LAPORAN PRAKTIKUM PERENCANAAN DAN PENGENDALIAN PRODUKSI ACARA I PERAMALAN Disusun Oleh : Nama : Pradika Shinta Setyani NIM : 11/318932/TP/10178 Shift : III Asisten : Moh. Hidayatullah Aprilian Megasari LABORATORIUM SISTEM PRODUKSI JURUSAN TEKNOLOGI INDUSTRI PERTANIAN FAKULTAS TEKNOLOGI PERTANIAN UNIVERSITAS GADJAH MADA YOGYAKARTA 2013
This document is posted to help you gain knowledge. Please leave a comment to let me know what you think about it! Share it to your friends and learn new things together.
Transcript
LAPORAN PRAKTIKUM
PERENCANAAN DAN PENGENDALIAN PRODUKSI
ACARA I
PERAMALAN
Disusun Oleh :
Nama : Pradika Shinta Setyani
NIM : 11/318932/TP/10178
Shift : III
Asisten : Moh. Hidayatullah
Aprilian Megasari
LABORATORIUM SISTEM PRODUKSI
JURUSAN TEKNOLOGI INDUSTRI PERTANIAN
FAKULTAS TEKNOLOGI PERTANIAN
UNIVERSITAS GADJAH MADA
YOGYAKARTA
2013
BAB I
PENDAHULUAN
A. LATAR BELAKANG
Saat ini, produk yang beredar dipasaran sudah sangat melimpah dan
bervariasi. Industri yang bermunculanpun semakin hari semakin tak terkendali.
Hal ini menuntut perusahaan untuk mengatur jalannya proses produksi dan
manajemen operasi dengan melakukan banyak pertimbangan. Jika tidak dilakukan
pengaturan yang baik dalam beroperasi, perusahaan atau industri akan mudah
tumbang karena kalah strategy dengan perusahaan atau industri lainnya. Selain
itu, masalah finansial perusahaan merupakan poin utama yang harus dipelihara
karena masa depan perusahaan ada pada pengaturan finansial yang terstruktur.
Kelangsungan perusahaan dalam bidang manufaktur sangat bergantung
pada permintaan konsumen. Permintaan konsumen yang naik turun atau sifatnya
fluktuatif menyebabkan perusahaan khususnya bidang industri pertanian akan
kesulitan dalam mengatur jadwal produksi dan penentuan akan kebutuhan
sumberdaya. Sebab, kebutuhan akan sumberdaya jika tidak di perhitungkan
dengan baik dan terperinci akan menimbulkan cost dalam bentuk kerugian bagi
industri.
Dengan adanya ketidakpastian tersebut, perlu dikakukan peramalan dalam
suatu industri. Peramalan merupakan seni dan ilmu dalam memperediksikan
kejadian yang akan datang. Maksud peramalan pada lingkup industri meliputi
peramalan permintaan produk, bahan baku, tenaga kerja, dan kebutuhan dana
yang dijadikan sebuah input dalam industri untuk dapat membuat jadwal produksi
maupun dalam menentukan kebutuhan sumberdaya. Dengan adanya peramalan
maka industri dapat membuat keputusan terkait input proses produksi dari jauh
hari sebelum kejadian yang tidak pasti terjadi sehingga perencanaan produksi
akan menjadi lebih mudah. Selain itu dapat meningkatkan profit dan mengurangi
cost sehingga bersifat menguntungkan bagi perusahaan atau industri.
Hal utama yang dibutuhkan saat peramalan adalah data masa lalu.
Banyaknya jumlah data dan tipe data seperti data konstan, musiman, trend
menjadi masalah terkait perhitungan peramalan secara manual. Sehingga perlu
dilakukan perhitungan peramalan dengan menggunakan komputer agar
mempermudah dalam mendapatkan hasil peramalan dan dapat memilih metode
terbaik sesuai dengan tipe data. Untuk itu dilakukan praktikum “peramalan”
menggunakan computer agar praktikan dapat mengolah data dengan
mengaplikasikan software WinQSB dengan mudah dikemudian hari.
B. TUJUAN PRAKTIKUM
1. Mengajarkan mahasiswa untuk melakukan peramalan dengan bantuan
computer.
2. Mengajarkan mahasiswa untuk memilih metode peramalan dengan
benar.
C. MANFAAT PRAKTIKUM
1. Mengetahui cara mengaplikasikan data mentah ke dalam software
WinQSB sehingga perolehan hasil akan lebih mudah dan cepat serta
akurat.
2. Mampu memilih metode peramalan yang paling benar sesuai dengan
tipe data yang ada.
BAB II
TINJAUAN PUSTAKA
Peramalan (forecasting) adalah suatu kegiatan yang memperkirakan apa yang
akan terjadi pada masa mendatang. Peramalan menggunakan data historis dan
memproyeksikannya ke masa depan dengan beberapa bentuk model matematis. Peramalan
penjualan adalah peramalan yang mengkaitkan berbagai asumsi yang berhubungan
dengan tindakan-tindakan yang perlu diambil serta variable-variabel lain yang
mempengaruhi permasalahan arus penjualan yang diperkirakan terjadi. Peramalan
diperlukan karena adanya perbedaan waktu antara keadaan akan dibutuhkannya suatu
kebijakan baru. Apabila perbedaan waktu tersebut panjang, maka peran peramalan
menjadi penting dan sangat dibutuhkan, terutama dalam penentuan kapan terjadi
suatu peristiwa sehingga dapat di persiapkan tindakan- tindakan yang diperlukan
(Sugiyo, 2008).
Peramalan adalah seni dan ilmu untuk memprediksi masa depan. Peramalan
adalah tahap awal, dan hasil ramalan merupakan basis bagi seluruh tahapan pada
perencanaan produksi. Proses peramalan dilakukan pada level agregat (part family),
bila data yang dimiliki adalah data item, maka perlu dilakukan agregasi terlebih
dahulu (Icun, 2005). Peramalan dapat diklasifikasikan menjadi beberapa macam,
yaitu (Baroto, 2002):
a) Peramalan berdasarkan jangka waktu :
1. Peramalan jangka pendek (kurang dari satu tahun, umumnya kurang dari
tiga bulan) : digunakan untuk order pembelian, penjadwalan kerja atau
produksi, penjadwalan jjumlah tenaga kerja dan penugasan pekerjaan.
2. Peramalan jangka menengah (tiga bulan hingga tiga tahun) : digunakan
untuk perencanaan penjualan, perencanaan dan penganggaran produksi,
oerencanaan pembelian, perencanaan distribusi dan menganalisis berbagai
rencana operasi.
3. Peramalan jangka panjang (tiga tahun atau lebih) : digunakan untuk
merencanakan dan meluncurkan produk baru, perencanaan modal,
perencanaan lokasi fasilitas, perencanaan strategis, perencanaan kapasitas
dan penelitian serta pengembangan.
b) Peramalan berdasarkan rencana operasi
1. Ramalan ekonomi : membahas siklus bisnis dengan memprediksi tingkat
inflasi dan indikator perencanaan lainnya.
2. Ramalan teknologi : berkaitan dengan tingkat kemajuan teknologi
dan produk baru.
3. Ramalan permintaan : berkaitan dengan proyeksi permintaan terhadap
produk perusahaan. Ramalan ini disebut juga ramalan penjualan, yang
mengarahkan produksi, kapasitas dan sistem penjadwalan perusahaan.
c) Peramalan berdasarkan metode / pendekatan
1. Peramalan kuantitatif, menggunakan berbagai model matematis atau
metode statistik dan data historis dan atau variabel-variabel kausal untuk
meramalkan permintaan.
2. Peramalan kualitatif, menggunakan intuisi, pengalaman pribadi dan
berdasarkan pendapat (judment) dari yang melakukan peramalan.
Tujuan peramalan pada dasarnya adalah memperkirakan jumlah
permintaan di masa depan. Untuk mencapai hal tersebut, diharapkan hasil yang
diramalkan mendekati kondisi sebenarnya. Ketepatan dan ketelitian hasil
peramalan digunakan sebagai tolak ukur performansi metode peramalan yang
dalam hal ini dinyatakan sebagai kesalahan peramalan. Semakin kecil kesalahan
peramalan berarti semakin teliti pula metode yang digunakan dalam melakukan
peramalan (Kazmier, 2003).
Menurut Jawahar (2009) esensi dari peramalan adalah perkiraan peristiwa-
peristiwa di waktu yang akan datang atas dasar pola-pola di waktu yang lalu dan
penggunaan kebijakan terhadap proyeksi-proyeksi dengan pola-pola yang terdapat
pada waktu yang lalu. Peramalan memerlukan kebijakan, sedangkan proyeksi-
proyeksi merupakan bagian dari fungsi-fungsi mekanikal. Proses peramalan
terdiri dari beberapa langkah, antara lain :
a. Menetapkan tujuan peramalan.
b. Memilih unsur apa yang akan diramal.
c. Menentukan horizon waktu peramalan.
d. Memilih tipe model peramalan.
e. Mengumpulkan data yang diperlukan untuk melakukan peramalan.
f. Membuat peramalan.
g. Memvalidasi dan menerapkan hasil peramalan.
Terlepas dari suatu sistem permalan yang digunakan, setiap perusahaan
atau entitas usaha menghadapi beberapa kenyataan. Kenyataan tersebut yaitu
peramalan yang dilakukan tidak ada yang 100% akurat, dan terdapat standar
deviasi pada masing-masing teknik dan atau pendekatan yang dilakukan. Selain
itu, hampir semua peramalan mengasumsikan bahwa sistem akan tetap stabil dan
biasanya baik peramalan kelompok produk mapun peramalan secara keseluruhan
lebih akurat daripada peramalan produk individu (Ehlers, 2001).
Terdapat dua pendekatan umum peramalan, sebagaimana ada dua acara
mengatasi semua model keputusan, yaitu (Ariyoso, 2009) :
a. Peramalan kualitatif (Qualitative Forecast), adalah pendekatan menggunkan
model matematis yang beragam dengan data masa lalu dan variable sebab-
akibat untuk meramalkan permintaan atau penjualan. Beberapa teknik yang
biasa digunakan antara lain adalah :
1) Metode Delphi, dimana pengambil keputusan terdiri dari 10 orang pakar
yang akan melakukan peramalan, dengan menggunakan responden yang
berbeda dimana penilaian dilakukan, dan kelompok ini juga memberikan
input pada pengambilan keputusan sebelum peramlan dibuat.
2) Keputusan dari pendapat juri eksekutif, dalam metode ini pendapat
sekumpulan kecil manajer atau pakar tingkat tinggi, sering
dikombinasikan dengan model statistik, dikumpulkan untuk mendapatkan
prediksi permintaan kelompok.
3) Gabungan dari tenaga penjualan, dalam pendekatan ini setiap tenaga
penjualan memperkirakan berapa penjualan yang bisa dilakukan dalam
wilayahnya.
4) Survei pasar konsumen, metode ini meminta input dari konsumen
mengenai rencana pembelian mereka di masa yang akan datang.
b. Peramalan kuantitatif (Quantitative Forecast), adalah pendekatan yang
menggabungkan faktor seperti intuisi, emosi, pengalaman pribadi, dan sistem
nilai pengambil keputusan untuk meramal. Lima metode yang dapat
digunakan antara lain adalah :
i. Time series model :
1) Rata-rata Bergerak (Moving Average), menggunakan sejumlah data aktual
masa lalu untuk menghasilkan peramalan.
2) Penghalusan Eksponensial, merupakan metode peramalan rata-rata
bergerak dengan pembobotan yang telah dikembangkan lebih lanjut,
namun masih bisa digunakan.
3) Pendekatan Naif, adalah teknik peramalan yang mengasumsikan
permintaan di periode mendatang sama dengan permintaan terkini.
4) Proyeksi Tren, adalah metode peramalan time-series yang menyesuaikan
sebuah garis tren pada sekumpulan data masa lalu, dan kemudian
diproyeksikan untuk meramalkan masa depan, dan dapat menggunakan
tren matematis (seperti eksponensial dan atau kuadratis).
ii. Associative model : Kuadrat Terkecil (Least Square Method), pendekatan
ini menghasilkan sebuah garis lurus yang meminimalkan jumlah kuadrat
dari deviasi vertikal garis pada setiap hasil pengamatan aktual.
Menurut time series terdapat empat jenis pola permintaan antara lain
(Ariyoso, 2009):
1. Pola Trend
Bila data permintaan menunjukkan kecenderungan gerakan penurunan atau
kenaikan jangka panjang. Bila data berpola trend, maka metode peramalan yang
sesuai adalah metode linier regression, exponential smoothing, atau double
exponential smoothing.
2. Pola Musiman
Bila data yang kelihatannya berfluktuasi, namun fluktuasi tersebut akan terlihat
berulang dalam suatu waktu interval tertentu, maka data tersebut berpola musiman.
Metode peramalan yang sesuai dengan pola musiman adalah metode winter
(sangat sesuai), atau moving average, atau weight moving average.
3. Pola Siklikal
Bila fluktuasi permintaan secara jangka panjang membentuk pola sinusoida atau
gelombang atau siklus. Pola siklikal mirip dengan pola musiman. Pola musiman
tidak harus berbentuk gelombang, bentuknya dapat bervariasi, namun waktunya
berulang setiap tahun (umumnya). Pola siklikal bentuknya selalu mirip gelombang
sinusoid. Metode yang sesuai bila data berpola siklikal adalah metode moving
average, weight moving average, dan exponential smoothing.
4. Pola Eratik/Random
Bila fluktuasi data permintaan dalam jangka panjang tidak dapat digambarkan oleh
ketiga pola lainnya. Fluktuasi permintaan bersifat acak atau tidak jelas.tidak ada
metode peramalan yand direkomendasikan untuk pola ini. Hanya saja tingkat
kemampuan seorang analisis peramalan sangat menentukan dalam pengambilan
kesimpulan mengenai pola data.
Metode Smoothing merupakan salah satu jenis teknik yang digunakan dalam
analisis time series (runtun waktu) untuk memberikan peramalan jangka pendek.
Dalam melakukan smoothing (penghalusan) terhadap data, nilai masa lalu digunakan
untuk mendapatkan nilai yang dihaluskan untuk time series. Nilai yang telah
dihaluskan ini kemudian diekstrapolasikan untuk meramal nilai masa depan. Tehnik
yang kita kenal dalam metode smoothing yaitu Simple Moving Average dan
Exponential smoothing. Data time series seringkali mengandung ketidakteraturan
yang akan menyebabkan prediksi yang beragam. Untuk menghilangkan efek yang
tidak diinginkan dari ketidak-teraturan ini, metode simple moving average
mengambil beberapa nilai yang sedang diamati, memberikan rataan, dan
menggunakannya untuk memprediksi nilai untuk periode waktu yang akan datang.
Semakin tinggi jumlah pengamatan yang dilakukan, maka pengaruh metode moving
average akan lebih baik. Meningkatkan jumlah observasi akan menghasilkan nilai
peramalan yang lebih baik karena ia cenderung meminimalkan efek-efek pergerakan
yang tidak biasa yang muncul pada data. Moving Average juga mempunyai dua
kelemahan yaitu memerlukan data masa lalu dalam jumlah besar untuk ketepatan
prediksi, dan masing-masing observasi diberikan bobot yang sama, ini melanggar
bukti empiris bahwa semakin observasi terbaru seharusnya lebih dekat dengan nilai
masa depan maka kepentingan bobotnya akan meningkat pula (Sugiarto, 2000).
Metode weighted moving average mirip dengan metode moving average,
hanya saja diperlukan pembobotan untuk data paling baru dari deret berkala. Sebagai
contoh data yang paling baru ditentukan bobotnya sebesar 0.4, data terbaru
berikutnya berbobot 0.3, kemudian berturut-turut 0.2 dan terakhir 0.1. Dan perlu
diingat bahwa jumlah bobot yang diberikan harus sama dengan 1.00. Dan bobot
terberat diberikan pada data yang terbaru. Metode winter’s merupakan metode
peramalan yang sering dipilih untuk menangani data permintaan yang mengandung
baik variasi musiman maupun unsur trend. Metode ini mengolah tiga asumsi untuk
modelnya : unsur konstan, unsur trend dan unsur musiman. Ketiga komponen diatas
secara kontinyu diperbarui menggunakan konstanta smoothing yang diterapkan pada
data terbaru dan estimasi yang paling akhir (Person, 2007).
Terdapat beberapa perhitungan yang biasa digunakan untuk menghitung
kesalahan peramalan (forecast error) total. Perhitungan ini dapat digunkan untuk
membandingkan model peramalan yang berbeda, juga untuk mengawasi peramalan,
dan untuk memastikan peramalan berjalan dengan baik. Tiga dari perhitungan
tersebut antara lain adalah (Sugiarto, 2000) :
a) Mean Absolute Deviation (MAD), dimana nilai kesalahan dihitung dengan
mengambil jumlah nilai absolut dari tiap kesalahan peramalan dibagi dengan
jumlah periode data.
b) Mean Squared Error (MSE), dimana nilai kesalahan dihitung dengan
menggunakan rata-rata selisih kuadrat antara nilai yang diramalkan dan
diamati.
c) Mean Absolute Percent Error (MAPE), dimana kesalahan dihitung dengan
menggunakan rata-rata diferensiasi absolut antara nilai yang diramal dengan
nilai aktual, dan dinyatakan sebagai persentase nilai aktual.
BAB III
METODE PRAKTIKUM
A. ALAT DAN BAHAN
1. Laptop atau computer
2. Software WinQSB
3. Data penjualan produk 1,2 dan 3 pada modul praktikum
B. PROSEDUR PRAKTIKUM
1. Menentukan tujuan peramalan (ramalan penjualan).
2. Menentukan jangka waktu peramalan (6 bulan kedepan).
3. Mengumpulkan dan menganalisis data :
a. Mengeplotkan data penjualan aktual produk 1, produk 2, produk 3
selama 36 periode pada Ms. Excel.
b. Membuat grafik dari masing-masing data aktual tersebut dan diamati
pola perubahannya apakah berpola konstan, trend, atau musiman.
4. Menentukan teknik peramalan yang sesuai dengan pola data yang ada :
a. Untuk data konstan/random (produk 1) menggunakan metode simple
average, weighted moving average, exponential smoothing dan adaptive
exponential smoothing.
b. Untuk data trend (produk 2) menggunakan moving average with linear
trend, exponential smoothing with linear trend, double exponential
smoothing, double exponential smoothing with linear trend dan linear
regression.
c. Jika data musiman (produk 3), pilihan yang mungkin digunakan adalah
metode winter’s.
5. Melakukan peramalan:
a. Menjalankan program WinQSB
b. Pilihlah “Forecasting and Linear Regression”
c. Pada menu “File” pilihlah pilihan “New Problem”
d. Muncul “Data specification” dan isikan:
1) Problem Type = Times Series Forecasting
2) Problem Title: Peramalan 1,2,3 atau nama lain
3) Time unit: Month
4) Number of Time Units = 36 dan klik “OK”.
e. Memasukkan data penjualan yang ada pada baris yang tersedia dengan
mengcopy dan paste dari Ms.Exel.
f. Simpan data tersebut dalam c:\Peramalan 1, c:\Peramalan 2,
c:\Peramalan 3 untuk masing-masing data yang ada.
g. Dalam menu “Solve and Analyze” klik “Perform Forecasting”.
h. Dalam “Forecasting Method” dipilih 2 metode yang sesuai.untuk
masing masing data produk di atas (produk 1 simple average, produk 2
double exponential smoothing with trend dan produk 3 holt-winters
additive algorithm). Di dalam peramalan yang sesungguhnya boleh
dipilih lebih dari 2 metode asalkan sesuai dengan pola data.
i. Dalam “Method Parameters” dipilih “assign values” untuk nilai yang
sudah diketahui atau dipilih “search for the best” untuk pencarian terbaik
oleh komputer (biasanya lama untuk model yang kompleks).
j. Dalam “Search Criterion” dipilih “MAD”.
k. Dalam “Number of Periods to Forecast” diisikan angka 6 untuk
meramalkan enam periode ke depan.
l. Isikan setiap data sesuai dengan metode peramalan yang dipilih.
m. Klik “OK” maka hasil peramalan akan diperoleh.
n. Untuk melihat gambar hasil peramalan klik “Show Forecasting in
Graph”.
o. Menyimpan data hasil peramalan dengan format dokumen (*.xls).
6. Mengukur kesalahan:
a. Membuka semua file yang tadi disimpan dan membandingkan nilai
MAD dari setiap hasil peramalan metode yang digunakan.
b. Menggunakan ukuran MAD (Mean Absolute Deviation) yang terkecil
untuk memilih metode peramalan yang paling baik.
7. Memverifikasi peramalan:
Plotkan data Tracking signal (TS) dari hasil peramalan dengan
menggunakan batas control ±3 (UCL=3 dan LCL=-3) untuk
memverifikasi metode peramalan yang dipilih.
8. Melakukan analisis untuk hasil peramalan masing-masing produk.
BAB IV
HASIL DAN PEMBAHASAN
A. HASIL
(Terlampir)
B. PEMBAHASAN
Pada praktikum acara 1 Perencanaan dan Pengendalian Produksi (P3) ini
berjudul “Peramalan” atau forecasting yang memiliki tujuan untuk mengajarkan
mahasiswa melakukan peramalan dengan bantuan komputer. Selain itu juga
mengajarkan mahasiswa untuk dapat memilih metode dengan benar. Sehingga,
diharapkan nantinya praktikan dapat mengaplikasikannya dikemudian hari.
Peramalan merupakan seni, ilmu dan suatu kegiatan untuk
memperkirakan/memperediksikan apa yang akan terjadi pada masa mendatang.
Peramalan dilakukan menggunakan data historis dan memproyeksikannya ke masa
depan dengan beberapa bentuk model matematis. Pada suatu industri, peramalan
biasanya dilakukan untuk meramalkan kebutuhan di masa dating yang meliputi
kebutuhan dalam ukuran kuantitas, kualitas, waktu dan lokasi yang dibutuhkan
dalam rangka memenuhi permintaan barang dan jasa. Dengan kata lain dengan
melakukan peramalan dapat mengetahui perkiraan permintaan pasar yang akan
terjadi pada periode tertentu sehingga memudahkan perencanaan produksi.
Industri yang melakukan peramalan dapat memperkirakan segala hal yang
berkaitan dengan proses produksi seperti kapasitas produksi atas dasar
permintaan produk, bahan baku, tenaga kerja dan kebutuhan dana maupun
kebutuhan sumber daya (resource requirements) untuk mengoptimalkan proses
produksi.
Praktikum dilakukan dengan memasukkan data produk 1,2 dan 3 masing-
masing sebanyak 36 data atau 36 periode ke dalam Ms.Excel. Kemudian data di
plot kan dalam grafik sehingga dapat diketahui pola data yang terbentuk
merupakan data konstan, trend atau musiman. Dengan mengetahui pola data, akan
memudahkan proses peramalan pada saat memilih metode yang sesuai
menggunakan software WinQSB. Untuk data produk 1 diperoleh pola data
konstan karena data yang terbentuk naik-turun dengan konstan tanpa ada pola
tertentu yang bersifat kecenderungan. Kemudian untuk data produk 2 diperoleh
pola trend positif karena grafik memiliki kecenderungan naik. Pola data trend
memiliki 2 jenis yaitu trend positif dan trend negative. Pola trend positif memiliki
kecenderungan naik seperti pda grafik produk 2 sedangkan trend negative
memiliki kecenderungan turun pada grafik yang ada. Data produk 3 terlihat
kecenderungan membentuk pola yang hamper sama dengan resonansi gelombang
atau disebut pola data musiman.
Langkah selanjutnya adalah membuka software WinQSB dengan memilih
program Forecasting and Linear Regression kemudian pada menu File dipilih
pilihan New Problem. Muncullah data specification dan dilakukan pengisian
terhadap problem type dengan memilih time series forcasting ; problem title
dengan mengisi nama file peramalan 1 untuk produk 1, peramalan 2 untuk produk
2 dan peramalan 3 untuk produk 3 sesuai dengan keinginan praktikan ; time unit
yaitu month dan terakhir adalah number of time unit yang diisi dengan 36 karena
data yang akan diinput sebanyak 36 periode dan klik OK. Selanjutnya adalah
memasukkan data yang telah di input sebelumnya pada Ms.excel untuk dicopy-
paste pada software WinQSB.
Untuk data produk 1, 2 dan 3, data yang sudah dimasukkan dalam
WinQSB dilakukan pengolahan data dengan memilih menu solve and analyze
kemudian klik perform forecasting dan diisikan sesuai dengan data dan tujuan
peramalan. Untuk forecasting method dipilih simple average untuk pola data
konstan (produk 1), kemudian produk 2 dengan pola data trend menggunakann
double exponential smoothing with trend dan produk 3 dengan pola musiman
dipilih metode holt-winters additive algorithm. Selanjutnya memilih assign
values pada method parameters untuk nilai yang sudah diketahui atau memilih
search for the best untuk pencarian terbaik oleh komputer. Pada data produk 1
method parameters menggunakan assign values, produk 2 menggunakan search
the best untuk memperoleh nilai alfa dan produk 3 menggunakan search the best
untuk memperoleh nilai dari konstanta alfa, betha dan gamma. Biasanya, search
the best digunakan oleh pengguna yang memang bukan ahlinya untuk data yang
bersifat kompleks. Sedangkan para ilmuan yang memang sudah mengetahui
besarnya nilai konstanta yang akan digunakan dapat menggunakan assign values.
Selanjutnya dipilih MAD dalam search criterion dan angka 6 diisikan pada
number of period to forecast yang berarti bahwa dilakukan peramalan pada enam
period ke depan untuk setiap data produk. Hasilnya akan diperoleh setelah
mengklik OK dan data dapat disimpan dalam format (*.xls).
Langkah berikutnya adalah mengukur kesalahan dengan membuka dan
membandingkan nilai MAD pada Ms.Excel dari setiap hasil peramalan metode
yang digunakan. Nilai MAD terbaik memiliki nilai paling kecil. Peramalan
diverifikasi dengan memplot data tracking signal dari setiap hasil peramalan
dengan memasukkan batas kontrol atas (UCL) +3 dan batas kontrol bawah (LCL)
-3 karena persediaan dianggap tinggi sehingga maksimal UCL dan LCL adalah
±4. Sedangkan untuk data dengan persediaan rendah, maksimal batas atas
maupun bawah adalah ±8. Hal ini dilakukan karena untuk memverifikasi metode
peramalan yang dipilih. Selanjutnya dilakukan analisis untuk hasil peramalan
masing-masing produk. Dengan memberikan batas atas dan batas bawah kita
dapat mengetahui persebaran data dan data yang termasuk dalam in control
ataupun masuk dalam out of control.
Untuk mengetahui keakuratan dari hasil peramalan, dapat dilakukan
beberapa perhitungan yang dapat digunakan yang ditentukan oleh nilai kesalahan
peramalan atau value of forecast error. Perhitungan ini digunakan untuk
menghitung kesalahan peramalan (forecast error) total. Apabila permintaan actual
dilambangkan dengan D dan nilai peramalan F, maka :
Forecast error (et) = Dt – Ft
Dimana, Dt = data pada periode t dan Ft = peramalan pada periode t
Metode untuk mengetahui tingkat akurasi peramalan diantaranya adalah :
1. Mean Squared Error (MSE) adalah salah satu metode untuk mengevaluasi
metode peramalan. Masing-masing kesalahan et (forecast error) dikuadratkan
kemudian dijumlahkan. Jumlah dari kuadrat et tersebut kemudian dibagi
dengan jumlah observasi. Atau dapat dikatakan rata – rata selisih kuadrat
antara nilai yang diramalkan dan yang diamati. Kekurangan penggunaan
MSE adalah bahwa MSE cenderung menonjolkan deviasi yang besar karena
adanya pengkuadratan.
2. Mean Absolute Percentage Error (MAPE) merupakan rata – rata diferensiasi
absolut antara nilai yang diramalkan dan actual, dinyatakan sebagai
persentase nilai aktual. Dilakukan dengan menjumlahan setiap kesalahan (et)
absolut pada periode t dibagi dengan data aktual pada periode t . Kemudian
mengkalikan dengan 100 dibagi dengan banyaknya data-1 (n-1). Pendekatan
ini berguna ketika ukuran atau besar variabel ramalan itu penting dalam
mengevaluasi ketepatan ramalan. MAPE mengindikasi seberapa besar
kesalahan dalam meramal yang dibandingkan dengan nilai nyata.