3.

1 Modul 4 Perencanaan Produk

3.4.1 Forecasting
Aktual permintaan Meja Folding Multifungsi tahun 2023
Bulan AKTUAL
Januari 20
Februari 22
Maret 19
April 30
Mei 32
Juni 35
Juli 26
Agustus 24
September 22
Oktober 25
November 28
Desember 27
Januari 2024 ???
Rata bergeraknya 2 dan 3 untuk forecasting

40

35

30

25

20

15

10

0
RI RI ET RI
L EI NI LI US R ER R R
A A
AR AP
M JU JU T BE B BE BE
NU B RU M US EM KTO EM EM
JA FE AG PT O V S
SE NO DE

Periode Tahun 2023 (Bulan)

1. MOVING AVARAGE
Melakukan analisis data berdasarkan model peramalan yang dipilih
Perhitungan Berdasarkan Model Rata-rata Bergerak 2 dan 3 Periode (Bulan)
Indeks Ramalan Ramalan Berdasarkan
Permintaan
Bulan Waktu Berdasarkan MA(2) MA(3)
Aktual (A)
(t) (F, MA2) (F, MA3)
Januari 1 20 - -
Februari 2 22 - -
Maret 3 19 (20 + 22) / 2 = 21 -
April 4 30 (22 + 19) / 2 = 20,5 (20 + 22 + 19) / 3 = 20,33
Mei 5 32 (19 + 30) / 2 = 24,5 (22 + 19 + 30) / 3 = 23,67
Juni 6 35 (30 + 32) / 2 = 31 (19 + 30 + 32) / 3 = 27
Juli 7 26 (32 + 35) / 2 = 33,5 (30 + 32 + 35) / 3 = 32,33
Agustus 8 24 (35 + 26) / 2 = 30,5 (32 + 35 + 26) / 3 = 31
September 9 22 (26 + 24) / 2 = 25 (35 + 26 + 24) / 3 = 28,33
Oktober 10 25 (24 + 22) / 2 = 23 (26 + 24 + 22) / 3 = 24
November 11 28 (22 + 25) / 2 = 23,5 (24 + 22 + 25) / 3 = 23,67
Desember 12 27 (25 + 28) / 2 = 26,5 (22 + 25 + 28) / 3 = 25
Januari 2024 13 ??? (28 + 27) / 2 = 27,5 (25 + 28 + 27) / 3 = 26,67
Keterangan: MA(2) = rata-rata bergerak 2-periode, MA(3) = rata-rata bergerak 3-periode.
Nilai ramalam adalah nilai pembulatan.
Memilih model peramalan yang tepat berdasarkan mad (mean absolute deviation) terkecil
Ramalan Absolute Ramalan Absolute
Indeks
Permintaan Berdasarkan Deviation Berdasarkan Deviation
Bulan Waktu
Aktual (A) MA(2) untuk MA(3) untuk
(t)
(F, MA2) MA(2) (F, MA3) MA(3)
Maret 3 19 21 2 - -
April 4 30 20,5 9,5 20,33 20
Mei 5 32 24,5 7,5 23,67 23
Juni 6 35 31 4 27,00 8
Juli 7 26 33,5 7,5 32,33 22
Agustus 8 24 30,5 6,5 31,00 8
September 9 22 25 3 28,33 18
Oktober 10 25 23 2 24,00 22
November 11 28 23,5 4,5 23,67 5
Desember 12 27 26,5 0,5 25,00 3
MAD = MAD =
4,7 14,3
Keterangan:
MAD untuk MA(2) = (2 + 9,5 + 7,5 + 4 + 7,5 + 6,5 + 3 + 2 + 4,5 + 0,5)/10 = 4,7
MAD untuk MA(3) = (20 + 23 + 8 + 22 + 8 + 18 + 22 + 5 + 3) / 9 = 14,3

Berdasarkan nilai MAD untuk MA (2) dan MA (3), ramalan bergerak 3-bulan MA(2) lebih
disukai karena memiliki nilai MAD yang lebih kecil : 4,7 dari pada MA (3) : 14,3
Memeriksa keandalan model peramalan yang dipilih berdasarkan kontrol tracking signal
Error, E RSFE (5) Absolut Kumulatif Tracking
MAD
Periode Forecast, Aktual, = A-F = Error (6) = Absolut Signal
(8) =
, n (1) F (2) A (3) (4) = (3) Kumulatif Absolut dari Eror (7) = (9) =
(7) / (1)
– (2) dari (4) (4) kumulatif (5) / (8)
1 20 19 -1 -1 1 1 1,00 -1,00
2 23 30 +7 +6 7 8 4,00 1,50
3 8 32 +24 +30 24 32 10,67 2,81
4 22 35 +13 +43 13 45 11,25 3,82
5 8 26 +18 +61 18 63 12,60 4,84
6 18 24 +6 +67 6 69 11,50 5,83
7 22 22 0 +67 0 69 9,86 6,80
 8 5 25 +20 +87 20 89 11,13 7,82
9 3 28 +25 +112 25 114 12,67 8,84

Σ(absolut dari forcast errors) 114

MAD= = =12 ,67
n 9
RSFE 112
Tracking Signal= = =24 , 26
MAD 4 , 7

2. MODEL RATA-RATA BERGERAK TERBOBOT (WEIGHTED MOVING

AVARAGE MODEL)
Model rata-rata bergerak terbobot lebih responsive terhadap perubahan, karena data dari
periode yang baru biasanya diberi bobot lebih besar.
Σ( pembobotan untuk periode n)( permintaan aktual dalam periode n)
Weighted MA (n)=
Σ( pembobot )

( 3 ) ( A 1 ) + ( 2 ) ( A 2 )+ (1 )( A 3 )
Weighted MA (2)=
6
Dimana:
A1 = permintaan actual 1 bulan (periode) yang lalu
A2 = permintaan actual 2 bulan (periode) yang lalu
A3 = permintaan actual 3 bulan (periode) yang lalu

Hasil peramalan berdasarkan model rata-rata bergerak 3-bulan terbobot, Weighted

MA(3), untuk kasus permintaan kendaraan ditunjukkan dalam tabel dibawah ini.

Indeks
Permintaan Ramalan Berdasarkan WMA(2)
Bulan Waktu
Aktual (A) (F, WMA2)
(t)
Januari 1 76 -
Februari 2 67 -
 Maret 3 113 -
April 4 135 {(3)(113) + (2)(67) + (1)(76)} / 6 = 92
Mei 5 96 {(3)(135) + (2)(113) + (1)(67)} / 6 = 116
Juni 6 88 {(3)(96) + (2)(135) + (1)(113)} / 6 = 112
Juli 7 102 {(3)(88) + (2)(96) + (1)(135)} / 6 = 99
Agustus 8 79 {(3)(102) + (2)(88) + (1)(96)} / 6 =96
September 9 50 {(3)(79) + (2)(102) + (1)(88)} / 6 = 88
Oktober 10 74 {(3)(50) + (2)(79) + (1)(102)} / 6 = 68
November 11 91 {(3)(74) + (2)(50) + (1)(79)} / 6 =67
Desember 12 48 {(3)(91) + (2)(74) + (1)(50)} / 6 = 79
Januari 2024 13 ??? {(3)(48) + (2)(91) + (1)(74)} / 6 = 67

Error, E RSFE (5) Absolut Kumulatif Tracking

MAD
Periode Forecast, Aktual, = A-F = Error (6) = Absolut Signal
(8) =
, n (1) F (2) A (3) (4) = (3) Kumulatif Absolut dari Eror (7) = (9) =
(7) / (1)
– (2) dari (4) (4) kumulatif (5) / (8)
1 92 135 +43 +43 43 43 43 +1

2 116 96 -20 +23 20 63 31,5 +0,7

3 112 88 -24 -1 24 87 29 -0,03

4 99 102 +3 +2 3 90 22,5 +0,09

5 96 79 -17 -15 17 107 21,4 -0,7

6 88 50 -38 -53 38 145 24,2 -2,5

7 68 74 +6 -47 6 151 21,6 -2,2

8 67 91 +24 -23 24 175 21,9 -1,1

9 79 48 -31 -54 31 206 22,9 -2,4

Kita dapat menghitung:

Σ(absolut dari forcast errors) 206
MAD= = =22 , 9
n 9
RSFE −54
Tracking Signal= = =−2 , 4
MAD 22 , 9

3. MODEL PEMULUSAN EKSPONENSIAL (EXPONENTIAL SMOOTHING

MODEL)
Model peramalan pemulusan eksponential bekerja serupa dengan alat thermostat, dimana
apabila galat ramalan (forcast error) adalah positif, yang berarti nilai aktual permintaan lebih
tinggi dari pada nilai ramalan (A - F>0), maka model eksponential secara otomatis meningkat
nilai ramalan. Sebaliknya apabila galat ramalan adalah negatif yang berarti nilai aktual
permintaan lebih rendah daripada nilai ramalan (A – F<0).
Ft = Ft-1 + α(At-1 – Ft-1)

Dimana:
Ft = nilai ramalan untuk periode waktu ke-t
Ft-1 = nilai ramalan untuk satu periode waktu yang lalu, t-1
At-1 = nilai aktual untuk satu periode waktu yang lalu, t-1
α = konstanta pemulusan (smoothing constant)
Pola historis yang bergejolak menggunakan α yang mendekati satu.
Pola historis yang realitif stabil menggunakan α yang mendekati nol.

Perhitungan Berdasarkan Model ES (α = 0,9)

Ramalan Berdasarkan ES (α =
Indeks Permintaan Aktual
Tahun 0,9)
Waktu (t) (A)
(F, ES α = 0,9)
Januari 1 76 1019 / 12 = 85
Februari 2 67 85 + 0,9 (76 – 85) = 77
Maret 3 113 77 + 0,9 (67 – 77) = 68
April 4 135 68 + 0,9 (113 – 68) = 109
Mei 5 96 109 + 0,9 (135 – 109) = 132
Juni 6 88 132 + 0,9 (96 – 132) = 100
Juli 7 102 100 + 0,9 (88 – 100) = 89
Agustus 8 79 89 + 0,9 (102 – 89) = 101
September 9 50 101 + 0,9 (79 – 101) = 90
Oktober 10 74 90 + 0,9 (50 – 90) = 54
November 11 91 54 + 0,9 (74 – 54) = 72
Desember 12 48 72 + 0,9 (91 – 72) = 89
Januari 2024 13 ??? 89 + 0,9 (48 – 89) = 52
Keterangan ES (α = 0,9) = pemulusan eksponensial (exponential smoothing = ES) dengan
konstanta pemulusan α = 0,9. Nilai-nilai ramalan adalah nilai pembulatan. Angka ramalan
pada periode pertama ditentukan berdasarkan angka perkiraan, biasanya dipilih angka rata-
rata aktual permintaan tahunan, dalam kasus ini adalah 1019 / 12 = 85 unit.

Error, E RSFE (5) Absolut Kumulatif Tracking

MAD
Periode Forecast, Aktual, = A-F = Error (6) = Absolut Signal
(8) =
, n (1) F (2) A (3) (4) = (3) Kumulatif Absolut dari Eror (7) = (9) =
(7) / (1)
– (2) dari (4) (4) kumulatif (5) / (8)
1 85 76 -9 -9 9 9 9 -1

2 77 67 -10 -19 10 19 9,5 -2

3 68 113 +45 +26 45 64 21,3 +1,22

4 109 135 +26 +52 26 90 22,5 +2,31

5 132 96 -36 +16 36 126 25,2 +0,63

6 100 88 -12 +4 12 138 23 +0,17

7 89 102 +13 +17 13 151 21,6 +0,79

8 101 79 -22 -5 22 173 21,6 -0,23

9 90 50 -40 -45 40 213 23,7 -1,90

10 54 74 +20 -25 20 233 23,3 -1,07

11 72 91 +19 -6 19 252 22,9 -0,26

12 89 48 -41 -47 41 293 24,4 -1,93

Σ(absolut dari forcast errors) 293

MAD= = =24 , 4
n 12
RSFE −47
Tracking Signal= = =−1 , 93
MAD 24 , 4