0.275
9 2022 168 166.8 1.2 313.4 0.133333333
10 2023 175 166.8 8.2 321.6 0.82
CFE 2.98E+02
MAD 2.35E+01
TS 1.26E+01

Metode Eksponential Smoothing

Data ke (t) Tahun Permintaan Forecast FE CFE MAD
1 2014 154 154 154 154
2 2015 154 154 0 154 0
3 2016 163 154 9 163 3
-
4 2017 162 286.4 38.6 31.1
124.4
-
5 2018 165 261.52 -57.92 19.304
96.52
-
6 2019 162 242.22 -138.14 13.37
80.22
-
7 2020 160 226.17 -204.31 9.452857143
66.17
-
8 2021 169 212.94 -248.25 5.4925
43.94
-
9 2022 168 204.15 -284.4 4.016666667
36.15
-
10 2023 175 196.92 -306.32 2.192
21.92
CFE -7.30E+01
MAD 2.42E+01
TS -3.02E+00
2.8 Kesimpulan
Peramalan adalah proses untuk memperkirakan beberapa kebutuhan di masa
yang akan datang meliputi kebutuhan dalam ukuran kuantitas, kualitas, waktu, dan
lokasi yang dibutuhkan dalam rangka memenuhi permintaan barang. Peramalan
produk untuk produk alat pembuat kopi manual French Press adalah proses
perkiraan atau estimasi berapa banyak unit French Press yang kemungkinan akan
dijual di masa depan. Ini melibatkan pengumpulan dan analisis data historis, tren
pasar, serta faktor-faktor eksternal yang dapat mempengaruhi permintaan produk
tersebut. Dalam konteks pembuatan kopi manual, peramalan produk French Press
dapat membantu produsen kopi untuk membuat keputusan terkait produksi,
persediaan, dan strategi pemasaran. Dengan memahami perilaku konsumen, tren
pasar, dan variabel lainnya, perusahaan dapat mengoptimalkan operasional
mereka untuk menghadapi permintaan yang diantisipasi.

Dari hasil pengolahan data yang penulis lakukan, data yang penulis miliki
menghasilkan pola data siklis dimana pola data tersebut mengalami fluktuasi
seperti gelombang disekitar trend, atau bisa disebut pola data musiman dalam
jangka panjang yang berulang biasanya setiap 5 (lima) sampai 10 (sepuluh) tahun.
Pola ini terjadi ketika data dipengaruhi fluktuasi ekonomi jangka panjang dan
terjadi setiap beberapa tahun sekali. Sedangkan dari hasil perhitungan
menggunakan rumus CFE, MAD, dan Tracking Signal untuk seluruh metode
peramalan yang digunakan menghasilkan kesimpulan bahwa metode paling baik
untuk meramalkan penjualan dari produk alat pembuat kopi manual French Press
yaitu metode regresi linier karena hasil dari perhitungan nilai MAD dan Tracking
signal yang paling mendekati nilai nol dibandingkan metode lainnya, atau bisa
dibilang semakin kecil nilai peramalan semakin mendekati kenyataan.