BAB 1

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

c. Mean Percentage Error (MPE)

Menurut (Titania, 2016) nilai tengah kesalahan prosentase (mean
percentage error) dapat dihitung dengan menggunakan persamaan sebagai
berikut:
𝑃𝐸𝑡
MPE = ∑𝑛𝑡=1 ...........................................................................................rumus 22
𝑛
 BAB 3
PENGUMPULAN DATA

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

Pada bab pengolahan data ini akan membahas tentang langkah-langkah

pengolahan data menggunakan Microsoft Excel dan Win QSB serta analisis data
atau output untuk memberikan gambaran tentang Peramalan Permintaan pada
praktikum Perencanaan dan Pengendalian Produksi modul Peramalan Permintaan.
4.1 Langkah- langkah Pengolahan Data
Berikut ini langkah langkah pa pengolahan data dengan beberapa metpde
Forecasting dengan menggunakan Microsoft Excel dan Win QSB.
4.1.1 Metode Brown
Berikut ini langkah langkah pada pengolahan data dengan metode Brown
yaitu dengan cara menggunakan rumus-rumus yang dimasukkan pada Microsoft
Excel untuk mendapatkan hasilnya yaitu sebagai berikut:
1. Input data pada Microsoft Excel meliputi periode dan demand.
Dengan diketahui nilai:
Alfa = 0,6
Gamma = 0,3
2. Setelah input data langkah selanjutnya yaitu menggunakan rumus rumus
untuk input S’t, S”t, bt, at, m, ft+m, e, [e], e^2, PE, dan [PE] yaitu dengan aturan
sebagai berikut:
a. Pada periode pertama
S’t = Xi (Artinya nilai periode sama dengan nilai demand)
b. Pada periode kedua
Rumus yang dipakai dalam metode Brown seperti terlihat pada rumus
(1,2,3,4,5,)dan untuk nilai PE terlihat pada rumus 21.
3. Hasil perhitungan Forecasting dengan metode Brown menggunakan
Microsoft Excel terlihat pada tabel 4.1.
Tabel 4.1 Perhitungan dengan Metode Brown.
Periode demand s't s''t bt at m Ft+m E [E] e^2 PE [PE]
1 1221 1221 1221
2 1335 1099 1167 -137 1031
Tabel 4.1 Perhitungan dengan Metode Brown (Lanjutan…)
3 1215 1131 1079 103 1182 1 894 321,30 321,30 103233,69 26,44 26,444

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

JUMLAH 48033 49792 94745282 1220,7 1318

4.1.2 Metode Holt’s

Langkah – langkah untuk pengolahn data dengan metode holt’s yaitu dengan
cara menggunakan rumus rumus yang di masukkan pada Microsoft Excel untuk
mendapatkan hasilnya yaitu sebagai berikut :
1. Data yang sudah diolah pada metode Holt’s di salin pada sheet baru dengan
menghilangkan kolom S”t, at.
2. Rumus yang dipakai dalam metode Holt’s seperti terlihat pada rumus
(6,7,8,9,10,11,12,13).
3. Hasil perhitungan Forecasting dengan metode Holt’s menggunakan
Microsoft Excel terlihat pada table 4.2 yaitu sebagai berikut :
Table 4.2 Perhitungan dengan Metode Holt’s
Periode demand st bt m Ft+m E [E] e^2 PE [PE]
1 1221 1221 114
2 1335 1335 114
3 1215 1215 114 1 1449 -234,00 234,00 54756,00 -19,26 19,26
4 2124 1806 257 1 1329 795,00 795,00 632025,00 37,43 37,43
5 1536 1747 162 1 2063 -527,10 527,10 277834,41 -34,32 34,32
6 1752 1815 134 1 1909 -157,06 157,06 24668,47 -8,96 8,96
7 2007 1984 144 1 1949 58,22 58,22 3390,08 2,90 2,90
8 1536 1773 38 1 2128 -592,14 592,14 350631,53 -38,55 38,55
9 1881 1853 50 1 1811 70,30 70,30 4941,76 3,74 3,74
10 2184 2072 101 1 1903 280,62 280,62 78747,43 12,85 12,85
11 2154 2162 98 1 2173 -18,76 18,76 352,05 -0,87 0,87
12 2331 2302 111 1 2259 71,86 71,86 5164,04 3,08 3,08
Table 4.2 Perhitungan dengan Metode Holt’s (Lanjutan…)
13 3084 2816 231 1 2413 671,18 671,18 450477,13 21,76 21,76
14 2631 2797 157 1 3047 -415,91 415,91 172981,02 -15,81 15,81
15 3726 3417 295 1 2954 772,12 772,12 596168,66 20,72 20,72
16 3354 3497 231 1 3713 -358,65 358,65 128629,93 -10,69 10,69
17 4371 4114 347 1 3728 642,60 642,60 412933,44 14,70 14,70
18 4092 4239 280 1 4461 -368,57 368,57 135843,25 -9,01 9,01
19 5022 4821 371 1 4520 502,31 502,31 252311,32 10,00 10,00
20 4911 5023 320 1 5192 -280,76 280,76 78825,62 -5,72 5,72
21 4971 5120 253 1 5343 -372,45 372,45 138717,80 -7,49 7,49
22 5370 5371 253 1 5373 -3,08 3,08 9,51 -0,06 0,06
23 5655 5643 258 1 5624 31,22 31,22 974,54 0,55 0,55
24 5955 5933 268 1 5901 54,32 54,32 2950,53 0,91 0,91
25 5679 5888 174 1 6201 -522,22 522,22 272711,73 -9,20 9,20
26 6072 6068 176 1 6062 10,17 10,17 103,36 0,17 0,17
27 5874 6022 109 1 6244 -369,71 369,71 136685,29 -6,29 6,29
28 6126 6128 108 1 6131 -5,11 5,11 26,14 -0,08 0,08
29 5748 5943 20 1 6236 -488,35 488,35 238488,94 -8,50 8,50
30 5847 5894 -1 1 5964 -116,75 116,75 13629,64 -2,00 2,00
31 6558 6292 119 1 5893 664,91 664,91 442106,84 10,14 10,14
32 6021 6177 49 1 6411 -390,11 390,11 152185,80 -6,48 6,48
33 6753 6542 144 1 6226 527,10 527,10 277835,85 7,81 7,81
34 6513 6582 113 1 6686 -172,89 172,89 29891,76 -2,65 2,65
35 7344 7084 229 1 6695 649,23 649,23 421500,62 8,84 8,84
36 6882 7055 152 1 7314 -431,78 431,78 186435,26 -6,27 6,27
1 7206,5
2 7358,2
3 7510,0 Ukuran Kesalahan
4 7661,7 ME -0,67
5 7813,5 MAE 322,96
6 7965,2 SSE 5974934,73
7 8117,0 MSE 165970,41
8 8268,7 SDE 407,39
9 8420,5
10 8572,2 Ukuran Kesalahan Relatif
11 8724,0 MPE -1,016838043
12 8875,8 MAPE 10

JUMLAH -24 11627 5974935 -36,6 348

4.1.3 Metode Double Moving Average
Langkah-langkah yang digunakan untuk pengolahan data pada metode double
moving average ini yaitu dengan software Win QSB sebagai berikut:
1. Buka aplikasi Win QSB klik Forecasting and Linear Regression pilih File
New Problem dan hasilnya seperti pada gambar 4.1.

Gambar 4.1 Toolbar File

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.

Gambar 4.2 Kotak Dialog Forecasting Problem Specification

3. Masukkan data aktual pada kolom Historical Data sesuai dengan data. Dan
hasilnya seperti pada gambar 4.3.
 Gambar 4.3 Input Historical Data
4. Klik Solve and Analyze lalu klik Performs Forecasting dan hasilnya akan
tampak pada gambar 4.4

Gambar 4.4 Kotak Dialog Solve and Analyze

5. Pada Forecasting Method pilih Moving Average With Linear Trend, pada
Number Of Periods To Forecast masukkan angka 12, dan pada Number Of
Periods In Average masukkan angka 3 selanjutnya klik Ok. Berikut
tampilannya seperti pada gambar 4.5.

Gambar 4.5 Forecasting Setup

6. Hasilnya akan muncut Output dari pengolahan data tersebut dengan
menggunakan Double Moving Average pada software Win QSB terlihat pada
tabel 4.3 berikut”
Table 4.3 Metode Doble Moving Average dengan Win QSB
05-13-
2018
Actual Forecast Forecast Tracking
Month data by 3mat error CFE MAD MSE MAPE (%) signal R-sqaure
1 1221
2 1335
3 1215
4 2124 1251 873 873 873 762129 41,1017 1 1
5 1536 2347 -811 62 842 709925 46,95059 7,36E-02 1
6 1752 1946 -194 -132 626 485828,7 34,99141 -0,2108626 1
7 2007 1432 575 443 613,25 447027,8 33,40599 0,7223808 1
8 1536 2236 -700 -257 630,6 455622,2 35,83938 -0,4075484 1
9 1881 1549 332 75 580,8333 398055,8 32,80785 0,1291248 1
10 2184 1682 502 577 569,5714 377191,3 31,40463 1,013042 1
11 2154 2515 -361 216 543,5 346332,5 29,57399 0,3974241 1
12 2331 2346 -15 201 484,7778 307876,1 26,35949 0,414623 1
13 3084 2370 714 915 507,7 328068,1 26,03872 1,802245 1
14 2631 3453 -822 93 536,2727 359669,5 26,51182 0,1734192 1
15 3726 2982 744 837 553,5833 375825,1 25,96649 1,511968 1
16 3354 3789 -435 402 544,4615 361471,2 24,96673 0,7383441 1
17 4371 3960 411 813 534,9286 347717,7 23,85502 1,519829 1
18 4092 4462 -370 443 523,9333 333663,1 22,86749 0,8455274 1
19 5022 4677 345 788 512,75 320248,3 21,86763 1,536811 1
20 4911 5146 -235 553 496,4118 304658,7 20,86278 1,113994 1
21 4971 5494 -523 30 497,8889 302929,2 20,28824 6,03E-02 1
22 5370 4917 453 483 495,5263 297786,1 19,66443 0,9747212 1
23 5655 5543 112 595 476,35 283523,9 18,78023 1,249081 1
24 5955 6016 -61 534 456,5714 270200 17,93472 1,169587 1
25 5679 6245 -566 -32 461,5454 272479,8 17,57253 -6,93E-02 1
26 6072 5787 285 253 453,8696 264164,4 17,01258 0,5574289 1
27 5874 6019 -145 108 441 254033,6 16,40657 0,244898 1
28 6126 6070 56 164 425,6 243997,7 15,78687 0,3853383 1
29 5748 6078 -330 -166 421,9231 238801,6 15,4005 -0,3934367 1
30 5847 5790 57 -109 408,4074 230077,4 14,86622 -0,2668903 1
31 6558 5628 930 821 427,0357 252749,7 14,84175 1,922556 1
32 6021 6861 -840 -19 441,2758 268365,2 14,81104 -4,31E-02 1
33 6753 6316 437 418 441,1333 265785,3 14,53305 0,9475593 1
34 6513 6639 -126 292 430,9677 257723,7 14,12664 0,6775449 1
35 7344 6921 423 715 430,7188 255261,4 13,86518 1,660016 1
Table 4.3 Metode Doble Moving Average dengan Win QSB (Lanjutan…)
36 6882 7461 -579 136 435,2121 257685 13,69997 0,3124913 1
37 7282
38 7466,5
39 7651
40 7835,5
41 8020
42 8204,5
43 8389
44 8573,5
45 8758
46 8942,5
47 9127
48 9311,5

CFE 136
MAD 435,2121
MSE 257685
MAPE 13,69997
Trk.Signal 0,3124913
R-sqaure 1
m=3

4.1.4 Metode Linear Regression

Langkah-langkah yang digunakan untuk pengolahan data pada metode Linear
Regression ini dengan menggunakan software Win QSB yaitu sebagai berikut :
1. Buka software Win QSB klik Forecasting and Linear Regression pilih File
New Problem dan hasilnya seperti pada gambar 4.6.

Gambar 4.6 Toolbar File

2. Masukkan data pada tabel Problem Satisfaction selanjutnya pilih Time
Series Forecasting, pada Problem Title (judul sheet) ketik Linear Regression, pada
Time Unit ketik Month, pada Number Of Time Units (periods) ketik 36 lalu klik Ok
dan akan menghasilkan Output seperti pada gambar 4.7.

Gambar 4.7 Kotak Dialog Forecasting Problem Specification

3. Masukkan data aktual pada kolom Historical Data sesuai dengan data. Dan
hasilnya seperti pada gambar 4.8.

Gambar 4.8 Input Historical Data

4. Klik Solve and Analyze lalu klik Performs Forecasting dan hasilnya akan
tampak pada gambar 4.9.

Gambar 4.9 Kotak Dialog Solve and Analyze

5. Pada Forecasting Method pilih Linear Regression, pada Number Of Periods
To Forecast masukkan angka 12, dan pada Number Of Periods In Average
masukkan angka 3 selanjutnya klik Ok. Berikut tampilannya seperti pada gambar
4.10.

Gambar 4.10 Forecasting Setup

6. Hasilnya akan muncul Output dari pengolahan data tersebut dengan

menggunakan Linear Regression pada software Win QSB terlihat pada tabel 4.4
Table 4.4 Metode Linier Regression dengan Win QSB
05-13-
2018 Actual Forecast Forecast MAPE Tracking
CFE MAD MSE R-sqaure
Data by LR Error (%) Signal
Month

1 1221 919,8611 301,1389 301,1389 301,1389 90684,65 24,6633 1 1

2 1335 1105,131 229,869 531,0079 265,504 71762,21 20,94098 2 1
3 1215 1290,401 -75,40076 455,6072 202,1362 49736,57 16,02926 2,253961 1
4 2124 1475,671 648,3293 1103,937 313,6845 142385,2 19,65294 3,519257 0,8313573
5 1536 1660,941 -124,9406 978,996 275,9357 117030,1 17,34918 3,547913 0,9286905
6 1752 1846,21 -94,21033 884,7856 245,6481 99004,38 15,35387 3,601841 1
7 2007 2031,48 -24,48022 860,3054 214,0527 84946,52 13,33471 4,019128 1
8 1536 2216,75 -680,75 179,5554 272,3899 132255,8 17,20783 0,6591853 1
-
9 1881 2402,02 -521,02 341,4646 300,0155 147723,1 18,37352 -1,138157 1
-
10 2184 2587,29 -403,2898 744,7544 310,3429 149215,1 18,38274 -2,399779 1
-
11 2154 2772,56 -618,5596 1363,314 338,3626 170433,3 19,3222 -4,029151 1
-
12 2331 2957,83 -626,8296 1990,144 362,4015 188973,5 19,95293 -5,491543 1
-
13 3084 3143,099 -59,09937 2049,243 339,0706 174705,8 18,5655 -6,043705 1
-
14 2631 3328,369 -697,3691 2746,612 364,6634 196964,2 19,13267 -7,531911 1
-
15 3726 3513,639 212,3611 2534,251 354,5099 186839,7 18,23712 -7,148604 1
16 3354 3698,909 -344,9089 -2879,16 353,9099 182597,4 17,74002 -8,135292 1
-
17 4371 3884,179 486,8213 2392,339 361,7282 185797,2 17,35163 -6,613636 1
-
18 4092 4069,448 22,55151 2369,787 342,885 175503,4 16,41827 -6,911317 1
-
19 5022 4254,718 767,2817 1602,505 365,2217 197251,7 16,35828 -4,387761 0,8541555
Table 4.4 Table 4.4 Metode Linier Regression dengan Win QSB (Lanjutan…)
20 4911 4439,988 471,0117 -1131,494 370,5112 198481,7 16,01991 -3,053872 0,801111
21 4971 4625,258 345,7417 -785,752 369,3317 194722,5 15,58826 -2,127497 0,7823204
22 5370 4810,528 559,4722 -226,2798 377,9744 200099,1 15,35327 -0,5986643 0,7514936
23 5655 4995,798 659,2021 432,9224 390,2017 210292,5 15,19256 1,109483 0,7246315
24 5955 5181,068 773,9321 1206,854 406,1905 226487,5 15,10105 2,971154 0,70035
25 5679 5366,337 312,6626 1519,517 402,4494 221338,3 14,71723 3,775673 0,7116684
26 6072 5551,607 520,3926 2039,91 406,9857 223241 14,48081 5,01224 0,7119001
27 5874 5736,877 137,1226 2177,032 396,9908 215669,2 14,03095 5,483836 0,7319841
28 6126 5922,147 203,853 2380,885 390,093 209450,9 13,64869 6,103379 0,7474734
29 5748 6107,417 -359,417 2021,468 389,0352 206682,9 13,39366 5,196106 0,7843055
30 5847 6292,687 -445,687 1575,781 390,9236 206414,7 13,20129 4,030919 0,82179
31 6558 6477,957 80,04346 1655,825 380,8952 199962,9 12,81481 4,347193 0,8345371
32 6021 6663,227 -642,2266 1013,598 389,0618 206603,3 12,74768 2,605237 0,8746431
33 6753 6848,497 -95,49658 918,1016 380,1658 200618,9 12,40424 2,415003 0,8900231
34 6513 7033,766 -520,7661 397,3354 384,3011 202694,7 12,27458 1,033917 0,9208719
35 7344 7219,036 124,9639 522,2993 376,8915 197349,6 11,97249 1,385808 0,921945
36 6882 7404,306 -522,3057 -6,35E-03 380,9308 199445,6 11,85074 -1,67E-05 0,9489081
37 7589,576
38 7774,846
39 7960,115
40 8145,385
41 8330,655
42 8515,925
43 8701,195
44 8886,465
45 9071,734
46 9257,005
47 9442,274
48 9627,544

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

4.2 Analisis Data

Demand forecast didapat dari dari MSE terkecil dari keempat metode, metode
dengan MSE terkecil terdapat pada metode Double Exponential Smoothing dari
Brown. Nilai Tracking Signal positif menunjukkan bahwa nilai actual lebih besar
daripada nilai ramalan. Jika nilai Tracking Signal mendekati nol itu semakin baik
atau menunjukkan baik.
Tabel diatas mengambarkan cara perhitungan tracking signal untuk periode
6 bulan, dimana telah diramalakan bahwa demand setiap bulannya, dan actual
demand tidak konstan (secara acak). Nilai tracking signal yang baik jika memiliki
nilai yang mendekati nol, sebaliknya jika nilai menjauh dari nol maka tracking
signal semakin mendekati error atau kesalahan peramalan. Dalam metode tracking
signal didapat hasil sebagai berikut, bulan pertama didapat hasil 1, bulan kedua
didapat hasil 2, bulan ketiga didapat hasil 0,2, bulan keempat didapat hasil -0.5,
bulan kelima didapat hasil -0,4, dan pada bulan keenam didapat hasil -2.
Dari nilai Tracking Signal yang dihitung, nilai pada bulan ketiga dengan nilai
Tracking Signal 0,76 dan pada bulan ke 2 dengan nilai 2.
 BAB 5
KESIMPULAN DAN SARAN

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.

Febrina, Mira, 2013, Peramalan Jumlah Permintaan Produksi Menggunakan

Metode Jaringan Syaraf Tiruan (JST) Backpropagation, Yogyakarta,
Universitas Sultan Ageng Tirtayasa.

Padang, Evelina, 2013, Peramalan Jumlah Penumpang Kereta Api Medan-Rantau

Prapat Dengan Metode Pemulusan Eksponesial Holt-Winters, Medan,
University of Sumatera Utara