PERENCANAAN DAN

PENGENDALIAN PRODUKSI (PPIC)

PENGELOLAAN PERMINTAAN DAN
PROSEDUR PERAMALAN

Masri Pradipto, S.TP, MT

Program Studi Teknik Industri

Fakultas Teknik dan Ilmu Komputer
Universitas Indraprasta PGRI
 Minggu ke-2 dan 3 MK PPIC

Kemampuan yang diharapkan:

Mampu menganalisis permintaan dan membuat ramalan
permintaan untuk keperluan perencanaan produksi
Materi Pembelajaran:
1. Pengelolaan permintaan dan prosedur peramalan
2. Teknik-teknik peramalan
3. Verifikasi Peramalan
 Kondisi Umum Permintaan di Pasar Bebas

Di pasar bebas, permintaan pasar lebih bersifat kompleks dan

dinamis karena permintaan tersebut akan tergantung kepada
situasi politik, sosial, ekonomi, aspek teknologi, produk
pesaing, dan produk substitusi
Maka, dibutuhkan suatu peramalan yang akurat yang
dibutuhkan untuk pengambilan keputusan manajemen
 Definisi Umum Perencanaan Permintaan

Perencanaan permintaan (demand planning) merupakan

proses yang dilakukan oleh organisasi untuk
mengantisipasi permintaan pelanggan dan memastikan
bahwa produk tersedia dalam jumlah yang cukup, di
tempat dan waktu yang tepat sesuai dengan level
pelayanan dan biaya produksi yang terendah
 Kegiatan Perencanaan Permintaan
Kegiatan-kegiatan perencanaan permintaan mencakup:
• Peramalan permintaan (demand forecast)
• Manajemen persediaan (inventory management)
• Perencanaan kapasitas (capacity planning)
• Perencanaan dan penjadwalan produksi (planning and
production scheduling)
• Rencana kebutuhan material (material requirement planning)
Demand Planning (DP) vs Demand Management (DM)

• Perencanaan permintaan (demand planning) : reaktif

Pengelolaan produksi (demand management) : proaktif
• Bagian sales dan marketing biasanya menggunakan promosi
dan cara lain untuk meningkatkan volume penjualan
• Sisi baiknya: volume penjualan meningkat;
Sisi buruknya: bisa menimbulkan masalah serius jika tidak
dikomunikasikan dengan baik ke bagian-bagian lain
Konsekuensinya: Kelebihan atau kekurangan stock
Demand Planning (DP) vs Demand Management (DM)

• DM Secara aktif berusaha membuat permintaan pelanggan

itu bisa diatur sedemikian rupa sehingga memudahkan
proses produksi
• DM tidak hanya pasif memproses permintaan, namun juga
berusaha mengatur permintaan pelanggan agar lebih stabil
 Instrumen Untuk Mengelola Permintaan

Instrumen-instrument yang digunakan dalam mengelola

permintaan antara lain:
• Promosi (promotion)
• Harga (price)
• Manajemen Rak (shelf management)
• Struktur Persetujuan (deal structure)
 Instrumen Untuk Mengelola Permintaan

Tidak menutup kemungkinan untuk mengkombinasikan antar

instrumen yang disebutkan di atas
Instrumen tersebut hanya efektif digunakan jika perusahaan
memahami dengan baik perilaku pelanggan jika masing-
masing instrument tersebut dilakukan
 Instrumen Untuk Mengelola Permintaan
• Promosi (promotion)
Kegiatan promosi bisa membuat pola permintaan lebih mudah atau lebih sulit
dipenuhi
• Promosi pada saat permintaan lesu dan reaksi pasar terhadap promosi relatif cepat
dapat menciptakan pola permintaan yang lebih rata
• Promosi pada saat permintaan sedang tinggi menyebabkan permintaan yang lebih
fluktuatif
Contoh: Promosi di media sosial, TV atau media elektronik lainnya
 Instrumen Untuk Mengelola Permintaan
• Harga (price)
Memiliki tujuan lebih luas dari sekedar promosi
Harga disini diatur sedemikian rupa sehingga bisa mempengaruhi
permintaan
Contoh :
Tarif telepon lebih mahal di siang hari ketimbang malam
Diskon produk yang tidak laku di akhir musim jual (midnight sale?? Buy 1 get
2??)
Diskon pada jam-jam atau hari-hari tertentu di restoran/karaoke/bioskop
(happy hour??? Nonton hemat???)
 Instrumen Untuk Mengelola Permintaan
• Manajemen Rak (shelf management)
Posisi dan penempatan barang di supermarket berpengaruh terhadap
penjualan barang tersebut
Umumnya dilakukan di supermarket atau retail-retail sejenis
Contoh :
Produk baru/promosi/diskon akan ditempatkan di bagian depan pintu
masuk pengunjung
 Instrumen Untuk Mengelola Permintaan
• Struktur Persetujuan (deal structure)
Meliputi persetujuan jual beli antara produsen dan pelanggan
Contoh:
Boleh tidaknya produk dikembalikan
Term pembayaran
Ada tidaknya garansi
Layanan purna jual
 Definisi Umum Peramalan (forecasting)

Peramalan (forecasting) didefinisikan sebagai penggunaan

data waktu lampau untuk menentukan/meramalkan kejadian
di waktu yang akan datang sehingga dapat dipakai sebagai
pedoman dalam pengambilan keputusan pada proses produksi
dan operasi.
Peramalan akan sangat dibutuhkan bila kondisi permintaan
pasar bersifat kompleks dan dinamis
 Horison Waktu Peramalan
Berdasarkan horizon waktunya, peramalan bias
diklasifikasikan menjadi 3 kelompok, yaitu:
1. Peramalan Jangka Panjang
• Umumnya antara 2-10 tahun
• Digunakan untuk perencanaan produk dan sumber daya
2. Peramalan Jangka Menengah
• Umumnya 1-24 bulan
• Digunakan untuk menentukan aliran kas, perencanaan produksi dan
penentuan anggaran
 Horison Waktu Peramalan

3. Peramalan Jangka Pendek

• Umumnya 1-5 minggu
• Digunakan untuk menentukan perlu tidaknya lembur, penjadwalan
kerja, dan segala keputusan kontrol jangka pendek lainnya
Faktor-faktor yang Mempengaruhi Permintaan
Faktor-faktor berada di luar kendali perusahaan namun
mempengaruhi permintaan, antara lain:
• Siklus Bisnis
Inflasi, resesi, depresi, masa pemulihan
• Siklus Hidup Produk
Siklus hidup suatu produk biasanya mengikuti pola kurva S
• Faktor-faktor lain
Reaksi balik dari pesaing, perubahan perilaku konsumen, termasuk
usaha-usaha yang dilakukan sendiri oleh perusahaan
Tahapan Siklus Hidup Suatu Produk
Faktor-faktor yang Mempengaruhi Permintaan
 Karakteristik Peramalan yang Baik
Beberapa kriteria peramalan yang baik, yaitu:
• Akurasi
Terukur dari kebiasaan dan kekonsistenan hasil peramalan tersebut
Tidak bias, artinya tidak terlalu tinggi/rendah dari kejadian aktual
Akurasi ini penting untuk menyeimbangkan persediaan yang ideal
(minimasi penumpukan persediaan dan maksimasi tingkat pelayanan)
 Karakteristik Peramalan yang Baik

• Biaya
Ditentukan oleh 3 faktor yaitu:
1. Jumlah item yang diramalkan
2. Lamanya periode peramalan
3. Metode peramalan yang dipakai

• Kemudahan
Semakin sederhana, mudah dibuat dan mudah diaplikasikan akan
semakin menguntungkan bagi perusahaan
 Prosedur Peramalan

Tahapan-tahapan peramalan yang harus dilakukan:

1. Plot data permintaan versus waktu dalam bentuk grafik untuk diteliti
pola permintaannya seperti apa
2. Pilih beberapa metode peramalan yang cocok untuk pola permintaan
tersebut
3. Jalankan peramalannya dan evaluasi kesalahannya
4. Pilih hasil peramalan dengan tingkat kesalahan/penyimpangan terkecil
untuk diinterpretasikan hasilnya kemudian
 Sifat Hasil Peramalan

Ada beberapa hal yang harus dipertimbangkan dari hasil

peramalan, yaitu:
1. Pasti masih mengandung kesalahan
2. Seharusnya memberikan informasi tentang beberapa
ukuran kesalahan
3. Peramalan jangka pendek lebih akurat daripada peramalan
jangka panjang
 Metode-metode Peramalan
Secara umum peramalan diklasifikasikan 2 macam, yaitu:
1. Peramalan yang bersifat subyektif
Peramalan yang didapatkan dari keputusan-keputusan hasil diskusi,
pendapat/pengalaman/penilaian pribadi seseorang, dan intuisi yang
kelihatannya kurang ilmiah namun dapat memberikan hasil yang
baik
Metode Delphi
Metode Penelitian Pasar (survey)
 Metode-metode Peramalan
2. Peramalan yang bersifat obyektif
Peramalan yang mengikuti aturan-aturan matematis dan statistik
dengan menggunakan data historis dalam menunjukkan hubungan
antara permintaan dengan satu variabel atau lebih yang
mempengaruhinya
Metode Intrinsik, contoh: Metode Time Series
Metode Ekstrinsik, contoh: Metode Kausal
Aliran Proses Peramalan
 Metode Analisis Deret Waktu (Time Series)
Analisis ini terdiri dari beberapa komponen:
1. Pola Acak/Horisontal (Random/Horizontal)
2. Pola Tren (Trend)
3. Pola Musiman (Season)
4. Pola Siklus (Cycle)

Analisis ini sangat tepat untuk meramalkan permintaan yang

pola permintaan di masa lalu cukup konsisten dalam periode
yang lama, dan diharapkan pola tersebut berlanjut
Pola-pola Deret Waktu
Pola-pola Deret Waktu
 Metode Analisis Deret Waktu (Time Series)
Beberapa teknik peramalan Time Series:
1. Rata-rata Bergerak (MA=Moving Average)
2. Rata-rata Bergerak Dengan Bobot (WMA=Weighted Moving
Average)
3. Pemulusan Eksponensial (ES=Exponential Smoothing)
4. Pemulusan Eksponensial Dengan Unsur Trend, Musiman
dan Lengkap (Winter’s Method)
1. Rata-rata Bergerak (MA=Moving Average)
Tujuan utamanya adalah mengurangi atau menghilangkan
variasi acak permintaan dalam hubungannya dengan waktu

MAt = MAt-1 +
• 
Keterangan:
A = Peramalan aktual pada periode t
N = jumlah data permintaan yang dilibatkan dalam
perhitungan
1. Rata-rata Bergerak (MA=Moving Average)
Kelemahan teknik ini adalah:
1. Peramalan selalu berdasarkan pada N data terakhir tanpa
mempertimbangkan data-data sebelumnya
2. Setiap data dianggap memiliki bobot yang sama, padahal
seharusnya data baru memiliki bobot yang lebih tinggi
karena merepresentasikan kondisi terakhir yang terjadi
3. Butuh biaya besar dalam menyimpan dan memproses data,
jika nilai N nya semakin besar
1. Rata-rata Bergerak (MA=Moving Average)
Peramalan dengan MA 3-bulanan dan 6-bulanan

Bulan Permintaan MA 3-bulanan Peramalan dengan MA 6-bulanan Peramalan dengan

Aktual MA 3-bulanan MA 6-bulanan
Januari 450
Februari 440
Maret 460 450
April 510 470 450
Mei 520 497 470
Juni 495 508 497 479
Juli 475 497 508 483 479
Agustus 560 510 497 503 483
September 510 515 510 512 503
Oktober 520 530 515 513 512
Nopember 540 523 530 517 513
Desember 550 537 523 526 517
 2. Rata-rata Bergerak Dengan Bobot
(WMA=Weighted Moving Average)
Formula WMA adalah sebagai berikut:
WMA =
Keterangan:
•  t = Bobot permintaan aktual pada periode t
W
At = Permintaan aktual pada periode t
Dengan keterbatasan bahwa:
=t
 2. Rata-rata Bergerak Dengan Bobot
(WMA=Weighted Moving Average)
Peramalan dengan WMA 3-bulanan

Bulan Permintaan MA 3-bulanan Peramalan dengan WMA 3-bulanan Peramalan dengan

Aktual MA 3-bulanan (0,25/0,25/0,5) WMA 3-bulanan
Januari 450
Februari 440
Maret 460 450 453
April 510 470 450 480 453
Mei 520 497 470 503 480
Juni 495 508 497 505 503
Juli 475 497 508 491 505
Agustus 560 510 497 523 491
September 510 515 510 514 523
Oktober 520 530 515 528 514
Nopember 540 523 530 528 528
Desember 550 537 523 540 528
 3. Pemulusan Eksponensial
(ES=Exponential Smoothing)
Formula ES adalah sebagai berikut:
Ft = αAt + (1- α)Ft-1
Keterangan:
Ft = Peramalan pada periode t
Ft-1 = Peramalan pada periode t-1
At = Permintaan aktual pada periode t
α = Konstanta penghalusan (0≤α≤1)
 3. Pemulusan Eksponensial
(ES=Exponential Smoothing)
Peramalan dengan ES

Bulan Permintaan At x α Ft x (1-α) Exponential Peramalan

Aktual (At) α=0,2 Smoothing Dengan ES (Ft)
Januari 450
Februari 440
Maret 460 92 384 476,00 480,00
April 510 102 381 482,80 476,00
Mei 520 104 386 490,24 482,80
Juni 495 99 392 491,19 490,24
Juli 475 95 393 487,95 491,19
Agustus 560 112 390 502,36 487,95
September 510 102 402 503,89 502,36
Oktober 520 104 403 507,11 503,89
Nopember 540 108 406 513,69 507,11
Desember 550 110 411 520,95 513,69
 4.a. Pemulusan Eksponensial Dengan
Unsur Trend (Winter’s Method)
Formula Winter’s Method dengan unsur trend adalah sebagai berikut:
Ft = αAt + (1- α)(Ft-1+Tt-1)
Tt = β(Ft-Ft-1)+(1- β)Tt-1
ft = Ft-1+Tt-1

Keterangan:
Ft = Peramalan pada periode t
Ft-1 = Peramalan pada periode t-1
At = Permintaan aktual pada periode t
α = Konstanta penghalusan (0≤α≤1)
β = Konstanta penghalusan (0≤β≤1)
Tt = Trend pada periode t
 4.a. Pemulusan Eksponensial Dengan
Unsur Trend (Winter’s Method)
Peramalan dengan Winter's Method dengan Trend
α=0,2; β=0,2; T0=9; F0=480
Bulan Permintaan Metode Peramalan Peramalan
Aktual (At) Ft Tt Winter Winter dengan ES
480 9 489,00
Maret 460 483,20 7,84 491,04 489,00
April 510 494,83 8,60 503,43 491,04 476,00
Mei 520 506,74 9,26 516,01 503,43 482,80
Juni 495 511,80 8,42 520,23 516,01 490,24
Juli 475 511,18 6,61 517,79 520,23 491,19
Agustus 560 526,23 8,30 534,53 517,79 487,95
September 510 529,63 7,32 536,95 534,53 502,36
Oktober 520 533,56 6,64 540,20 536,95 503,89
Nopember 540 540,16 6,63 546,79 540,20 507,11
Desember 550 547,43 6,76 554,19 546,79 513,69
 4.b. Pemulusan Eksponensial Dengan
Unsur Musiman (Winter’s Method)
Formula Winter’s Method dengan unsur musiman adalah
sebagai berikut:
Ft = + (1- )Ft-1
•It   = γ - (1 - γ)It-m
ft+1 = Ft x It+1-m
4.b. Pemulusan Eksponensial Dengan
Unsur Musiman (Winter’s Method)
Perhitungan Indeks Musiman
α=0,1; γ=0,05;FDES=94
Bulan Permintaan Permintaan Rata-rata Indeks
1993 1994 Permintaan Musiman
Januari 80 100 90 0,957
Februari 75 85 80 0,851
Maret 80 90 85 0,904
April 90 110 100 1,064
Mei 115 131 123 1,309
Juni 110 120 115 1,223
Juli 100 110 105 1,117
Agustus 90 110 100 1,064
September 85 95 90 0,957
Oktober 75 85 80 0,851
Nopember 75 85 80 0,851
Desember 80 80 80 0,851
Jumlah 1128
Rata-rata 94
 4.b. Pemulusan Eksponensial Dengan
Unsur Musiman (Winter’s Method)
Peramalan dengan Winter's Method dengan Musiman
α=0,1; γ=0,05;F0=94
Bulan Permintaan Rata-rata Peramalan Faktor musiman Faktor musiman
1995 (Dt) (Dt/It-12) Ft (Dt/Ft) (Ft*lt-12) yang lama (It-12) yang baru (It)
94
Januari 95 99,22 94,52 1,01 90,00 0,957 0,960
Februari 75 88,13 93,88 0,80 80,44 0,851 0,848
Maret 90 99,53 94,45 0,95 84,89 0,904 0,907
April 105 98,70 94,87 1,11 100,48 1,064 1,066
Mei 120 91,71 94,56 1,27 124,14 1,309 1,307
Juni 117 95,63 94,66 1,24 115,68 1,223 1,224
Juli 102 91,31 94,33 1,08 105,74 1,117 1,115
Agustus 98 92,12 94,11 1,04 100,35 1,064 1,063
September 95 99,22 94,62 1,00 90,10 0,957 0,960
Oktober 75 88,13 93,97 0,80 80,53 0,851 0,848
Nopember 85 99,88 94,56 0,90 79,97 0,851 0,853
Desember 75 88,13 93,92 0,80 80,48 0,851 0,848
 4.c. Pemulusan Eksponensial Dengan
Unsur Lengkap (Winter’s Method)
Formula Winter’s Method dengan unsur lengkap adalah
sebagai berikut:
Ft = + (1- )(Ft-1+Tt-1)
•Tt  = β (Ft – Ft-1) + (1 - β)Tt-1
It = δ + (1 - δ)It-m
 4.c. Pemulusan Eksponensial Dengan
Unsur Lengkap (Winter’s Method)
Data permintaan produk 3 tahun

Kuartal 1992 1993 1994 Peramalan

Permintaan
Q1 146 192 272 312
Q2 96 127 155 197
Q3 59 79 98 119
Q4 133 186 219 264
Rata-rata 108,5 146 186
Peningkatan 37,5 40
 Metode Peramalan Kausal
• Mengasumsikan variabel yang diramalkan menunjukkan
adanya hubungan sebab akibat dengan satu atau beberapa
variabel bebas (independent variable).
• Metode regresi dan kolerasi, merupakan metode yang
digunakan baik untuk jangka panjang maupun jangka
pendek dan didasarkan kepada persamaan dengan teknik
least squares yang dianalisis secara statis.
 Regresi/Tren Linier (Linear Trend)
• Metode proyeksi tren dengan regresi, merupakan metode
yang digunakan baik untuk jangka pendek maupun jangka
panjang
• Metode ini merupakan garis tren untuk persamaan
matematis
• Merepresentasikan suatu perubahan dari waktu ke waktu
(cenderung naik dan turun)
 Persamaan Regresi/Tren Linier
Formula regresi/tren linier adalah sebagai berikut:
ŷ = a + bx
a = -b
b =
• 
Keterangan:
ŷ = perkiraan permintaan
x = variabel bebas yang mempengaruhi y
a = nilai tetap y bila x=0
b = derajat kemiringan persamaan garis regresi/tren
 Regresi Sederhana
Contoh:
Diketahui data masa lalu suatu perusahaan di mana biaya
promosi (dinyatakan dengan “x”) berpengaruh terhadap hasil
penjualan (dinyatakan dengan “y”) selama 9 bulan (n=9)
terlihat pada tabel di bawah ini. Hitunglah berapa perkiraan
hasil penjualan bila biaya promosinya = 12 juta rupiah
Regresi Sederhana

Pertama hitung nilai b nya dulu

b =
b =
b =
•
b   =
b = 164,259

Hati-hati dan teliti dalam menghitung.

Perhatikan titik dan komanya!
Regresi Sederhana

Kemudian hitung nilai a nya

a = -b
a = -
a = 11.023,222 – 1.067,683
•
a   = 9.955,539

Hati-hati dan teliti dalam menghitung.

Perhatikan titik dan komanya!
Regresi Sederhana

Kemudian buat persamaan garis regresinya

ŷ = a + bx
ŷ = 9.955,539 + 164,259 x
Jika biaya promosi nya 12 juta (x=12), maka hasil
penjualannya menjadi
ŷ = 9.955,539 + 164,259 (12)
ŷ = 11.926,407 atau sekitar 11,9 miliar rupiah
Hati-hati dan teliti dalam menghitung.
Perhatikan titik dan komanya!
 Ukuran Akurasi Hasil Peramalan

Ada 4 ukuran peramalan yang biasa digunakan, yaitu:

1. Rata-rata Deviasi Mutlak (Mean Absolute Deviation=MAD)
2. Rata-rata Kuadrat Kesalahan (Mean Square Error=MSE)
3. Rata-rata Kesalahan Peramalan (Mean Forecast Error=MFE)
4. Rata-rata Persentase Kesalahan Absolut (Mean Percentage
Error=MAPE)
 Ukuran Akurasi Hasil Peramalan
1. Rata-rata Deviasi Mutlak (Mean Absolute Deviation=MAD)
MAD merupakan rata-rata kesalahan mutlak selama periode tertentu tanpa
memperhatikan apakah hasil peramalan lebih besar atau lebih kecil
dibanding kenyataannya
MAD
•Keterangan:
 
At = permintaan aktual periode t
Ft = peramalan (forecast) pada periode t
n = jumlah periode peramalan yang terlibat
 Ukuran Akurasi Hasil Peramalan
2. Rata-rata Kuadrat Kesalahan (Mean Square Error=MSE)
MSE dihitung dengan menjumlahkan kuadrat semua kesalahan peramalan
pada setiap periode dan membaginya dengan jumlah periode peramalan.
MSE
•Keterangan:
 
At = permintaan aktual periode t
Ft = peramalan (forecast) pada periode t
n = jumlah periode peramalan yang terlibat
 Ukuran Akurasi Hasil Peramalan
3. Rata-rata Kesalahan Peramalan (Mean Forecast Error=MFE)
MFE sangat efektif untuk mengetahui apakah suatu hasil peramalan
selama periode tertentu terlalu tinggi atau terlalu rendah
Bila hasil peramalan tidak bias, maka nilai MFE akan mendekati nol
• 
MFE
Keterangan:
At = permintaan aktual periode t
Ft = peramalan (forecast) pada periode t
n = jumlah periode peramalan yang terlibat
 Ukuran Akurasi Hasil Peramalan
4. Rata-rata Persentase Kesalahan Absolut (Mean Absolute
Percentage Error=MAPE)
MAPE merupakan ukuran kesalahan relatif
MAPE lebih berarti daripada MAD, karena memberikan informasi
persentase kesalahan terlalu tinggi atau terlalu rendah dari kejadian
• 
aktualnya
MFE
Keterangan:
At = permintaan aktual periode t
Ft = peramalan (forecast) pada periode t
n = jumlah periode peramalan yang terlibat
 Ukuran Akurasi Hasil Peramalan

Contoh:
Suatu data permintaan aktual produk “X” dibandingkan hasil
peramalannya diketahui seperti yang tercantum pada tabel di
bawah ini. Hitunglah MAD, MSE, MFE dan MAPE nya
 Ukuran Akurasi Hasil Peramalan
Permintaan Ramalan Deviasi Deviasi Kuadrat Persentase Persentase
Aktual Absolut Kesalahan Kesalahan Kesalahan Absolut
A F A-F |A-F| (A-F)2 (A-F)/A |(A-F)/A|
120 125 -5 5 25 -0,04 0,04
130 125 5 5 25 0,04 0,04
110 125 -15 15 225 -0,14 0,14
140 125 15 15 225 0,11 0,11
110 125 -15 15 225 -0,14 0,14
130 125 5 5 25 0,04 0,04
-10 60 750 -0,13 0,50

MAD = 10
MSE = 125
MFE = -1,67
MAPE = 8,31 %
 Verifikasi dan Pengendalian Peramalan
• Dilakukan untuk memeriksa apakah hasil peramalan sudah
mencerminkan data masa lalu dan sistem sebab akibat yang
mendasari permintaan
• Jika setelah diverifikasi ternyata hasilnya dapat dipercaya,
maka hasil peramalan dapat terus digunakan. Namun jika
ternyata meragukan, maka harus dicari metode peramalan
lain yang lebih cocok
• Teknik paling sederhana adalah dengan menggunakan peta
moving range
 Peta Moving Range

• Dirancang untuk membandingkan antara nilai permintaan aktual dan

peramalan
• Jika semua titik berada dalam batas kendali, maka diasumsikan
peramalan nya sudah cukup baik. Namun, jika terdapat titik yang berada
di luar batas kendali, maka peramalan yang dilakukan tidak cukup baik
dan harus direvisi
• Peta ini dapat digunakan untuk mengetahui apakah terjadi perubahan
dalam sistem sebab akibat yang melatar belakangi permintaan sehingga
dapat ditentukan persamaan peramalan baru yang lebih cocok
 Peta Moving Range

Kondisi di luar kendali adalah jika:

1. Dari 3 titik berturut-turut, ada 2 atau lebih yang berada di
daerah A
2. Dari 5 titik berturut-turut, ada 4 atau lebih yang berada di
daerah B
3. Ada 8 titik atau lebih yang berada di atas/bawah garis
tengah
 Peta Moving Range
+

Batas Kendali Atas

Batas Daerah A

Batas Daerah B

Batas Daerah B

Batas Daerah A

Batas Kendali Bawah

-
 Peta Moving Range
Moving Range diformulasikan sebagai berikut:
MR = |(ŷt-yt)-(ŷt-1-yt-1)|
Adapun formula rata-rata Moving Range sebagai berikut:
• =
Formula Batas Kontrol Atas:
BKA = +2,66
Formula Batas Kontrol Bawah:
BKB = -2,66
Peta Moving Range Untuk Verifikasi Peramalan
Verifikasi Peramalan Dengan Moving Range

Bulan Periode Peramalan Permintaan Moving

(t) ŷ y ŷ-y Range (MR)
Januari 1 196 199 -3 0
Februari 2 199 202 -3 0
Maret 3 202 199 3 6
April 4 205 208 -3 6
Mei 5 208 212 -4 1
Juni 6 211 194 17 21
Juli 7 214 214 0 17
Agustus 8 217 220 -3 3
September 9 220 219 1 4
Oktober 10 223 234 -11 12
Nopember 11 226 219 7 18
Desember 12 229 233 -4 11
Jumlah 78 2550 2553 -3 99

Rata-rata MR = 9,00
BKA = 23,94
BKB = -23,94
Peta Moving Range Untuk Verifikasi Peramalan

BKA = 23,94

BKB = -23,94
Peta Moving Range Untuk Pengendalian Peramalan

Apabila terjadi kondisi di luar kendali, tindakan terhadap

peramalan harus dilakukan, yakni:
1. Merevisi ramalan dengan memasukkan data dan sistem
sebab akibat baru atau,
2. Menunggu bukti lebih lengkap
Peta Moving Range Untuk Pengendalian Peramalan
Perhitungan Peta Moving Range yang Baru

Bulan Periode Peramalan Permintaan Moving

(t) ŷ y ŷ-y Range (MR)
Januari 1 201 199 2 0
Februari 2 203 202 1 1
Maret 3 205 199 6 5
April 4 207 208 -1 7
Mei 5 209 212 -3 2
Juni 6 211 194 17 20
Juli 7 213 214 -1 18
Agustus 8 215 220 -5 4
September 9 217 219 -2 3
Oktober 10 219 234 -15 13
Nopember 11 221 219 2 17
Desember 12 223 233 -10 12
Januari 13 225 209 16 26
Februari 14 227 228 -1 17
Maret 15 229 224 5 6
April 16 231 216 15 10
Jumlah 136 3456 3430 26 161

Rata-rata MR = 10,73
BKA = 28,55
BKB = -28,55
Peta Moving Range Untuk Pengendalian Peramalan

BKA = 28,55

BKB = -28,55
TERIMA KASIH