Anda di halaman 1dari 16

Program Studi Teknik Industri Fakultas Teknologi Industri Institut Teknologi Bandung 2011

Modul V Peramalan Permintaan Pasar 2011 TI 3104 Perancangan Teknik Industri

MODUL V PERAMALAN PERMINTAAN PASAR

I.

TUJUAN

I.1. Tujuan Umum


Secara umum, dari praktikum ini praktikan diharapkan: 1. Memahami dan mampu menggunakan kriteria pemilihan metode peramalan permintaan pasar. 2. Memahami dan mampu menggunakan metode-metode peramalan untuk memprediksi permintaan pasar. 3. Memahami dan mampu mengevaluasi performansi metode peramalan permintaan pasar. 4. Mampu menginterpretasikan hasil peramalan permintaan pasar.

I.2.

Tujuan Khusus

Secara khusus, dari praktikum ini praktikan diharapkan: 1. Memahami dan mampu membuat peramalan permintaan pasar sebagai dasar perencanaan produksi dengan benar. 2. Memahami dan mampu menginterpretasikan hasil peramalan dengan benar. 3. Mampu menggunakan alat bantu komputer untuk melakukan peramalan permintaan pasar sebagai dasar perencanaan produksi.

II.

PENGANTAR PRAKTIKUM

II.1. Pendahuluan
Peramalan merupakan aktivitas pertama dalam penentuan jadwal produksi di masa depan. Peramalan memprediksi jumlah permintaan pasar akan sebuah produk yang kemudian digunakan sebagai dasar untuk menentukan target volume produksi. Ide yang mendasari setiap metode peramalan adalah penggunaan data atau fakta di masa lalu untuk memprediksikan kondisi di masa yang akan datang. Berdasarkan karakteristik data yang digunakan, secara garis besar metode peramalan dikelompokkan menjadi dua, yaitu Metode Peramalan Kualitatif dan Metode Peramalan Kuantitatif.

II.2. Metode Peramalan Kualitatif


Metode ini digunakan jika data masa lalu tidak tersedia secara memadai. Metode ini mengombinasikan informasi dengan pengalaman, penilaian, dan intuisi untuk menghasilkan polapola dan hubungan yang mungkin dapat diterapkan dalam memprediksi masa yang akan datang. Metode kualitatif didasarkan atas pendekatan akal sehat (common sense) dalam menyaring informasi ke dalam bentuk yang bermanfaat.

Laboratorium Perencanaan & Optimasi Sistem Industri

Modul V Peramalan Permintaan Pasar 2011 TI 3104 Perancangan Teknik Industri Beberapa metode peramalan kualitatif yang sering digunakan untuk memprediksi permintaan pasar adalah: Executive Consensus, Sales Force Estimate, Market Research, Historical Analogy, Delphi Method, Sales and Operation Planning, dan Collaborative Planning, Forecasting And Replenishment (CPFR).
Tabel 1. Perbandingan Berbagai Metode Peramalan Kualitatif
METODE Executive consensus Sales force estimates Market research Historical analogy KEGUNAAN UTAMA Penentuan tujuan keseluruhan dari proyek Perencanaan tahunan Produk baru Produk baru bisnis KELEBIHAN Diterima oleh management top KEKURANGAN Mungkin bersifat optimistik; kurang detail pendukung Optimistik atau konservatif; tergantung pada ukuran Sulit untuk dikonstruksi, sangat mungkin kurang valid Sulit mencocokan sebuah produk dengan produk lainnya Hasil akhir bervariasi dan tidak jelas Sangat mungkin dipengaruhi oleh kepribadian yang kuat Sangat mungkin dibatasi oleh sedikitnya penyingkapan daripada penyingkapan penuh

Memberikan input dari pasar Memberikan input dari pasar (pelanggan) Memberikan peramalan untuk keseluruhan siklus hidup produk Memanfaatkan para ahli untuk persiapan Mendapatkan kesepakatan dan identifikasi kegiatan Memasukkan input dari pelanggan dan supplier

Delphi method Sales & Operations Planning (S&OP) Collaborative Planning, Forecasting and eplenishment (CPFR)

Perencanaan aspek teknis Perencanaan produksi dan inventori jangka pendek Perencanaan produksi dan inventori jangka menengah

a. Executive Consensus Dengan metode ini, eksekutif utama perusahaan mencapai konsensus tentang nilai penjualan, pendapatan atau nilai keseluruhan (overall) lainnya. Biasanya nilai tersebut merupakan ukuran yang kasar dengan data pendukung rinci yang terbatas. Akan tetapi, pengalaman dan pemahaman para eksekutif dapat membuat peramalan mereka dapat dipercaya. Dalam penggunaan metode peramalan secara umum, perbedaan antara peramalan (apa yang kita pikir akan terjadi) dan target (apa yang kita inginkan terjadi) penting untuk disadari. b. Sales Force Estimates Hasil peramalan dari metode ini merepresentasikan gabungan peramalan dari setiap individu bagian penjualan. Seringkali hasil peramalan mencerminkan masukan dari pelanggan atau sumber lainnya. Perkiraan ini dipengaruhi oleh bias perorangan, seperti bonus yang dibayarkan pada hasil peramalan lalu, dan mungkin membutuhkan penyesuaian. Bagaimanapun, metode ini merupakan salah satu cara untuk mendapatkan pengetahuan yang mendalam mengenai pasar. c. Market Research Metode peramalan ini merupakan pendekatan yang lebih sistematik untuk menentukan preferensi konsumen terhadap suatu produk atau jasa. Metode ini sering digunakan pada produk baru untuk mengidentifikasi faktor kunci yang berpengaruh terhadap penjualan produk atau jasa tersebut. Sementara itu, survei dapat menghasilkan informasi penting, namun sulit untuk merancang suatu survei yang menghasilkan informasi dan dapat langsung digunakan untuk peramalan.

Laboratorium Perencanaan & Optimasi Sistem Industri

Modul V Peramalan Permintaan Pasar 2011 TI 3104 Perancangan Teknik Industri d. Historical Analogy Terkadang, peramalan untuk produk atau jasa yang baru dapat dibandingkan dengan pengenalan produk yang serupa di masa lalu, seperti sereal sarapan atau sebuah buku baru. Ketika metode ini menyediakan data historis, perbandingan tersebut seringkali tidak dapat dipercaya karena perbedaan dalam keadaan pasar, pesaing, dan faktor lainnya. e. Delphi Method Metode ini merupakan sebuah proses untuk mendapatkan kesepakatan bersama dari sekelompok ahli dengan mempertahankan anonymity. Sering kali peramalan dengan metode ini dilakukan untuk beberapa topik teknikal, seperti kecenderungan negara asing tertentu untuk mendapatkan kemampuan nuklir, atau market share dari pemanas solar pada tahun 2020. Proses ini berjalan lambat dan kurang bermanfaat untuk peramalan jangka pendek atau peramalan yang detil. f. Sales and Operations Planning Metode ini merupakan suatu metode yang mengolaborasikan perencanaan internal, terutama antara bagian pemasaran dan bagian operasi. Metode ini sangat membantu dalam mengidentifikasi peristiwa yang akan terjadi di masa yang akan datang, contohnya adalah penjualan, promosi, pengenalan produk baru, dan aktivitas lain yang akan mempengaruhi kebutuhan kapasitas produksi atau kebutuhan persediaan. g. Collaborative Planning, Forecasting and Replenishment (CPFR) Program ini melibatkan pertukaran informasi antara pelanggan dan pihak penyedia di sepanjang rantai pasok untuk membangun koordinasi dalam penyediaan barang guna memenuhi permintaan pasar., Untuk mendukung pertukaran informasi yang efektif diperlukan sikap kooperatif diantara entitas-entitas yang terlibat.

II.3. Konsep Peramalan Kuantitatif


Dalam kehidupan nyata, setiap data yang dikumpulkan adalah data yang berasal dari lapangan. Dalam suatu proses pengumpulan data tersebut, terdapat kemungkinan bahwa data yang terkumpul merupakan data yang tidak layak untuk diproses. Oleh karena itulah data yang terkumpul harus disaring terlebih dahulu untuk memastikan bahwa data yang akan diproses merupakan data yang tidak bermasalah dan sesuai dengan proses yang akan dilakukan. Tidak terkecuali dalam peramalan, data penjualan yang digunakan sebagai data konstruksi merupakan data yang berasal dari lapangan. Selalu terdapat kemungkinan, terdapat kesalahan dalam pencatatan data penjualan. Jika data yang salah tersebut digunakan untuk membangun model maka model yang terbentuk tidak dapat merepresentasikan kondisi aktual. Untuk menghindari hal tersebut, harus dilakukan pre-processing data untuk memastikan data yang digunakan untuk membentuk model adalah data yang layak.

II.3.1. Pre-processing data


Pre-processing data merupakan proses yang dilakukan pada data mentah yang disiapkan untuk prosedur pemrosesan data yang lain. Metode pengumpulan data primer terkadang tidak dikontrol dengan baik sehingga dapat menghasilkan masalah terkait representasi sistem existing yang digambarkan oleh data.. Memproses atau menganalisis data yang bermasalah bisa mendapatkan hasil yang salah. Maka dari itu, harus dilakukan proses pre-processing data untuk menghindari fenomena GIGO (Garbage In, Garbage Out).
Laboratorium Perencanaan & Optimasi Sistem Industri

Modul V Peramalan Permintaan Pasar 2011 TI 3104 Perancangan Teknik Industri Masalah yang dapat terjadi dalam peramalan adalah ketidaklengkapan data (missing data). Dalam Hair (2010) dijelaskan bahwa missing data adalah ketidaktersediaan informasi untuk suatu subyek atau kasus. Mengklasifikasi missing data dan penyebabnya dilakukan melalui beberapa langkah yang tidak hanya mengidentifikasi dampak dari missing data, namun juga memberikan perbaikan untuk menghadapi data tersebut dalam analisis. Dalam Hair (2010) juga dikatakan bahwa pada isu yang terkait missing data, tugas peneliti adalah untuk mengidentifikasi dan melihat hubungan yang terdapat pada missing data sehingga jika dilakukan perbaikan, hasilnya akan memiliki distribusi yang sama atau mirip dengan distribusi data aslinya. Berdasarkan jenisnya terdapat dua tindakan yang dapat dilakukan untuk menghadapi missing data yang terdapat dalam set data yakni: 1. Mengabaikan missing data Tindakan ini dilakukan karena terdapat allowance untuk missing data yang normal terjadi dalam teknik yang dilakukan. Missing data juga dapat diabaikan dengan alasan yang dapat diterima misalnya karena data yang disensor. 2. Menghiraukan missing data Tindakan ini dilakukan jika peneliti bisa mengidentifikasi bahwa missing data terjadi karena faktor prosedural, misalnya saja kesalahan dalam menginput data. Untuk mengatasi missing data yang dapat dihiraukan, terdapat alternatif tindakan berupa penghapusan variabel atau case, namun tindakan tersebut hanya dapat dilakukan pada data multivariat dan beberapa data univariat. Sedangkan untuk data univariat berupa data time series, penghapusan data tidak dapat dilakukan karena data dari tiap waktu harus diperhitungkan untuk menentukan model peramalan terbaik. Metode yang dapat dilakukan untuk mengatasi missing data, antara lain: 1. Mean Substitution Mean substitution dilakukan dengan mengganti nilai missing data dengan rata-rata data yang ada. Metode ini dapat digunakan pada data numerik. 2. Regression-Based Approach Pada metode ini, analisis regresi digunakan untuk memprediksi nilai variabel missing data berdasarkan hubungannya dengan variabel lain pada set data. Metode ini mengasumsikan bahwa terdapat hubungan antara missing data dengan variabel lain yang terdapat pada set data. 3. Case Substitution Metode ini dilakukan dengan mengganti keseluruhan variabel yang memiliki missing data dengan data lain dari observasi 4. Hot or Cold Deck Imputation Hot Deck Imputation dilakukan dengan mengganti nilai variabel dengan nilai yang dimiliki oleh case lain pada observasi, yang dianggap memiliki kasus serupa. Sedangkan Cold Deck Imputation dilakukan dengan mengganti nilai variabel dengan berdasarkan pada sumber eksternal (misalnya observasi lain).

Laboratorium Perencanaan & Optimasi Sistem Industri

Modul V Peramalan Permintaan Pasar 2011 TI 3104 Perancangan Teknik Industri

II.3.2. Metode Peramalan Kuantitatif


Model peramalan kuantitatif merupakan metode peramalan yang dilakukan berdasarkan data yang memadai. Jenis metode peramalan kuantitatif yakni metode kausal dan metode deret waktu.

II.3.2.1 Metode Kausal


Metode kausal terdiri atas teknik-teknik peramalan yang menggunakan informasi atas satu atau beberapa independent variable untuk memprediksi dependent variable dengan memanfaatkan pengetahuan atas hubungan antara variabel-variabel tersebut. Teknik utama dalam model-model kausal ini adalah model regresi. Model regresi merupakan salah satu model statistik yang mencoba untuk menjelaskan perubahan satu atau beberapa variabel ketika variabel lainnya mengalami perubahan. Variabel yang akan dijelaskan perubahannya biasa disebut variabel dependen atau variabel respons. Variabel yang menjelaskan perubahan variabel dependen (respons) disebut variabel independen atau variabel eksplanatori atau regresor atau prediktor. Pada modul ini istilah yang digunakan adalah variabel dependen dan variabel independen. Pada metode kausal jenis regresi yang biasanya digunakan adalah multiple regression.Pada metode kausal, variabel independen (xi) merupakan variabel-variabel yang menyatakan sesuatu yang bukan waktu.

(2)
Pada dasarnya model-model kausal dapat digunakan ketika perubahan dalam suatu variabel dianggap disebabkan oleh perubahan pada variabel-variabel yang lain. Sebagai konsekuensinya, proses identifikasi variabel-variabel menjadi proses yang kritis. Pedoman berikut menggambarkan kapan pemodelan kausal sesuai untuk diterapkan : 1. Terdapat alasan-alasan apriori untuk menganggap bahwa satu variabel dipengaruhi oleh variabel yang lain. Sebagai contoh, terdapat alasan yang kuat untuk mempercayai bahwa iklan akan mempengaruhi tingkat penjualan. 2. Sebuah indikator utama dapat diidentifikasi. Sebagai contoh, tingkat kelahiran bayi saat ini dapat digunakan untuk meramalkan kebutuhan akan busana balita untuk beberapa tahun ke depan. 3. Horison waktu peramalan yang relevan. Dalam jangka pendek, jarak waktu (delay) antara efek kausal dan waktu saat data dikumpulkan dapat diabaikan. Namun dalam jangka panjang terdapat kemungkinan bahwa efek kausal telah bergeser akibat faktor jarak waktu.

II.3.2.2 Metode Deret Waktu


Metode deret waktu memanfaatkan data masa lalu untuk meramalkan suatu kondisi di masa yang akan datang. Peramalan dengan metode time series menggunakan sumbu x untuk menunjukkan skala waktu seperti minggu, bulan, kuarter, atau tahun. Beberapa metode kuantitatif yang sering digunakan untuk meramalkan permintaan pasar antara lain naive forecast, simple moving average, weighted moving average, single exponential smoothing, exponential smoothing with trend adjustment, linear regression with time, dan seasonal adjustment. a. Naive forecast Metode ini sangat mudah diaplikasikan dengan menggunakan aturan sederhana. Nave forecast digunakan untuk peramalan dalam jangka pendek dan dengan jumlah permintaan stabil.
Laboratorium Perencanaan & Optimasi Sistem Industri

Modul V Peramalan Permintaan Pasar 2011 TI 3104 Perancangan Teknik Industri Misalnya peramalan untuk bulan depan sama dengan data bulan sebelumnya atau dengan data dari bulan yang sama tahun lalu. Walaupun metode ini sangat sederhana namun metode ini dipercaya sangat efektif. b. Simple moving average Metode ini memanfaatkan rata-rata data aktual dari beberapa periode masa lalu. Penggunaan metode ini diawali dengan menentukan jumlah periode data masa lalu yang akan digunakan untuk meramalkan masa datang. Rata-rata data masa lalu yang digunakan bersifat dinamis disesuaikan dengan periode yang akan diramalkan. Semakin banyak jumlah periode yang digunakan untuk peramalan maka hasil yang diperoleh akan lebih smooth. (4) di mana: : hasil peramalan pada periode t : moving average width : data jumlah permintaan : indeks waktu

c. Weighted moving average Sama halnya dengan metode simple moving average, metode ini juga memanfaatkan data aktual dari beberapa periode masa lalu. Perbedaanya terletak pada penggunaan bobot dalam meramalkan permintaan periode masa datang. Pemilihan bobot akan berpengaruh terhadap galat peramalan. (5) di mana: : bobot terhadap permintaan untuk periode t-i d. Single exponential smoothing Metode ini memanfaatkan data hasil peramalan periode sebelumnya dan data aktual dari periode yang bersangkutan. Exponential smoothing bertujuan untuk melakukan penyesuaian antara hasil peramalan dengan data aktual. (6) di mana: : hasil peramalan untuk periode t : jumlah permintaan periode t-1 : hasil peramalan periode t-1 : konstanta smoothing e. Exponential smoothing with trend adjustment Metode ini mempertimbangkan adanya faktor tren pada data. Exponential smoothing with trend adjustment merupakan perkembangan dari metode simple moving average. Beta () menggunakan perubahan nilai aktual untuk memodifikasi tren peramalan dari periode sebelumnya. Untuk menghilangkan pengaruh level dan trend data peramalan maka dibutuhkan data dari beberapa periode sebelumnya.

Laboratorium Perencanaan & Optimasi Sistem Industri

Modul V Peramalan Permintaan Pasar 2011 TI 3104 Perancangan Teknik Industri (7) (8) (9) di mana: : nilai intercept untuk periode t : jumlah permintaan untuk periode t : nilai intercept untuk periode t-1 : nilai slope untuk periode t : nilai slope untuk periode t-1 : konstanta smoothing : peramalan untuk periode ke depan yang dilakukan pada periode t f. Linear regression with time Metode ini berupaya untuk mengestimasi sebuah garis lurus yang sesuai dengan kumpulan titik-titik yang ada. antara garis estimator dengan masing-masing titik. Garis tersebut terdiri dari intercept dan slope. Kedua nilai ini berubah seiring dengan pertambahan periode peramalan Berbeda dengan metode kausal, pada metode ini, waktu merupakan variabel independen. (10) (11) (12) (13) (14) di mana: D(i) n b a f(t) : jumlah permintaan pada periode ke-i : jumlah data pembentuk model : koefisien regresi : intersep : hasil peramalan untuk periode t

g. Seasonal adjustment Metode ini digunakan jika pola data masa lalu bersifat musiman. Variasi pola ini harus dikuantifikasi agar galat peramalannya dapat diminimasi. Jika data tersebut juga memiliki tren tertentu maka hal tersebut juga harus diperhitungkan.

Laboratorium Perencanaan & Optimasi Sistem Industri

Modul V Peramalan Permintaan Pasar 2011 TI 3104 Perancangan Teknik Industri

III.

ANALISIS POLA DATA

Pola data historis mempengaruhi pengambil keputusan dalam menentukan metode peramalan yang tepat. Tabel berikut ini menggambarkan tipe jenis data.
POLA DATA Horizontal PENGERTIAN GAMBAR

Data jenis ini memiliki pola stasioner atau tidak memiliki trend tertentu, artinya data tersebut tidak mengalami fluktuasi secara sistematis. Misalnya, jumlah produk cacat yang dihasilkan dalam proses produksi yang stabil. Gambar 1. Pola data horizontal

Trend

Pola data jenis ini menunjukkan kenaikan atau penurunan sepanjang waktu. Misalnya harga saham, GNP (Gross National Product) dan penjualan perusahaan

Gambar 2. Pola data tren

Seasonal

Data historis membentuk siklus tertentu dengan interval yang konstan. Fluktuasi datanya dipengaruhi oleh seasonal factor. Misalnya, penjualan tiket transportasi meningkat saat mudik lebaran.

Gambar 3. Pola data seasonal

Cyclical

Data jenis ini memiliki pola yang hampir sama dengan seasonal. Akan tetapi, interval pengulangan siklusnya tidak sama. Biasanya panjang interval untuk siklus tunggal lebih dari 1 tahun. Misalnya, jumlah penjualan rumah.

Gambar 4. Pola data cyclical

Laboratorium Perencanaan & Optimasi Sistem Industri

Modul V Peramalan Permintaan Pasar 2011 TI 3104 Perancangan Teknik Industri

IV.

UKURAN PERFORMANSI HASIL PERAMALAN

Untuk mendapatkan hasil peramalan yang baik maka penentuan metode peramalan yang sesuai menjadi faktor penentu keberhasilan. Pemilihan metode peramalan harus berdasarkan situasi yang ada seperti horison waktu, jumlah item yang akan diramalkan, pola data masa lalu, dan tingkat keakuratan yang diinginkan. Ukuran performansi suatu metode peramalan ditunjukkan oleh galat yang dihasilkan. Galat (error) merupakan selisih antara hasil peramalan dengan data aktual. Metode peramalan yang baik adalah metode dengan galat terkecil. Galat dalam peramalan digunakan dalam dua kondisi berikut: 1. Jika untuk suatu masalah dapat digunakan beberapa model peramalan, maka galat dapat digunakan untuk memilih metode peramalan terbaik dengan kriteria galat minimum; dan 2. Jika untuk suatu masalah hanya dapat digunakan satu model peramalan, maka galat berperan sebagai parameter yang menunjukkan tingkat efektivitas dari model peramalan tersebut. Besarnya galat pada periode ke-t, yaitu , dinyatakan dengan formula berikut: (15) di mana: : galat pada periode ke-t : data aktual pada periode ke-t : nilai peramalan pada periode ke-t

Berikut ini beberapa alternatif perhitungan galat. Mean Absolute Deviation (MAD) (16) Mean Squared Error (MSE) (17) Mean Absolute Percent Error (MAP) (18) N: jumlah data historis

Laboratorium Perencanaan & Optimasi Sistem Industri

10

Modul V Peramalan Permintaan Pasar 2011 TI 3104 Perancangan Teknik Industri

V.

VERIFIKASI HASIL PERAMALAN

Verifikasi hasil peramalan bertujuan untuk memeriksa apakah fungsi peramalan mewakili data yang ada. Metode verifikasi yang umum digunakan adalah moving range chart. (19) (20) di mana: MR :Moving Range Ft At : nilai ramalan periode t : nilai aktual periode t

Ft-1 : nilai ramalan periode t-1 At-1 : nilai aktual periode t-1 Kemudian dibuat batas kontrol atas (UCL), batas kontrol bawah (LCL), dan garis tengah (CL). (21) (22) (23) Kategori out of control: 1. 2. 3. 4. 2 dari 3 data yang berurutan ada di daerah A 4 dari 5 data yang berurutan ada di daerah B 8 atau lebih data yang berurutan di salah satu sisi Center Line Ada satu titik yang berada diluar batas kontrol.
region A region B region C
UCL

center line

region A

region B

region C

LCL

Gambar 5. Daerah Kategori Out of Control

Laboratorium Perencanaan & Optimasi Sistem Industri

11

Modul V Peramalan Permintaan Pasar 2011 TI 3104 Perancangan Teknik Industri

V.1.

Outlier

Dalam Hair (2010) dikatakan bahwa outliers adalah hasil observasi yang berbeda secara signifikan dari hasil observasi yang lain. Outliers berbahaya jika terdapat di dalam data karena dapat membuat hasil analisis data menjadi tidak representatif. Seperti halnya dalam missing data, juga terdapat 2 tindakan yang dapat dilakukan untuk menghadapinya yakni dihiraukan atau diabaikan. Outliers dapat diabaikan jika tidak terdapat penjelasan yang masuk akal mengenai keberadaan outlier dalam set data, sedangkan jika keberadaan outlier tersebut dapat dijelaskan maka outlier tersebut harus dihiraukan agar tidak mengganggu proses selanjutnya. Namun pada data time series, outliers tidak dapat dihapus karena data pada tiap satuan waktu dalam data time series merupakan data yang harus diperhitungkan.

Laboratorium Perencanaan & Optimasi Sistem Industri

12

Modul V Peramalan Permintaan Pasar 2011 TI 3104 Perancangan Teknik Industri

VI.

REFERENSI
Nahmias, Steven (2005). Production and Operations Analysis 5th Edition. Singapore: McGraw Hill. Makridakis, S. & Wheelwright, S.C. (1980). Forecasting Methods for Management3rd Ed.. New York. John Wiley & Sons Hair, J., Black, B., Babin, BJ., Anderson, RE. (2010). Multivariate Data Analysis. New Jersey:Prentice Hall, Inc.

1. Referensi Utama:

2. Referensi Pendukung: Walpole, Ronald E., Raymond H. Myers, Sharon L. Myers, dan Keying Ye. (2002). Probability & Statistics for Engineers & Scientists 7th Ed.. New Jersey: Prentice-Hall, Inc. Elsayed, E.A. & Boucher, T.O. (1994). Anaysis and Control of Production System 2nd . New Jersey. Prentice Hall. Crandall, Richard E. & William Rick Crandall (2008). Demand Forecasting Art, Science, or Chaos? South East Decision Sciences Institute Conference Proceedings, Category: Teaching Pedagogy p.914

VII.

BAHAN DAN PERALATAN

Bahan dan peralatan yang dibutuhkan dalam praktikum ini adalah: 1. Modul praktikum; 2. Data masa lalu permintaan pasar selama n bulan; 3. Perangkat lunak Microsoft Excel; 4. PC; 5. Lembar pengolahan data

Laboratorium Perencanaan & Optimasi Sistem Industri

13

Modul V Peramalan Permintaan Pasar 2011 TI 3104 Perancangan Teknik Industri

VIII.

PROSEDUR PRAKTIKUM
Mulai

Tes Awal

Praktikum Data Penjualan Masa Lalu Penjelasan Pengolahan Data

Pengolahan Data

Asistensi

Pembuatan Laporan

Pengumpulan Laporan

Selesai

Langkah-langkah pengolahan data: 1. Lakukan pre-processing data pada data yang bermasalah; 2. Agregasikan data penjualan jenis dongkrak yang sama dari 3 wilayah penjualan untuk setiap periode; 3. Plot data penjualan agregat masa lalu untuk setiap jenis dongkrak; 4. Analisis pola data penjualan setiap jenis dongkrak; 5. Pilih beberapa model peramalan deret waktu yang akan dicobakan untuk meramalkan penjualan setiap jenis dongkrak; 6. Hitung parameter-parameter model yang digunakan untuk setiap jenis dongkrak; gunakan referensi yang dicantumkan untuk cara perhitungan parameter-parameter model tersebut; 7. (Catatan: untuk model Moving Average, gunakan MA width = 3 periode). 8. Tentukan galat dari model-model peramalan yang dicobakan untuk setiap jenis dongkrak; 9. Untuk setiap jenis dongkrak, evaluasi model peramalan dengan membandingkan galat dari setiap model peramalan; 10. Untuk setiap jenis dongkrak, pilih model peramalan dengan galat terkecil; jika terdapat beberapa metode dengan galat yang sama, pilih metode yang paling sederhana;
Laboratorium Perencanaan & Optimasi Sistem Industri

14

Modul V Peramalan Permintaan Pasar 2011 TI 3104 Perancangan Teknik Industri 11. Dengan menggunakan metode peramalan yang dipilih, buat peramalan permintaan agregat per jenis dongkrak untuk 12 periode ke depan. 12. Lakukan verifikasi hasil peramalan

IX.

TATA TULIS LAPORAN

Laporan dibuat dengan susunan sebagai berikut.


Cover Lembar Pengesahan Lembar Asistensi Daftar Isi Bab 1. Pendahuluan 1.1 Latar belakang 1.2 Tujuan 1.3 Flowchart pengolahan data Bab 2. Pengolahan Data 2.1. Pre-processing data penjualan dongkrak 2.2. Agregasi data penjualan setiap jenis dongkrak selama periode t 2.3. Pemetaan dan penentuan pola data penjualan untuk setiap jenis dongkrak 2.4. Pemilihan metode-metode peramalan yang akan digunakan untuk setiap jenis dongkrak 2.5. Perhitungan galat untuk setiap metode peramalan yang digunakan per jenis dongkrak 2.6. Pemilihan metode peramalan yang paling tepat untuk setiap jenis dongkrak 2.7. Verifikasi hasil peramalan 2.8. Peramalan penjualan dengan menggunakan metode yang dipilih per jenis dongkrak Bab 3. Analisis 3.1. Analisis pre-processing data 3.2. Analisis agregasi/diagregasi data penjualan dongkrak A, B, dan C di 3 wilayah penjualan 3.3. Analisis pola data penjualan setiap jenis dongkrak yang telah diagregasikan antar 3 wilayah penjualan 3.4. Analisis metode-metode peramalan yang digunakan 3.5. Analisis metode peramalan yang dipilih untuk setiap jenis dongkrak 3.6. Analisis hasil peramalan 3.7. Analisis perbandingan ketepatan penggunaan data penjualan atau data produksi untuk peramalan permintaan produk di masa yang akan datang 3.8. Analisis pengaruh kesalahan peramalan terhadap kegiatan produksi dan solusi yang diperlukan untuk penangannya, a. Jika peramalan lebih besar daripada kenyataan b. Jika peramalan lebih kecil daripada kenyataan 3.9. Analisis keterkaitan Modul Peramalan Permintaan Pasar dengan modul PTI lainnya Bab 4. Kesimpulan dan Saran 4.1. 4.2. Kesimpulan Saran

Daftar Pustaka Lampiran

Laboratorium Perencanaan & Optimasi Sistem Industri

15

Modul V Peramalan Permintaan Pasar 2011 TI 3104 Perancangan Teknik Industri Adapun format laporan mengikuti ketentuan sebagai berikut. a. Jenis font : Times New Roman 11 b. Spasi c. Margin d. Header: Kiri : Laporan PTI I Modul 5 Peramalan Permintaan Pasar Kanan e. Footer: Kiri Kanan f. : Nomor kelompok dan NIM anggota kelompok : Nomor halaman : Nama dan NIM asisten : 1,2 : kiri 2,5 cm, kanan, atas, bawah = 2cm

Ukuran kertas A4 dan di-print bolak balik

g. Laporan dikumpulkan dengan menggunakan klip Laporan dikumpulkan paling lambat hari Jumat, 4 November 2011 pukul 12.00 WIB di LPOSI. Keterlambatan akan dikenakan pengurangan nilai 1 poin per menit.

Laboratorium Perencanaan & Optimasi Sistem Industri

16