Anda di halaman 1dari 31

PERENCANAAN & PENGENDALIAN PRODUKSI (P3)

s5

Kulsum
LSiPro – FT Untirta
2016

Kulsum_LsiPro
Tujuan Pembelajaran
• Mahasiswa mampu memahami dan
melakukan tentang peramalan produksi.

Kulsum_LsiPro
Metode Single Exponential Smoothing
• St = α Xt-1 + (1- α)St-1
• St-1 = Forecast untuk periode t-1
• Xt-1 = Data periode t-1
• α = nilai pengurang forecast error, ditentukan secara bebas dengan
nilai antara 0 – 1.

► α = 0.10
► St = α Xt-1 + (1- α)St-1
Forecast
► S2 = 20
Bln Penj. α = 0.10 α = 0,50 α = 0.90
1 20 - - -
► S3 = 0.10 (21)+(1- 0.10)20 2 21 20.00 20.00 20.00
► S3 = 20.10 3 19 20.10 20.50 20.90
4 17 19.99 19.75 19.19
► S4 = 0.10 (19)+(1- 0.10)20.10 … … … … …
► S4 = 19.99 12 19 20.61 21.82 22.07
Metode Single Exponential Smoothing
Forecast
Bulan Permintaan α = 0.10 α = 0,50 α = 0.90
Januari 20 - - -
Februari 21 20.00 20.00 20.00
Maret 19 20.10 20.50 20.90
April 17 19.99 19.75 19.19
Mei 22 19.69 18.38 17.22
Juni 24 19.92 20.19 21.52
Juli 18 20.33 22.09 23.75
Agustus 21 20.10 20.05 18.58
Sept 20 20.19 20.52 20.76
Okt. 23 20.17 20.26 20.08
Nov. 22 20.45 21.63 22.71
Des. 19 20.61 21.82 22.07
Metode Single Exponential Smoothing
a = 0.10
Bulan Permintaan Forecast Error Absolute error (Error)2
Januari 20 - - - -
Februari 21 20.00 1.00 1.00 1.00
Maret 19 20.10 -1.10 1.10 1.21
April 17 19.99 -2.99 2.99 8.94
… … … … … …
Des. 19 20.61 -1.61 1.61 2.59

a = 0.50
Bulan Permintaan Forecast Error Absolute error (Error)2
Januari 20 - - - -
Februari 21 20.00 1.00 1.00 1.00
Maret 19 20.50 -1.50 1.50 2.25
April 17 19.75 -2.75 2.75 7.56
… … … … … …
Des. 19 21.82 -2.82 2.82 7.95
Metode Single Exponential Smoothing
a = 0.90
Bulan Permintaan Forecast Error Absolute error (Error)2
Januari 20 - - - -
Februari 21 20.00 1 1 1
Maret 19 20.90 -1.90 1.90 3.61
April 17 19.19 -2.19 2.19 4.79
… … … … … …
Des. 19 22.07 -3.07 3.07 9.42

» a : 0.10 a: 0.50 a: 0.90


• Mean Absolute eror 1.90 2.2 2.54
• Mean Square eror 4.76 6.5 8.75
• Nilai eror yang digunakan untuk forecast adalah dengan a: 0.10,
karena mempunyai tingkat kesalahan yang paling kecil sehingga
forecastnya lebih tepat.
Metode Double Exponential Smoothing

• Metode ini merupakan model linear dan proses smoothing dilakukan


dua kali.
– St’ = aXt + (1-a)S’t-1
– S”t = aS’t + (1-a)S”t-1
• Forecast dilakukan dengan rumus
– St+m = at + btm
• m = Jangka waktu forecast ke depan
• at = 2 S’t – S”t
• bt = {a/(1-a)}.(S’t – S”t)
• Untuk menentukan nilai a caranya adalah trial and error. Dicari nilai a
yang dapat meminimumkan nilai mean square error.
• Metode double exponential smoothing ini biasanya lebih tepat untuk
meramalkan data yang mengalami trend kenaikan.
Metode Double Exponential Smoothing
• Dengan a = 0.20, jika X1 = 120, karena belum cukup data maka, S’1=120,
S”1=120 dan f2 = 120
• Jika X2 = 125, maka:
• S’2 = 0.20 (125) + (1 – 0.20) 120 = 121 (Kolom ke 3)
• S”2 = 0.20 (121) + (1 – 0.20) 120 = 120.2 (Kolom ke 4)
• a2 = 2(121) – 120.2 = 121.80 (Kolom ke 5)
• b2 = 0.20/(1-0.20) (121 – 120.20) = 0.20 (kolom ke 6)
• Nilai Forecast tahun ke 3
• F3 = 121,8 + 0,20 = 122 (kolom ke 7)

(1)Tahun (2) Prmnt X (3) S’ (4) S” (5) a (6) b (7) Forecast


2001 120 120 120 120 - -
2002 125 121 120.20 121.80 0.20 120
2003 129 122.60 120.68 124.52 0.48 122
2004 124 122.88 121.12 124.64 0.44 125
2005 130 124.30 121.76 126.84 0.64 125.08
Metode Triple Exponential Smoothing

• Metode ini merupakan model linear dan proses smoothing dilakukan


tiga kali.
– St’ = aXt + (1-a)S’t-1
– S”t = aS’t + (1-a)S”t-1
– S’”t = aS’’t + (1-a)S’”t-1
• Forecast dilakukan dengan rumus
• Ft+m = at + bt m + ½ ctm2
– m = Jangka waktu forecast ke depan
– at = 3 S’t – 3 S”t + S’”t
– bt = {a/2(1-a)2}. {(6 – 5a) S’t – (10 – 8a) S”t + (4 – 3a)S’”t }
– ct = {a2/(1-a)2}.(S’t – 2S”t + S’”t )
• Metode triple exponential smoothing ini biasanya lebih tepat untuk
meramalkan data yang mengalami trend fluktuasi.
Metode Triple Exponential Smoothing
• Dengan a = 0.10, jika X1 = 125, karena belum cukup data maka, S’1=125,
S”1=125, S”’1=125, at = 125, nilai b dan c = 0, dan nilai f2 = 125
• Jika X2 = 130, maka:
• S’2 = 0.10 (130) + (1 – 0.10) 125 = 125.50 (Kolom ke 3)
• S”2 = 0.10 (125.50) + (1 – 0.10) 125 = 125.05 (Kolom ke 4)
• S’”2 = 0.10 (125.05) + (1 – 0.10) 125 = 125.01 (Kolom ke 5)
• a2 = 3(125.50) – 3(125.05) + 125.01 = 126,36 (Kolom ke 6)
• b2 = {(0.10)/2(1-0.10)2} (6 – (5 x 0.10)125.50) – (10 – (8 x 0.10) 125.05 +
( 4 – 3 x 0.10) 125.01) = 0.14 (kolom ke 7)
• c2 = (0.10)2 / (1-0.10)2 (125.50 – 2(125.05) + 125.01) = 0.05(Kolom ke 8)
• Nilai Forecast tahun ke 3
• F3 = 126,36 + 0,14 (1) + 0.025 (12) = 126, 525 (kolom ke 9)
(1)Thn (2) X (3) S’ (4) S” (5) S”’ (6) a (7) b (8) c (9) Forecast
2001 125 125.00 125.00 125.00 125.00 0 0 -
2002 130 125.50 125.05 125.01 126.36 0.14 0.05 125.00
2003 140 126.95 125.24 125.03 130.16 0.53 0.02 126.53
Teknik Peramalan
• Konstan :
• Regresi Linier :

• Kuadratis: D(t) = a + bt + ct2

Muhammad Adha Ilhami


Contoh Perhitungan Peramalan
Konstan
Data Penjualan
• Konstan : 1200

1000
Periode Penjualan/Permintaan
t d(t) 800

1 800 Data Penjualan


600
2 1000
3 900 400
4 850
200
5 950
6 1000 0
1 2 3 4 5 6

1. Cek pola data (lihat grafik)


2. Pilih metode peramalan dengan teknik konstan
3. Estimasi a (topi) dimana n = jumlah data
a = (800 + 1000 + 900 + 850 + 950 + 1000)/6
a = 916,67 maka D(t) = 916,67

Muhammad Adha Ilhami


Contoh Perhitungan Peramalan Regresi (1)
• Regresi : Penjualan
1400

1200
Periode Penjualan
1000
t d(t)
800
1 800
2 900 600 Penjualan

3 1100 400
4 1200
200
5 1300
0
1 2 3 4 5

1. Cek pola data (lihat grafik)  trend


2. Rekomendasi peramalan dengan teknik regresi.

Muhammad Adha Ilhami


Contoh Perhitungan Peramalan Regresi (2)

• estimasi :
t d(t) t d(t) t^2 d(t)^2
1 800 800 1 640,000
2 900 1,800 4 810,000
• = 55
3 1,100 3,300 9 1,210,000 • = 5.300
4 1,200 4,800 16 1,440,000
5 1,300 6,500 25 1,690,000
• = 15
• = 17.200
15 5,300 17,200 55 5,790,000
• = 5 x 55 = 275
• = (15)^2 = 225

Muhammad Adha Ilhami


Contoh Perhitungan Peramalan Regresi (3)

• estimasi :
t d(t) t d(t) t^2 d(t)^2
1 800 800 1 640,000
2 900 1,800 4 810,000
• =5
3 1,100 3,300 9 1,210,000 • = 17.200
4 1,200 4,800 16 1,440,000
5 1,300 6,500 25 1,690,000
• =15
• = 5.300
15 5,300 17,200 55 5,790,000
• = 55
• = 15^2 = 225

Muhammad Adha Ilhami


Contoh Perhitungan Peramalan Regresi (4)

• Fungsi Regresi :
D(t) = 670 + 130t

Maka (D(t)) demand pada saat t = 6 adalah


D(6) = 670 + 130 x 6 = 670 + 780 = 1450

Muhammad Adha Ilhami


Metode Kuadratis
Formula : D(t) = a + bt + ct2 t d(t) t x d(t) t^2 t^2 x d(t) t^4
-3 800 -2400.00 9 7200 81
-2 1000 -2000.00 4 4000 16
-1 900 -900.00 1 900 1
1 850 850.00 1 850 1
2 950 1900.00 4 3800 16
3 1000 3000.00 9 9000 81
6 5500 450.00 28 25750 196

b = 450/28 = 16,07
c = (5500*28 – 6*25750)/((28)^2 – 6*196) = 1,275
a = (5500 – 1,275*28)/6 = 910,714

Formula : D(t) = 910,714 + 16,07t + 1,275t2

Muhammad Adha Ilhami


Kriteria Performansi Hasil Peramalan

Mean Square Error (MSE)

Standard Error of Estimate (SEE)


f = derajat kebebasan ( f=1 konstan, f=2 linier, f=3 kuadratis)

Persentage Error (PE)

Mean Absolute Persentage Error (MAPE)


Muhammad Adha Ilhami
Kriteria Performansi Hasil Peramalan
Lainnya
Mean Absolute Deviation (MAD)
n n

 i i
Y  Yˆ e i
MAD  i 1
 i 1

n n

Mean Percentage Error (MPE)


n

e i
MPE  i 1

Muhammad Adha Ilhami


Contoh : Prosedur Peramalan
1. Plot Data Penjualan terhadap Waktu
t d(t) Penjualan
1 800 1200

2 1000 1000
3 900 800
4 850
600
5 950 Penjualan
6 1000 400

200

0
1 2 3 4 5 6

Muhammad Adha Ilhami


2. Pilih Metode Peramalan Konstan,
Regresi & Kuadratis
T d(t) D(t)
Konstan : 1 800 916.67
D(t) = a = 916,67 2 1000 916.67
3 900 916.67
4 850 916.67
t d(t) D(t) 5 950 916.67
6 1000 916.67
Regresi : 1 800 859.45
D(t) = a + bt 2 1000 882.30
a = 836,6 3 900 905.15
B = 22,85 4 850 928.00
t d(t) D(t)
D(t) = 836,6 + 22,85t 5 950 950.85
1000 -3 800 873.979
6 973.70
-2 1000 883.674
-1 900 895.919
Kuadratis:
D(t) = 910,714 + 16,07t + 1,275t2 1 850 928.059
2 950 947.954
3 1000 970.399

Muhammad Adha Ilhami


3. Evaluasi Error untuk Setiap Metode
Konstan Regresi Linier
t d(t) D(t) d-D (d-D)^2 PE |PE| D(t) d-D (d-D)^2 PE |PE|
1 800 916.67 -116.67 13611.11 -14.58 14.58 859.45 -59.45 3534.30 -7.43 7.43
2 1000 916.67 83.33 6944.44 8.33 8.33 882.30 117.70 13853.29 11.77 11.77
3 900 916.67 -16.67 277.78 -1.85 1.85 905.15 -5.15 26.52 -0.57 0.57
4 850 916.67 -66.67 4444.44 -7.84 7.84 928.00 -78.00 6084.00 -9.18 9.18
5 950 916.67 33.33 1111.11 3.51 3.51 950.85 -0.85 0.72 -0.09 0.09
6 1000 916.67 83.33 6944.44 8.33 8.33 973.70 26.30 691.69 2.63 2.63
5500 33333.33 44.45 24190.53 31.67

= 24190,53/6 = 4031,75
= 33333,33/6 = 5555,56

= (24190,53/(6-2))^0,5 = 77,76
= (33333,33/(6-1))^0,5 = 81,65

= 31,67/6 = 5,278
= 44,45/6 = 7,41

Muhammad Adha Ilhami


3. Evaluasi Error untuk Setiap Metode
Kuadratis
t d(t) D(t) d(t) - D(t) (d(t)-D(t))^2 PE |PE|
1 800 873.979 -73.979 5472.892 -9.24738 9.247375
2 1000 883.674 116.326 13531.74 11.6326 11.6326
3 900 895.919 4.081 16.65456 0.453444 0.453444
4 850 928.059 -78.059 6093.207 -9.18341 9.183412
5 950 947.954 2.046 4.186116 0.215368 0.215368
6 1000 970.399 29.601 876.2192 2.9601 2.9601
21.00 5500.00 5499.984 25994.9

= 25994.9/6 =4332,483

= (25994/(6-3))^0,5 = 93,09

= 33,69/6 = 5,6

Muhammad Adha Ilhami


4. Pilih Metode Peramalan Terbaik
Konstan Linier/Regresi Kuadratis
MSE 5555,56 4031,75 4332,483
SEE 81,65 77,76 93,0858
MAPE 7,41 5,278 5,6
Square Error 33333.33 24190.53 53347.30

Terlihat bahwa metode liner terbaik (paling kecil nilai kriterianya) dalam
seluruh kriteria yaitu MSE, SEE, dan MAPE.

Karena data yang digunakan merupakan data in sample maka kriteria


performansi (error) yang digunakan adalah MSE. Sehingga formula/model
peramalan terbaik adalah: D(t) = 836,6 + 22,85t (Linier)

Muhammad Adha Ilhami


5. Interpretasi Hasil Peramalan

Berdasarkan fungsi D(t) = 836,6 + 22,85t maka hasil peramalan untuk periode ke
depan adalah:

t = 7  D(7) = 836,6 + 22,85(7) = 996,55


t = 8  D(8) = 836,6 + 22,85(8) = 1018,4
.
.
.
t = t  D(t) = 836,6 + 22,85t

Muhammad Adha Ilhami


Naïve Model
Yt Y’t+1
Pola Data Horizontal
Yˆt 1  Yt t
Y’t+1
Pola Data Trend Yt-1
Yt Yt - Yt-1
Yt - Yt-1
Yˆt 1  Yt  (Yt  Yt 1 )

Pola Data Musiman t

Pola Data Musiman


Yˆt 1  Y(t 1) s 1.5 s
1

0.5
s
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

Data

Muhammad Adha Ilhami


Contoh Naïve Model
t d(t) = Y(t) D(t) = Y’(t)

Pola Data Trend 1


2
90
91
Yˆt 1  Yt  (Yt  Yt 1 ) 3 92
4 93
Yt – Yt-1 = Y4 – Y4-1
= 93 – 92 = 1 5 94
Y’5 = Y4 + (Y4 – Y3) = 93 + 1 = 94

t d(t) = Y(t) D(t) = Y’(t)


Pola Data Musiman 1 80
Yˆt 1  Y(t 1) s 2 91
s(80  80) = t(4) – t(1) = 4 – 1 = 3 3 93
Y’7 = Y(6+1)-3 = Y4 = 80 4 80
5 91
6 93
Muhammad Adha Ilhami 7 80
Model Average
Simple Average
n
t d(t) = Y(t) D(t) = Y’(t)
Y 1 96
Yˆt 1   t
t 1 n 2 91
Y’5 = (Y1 + Y2 + Y3 + Y4)/n 3 94
= (96 + 91 + 94 + 92)/4 = 93,25 4 92
Naïve  Y’5 = Y4 + (Y4 – Y3) = 92 - 2 = 90 5 93,25

Moving Average t d(t) = Y(t) D(t) = Y’(t)


(Y  Y   Yt  n 1 )
M t  Yˆt 1  t t 1 1 80
n
2 91
n = 3 (bisa berapa saja/ ketetapan)
3 93
Mt = Y’7 = (93 + 91 + 80)/3 = 88
4 80
5 91
6 93
Muhammad Adha Ilhami 7 88
NEXT
PERENCANAAN AGREGAT

Kulsum_LsiPro
TERIMAKASIH

Kulsum_LsiPro