Professional Documents
Culture Documents
PENDAHULUAN
Pada bab pendahuluan ini akan membahas tentang latar belakang, tujuan
praktikum dalam kegiatan praktikum Perencanaan dan Pengendalian Produksi
modul Peramalan Permintaan.
1.1 Latar Belakang
Peramalan adalah proses untuk memperkirakan berapa kebutuhan dimasa
datang yang meliputi kebutuhan dalam ukuran kuantitas, kualitas, waktu dan lokasi
yang dibutuhkan dalam rangka memenuhi permintaan barang ataupun jasa.
Keberhasilan perusahaan dalam mencapai tujuannya ditentukan oleh berbagai
faktor, salah satu yang terpenting adalah kemampuan mencapai order dari para
pelanggan. Agar produk menarik bagi pelanggan, perusahaan harus selalu berupaya
meningkatkan mutu produk dan pelayanannya.
Dalam hal ini diperlukan peramalan untuk memprediksi jumlah permintaan
konsumen yang akan datang. Peramalan tidak terlalu dibutukan dalam kondisi
pemintaan pasar yang stabil, karena perubahan permintaannya relatip kecil. Tetapi
peramalan akan sangat dibutuhkan nilai kondisi permintaan pasar bersifat komplek
dan dinamis.
Peramalan yang akurat merupakan informasi yang sangat dibutuhkan dalam
pengambilan keputusan manajemen. Permintaan pasar lebih banyak bersifat
komplek dan dinamis karena permintaan tersebut akan tergantung dari keadaan
sosial, ekonomi, politik, aspek teknologi, produk pesaing dan produk substitusi.
1.2 Tujuan
Berikut ini adalah tujuan dari dilaksanakannya praktikum Perencanaan dan
Pengendalian Produksi modul Peramalan Permintaan yaitu sebagai berikut :
1. Mahasiswa dapat memahami jenis – jenis peramalan, memahami tujuan dan
manfaat peramalan, serta memahami hubungan peramalan dengan permintaan
dan produksi.
2. Mahasiswa dapat menghitung peramalan dengan metode peramalan kuantitatif.
3. Mahasiswa dapat menghitung kesalahan peramalan.
4. Mahasiswa dapat menganalisis hasil peramalan.
BAB 2
KAJIAN PUSTAKA DAN DASAR TEORI
Pada bab ini akan membahas tentang pengertian perancangan sistem kerja, peta
kerja, lambang-lambang yang digunakan dan waktu baku dari praktikum
Perencanaan dan Pengendalian Produksi modul Peramalan Permintaan.
2.1 Pengertian Peramalan
Peramalan (forecasting) merupakan bagian vital bagi setiap organisasi bisnis
dan untuk setiap pengambilan keputusan manajemen yang sangat signifikan.
Peramalan menjadi dasar bagi perencanaan jangka panjang perusahaan. Ketepatan
hasil peramalan bisnis akan meningkatkan peluang tercapainya investasi yang
menguntungkan. Semakin tinggi akurasi peramalan dalam perusahaan karena hasil
dari suatu peramalan dapat memberikan arah bagi perencanaan perusahaan,
perencanaan produk dan pasar, perencanaan penjualan, perencanaan produksi dan
perencanaan keuangan.
Sedangkan, menurut (Evelina, 2103) peramalan adalah kegiatan untuk
memperkirakan apa yang akan terjadi pada masa yang akan datang. Ada banyak
jenis-jenis peramalan. Misalnya Metode Pemulusan, Metode Box Jenkins maupun
Metode Proyeksi Trend dengan Regresi. Akan tetapi, disini akan digunakan dengan
menggunakan Metode pemulusan Eksponensial dari Holt Winters yang melihat dari
segi musiman dalam suatu data
2.2 Metode Peramalan
Pada metode peramalan akan dibahas tentang beberapa metode yang digunakan
untuk meramalkan permintaan diantaranya sebagai berikut:
2.2.1 Metode Brown
Dasar pemikiran dari double exponential smoothing dari Brown adalah Metode
ini dikemukakan oleh Brown’s untuk mengatasi perbedaan yang muncul antara data
actual dan nilai peramalan apabila ada trend pada poltnya. Dasar pemikiran dari
pemulisan eksponensial linier dari Brown’s adalah serupa dengan rata-rata bergerak
linier (Linier Moving Average) menurut (Titania,2016). Rumus yang digunakan
dalam implementasi double exponential smoothing dari Brown adalah sebagai
berikut:
Smoothing pertama
𝑆′𝑡 = α𝑋𝑡 + (1 - α)𝑆′𝑡−1 .............................................................................. rumus 1
Smoothing kedua
𝑆′′𝑡 = α𝑆′𝑡 + (1 - α)𝑆′′𝑡−1 ............................................................................ rumus 2
Besarnya konstanta
𝛼𝑡 = 2𝑆′𝑡 + 𝑆′′𝑡 ............................................................................................ rumus 3
Besarnya forecast
𝐹1+𝑚 = 𝛼𝑡 + 𝑏𝑡 𝑚 ...................................................................................... rumus 4
Besarnya slope
𝑏𝑡 = 𝛼 1−𝛼 (𝑆′𝑡 - 𝑆′′𝑡 ) ................................................................................ rumus 5
Dimana:
S' t = Nilai pemulusan eksponensial pertama
S'' t = Nilai pemulusan eksponensial kedua
tX = Nilai aktual pada periode ke-t ta dan t
b = Konstanta pemulusan
α = Nilai parameter pemulusan yang besarnya 0 < α <1
2.2.2 Metode Double Exponential Smoothing Holt’s.
Metode Holt-Winters sering disebut metode pemulusan eksponensial yang
melakukan pendekatan . Metode ini terbagi menjadi dua bagian yakni:
1. Metode Pemulusan Eksponensial Holt-Winters dengan Metode Perkalian
Musiman (Multiplicative Seasonal Method) yang digunakan untuk variasi
data musiman yang mengalami peningkatan/penurunan (fluktuasi),
2. Metode Pemulusan Eksponensial Holt-Winters dengan Metode Penambahan
Musiman (Additive Seasonal Method) yang digunakan untuk variasi musiman
yang bersifat konstan.
Menurut (Evelina, 2013) metode Holt-Winters didasarkan pada tiga
persamaan pemulusan, yakni persamaan pemulusan keseluruhan, pemulusan tren,
dan persamaan pemulusanmusiman. Untuk Pemulusan Eksponensial Holt-Winters
dengan Metode Perkalian Musiman mempunyai persamaan sebagai berikut:
Pemulusan Keseluruhan
St = α Xt It−L+(1−a)(St−1 + bt−1) ...............................................................rumus 6
Pemulusan Trend
bt = β(St −St−1)+(1−β)bt−1 ..........................................................................rumus 7
Pemulusan Musiman
It = γXt St+(1−γ)I1−L ...................................................................................rumus 8
Untuk Pemulusan Eksponensial Holt-Winters dengan Metode Penambahan
musiman mempunyai persamaan sebagai berikut:
Ramalan
Ft+m = (St + btm)I1−L+m ............................................................................rumus 9
Pemulusan Keseluruhan
St = α(Xt −I1−L)+(1−a)(St−1 + bt−1) ........................................................rumus 10
Pemulusan Trend
bt = β(St−1 −St)+(1−β)bt−1 ........................................................................rumus 11
Pemulusan Musiman
It = γ(Xt −St)+(1−γ)It−L .............................................................................rumus 12
Ramalan
Ft+m = St + btm + It−L+m .........................................................................rumus 13
Dimana :
Xt= nilai aktual pada periode akhir t
α = konstanta penghalusan untuk data (0 < α < 1)
β = konstanta penghalusan untuk trend (0 < β < 1)
γ = konstanta penghalusan untuk musiman (0 < γ < 1)
St = nilai pemulusan awal
bt = konstanta pemulusan
I = faktor penyesuaian musiman
L =panjang musim
Ft+m =ramalan untuk m periode ke depan dari t.
2.2.3 Metode Moving Average
Moving average adalah metode peramalan yang menggunakan sejumlah data
aktual permintaan yang baru untuk membangkitkan nilai ramalan untuk permintaan
dimasa yang akan datang. Sedangkan exponential smoothing adalah metode yang
mengulang perhitungan secara terus menerus menggunakan data terbaru. Beberapa
penelitian telah menggunakan exponential smoothing untuk meramalkan
permintaan seperti penelitian yang dilakukan oleh. Menurut (Titania, 2016) Metode
exponential smoothing dan moving average cocok digunakan untuk data jangka
panjang, moving average dihitung dengan menggunakan rumus sebagai berikut:
𝑆𝑡+1 = α𝑋𝑡+ (1- α)𝑆𝑡+1 ............................................................................ rumus 14
Dimana :
St + 1 = Forecast untuk period ke t+1.
Xt = Data pada periode t.
n = Jangka waktu Moving averages (nilai n merupakan banyaknya periode
dalam rata-rata bergerak).
2.2.4 Metode Tracking signal
Menurut (Mira, 2013) Tracking signal adalah rasio antara kumulatif error
(selisih nilai ramalan dengan nilai aktual) / RSFE (Running Sum of the Forecast
Error) terhadap MAD (Mean Absolute Deviation). Nilai Tracking signal dapat
dihitung menggunakan rumus sebagai berikut:
Tracking signal
𝑅𝑆𝐹𝐸 ∑(𝑎𝑐𝑡𝑢𝑎𝑙−𝑓𝑜𝑟𝑒𝑐𝑎𝑠𝑡)
= ....................................................................rumus 15
𝑀𝐴𝐷 𝑀𝐴𝐷
Dengan MAD
∑⎢𝑦𝑖−𝑦𝑖⎢ ∑⎢𝑒𝑖⎢
= .............................................................................................rumus 16
𝑛 𝑛
Dimana :
TS = Tracking signal
RSFE = Running Sum Of The Forecast Error
MAD = Mean Absolute Deviation
n = Banyaknya periode data
2.2.5 Ukuran Kesalahan dengan Cara Statistik
Berikut ukuran-ukuran kesalahan yang digunakan untuk permalan
berdasarkan cara statistik:
a. 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 dibandingkan
kenyataannya. Secara metematis, menurut (Titania, 2016) MAD dirumuskan
sebagai berikut:
𝐴𝑡−𝐹𝑡
MAD = ∑ ...........................................................................................rumus 17
𝑛
Dimana :
At = Permintaan Aktual pada periode –t.
Ft = Peramalan Permintaan (Forecast) pada periode-t.
N = Jumlah periode peramalan yang terlibat
b. Rata-rata Kuadrat Kesalahan (Mean Square Error = MSE).
Menurut (Titania, 2016) MSE dihitung dengan menjumlahkan kuadrat semua
kesalahan peramalan pada setiap periode dan membaginya dengan jumlah periode
peramalan. Secara matematis, MSE dirumuskan sebgai berikut:
(𝐴𝑡−𝐹𝑡)²
MSE = ∑ ..........................................................................................rumus 18
𝑛
Dimana :
At = Permintaan Aktual pada periode –t.
Ft = Peramalan Permintaan (Forecast) pada periode-t.
N = Jumlah periode peramalan yang terlibat
c. Rata-Rata Kesalahan Peramalan (Mean Forecast Error = MFE).
Menurut (Titania, 2016) 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 not. MFE dihitung denagn
menjumlahkan semua kesalahan peramalan selam periode peramalan dan
membaginya dengan jumlah periode peramalan. Secara matematis, MFE
dinyatakan sebagai berikut:
(𝐴𝑡−𝐹𝑡)
MFE = ∑ ..........................................................................................rumus 19
𝑛
Dimana :
At = Permintaan Aktual pada periode –t.
Ft = Peramalan Permintaan (Forecast) pada periode-t.
N = Jumlah periode peramalan yang terlibat
2.2.6 Ukuran Kesalahan Relatif
Berikut ukuran-ukuran kesalahan yng digunakan untuk peramalan
berdasarkan cara relatif:
a. Rata-rata Persentase Kesalahan Absolut (Mean Absolute Percentage Error =
MAPE).
MAPE merupakan ukuran kesalahan relativ. MAPE biasanya lebih berarti
dibandingakan MAD karena MAPE menyatakan persentase kesalahan hasil
peramalan terhadap permintaan aktual selama periode tertentu yang akan
memberikan informasi persentase kesalahan terlalu tinggi atau terlalu rendah.
Secara matematis, Menurut (Titania, 2016) MAPE dinyatakan sebagai berikut:
100 𝐹𝑡
MAPE = ( )∑|𝐴𝑡 − | ..........................................................................rumus 20
𝑛 𝐴𝑡
Dimana :
At = Permintaan Aktual pada periode –t.
Ft = Peramalan Permintaan (Forecast) pada periode-t.
N = Jumlah periode peramalan yang terlibat.
b. Percentage Error (PE)
Menurut (Titania, 2016) nilai kesalahan prosentase (percentage error) dapat
dihitung dengan menggunakan persamaan sebagai berikut:
𝑋𝑡−𝐹𝑡
PE𝑡 = ( ) (100) ...................................................................................rumus 21
𝑋𝑡
Pada bab pengumpulan data ini akan membahas tentang data pengamatan dari
hasil praktikum Perencanaan dan Pengendalian Produksi membahas tentang data
dari dalam modul Peramalan Permintaan.
3.1 Data Peramalan Permintaan
Adapun data yang digunakan dalam praktikum Perencanaan dan Pengendalian
Produksi modul Peramalan Permintaan yaitu data dari 36 periode yang kemudian
ditambahkan tiga digit NIM terakhir sebesar 9 pada data berikutnya. Dan untuk data
permintaan data didapat dari data permintaan pertama 400 di tambah 440 lalu
dikalikan 1.5. Berikut data Peramalan Permintaan bisa dilihat pada tabel 3.1.
Dengan diketahui nilai:
Alfa = 0,6
Gamma = 0,3
NIM = 9 + 5 = 14
Tabel 3.1 Data Permintaan dan Data Peramalan
DATA DATA
PERIODE PERMINTAAN PERAMALAN
1 400 414 1221
2 438 452 1335
3 398 412 1215
4 701 715 2124
5 505 519 1536
6 577 591 1752
7 662 676 2007
8 505 519 1536
9 620 634 1881
10 721 735 2184
11 711 725 2154
12 770 784 2331
13 1021 1035 3084
14 870 884 2631
15 1235 1249 3726
16 1111 1125 3354
17 1450 1464 4371
18 1357 1371 4092
Tabel 3.1 Data Permintaan dan Data Peramalan (Lanjutan…)
19 1667 1681 5022
20 1630 1644 4911
21 1650 1664 4971
22 1783 1797 5370
23 1878 1892 5655
24 1978 1992 5955
25 1886 1900 5679
26 2017 2031 6072
27 1951 1965 5874
28 2035 2049 6126
29 1909 1923 5748
30 1942 1956 5847
31 2179 2193 6558
32 2000 2014 6021
33 2244 2258 6753
34 2164 2178 6513
35 2441 2455 7344
36 2287 2301 6882
TOTAL 49693 50197 149835
BAB 4
PENGOLAHAN DATA
4 2124 1068 1598 -1060 538 1 1285 838,89 838,89 703736,43 39,50 39,496
5 1536 1595 1401 388 1789 1 -522 2057,67 2057,67 4233993,48 133,96 133,963
6 1752 1400 1472 -143 1329 1 2176 -424,30 424,30 180030,41 -24,22 24,218
7 2007 1471 1646 -349 1297 1 1186 821,31 821,31 674550,17 40,92 40,922
8 1536 1646 1415 461 1876 1 948 588,09 588,09 345853,39 38,29 38,287
9 1881 1415 1553 -276 1277 1 2336 -455,37 455,37 207363,75 -24,21 24,209
1
0 2184 1553 1776 -446 1330 1 1002 1182,49 1182,49 1398278,75 54,14 54,143
1
1 2154 1776 1825 -98 1727 1 884 1270,35 1270,35 1613780,26 58,98 58,976
1
2 2331 1825 1946 -242 1704 1 1629 701,50 701,50 492107,80 30,09 30,095
1
3 3084 1946 2434 -976 1458 1 1463 1621,35 1621,35 2628779,67 52,57 52,573
1
4 2631 2434 2309 251 2560 1 482 2149,01 2149,01 4618224,02 81,68 81,680
1
5 3726 2309 2928 -1239 1689 1 2810 915,60 915,60 838326,30 24,57 24,573
1
6 3354 2928 2891 75 2966 1 451 2903,28 2903,28 8429037,56 86,56 86,562
1
7 4371 2891 3490 -1198 2292 1 3040 1330,58 1330,58 1770454,17 30,44 30,441
1
8 4092 3490 3502 -25 3478 1 1094 2998,08 2998,08 8988455,16 73,27 73,267
1
9 5022 3502 4064 -1123 2940 1 3453 1569,02 1569,02 2461831,83 31,24 31,243
2
0 4911 4064 4166 -204 3962 1 1817 3093,91 3093,91 9572259,11 63,00 63,000
2
1 4971 4166 4232 -133 4099 1 3758 1212,87 1212,87 1471058,56 24,40 24,399
2
2 5370 4232 4492 -519 3973 1 3966 1403,96 1403,96 1971108,20 26,14 26,145
2
3 5655 4492 4741 -498 4243 1 3454 2200,79 2200,79 4843469,95 38,92 38,918
2
4 5955 4741 4995 -509 4486 1 3745 2209,74 2209,74 4882935,60 37,11 37,107
2
5 5679 4995 4906 178 5084 1 3977 1702,42 1702,42 2898237,14 29,98 29,977
2
6 6072 4906 5115 -418 4697 1 5263 809,23 809,23 654847,19 13,33 13,327
2
7 5874 5115 5059 112 5171 1 4279 1595,17 1595,17 2544560,59 27,16 27,156
2
8 6126 5059 5193 -269 4925 1 5283 842,75 842,75 710228,18 13,76 13,757
2
9 5748 5193 5007 373 5380 1 4656 1092,23 1092,23 1192955,69 19,00 19,002
3
0 5847 5007 5010 -7 5003 1 5753 94,27 94,27 8886,37 1,61 1,612
3
1 6558 5010 5438 -855 4583 1 4996 1561,58 1561,58 2438532,91 23,81 23,812
3
2 6021 5438 5244 388 5632 1 3727 2293,67 2293,67 5260940,78 38,09 38,095
3
3 6753 5244 5625 -762 4863 1 6020 733,40 733,40 537878,82 10,86 10,860
3
4 6513 5625 5595 59 5655 1 4101 2412,12 2412,12 5818326,11 37,04 37,035
3
5 7344 5595 6085 -979 5106 1 5714 1629,94 1629,94 2656692,02 22,19 22,194
3
6 6882 6085 5955 261 6215 1 4126 2755,78 2755,78 7594328,15 40,04 40,043
Tabel 4.1 Perhitungan dengan Metode Brown (Lanjutan…)
1 6476
2 6736
3 6997 UKURAN KESALAHAN
4 7258 ME 1334,2
5 7518 MAE 1383,1
6 7779 SSE 94745282
7 8039 MSE 2631813,4
8 8300 SDE 1622,3
9 8561
10 8821 UKURAN KESALAHAN RELATIF
11 9082 MPE 33,91
12 9342 MAPE 36,60
2. Masukkan data pada tabel Problem Satisfaction selanjutnya pilih Time Series
Forecasting, pada Problem Title (judul sheet) ketik Double Moving Average,
pada Time Unit ketik Month, pada Number Of Time Units (periods) ketik 36
lalu klik Ok dan akan menghasilkan Output seperti pada gambar 4.2.
CFE 136
MAD 435,2121
MSE 257685
MAPE 13,69997
Trk.Signal 0,3124913
R-sqaure 1
m=3
CFE -6,35E-03
MAD 380,9308
MSE 199445,6
MAPE 11,85074
Trk.Sig
nal -1,67E-05
R-
sqaure 0,9489081
a=734,5912
b=185,2699
4.1.5 Metode Tracking Signal
1. Cara menyelesaikan menyelesaikan Metode Tracking signal ini dengan
menggunakan Aplikasi Excel. Diketahui nilai Demand diambil dari hasil
forecasting metode Linear Regresi dari periode pertama sampai 6 bulan
selanjutnya.
2. Rumus-rumus menggunakan aplikasi Excel adalah sebagai berikut :
Deviation = Actual – Demand yang bias di lihat dari rumus 15,16 pada bab 2
3. Hasil Perhitungan Tracking Signal
Tabel 4.5. Hasil Perhitungan Tracking Signal
Month Demand Forecast Actual Deviation RSFE ABS DEV SUM of ABS DEV MAD TS
1 7206 7575 369 369 369 369 369 1
2 7358 7559 201 569 201 569 285 2
3 7510 7002 -508 61 508 770 257 0,2
4 7662 7427 -235 -173 235 1278 320 -0,5
5 7813 7857 44 -130 44 1513 303 -0,4
6 7965 7571 -394 -524 394 1556 259 -2,0
Pada bab ini akan membahas tentang kesimpulan dan saran dari praktikum
Perencanaan dan Pengendalian Produksi modul Peramalan Permintaan.
5.1 Kesimpulan
Pada pembahasan mengenai peramalan permintaan pada bab sebelumnya
didapatkan ringkasan atau kesimpulan dari praktikum Perencanaan dan
Pengendalian Produksi modul Peramalan Permintann yaitu sebagai berikut :
1. Untuk memahami konsep kebutuhan untuk produksi dari permintaan pasar
terhadap produk yang akan di uji, peramal harus benar-benar teliti terhadap
data yang akan dibuatnya. Peramalan sangat dibutuhkan untuk kondisi pasar
yang bersifat komplek atau dinamis.
2. Secara kuantitatif penaksiran menitikberatkan pada perhitungan peramalan
yang akan dibuat dengan menggunakan bebeapa metode. Hasil peramalan
yang akan dibuat sangat bergantung pada metode yang dipakai dalam
peramalan tersebut. Peramalan kuantitatif dapat digunakan jika tertdapat 3
kondisi, yaitu :
a. Mempunyai informasi terhadap data permintaan aktual masa lalu.
b. Informasi tersebut dapat dijadikan acuan untuk membuat peramalan
permintaan selanjutnya.
c. Informasi tersebut dapat di asumsikan bahwa beberapa aspek pola masa lalu
akan tetap terus digunakan dimasa yang akan datang.
3. Dalam menghitung kesalahan harus dilakukan dengan teliti dikarenakan
banyaknya data atau angka yang dipakai sehingga membuat peramal
terkadang sedikit kebingungan dengan banyaknya data atau angka tersebut.
Tetapi dengan metode yang digunakan peramal bisa membuat peramalan
permintaan tahun depan dengan baik dan benar.
4. Ada beberapa metode dipakai untuk menganalisis peramalan permintaan,
beberapa metode tersebut yaitu metode Brown, metode Holt’s, metode
Moving Average, metode Linier Regresi, metode Tracking Signal. Berikut
adalah hasil ukuran kesalahan untuk MSE (Mean of Square Error) dari
masing-masing metode peramalan, Metode Brown diperoleh hasil MSE :
2631813,4, Metode Holt’s diperoleh hasil MSE : 165970,41, Metode Moving
Average diperoleh hasil MSE : 257685, Metode Linier Regresi diperoleh hasil
MSE : 199445,6
5.2 Saran
Kegiatan praktikum yang harus ditekankan lagi dalam penyampaianya, yaitu
tentang aplikasi WinQSB, karena aplikasi tersebut tidak bisa di instal di semua
laptop atau komputer. Jadi diharap agar ada jalan keluar untuk permasalahan kali
ini, karena banyak mahasiswa memakai windows 10 sedangkan WinQSB hanya
untuk windows 7 saja.
DAFTAR PUSTAKA
Andini, Titania Dwi, 2016, Peramalan Jumlah Stok Alat Tulis Kantor Di UD
ACHMAD JAYA Menggunakan Metode Double Exponential Smoothing,
Malang, STMIK ASIA.