OLEH:
ZULHAM ARIFUDDIN FANANI
06.2008.1.04544
Latar Belakang
Persaingan bebas antar produsen saat ini
menuntut sebuah perusahaan untuk
mengoptimalkan jumlah produksi mereka
sehingga mampu menekan biaya pengeluaran,
karena jika produksi berlebih atau malah
berkurang perusahaan akan merugi
Perumusan Masalah
Bagaimana penerapan peramalan dalam
memprediksi jumlah produksi yang dihasilkan
sebuah perusahaan agar produksinya optimal?
Bagaimana merancang aplikasi untuk
meramalkan produk dimasa depan dan
memonitoring stok produksi sehingga mampu
dikelola lebih baik?
Tujuan
Mendapatkan perkiraan atau prediksi permintaan
produk untuk beberapa periode mendatang dengan
menggunakan peramalan yang memakai metode
Holt-Winters, sehingga mampu membantu
memperkirakan jumlah produksi.
Merancang aplikasi yang dapat memonitoring
lewat komputer persediaan dari gudang dan
distributor agar bisa mempermudahkan
pengelolaan stok. Hal ini sekaligus memangkas
biaya pengecekan dimana biasanya petugas datang
melakukan pengecekan ke distributor.
Definisi Peramalan / Forecasting
Peramalan (forecasting) adalah “suatu kegiatan untuk
memperkirakan apa yang terjadi pada masa yang akan datang”
(Sofjan Assauri, 1984, p1).
8
6
Rp
4 $
2 RM
0
jan feb mar apr
Winters
Adalah metode forecasting time series dimana
terdapat komponen musiman yang
mempengaruhi. Misalkan data stok beras pada
bulan-bulan musim kemarau akan menurun,
sebaliknya pada stok jagung akan meningkat.
12
10
8
6 Beras
4 Jagung
2
0
juli agustus sept okt
Holt-Winters
Merupakan penggabungan dari 2 metode diatas,
metode ini digunakan jika pada data ramalan
memiliki komponen trend dan musiman. Metode
ini adalah metode yang paling banyak digunakan
dalam meramalkan data dengan 2 komponen
tersebut.
Metode Holt Winters
Metode Holt-Winters sendiri terdapat 2 tipe,
yaitu multiplikatif dan aditif.
› Multiplikatif cocok untuk peramalan deret berkala
dimana amplitudo ketinggian dari pola musiman
proposional dengan rata-rata level atau tingkatan dari
deret data
› Aditif cocok digunakan untuk peramalan deret berkala
dimana amplitudo pola musimannya tidak tergantung
pada rata-rata level atau tingkatan dari deret data
Rumus (Aditif)
Pemulusan Keseluruhan (Level)
Lt = α(Yt - St-s) + (1- α)(Lt-1 + Tt-1)
Pemulusan Trend
Tt = β (Lt - Lt-1) + (1 - β)Tt-1
Pemulusan Musiman
St = γ(Yt - Lt) + (1 - γ)St-s
Ramalan
Ft+p = (Lt + Tt.p) + St-s+p
Bulan Yt Lt Tt St Ft
1 27 27 0 1 -
2 12 12 0 1 -
3 10 10 0 1 -
4 8 8 0 1 -
5 18 18 0 1 -
6 9 9 0 1 -
7 7 7 0 1 -
8 7 7 0 1 -
9 21 21 0 1 -
10 11 11 0 1 -
11 9 9 0 1 -
12 10 10 0 1 -
1 25 11,4 0,14 2,26 11
2 16 11,886 0,1746 1,3114 12,54
3 12 11,95454 0,163994 0,904546 13,0606
4 8 11,60668 0,112809 0,539332 13,11853
5 20 12,44754 0,185614 1,655246 12,71949
6 11 12,36984 0,159282 0,763016 13,63315
7 14 12,57621 0,163991 1,042379 13,52912
8 9 12,26618 0,116589 0,573382 13,7402
9 17 12,74449 0,152761 1,325551 13,38277
10 7 12,20753 0,083789 0,379247 13,89725
11 11 12,06219 0,060876 0,793781 13,29132
12 8 11,61075 0,009645 0,538925 13,12306
13,8804
12,94144
12,54424
12,18867
1,655246
12,43164
12,72065
12,2613
13,02311
12,08645
12,51063
12,26542
Contoh Perhitungan
Untuk mencari Lt (nilai pemulusan level ke-t) Lt = α(Yt - St-s) + (1- α)(Lt-1 + Tt-1)
Misalkan untuk menghitung nilai L20 (Bulan ke 8 tahun kedua)
› L20 = 0,1(Y20 - S20-12) + (1- 0,1)(L20-1 + T20-1)
› L20 = 0,1(Y20 - S8) + (0,9)(L19 + T19)
› L20 = 0,1(9-1) + 0,9(13,249 + 0,1708)
› L20 = 12,878
Untuk mencari Tt (nilai pemulusan trend) Tt = β (Lt - Lt-1) + (1 - β)Tt-1
Misalkan untuk menghitung nilai T20 (Bulan ke 8 tahun kedua)
› T20 = 0,1 (L20 – L20-1) + (1 - 0,1)T20-1
› T20 = 0,1 (L20 – L19) + (0,9)T19
› T20 = 0,1 (12,878 – 13,249) + 0.9(0,1708)
› T20 = 0,1166
Untuk mencari St (nilai pemulusan musiman) St = γ(Yt - Lt) + (1 - γ)St-s
Misalkan untuk menghitung nilai S20 (Bulan ke 8 tahun kedua)
› S20 = 0,1(Y20 – L20) + (1 - 0,1)S20-12
› S20 = 0,1(Y20 – L20) + (0,9)S8
› S20 = 0,1(9 - 12,878) + 0,9 x 1
› S20 = 0,51217
Untuk mencari peramalan Ft (nilai peramalan) Ft+p = (Lt + Tt.p) + St-s+p
Misalkan untuk menghitung nilai F25
› F24+1 = (L24 + T24x1) + S24-12+1
› F25 = (L24 + T24x1) + S13
› F25 = (14,322 + 0,1913x1) + 2,98
› F25 = 17,493
MAPE Tingkat Error
MAPE merupakan ukuran ketepatan relatif yang
digunakan untuk mengetahui persentase
penyimpangan hasil ramalan, dengan persamaan
sebagai berikut.
Diagram Konteks
Data Awal Peramalan
Data Permintaan Mingguan
Data Distributor
SISTEM INFORMASI
Administrator Data Hasil Peramalan
MONITORING
Data MAPE
Manager Supervisor
Subproses
Start
Forecasting
Login:
Username
Password
α,ß,ƴ = 0.1
R=52
Query Database
Gagal? Yt
Insert,
Fore = Ft - MAPE
Update,
Delete
Fore
Forecasting
Selesai Return
TERIMA KASIH