BAB I PENDAHULUAN1.1. Latar Belakang Peramalan adalah proses
untuk memperkirakan beberapa kebutuhan dimasa datang yang meliputi
kebutuhan dalam ukuran kuantitas, kualitas, waktu dan lokasi yang
akan dibutuhkan dalam rangka memenuhi permintaan barang atau jasa.
Peramalan tidak terlalu dibutuhkan dalam kondisi permintaan pasar
yang stabil, karena perubahan permintaannnya relatif kecil.
Peramalan sangat baik digunakan untuk mmeprediksi jumlah penjualan
produk pada umumnya termauk produk etalase handphone pada bulan
beriktnya apakah akan menigkat atau menurun. Data prediksi itu
diambil dari data-data penujalan biasanya data tersebut diambil
secara berkala pada bulan-bulan sebelumnya seperti 3 blan, 6 bulan
, 12 bulan dan sebagainya.
1.2.
Rumusan Masalah Rumusan Masalah dalam praktikum modul 6
Perancangan Teknik Industri tentang eramalan adalah bagaimana
meramal atau memprediksi penjualan etalase handphone untuk bbebapa
bulan ke depan yang didapat dari data penjualan bulan-bulan
sebelumnya kemudian diolah dan diprediksi untuk menentukan jumlah
penjualan, kurva penualan dan keuntungan penjualan bulan-bulan
berikutnya apakah akan meningkat atau menurun.
1.3.
Tujuan Tujuan dari praktikum ini adalah sebagai berikut: a.
Mahasiswa mampu menerapkan model matematik, heuristik, dan teknik
statistik untuk menganalisis dan merancang suatu sisitem perencanan
dan pengendalian.
VI-1
VI-2
b. Mahasiswa mampu menganalisis pola deman serta menerapkan
teknikteknik peramalan.
BAB II LANDASAN TEORIPeramalan adalah suatu teknik yang
digunakan untuk memperkirakan suatu sistem di masa yang akan
datang. Selain pesanan yang diterima ( ctual a order) peramalan
permintaan diperlukan oleh suatu perusahaan sebagai dasar
perencanaan produksi/operasi. Prosedur peramalan: 1. Definisikan
tujuan peramalan 2. Membuat diagram pencar 3. Pilih paling sedikit
dua metode yang memenuhi tujuan peramalan dan sesuai dengan plot
data 4. Hitung parameter-parameter fungsi peramalan 5. Hitung
kesalahan peramalan yang terjadi 6. Pilih metode peramalan yang
terbaik 7. Lakukan verifikasi peramalan
Klarifikasi Metode Peramalan Teknik-teknik peramalan dapat
dibagi menjadi dua kategori, yaitu kualitatif dan kuantitatif.
Teknik-teknik kualitatif bergantung pada intuisi, penilaian dan
evaluasi subyektif lain. Sedangkan teknik-teknik kuantitatif dibagi
dalam dua jenis yaitu intrinsik dan ekstrinsik. Pada praktikum ini
kita menggunakan tipe intrinsik yang sering disebut time series
analysis techniques.
Jenis-Jenis Metode Peramalan: 1. Moving Average Merupakan metode
yang paling mudah dilakukan. Contoh: D 2 D3 D 4 = F5 3 dimana:
VI-3
VI-4
Di = actual demand pada periode i Fi = forecast demand pada
periode i Hasil peramalan merupakan rata-rata dari permintaan tiga
bulan sebelumnya. Ini bila ditentukan dengan menggunakan tiga
periode. Kelemahan utama dari metode ini adalah lag effect.
2. Weighted Moving Average Pada metode ini data-data terbaru
diberikan bobot lebih besar daripada data-data yang lama. Contoh: 2
D2 4 D3 6 D 4 = F5 246 dimana: Di = actual demand pada periode i Fi
= forecast demand pada periode i Bobot ditentukan sesuai keinginan
si pembuat. Bobot digunakan untuk mengurangi lag yang dimiliki oleh
metode moving average.
3. Single Exponential Smoothing Rumus yang digunakan: Ft+1 = EXt
+ (1- E) Ft Ft+1 = Ft + E (Xt - Ft) Berdasarkan rumus di atas,
peramalan single exponential smoothing dihitung berdasarkan hasil
peramalan ditambah kesalahan peramalan periode sebelumnya. 4.
Double Exponential Smoothing: Browns One Parameter Linear Metode
ini merupakan model linier yang dikemukakan oleh Brown. Di dalam
double exponential smoothing dilakukan proses smoothing dua kali,
sebagai berikut: St = EXt-(1-E) St-1 St= ESt + (1-E)St-1
VI-5
Rumus ini agak berbeda dengan rumus single exponential, karena
Xt dipakai untuk mencari St bukan St+1. Forecast dilakukan dengan
rumus: St +m = at +btm m = jangka waktu forecast ke depan at = 2 St
St bt =E (St-St) 1E
5. Triple Exponential Smoothing: Browns One Parameter Quadratic
6. Triple Exponential Smoothing: Winters Three Parameter Trend and
Seasonality 7. Regresi Sederhana Metode ini hanya memperhitungkan
satu variabel tak bebas yang akan diramalkan. Konstan Linear
Kuadratis : Y(t) = a : Y(t) = a + bt : Y(t) = a + bt + ct 2
Eksponensial : Y(t) = aebt 8. Regresi Berganda 9. Model
Ekonometrik 10. Regresi Trigonometri Rumus umumnya: Y(t) = a + u
cos 2T 2T t + vsin t N N
Proses Peramalan Untuk Produk Berhirarki: Terdapat dua metode
yaitu: a. Peramalan secara agregat (multi item forecasting) Pada
metode ini semua sales data dijumlahkan, kemudian permintaan untuk
periode berikutnya diramalkan. Asumsinya: pola permintaan relatif
sama atau harga barang tidak jauh berbeda. Hasil dari peramalan ini
berupa demand agregat untuk horizon waktu yang ditentukan.
VI-6
b. Peramalan per item Peramalan ini dilakukan jika pola
permintaan jauh berbeda. Ukuran-ukuran kesalahan peramalan: Dengan
teknik peramalan dapat diperoleh hasil taksiran nilai-nilai di masa
yang akan datang. Hasil peramalan tersebut memiliki kecenderungan
untuk mempunyai kesalahan-kesalahan. Besarnya kesalahan pada
periode ke-I (ei) dinyatakan sebagai: ei = Xi-Fi Dengan: ei Xi Fi =
kesalahan pada periode ke-I = data aktual periode ke-I = nilai
peramalan periode ke-I
Beberapa ukuran statistik untuk menghitung kesalahan yang sering
digunakan: Mean Error (Bias): ME =7 e0
n7 e0 n
Mean Absolute Error: MAE =
Mean Squared Error: MSE =7e i n2
Standard Deviation Of Error 7 e 2 SDE = i n 1 1 2
Percentage Error:e Pe = i x i x 100%
Standard Error Of Estimate:
VI-7
7 e 2 SDE = i n f
1
2
Mean Percentage Error: MPE =7PE i
n7 PE i n
Mean Absolute Error: MAPE =
Verifikasi Peramalan Perlu juga dilakukan verifikasi dan kontrol
peramalan untuk mengetahui apakah data hasil peramalan dapat
diterima. Langkah-langkah dalam verifikasi dan kontrol peramalan
adalah: 1. Hitung Moving Range Rumus: MR = (dt-dt)-(dt-1 -dt-1) 2.
Hitung rata-rata dari MR Rumus: MR = MR n 1
3. Hitung batas kontrol atas dan bawah Rumus: UCL = +2,66 MR LCL
= -2,66 MR 4. Plot data Bila data masih dalam batas-batas kontrol
(UCL dan LCL), peramalan dapat dikatakan benar. Sedangkan bila ada
yang keluar, sebaiknya digunakan metode peramalan yan lain.\
Pengujian untuk keadaan yang out of control, dilakukan dengan
membagi peta kontrol MR menjadi enam bagian yang sama lebar, yaitu:
Daerah A : daerah di luar s 2/3 (+2,66 MR ) atau s 1,77 MR Daerah B
: daerah di luar s 1/3 (+2,66 MR ) atau s 0,89 MR
BAB III PENGUMPULAN DAN PENGOLAHAN DATA3.1. Pengumpulan Data
Pengumpulan data dilakukan dilakukan dengan melakukan
pengamatan dan memperoleh data penjualan tahun 2009 dari bulan
januari hingga bulan Desember. Berikut ini merupakan hasil
pengumpulan datadata penjualan selama tahun 2009.TABEL VI-1 DATA
PENJUALAN ETALASE HANDPHONE TAHUN 2009 Bulan Penjualan (unit)
Januari Febuari Maret April Mei Juni Julli Agustus September
Oktober Novemer Desember 80 100 120 70 90 130 150 80 140 100 110
90
VI-8
V -9
GRAFI
DATA PE
Penjualan (unit)
160 140 120 100 80 60 40 20 0
Quant Syst
Pengol n Data menggunakan WinQsb Peramalan dilakukan dengan
menggunakan softw Windows, yaitu:
3.2.
GAMBAR 46 ALAN ETALASE HA
HONE SELAMA TAHUN 2009
Penjualan (unit)
VI-10
3.2.1. Metode Si gle Average
TABEL VI-2 METODE SINGLE AVERAGE Forecast Result for ETALASE
HANDPHINE
Column1
Column2
Column3
Column4
Column5
Column6
Column7 MAPE (%)
Column8
Column9
12-27-2010 12 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18
19
Actual Data 80 100 120 70 90 130 150 80 140 100 110 90
Forecast by SA 80 90 100 92,5 92 98,33334 105,7143 102,5
106,6667 106 106,3636 105 105 105 105 105 105 105
Forecast Error 20 30 -30 -2,5 38 51,66666 25,71429 37,5 6,666664
4 16,36364
CFE
MAD
MSE
Tracking Signal
R-square
20 50 20 17,5 55,5 107,1667 81,45238 118,9524 112,2857 116,2857
99,92207
20 25 26,66667 20,625 24,1 28,69444 28,26871 29,42262 26,89418
24,60476 23,85557
400 650 733,3333 551,5625 730,05 1053,282 997,2741 1048,396
936,8459 844,7613 792,3074
20 22,5 29,28571 22,65873 23,97314 25,71835 26,63614 26,65484
24,43393 22,35417 21,97487
1 2 0,75 0,8484849 2,302905 3,734753 2,881362 4,042889 4,175094
4,726147 4,188627 0,2631578 0,2163462 0,360636 0,5158002 0,2731597
0,3734964 0,3270636 0,3325974 0,2577778
VI-11
20 21 22 23 24 CFE MAD MSE MAPE Trk.Signal R-square
105 105 105 105 105 99,92207 23,85557 792,3074 21,97487 4,188627
0,2577778
VI-12
3.2.2. Metode Movi g Average
TABEL VI-3 METODE MOVING AVERAGE
Forecast Result for ETALASE HANDPHONE 12-27-2010 12 1 2 3 4 5 6
7 8 9 10 11 12 13 14 15 16 17 18 19 20 21
Column1 Actual Data 80 100 120 70 90 130 150 80 140 100 110
90
Column2 Forecast by 4-MA
Column3 Forecast Error
Column4 CFE
Column5 MAD
Column6 MSE
Column7 MAPE (%)
Column8 Tracking Signal
Column9 R-square
92,5 95 102,5 110 112,5 125 117,5 107,5 110 110 110 110 110 110
110 110 110
-2,5 35 47,5 -30 27,5 -25 -7,5 -17,5
-2,5 32,5 80 50 77,5 52,5 45 27,5
2,5 18,75 28,33333 28,75 28,5 27,91667 25 24,0625
6,25 615,625 1162,5 1096,875 1028,75 961,4583 832,1429
766,4063
2,777778 14,85043 20,45584 24,71688 23,70208 23,9184 21,47551
21,22162
-1 1,733333 2,823529 1,73913 2,719298 1,880597 1,8 1,142857
0,2480916 0,3901418 0,2876506 0,2714041 0,2 0,6640625
VI-13
22 23 24 CFE MAD MSE MAPE Trk.Signal R-square m=4
110 110 110 27,5 24,0625 766,4063 21,22162 1,142857 0,2
VI-14
3.2.4.
Metode Li ear Reggre ion
TABEL VI-5 METODE LINEAR REGGRESSION Column1 Forecast Result for
ETALASE HANDPHONE Column2 Column3 Column4 Column5 Column6 Column7
Column8 Column9 Column10 Column11 Column12
12-27-2010 12 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 8
Actual Data 80 100 120 70 90 130 150 80 140 100 110 90
Forecast by 4-MA
Forecast by 4-WMA
Forecast by LR 0,3 0,3 0,3 0,3
Forecast Error 79,7 99,7 119,7 69,7 89,7 129,7 149,7 79,7 139,7
99,7 109,7 89,7
CFE 79,7 179,4 299,1 368,8 458,5 588,2 737,9 817,6 957,3 1057
1166,7 1256,4
MAD 79,7 89,7 99,69999 92,2 91,7 98,03333 105,4143 102,2
106,3667 105,7 106,0636 104,7
MSE 6352,089 8146,089 10206,76 8869,59 8704,89 10057,76 11822,38
11138,59 12069,42 11856,49 11872,63 11553,76
MAPE (%) 99,625 99,6625 99,69166 99,6616 99,66261 99,68038
99,69746 99,68841 99,69922 99,6993 99,70184 99,69891
Tracking Signal 1 2 3 4 5 6 7 8 9 10 11 12
R-square
92,5 95 102,5 110 112,5 125 117,5 107,5 110 110 110 110 110
110
92,5 95 102,5 110 112,5 125 117,5 107,5 110 110 110 110 110
110
0,3 0,3 0,3 0,3 0,3 0,3 0,3 0,3 0,3 0,3 0,3 0,3 0,3 0,3
VI-15
19 20 21 22 23 24 CFE MAD MSE MAPE Trk.Signal R-square m=4
110 110 110 110 110 110 27,5 24,0625 766,4063 21,22162 1,142857
0,2 m=4
110 110 110 110 110 110 27,5 24,0625 766,4063 21,22162 1,142857
0,2 W(1)=0,25 W(2)=0,25 W(3)=0,25 W(4)=0,25
0,3 0,3 0,3 0,3 0,3 0,3 1256,4 104,7 11553,76 99,69891 12
18,52748 Y-intercept=0,3 Slope=0
VI-16
Dari ketiga hasil nilai kesalahan peramalan kemudian
direkapitulasi sebagai berikut:TABEL VI-6 REKAPITLASI MAD PERAMALAN
Metode Peramalan MAD MSE Metode Single Average 23,85557 792,3074
Metode Moving Average 24,0625 766,4063 Metode Linear Reggression
104,7 11553,76 MAPE 21,97487 21,22162 99,69891
3.3.
Verifikasi Peramalan Untuk membuat Peta Moving Range, maka akan
ditentukan terlebih dahulu yaitu metode yang ditetapkan yang
dilihat dari nilai MAD terkecil adalah Metode Single Average
kemudian menghitung MR, yang dapat dilihat pada TABEL VI-7.TABEL
VI-7 VEIFIKASI PERAMALAN Bulan F A F-A [MR] 1 105 25 25 80 2 105 5
5 100 3 105 -15 15 120 4 105 35 35 70 5 105 15 15 90 6 105 -25 25
130 7 105 -45 45 150 8 105 25 25 80 9 105 -35 35 140 10 105 5 5 100
11 105 -5 5 110 12 105 15 15 90 Jumlah 250
Dan untuk plot gambar digunakan BKA dan BKB dengan perhitungan
sebagai berikut: BKA= BKB= A= B= 604618
=
*22.73 = 402321
V -17
Dari hasil perhitungan yang didapat di atas maka dapat
digambarkan peta moving range sebagai berikut:800000
600000 400000200000
BKABKB A A
0-200000
B B
-400000-600000 GAMBAR 9 PETA MOVING RANGE
BAB IV ANALISIS4.1. Analisis Peramalan Dari data pengamatan yang
kemudian dilakukan peramalan dengan 3 metode yaitu: Metode Single
Average, Metode Moving Average, Metode Weight Moving Average, dan
Metode linear regression. Dalam pengolahan data ini diperoleh
permintaan untuk satu tahun ke depan. Adapun hasil ramalan
permintaan tersebut adalah sebagai berikut; Metode Simple Average
(105), Metode Moving Average (110), Metode Linear Regression(110).
Dengan menggunakan metode Single Average didapatkan peramalan
terbaik, karena memberikan kesalahan yang paling kecl dari error
yang diperoleh dari perbandingan hasil peramalan dengan dua metode
lainnya. Hal itu dikarenakan nilai MSE (Mean Standard Error) metode
Moving Average lebih kecil adalah 766,4063 dibandingkan metode
Single Average (792,3074) dan metode Linear Regression
(11553,76)
4.2. Verifikasi Error dari Peramalan Metode Terbaik Dari
peramalan tersebut maka diperoleh verifikasi error terbaik dari 3
metode peramalan. Verifikasi error tersebut antara lain sebagai
berikut:TABEL VI-6 REKAPITLASI MAD PERAMALAN Metode Peramalan MAD
MSE Metode Single Average Metode Moving Average Metode Linear
Reggression 23,85557 24,0625 104,7 792,3074 766,4063 11553,76
MAPE 21,97487 21,22162 99,69891
4.3. Analisis Verifikasi\ Untuk hasil verifikasi peramalan
digunakan verifikasi peramalan dengan peta moving range. Dari
gambar 9 peta moving range tersebut dapat dilihat bahwa tidak ada
data yang keluar kontrol baik itu batas kontrol atas dan juga batas
kontrol bawah. Sehinggga dapat dikatakan bahwa
VI-18
VI-19
perbandingan nilai permintaan aktual dan nilai peramalan pada
periode yang sama adalah stabil/ tidak keluar dari batas
kontrol.
BAB V KESIMPULAN DAN SARAN5.1. KesimpulanDari hasil analisa data
pemakaian tepung terigu selama 12 bulan maka kami dapat menentukan
peramalan pemakaian tepung terigu pada yang akan datang (12 bulan
kedepan) beserta kesalahan pemahaman (MAD) dari ketiga metode
peramalan yang dipilih yaitu Single Average, Moving Average dan
Linear Regression. Dari keempat metode peramalan tersebut didapat
metode peramalan yang memberikan kesalahan terkecil adalah MSE
(Mean Standard Error) metode Moving
Average lebih kecil adalah 766,4063 dibandingkan metode Single
Average (792,3074) dan metode Linear Regression (11553,76) dan
nilai verifikasinyadidapat sebagai berikut MR = 22.73, BKA = +
604618 ; BKB = -604618 ; A =s 402321; B = s19547.
Dari analisis data pemakaian tepung terigu dengan melakukan
peramalan pemakaian dengan metode peramalan yang dipilih di atas,
sebaiknya usaha itu memakai peramalan metode single average dengan
kesalahan terkecil di antara keempat metode yang lain di dalam
pengambilan keputusan untuk menentukan pembelian bahan baku di masa
yang akan datang, sehingga akan memperkecil resiko kerugian yang
dapat ditimbulkan karena kekurangan ataupun kelebihan
persediaan.
5.2. SaranUntuk memberikan nilai peramalan yang terbaik data
yang digunakan haruslah diperiksa terlebih dahulu untuk dapat
menentukan metode peramalan yang terbaik. Dan juga data yang
digunakan sedapat mungkin lebih banyak sehingga dapat diketahui
pola peramalan yang ada.
VI-20