MODUL v-Peramalan Permintaan Pasar

Program Studi Teknik Industri

Fakultas Teknologi Industri

Institut Teknologi Bandung

2010

Modul V Peramalan Permintaan Pasar

TI 3104 Perancangan Teknik Industri

2010

Laboratorium Perencanaan & Optimasi Sistem Industri 2

MODUL V

PERAMALAN PERMINTAAN PASAR

I. TUJUAN

I.1. Tujuan Umum

Secara umum, dari praktikum ini praktikan diharapkan:

1. Memahami dan mampu menggunakan kriteria pemilihan metode peramalan permintaan pasar;

2. Memahami dan mampu menggunakan metode-metode peramalan untuk memprediksi

permintaan pasar;

3. Memahami dan mampu mengevaluasi performansi metode peramalan permintaan pasar;

4. Mampu menginterpretasikan hasil peramalan permintaan pasar.

I.2. Tujuan Khusus

Secara khusus, dari praktikum ini praktikan diharapkan:

1. Memahami dan mampu membuat peramalan permintaan pasar sebagai dasar perencanaan

produksi dengan benar;

2. Memahami dan mampu mengintepretasikan hasil peramalan dengan benar;

3. Mampu menggunakan alat bantu komputer untuk melakukan peramalan permintaan pasar

sebagai dasar perencanaan produksi.

II. PENGANTAR PRAKTIKUM

II.1. Pendahuluan

Peramalan merupakan aktivitas pertama dalam penentuan jadwal produksi di masa depan.

Peramalan memprediksi jumlah permintaan pasar akan sebuah produk yang kemudian digunakan

sebagai dasar untuk menentukan target volume produksi. Ide yang mendasari setiap metode

peramalan adalah penggunaan data atau fakta di masa lalu untuk memprediksikan kondisi di masa

yang akan datang. Berdasarkan karakteristik data yang digunakan, secara garis besar metode

peramalan dikelompokkan menjadi dua, yaitu Metode Peramalan Kualitatif dan Metode

Peramalan Kuantitatif.

II.2. Metode Peramalan Kualitatif

Metode ini digunakan jika data masa lalu tidak tersedia secara memadai. Metode ini

mengombinasikan informasi dengan pengalaman, penilaian, dan intuisi untuk menghasilkan pola-

pola dan hubungan yang mungkin dapat diterapkan dalam memprediksi masa yang akan datang.

Metode kualitatif didasarkan atas pendekatan akal sehat (common sense) dalam menyaring

informasi ke dalam bentuk yang bermanfaat.



2010


Beberapa metode peramalan kualitatif yang sering digunakan untuk memprediksi permintaan pasar

adalah: Executive Consensus, Sales Force Estimate, Market Research, Historical Analogy, Delphi

Method, Sales and Operation Planning, dan Collaborative Planning, Forecasting And

Replenishment (CPFR).

Tabel 1. Perbandingan Berbagai Metode Peramalan Kualitatif

METODE KEGUNAAN UTAMA KELEBIHAN KEKURANGAN

Executive consensus Penentuan tujuan

keseluruhan dari proyek

Diterima oleh top

management

Mungkin bersifat optimistik;

kurang detail pendukung

Sales force estimates Perencanaan bisnis tahunan

Memberikan input dari pasar

Optimistik atau konservatif; tergantung pada ukuran

Market research Produk baru Memberikan input dari

pasar (pelanggan)

Sulit untuk dikonstruksi, sangat

mungkin kurang valid

Historical analogy Produk baru Memberikan peramalan

untuk keseluruhan siklus hidup produk

Sulit mencocokan sebuah

produk dengan produk lainnya

Delphi method Perencanaan aspek teknis Memanfaatkan para ahli

untuk persiapan

Hasil akhir bervariasi dan tidak

jelas

Sales & Operations Planning (S&OP)

Perencanaan produksi dan inventori jangka pendek

Mendapatkan kesepakatan dan identifikasi kegiatan

Sangat mungkin dipengaruhi oleh kepribadian yang kuat

Collaborative

Planning,

Forecasting and eplenishment (CPFR)

Perencanaan produksi dan

inventori jangka

menengah

Memasukkan input dari

pelanggan dan supplier

Sangat mungkin dibatasi oleh

sedikitnya penyingkapan

daripada penyingkapan penuh

a. Executive Consensus

Dengan metode ini, eksekutif utama perusahaan mencapai konsensus tentang nilai penjualan,

pendapatan atau nilai keseluruhan (overall) lainnya. Biasanya nilai tersebut merupakan ukuran

yang kasar dengan data pendukung rinci yang terbatas. Akan tetapi, pengalaman dan

pemahaman para eksekutif dapat membuat peramalan mereka dapat dipercaya. Dalam

penggunaan metode peramalan secara umum, perbedaan antara peramalan (apa yang kita pikir

akan terjadi) dan target (apa yang kita inginkan terjadi) penting untuk disadari.

b. Sales Force Estimates

Hasil peramalan dari metode ini merepresentasikan gabungan peramalan dari setiap individu

bagian penjualan. Seringkali hasil peramalan mencerminkan masukan dari pelanggan atau

sumber lainnya. Perkiraan ini dipengaruhi oleh bias perorangan, seperti bonus yang dibayarkan

pada hasil peramalan lalu, dan mungkin membutuhkan penyesuaian. Bagaimanapun, metode ini

merupakan salah satu cara untuk mendapatkan pengetahuan yang mendalam mengenai pasar.

c. Market Research

Metode peramalan ini merupakan pendekatan yang lebih sistematik untuk menentukan

preferensi konsumen terhadap suatu produk atau jasa. Metode ini sering digunakan pada produk

baru untuk mengidentifikasi faktor kunci yang berpengaruh terhadap penjualan produk atau jasa

tersebut. Sementara itu, survei dapat menghasilkan informasi penting, namun sulit untuk

merancang suatu survei yang menghasilkan informasi dan dapat langsung digunakan untuk

peramalan.



2010


d. Historical Analogy

Terkadang, peramalan untuk produk atau jasa yang baru dapat dibandingkan dengan pengenalan

produk yang serupa di masa lalu, seperti sereal sarapan atau sebuah buku baru. Ketika metode

ini menyediakan data historis, perbandingan tersebut seringkali tidak dapat dipercaya karena

perbedaan dalam keadaan pasar, pesaing, dan faktor lainnya.

e. Delphi Method

Metode ini merupakan sebuah proses untuk mendapatkan kesepakatan bersama dari sekelompok

ahli dengan mempertahankan anonymity. Sering kali peramalan dengan metode ini dilakukan

untuk beberapa topik teknikal, seperti kecenderungan negara asing tertentu untuk mendapatkan

kemampuan nuklir, atau market share dari pemanas solar pada tahun 2020. Proses ini berjalan

lambat dan kurang bermanfaat untuk peramalan jangka pendek atau peramalan yang detil.

f. Sales and Operations Planning

Metode ini merupakan suatu metode yang mengolaborasikan perencanaan internal, terutama

antara bagian pemasaran dan bagian operasi. Metode ini sangat membantu dalam

mengidentifikasi peristiwa yang akan terjadi di masa yang akan datang, contohnya adalah

penjualan, promosi, pengenalan produk baru, dan aktivitas lain yang akan mempengaruhi

kebutuhan kapasitas produksi atau kebutuhan persediaan.

g. Collaborative Planning, Forecasting and Replenishment (CPFR)

Program ini melibatkan pertukaran informasi antara pelanggan dan pihak penyedia di sepanjang

rantai pasok untuk membangun koordinasi dalam penyediaan barang guna memenuhi

permintaan pasar., Untuk mendukung pertukaran informasi yang efektif diperlukan sikap

kooperatif diantara entitas-entitas yang terlibat.

II.3. Konsep Peramalan Kuantitatif

Dalam kehidupan nyata, setiap data yang dikumpulkan adalah data yang berasal dari lapangan.

Dalam suatu proses pengumpulan data tersebut, terdapat kemungkinan bahwa data yang terkumpul

merupakan data yang tidak layak untuk diproses. Oleh karena itulah data yang terkumpul harus

disaring terlebih dahulu untuk memastikan bahwa data yang akan diproses merupakan data yang

tidak bermasalah dan sesuai dengan proses yang akan dilakukan.

Tidak terkecuali dalam peramalan, data penjualan yang digunakan sebagai data konstruksi

merupakan data yang berasal dari „lapangan‟. Selalu terdapat kemungkinan, terdapat kesalahan

dalam pencatatan data penjualan. Jika data yang salah tersebut digunakan untuk membangun model

maka model yang terbentuk tidak dapat merepresentasikan kondisi aktual. Untuk menghindari hal

tersebut, harus dilakukan pre-processing data untuk memastikan data yang digunakan untuk

membentuk model adalah data yang layak.

II.3.1. Pre-processing data

Pre-processing data merupakan proses yang dilakukan pada data mentah yang disiapkan untuk

prosedur pemrosesan data yang lain. Metode pengumpulan data primer terkadang tidak dikontrol

dengan baik sehingga dapat menghasilkan masalah terkait representasi sistem existing yang

digambarkan oleh data.. Memproses atau menganalisis data yang bermasalah bisa mendapatkan

hasil yang salah. Maka dari itu, harus dilakukan proses pre-processing data untuk menghindari

fenomena GIGO (Garbage In, Garbage Out).



2010


Masalah yang dapat terjadi dalam peramalan adalah ketidaklengkapan data (missing data). Dalam

Hair (2010) dijelaskan bahwa missing data adalah ketidaktersediaan informasi untuk suatu subyek

atau kasus. Mengklasifikasi missing data dan penyebabnya dilakukan melalui beberapa langkah

yang tidak hanya mengidentifikasi dampak dari missing data, namun juga memberikan perbaikan

untuk menghadapi data tersebut dalam analisis. Dalam Hair (2010) juga dikatakan bahwa pada isu

yang terkait missing data, tugas peneliti adalah untuk mengidentifikasi dan melihat hubungan yang

terdapat pada missing data sehingga jika dilakukan perbaikan, hasilnya akan memiliki distribusi

yang sama atau mirip dengan distribusi data aslinya.

Berdasarkan jenisnya terdapat 2 tindakan yang dapat dilakukan untuk menghadapi missing data

yang terdapat dalam set data yakni:

1. Mengabaikan missing data

Tindakan ini dilakukan karena terdapat allowance untuk missing data yang normal terjadi

dalam teknik yang dilakukan. Missing data juga dapat diabaikan dengan alasan yang dapat

diterima misalnya karena data yang disensor.

2. Menghiraukan missing data

Tindakan ini dilakukan jika peneliti bisa mengidentifikasi bahwa missing data terjadi karena

faktor prosedural, misalnya saja kesalahan dalam menginput data. Untuk mengatasi missing

data yang dapat dihiraukan, terdapat alternatif tindakan berupa penghapusan variabel atau

case, namun tindakan tersebut hanya dapat dilakukan pada data multivariat dan beberapa data

univariat. Sedangkan untuk data univariat berupa data time series, penghapusan data tidak

dapat dilakukan karena data dari tiap waktu harus diperhitungkan untuk menentukan model

peramalan terbaik.

Metode yang dapat dilakukan untuk mengatasi missing data, antara lain:

1. Mean Substitution

Mean substitution dilakukan dengan mengganti nilai missing data dengan rata-rata data yang

ada. Metode ini dapat digunakan pada data numerik.

2. Regression-Based Approach

Pada metode ini, analisis regresi digunakan untuk memprediksi nilai variabel missing data

berdasarkan hubungannya dengan variabel lain pada set data. Metode ini mengasumsikan

bahwa terdapat hubungan antara missing data dengan variabel lain yang terdapat pada set data.

3. Case Substitution

Metode ini dilakukan dengan mengganti keseluruhan variabel yang memiliki missing data

dengan data lain dari observasi

4. Hot or Cold Deck Imputation

Hot Deck Imputation dilakukan dengan mengganti nilai variabel dengan nilai yang dimiliki

oleh case lain pada observasi, yang dianggap memiliki kasus serupa. Sedangkan Cold Deck

Imputation dilakukan dengan mengganti nilai variabel dengan berdasarkan pada sumber

eksternal (misalnya observasi lain).



2010


II.3.2. Metode Peramalan Kuantitatif

Model peramalan kuantitatif merupakan metode peramalan yang dilakukan berdasarkan data yang

memadai. Jenis metode peramalan kuantitatif yakni metode kausal dan metode deret waktu.

II.3.2.1 Metode Kausal

Metode kausal terdiri atas teknik-teknik peramalan yang menggunakan informasi atas satu atau

beberapa independent variable untuk memprediksi dependent variable dengan memanfaatkan

pengetahuan atas hubungan antara variabel-variabel tersebut. Teknik utama dalam model-model

kausal ini adalah model regresi.

Model Regresi merupakan salah satu model statistik yang mencoba untuk menjelaskan perubahan

satu atau beberapa variabel ketika variabel lainnya mengalami perubahan. Variabel yang akan

dijelaskan perubahannya biasa disebut variabel dependen atau variabel respons. Variabel yang

menjelaskan perubahan variabel dependen (respons) disebut variabel independen atau variabel

eksplanatori atau regresor atau prediktor. Pada modul ini istilah yang digunakan adalah variabel

dependen dan variabel independen.

Pada metode kausal jenis regresi yang biasanya digunakan adalah multiple regression.Pada metode

kausal, variabel independen (xi) merupakan variabel-variabel yang menyatakan sesuatu yang bukan

waktu.

(2)

Pada dasarnya model-model kausal dapat digunakan ketika perubahan dalam suatu variabel

dianggap disebabkan oleh perubahan pada variabel-variabel yang lain. Sebagai konsekuensinya,

proses identifikasi variabel-variabel menjadi proses yang kritis. Pedoman berikut menggambarkan

kapan pemodelan kausal sesuai untuk diterapkan :

1. Terdapat alasan-alasan apriori untuk menganggap bahwa satu variabel dipengaruhi oleh

variabel yang lain. Sebagai contoh, terdapat alasan yang kuat untuk mempercayai bahwa iklan

akan mempengaruhi tingkat penjualan.

2. Sebuah indikator utama dapat diidentifikasi. Sebagai contoh, tingkat kelahiran bayi saat ini

dapat digunakan untuk meramalkan kebutuhan akan busana balita untuk beberapa tahun ke

depan.

3. Horison waktu peramalan yang relevan. Dalam jangka pendek, jarak waktu (delay) antara efek

kausal dan waktu saat data dikumpulkan dapat diabaikan. Namun dalam jangka panjang

terdapat kemungkinan bahwa efek kausal telah bergeser akibat faktor jarak waktu.

II.3.2.2 Metode Deret Waktu

Metode deret waktu memanfaatkan data masa lalu untuk meramalkan suatu kondisi di masa yang

akan datang. Peramalan dengan metode time series menggunakan sumbu x untuk menunjukkan

skala waktu seperti minggu, bulan, kuarter, atau tahun.

Beberapa metode kuantitatif yang sering digunakan untuk meramalkan permintaan pasar antara lain

naive forecast, simple moving average, weighted moving average, single exponential smoothing,

exponential smoothing with trend adjustment, linear regression with time, dan seasonal adjustment.

a. Naive forecast

Metode ini sangat mudah diaplikasikan dengan menggunakan aturan sederhana. Naïve forecast

digunakan untuk peramalan dalam jangka pendek dan dengan jumlah permintaan stabil.



2010


Misalnya peramalan untuk bulan depan sama dengan data bulan sebelumnya atau dengan data

dari bulan yang sama tahun lalu. Walaupun metode ini sangat sederhana namun metode ini

dipercaya sangat efektif.

b. Simple moving average

Metode ini memanfaatkan rata-rata data aktual dari beberapa periode masa lalu. Penggunaan

metode ini diawali dengan menentukan jumlah periode data masa lalu yang akan digunakan

untuk meramalkan masa datang. Rata-rata data masa lalu yang digunakan bersifat dinamis

disesuaikan dengan periode yang akan diramalkan. Semakin banyak jumlah periode yang

digunakan untuk peramalan maka hasil yang diperoleh akan lebih smooth.

(4)

di mana:

: hasil peramalan pada periode t

: moving average width

: data jumlah permintaan

t : indeks waktu

c. Weighted moving average

Sama halnya dengan metode simple moving average, metode ini juga memanfaatkan data

aktual dari beberapa periode masa lalu. Perbedaanya terletak pada penggunaan bobot dalam

meramalkan permintaan periode masa datang. Pemilihan bobot akan berpengaruh terhadap

galat peramalan.

(5)

di mana:

: bobot terhadap permintaan untuk periode t-i

d. Single exponential smoothing

Metode ini memanfaatkan data hasil peramalan periode sebelumnya dan data aktual dari

periode yang bersangkutan. Exponential smoothing bertujuan untuk melakukan penyesuaian

antara hasil peramalan dengan data aktual.

(6)

di mana:

: hasil peramalan untuk periode t

: jumlah permintaan periode t-1

: hasil peramalan periode t-1

: konstanta smoothing

e. Exponential smoothing with trend adjustment

Metode ini mempertimbangkan adanya faktor tren pada data. Exponential smoothing with

trend adjustment merupakan perkembangan dari metode simple moving average. Beta ()

menggunakan perubahan nilai aktual untuk memodifikasi tren peramalan dari periode

sebelumnya. Untuk menghilangkan pengaruh level dan trend data peramalan maka dibutuhkan

data dari beberapa periode sebelumnya.



2010


(7)

(8)

(9)

di mana:

: nilai intercept untuk periode t

: jumlah permintaan untuk periode t

: nilai intercept untuk periode t-1

: nilai slope untuk periode t

: nilai slope untuk periode t-1

: konstanta smoothing

: peramalan untuk periode ke depan yang dilakukan pada periode t

f. Linear regression with time

Metode ini berupaya untuk mengestimasi sebuah garis lurus yang sesuai dengan kumpulan

titik-titik yang ada. antara garis estimator dengan masing-masing titik. Garis tersebut terdiri

dari intercept dan slope. Kedua nilai ini berubah seiring dengan pertambahan periode

peramalan Berbeda dengan metode kausal, pada metode ini, waktu merupakan variabel

independen.

(10)

(11)

(12)

(13)

(14)

di mana:

D(i) : jumlah permintaan pada periode ke-i

n : jumlah data pembentuk model

b : koefisien regresi

a : intersep

f(t) : hasil peramalan untuk periode t

g. Seasonal adjustment

Metode ini digunakan jika pola data masa lalu bersifat musiman. Variasi pola ini harus

dikuantifikasi agar galat peramalannya dapat diminimasi. Jika data tersebut juga memiliki tren

tertentu maka hal tersebut juga harus diperhitungkan.



2010


III. ANALISIS POLA DATA

Pola data historis mempengaruhi pengambil keputusan dalam menentukan metode peramalan yang

tepat. Tabel berikut ini menggambarkan tipe jenis data.

POLA

DATA PENGERTIAN GAMBAR

Horizontal Data jenis ini memiliki pola stasioner

atau tidak memiliki trend tertentu,

artinya data tersebut tidak mengalami

fluktuasi secara sistematis. Misalnya,

jumlah produk cacat yang dihasilkan

dalam proses produksi yang stabil.

Gambar 1. Pola data horizontal

Trend Pola data jenis ini menunjukkan

kenaikan atau penurunan sepanjang

waktu. Misalnya harga saham, GNP

(Gross National Product) dan

penjualan perusahaan

Gambar 2. Pola data tren

Seasonal Data historis membentuk siklus tertentu

dengan interval yang konstan. Fluktuasi

datanya dipengaruhi oleh seasonal

factor. Misalnya, penjualan tiket

transportasi meningkat saat mudik

lebaran.

Gambar 3. Pola data seasonal

Cyclical Data jenis ini memiliki pola yang

hampir sama dengan seasonal. Akan

tetapi, interval pengulangan siklusnya

tidak sama. Biasanya panjang interval

untuk siklus tunggal lebih dari 1 tahun.

Misalnya, jumlah penjualan rumah.

Gambar 4. Pola data cyclical



2010


IV. UKURAN PERFORMANSI HASIL PERAMALAN

Untuk mendapatkan hasil peramalan yang baik maka penentuan metode peramalan yang sesuai

menjadi faktor penentu keberhasilan. Pemilihan metode peramalan harus berdasarkan situasi yang

ada seperti horison waktu, jumlah item yang akan diramalkan, pola data masa lalu, dan tingkat

keakuratan yang diinginkan. Ukuran performansi suatu metode peramalan ditunjukkan oleh galat

yang dihasilkan. Galat (error) merupakan selisih antara hasil peramalan dengan data aktual.

Metode peramalan yang baik adalah metode dengan galat terkecil.

Galat dalam peramalan digunakan dalam dua kondisi berikut:

1. Jika untuk suatu masalah dapat digunakan beberapa model peramalan, maka galat dapat

digunakan untuk memilih metode peramalan terbaik dengan kriteria galat minimum; dan

2. Jika untuk suatu masalah hanya dapat digunakan satu model peramalan, maka galat berperan

sebagai parameter yang menunjukkan tingkat efektivitas dari model peramalan tersebut.

Besarnya galat pada periode ke-t, yaitu , dinyatakan dengan formula berikut:

(15)

di mana:

: galat pada periode ke-t

: data aktual pada periode ke-t

: nilai peramalan pada periode ke-t

Berikut ini beberapa alternatif perhitungan galat.

Mean Absolute Deviation (MAD)

(16)

Mean Squared Error (MSE)

(17)

Mean Absolute Percent Error (MAP)

(18)

N: jumlah data historis



2010


V. VERIFIKASI HASIL PERAMALAN

Verifikasi hasil peramalan bertujuan untuk memeriksa apakah fungsi peramalan mewakili data

yang ada. Metode verifikasi yang umum digunakan adalah moving range chart.

(19)

(20)

di mana:

MR :Moving Range

Ft : nilai ramalan periode t

At : nilai aktual periode t

Ft-1 : nilai ramalan periode t-1

At-1 : nilai aktual periode t-1

Kemudian dibuat batas kontrol atas (UCL), batas kontrol bawah (LCL), dan garis tengah (CL).

(21)

(22)

(23)

Kategori out of control:

1. 2 dari 3 data yang berurutan ada di daerah A

Daerah A adalah daerah di antara 2σ dan 3

2. 4 dari 5 data yang berurutan ada di daerah B

3. 8 atau lebih data yang berurutan di salah satu sisi Center Line

4. Ada satu titik yang berada diluar batas kontrol.

V.1. Outlier

Dalam Hair (2010) dikatakan bahwa outliers adalah hasil observasi yang berbeda secara signifikan

dari hasil observasi yang lain. Outliers berbahaya jika terdapat di dalam data karena dapat

membuat hasil analisis data menjadi tidak representatif.

Seperti halnya dalam missing data, juga terdapat 2 tindakan yang dapat dilakukan untuk

menghadapinya yakni dihiraukan atau diabaikan. Outliers dapat diabaikan jika tidak terdapat

penjelasan yang masuk akal mengenai keberadaan outlier dalam set data, sedangkan jika

keberadaan outlier tersebut dapat dijelaskan maka outlier tersebut harus dihiraukan agar tidak

mengganggu proses selanjutnya. Namun pada data time series, outliers tidak dapat dihapus karena

data pada tiap satuan waktu dalam data time series merupakan data yang harus diperhitungkan.



2010


VI. REFERENSI

1. Referensi Utama:

Nahmias, Steven (2005). Production and Operations Analysis 5th Edition. Singapore: McGraw

Hill.

Makridakis, S. & Wheelwright, S.C. (1980). Forecasting Methods for Management3rd Ed..

New York. John Wiley & Sons

Hair, J., Black, B., Babin, BJ., Anderson, RE. (2010). Multivariate Data Analysis. New

Jersey:Prentice Hall, Inc.

2. Referensi Pendukung:

Walpole, Ronald E., Raymond H. Myers, Sharon L. Myers, dan Keying Ye. (2002).

Probability & Statistics for Engineers & Scientists 7th

Ed.. New Jersey: Prentice-Hall, Inc.

Elsayed, E.A. & Boucher, T.O. (1994). Anaysis and Control of Production System 2nd . New

Jersey. Prentice Hall.

Crandall, Richard E. & William “Rick” Crandall (2008). Demand Forecasting – Art, Science,

or Chaos? South East Decision Sciences Institute Conference Proceedings, Category:

Teaching Pedagogy p.914

VII. BAHAN DAN PERALATAN

Bahan dan peralatan yang dibutuhkan dalam praktikum ini adalah:

1. Modul praktikum;

2. Data masa lalu permintaan pasar selama n bulan;

3. Perangkat lunak Microsoft Excel;

4. PC;

5. Lembar pengolahan data



2010


VIII. PROSEDUR PRAKTIKUM

Langkah-langkah pengolahan data:

1. Lakukan pre-processing data pada data yang bermasalah;

2. Agregasikan data penjualan jenis dongkrak yang sama dari 3 wilayah penjualan untuk

setiap periode;

3. Plot data penjualan agregat masa lalu untuk setiap jenis dongkrak;

4. Analisis pola data penjualan setiap jenis dongkrak;

5. Pilih beberapa model peramalan deret waktu yang akan dicobakan untuk meramalkan

penjualan setiap jenis dongkrak;

6. Hitung parameter-parameter model yang digunakan untuk setiap jenis dongkrak; gunakan

referensi yang dicantumkan untuk cara perhitungan parameter-parameter model tersebut;

7. (Catatan: untuk model Moving Average, gunakan MA width = 3 periode).

8. Tentukan galat dari model-model peramalan yang dicobakan untuk setiap jenis dongkrak;

9. Untuk setiap jenis dongkrak, evaluasi model peramalan dengan membandingkan galat dari

setiap model peramalan;

10. Untuk setiap jenis dongkrak, pilih model peramalan dengan galat terkecil; jika terdapat

beberapa metode dengan galat yang sama, pilih metode yang paling sederhana;

Mulai

Tes Awal

Penjelasan

Pengolahan Data

Data

Penjualan

Masa Lalu

Pengolahan Data

Asistensi

Pembuatan

Laporan

Pengumpulan

Laporan

Selesai

Praktikum



2010


11. Dengan menggunakan metode peramalan yang dipilih, buat peramalan permintaan agregat

per jenis dongkrak untuk 12 periode ke depan.

12. Lakukan verifikasi hasil peramalan

IX. TATA TULIS LAPORAN

Laporan dibuat dengan susunan sebagai berikut.

Cover

Lembar Pengesahan

Lembar Asistensi

Daftar Isi

Bab 1. Pendahuluan

1.1 Latar belakang

1.2 Tujuan

1.3 Flowchart pengolahan data

Bab 2. Pengolahan Data

2.1. Pre-processing data penjualan dongkrak

2.2. Agregasi data penjualan setiap jenis dongkrak selama periode t

2.3. Pemetaan dan penentuan pola data penjualan untuk setiap jenis dongkrak

2.4. Pemilihan metode-metode peramalan yang akan digunakan untuk setiap jenis dongkrak

2.5. Perhitungan galat untuk setiap metode peramalan yang digunakan per jenis dongkrak

2.6. Pemilihan metode peramalan yang paling tepat untuk setiap jenis dongkrak

2.7. Verifikasi hasil peramalan

2.8. Peramalan penjualan dengan menggunakan metode yang dipilih per jenis dongkrak

Bab 3. Analisis

3.1. Analisis pre-processing data

3.2. Analisis agregasi/diagregasi data penjualan dongkrak A, B, dan C di 3 wilayah penjualan

3.3. Analisis pola data penjualan setiap jenis dongkrak yang telah diagregasikan antar 3 wilayah

penjualan

3.4. Analisis metode-metode peramalan yang digunakan

3.5. Analisis metode peramalan yang dipilih untuk setiap jenis dongkrak

3.6. Analisis hasil peramalan

3.7. Analisis perbandingan ketepatan penggunaan data penjualan atau data produksi untuk

peramalan permintaan produk di masa yang akan datang

3.8. Analisis pengaruh kesalahan peramalan terhadap kegiatan produksi dan solusi yang

diperlukan untuk penangannya,

a. Jika peramalan lebih besar daripada kenyataan

b. Jika peramalan lebih kecil daripada kenyataan

3.9. Analisis keterkaitan Modul Peramalan Permintaan Pasar dengan modul PTI lainnya

Bab 4. Kesimpulan dan Saran

4.1. Kesimpulan

4.2. Saran

Daftar Pustaka

Lampiran



2010


Adapun format laporan mengikuti ketentuan sebagai berikut.

a. Jenis font : Times New Roman 11

b. Spasi : 1,2

c. Margin : kiri 2,5 cm, kanan, atas, bawah = 2cm

d. Header:

Kiri : Laporan PTI I Modul 5 – Peramalan Permintaan Pasar

Kanan : Nama dan NIM asisten

e. Footer:

Kiri : Nomor kelompok dan NIM anggota kelompok

Kanan : Nomor halaman

f. Ukuran kertas A4 dan di-print bolak balik

g. Laporan dikumpulkan dengan menggunakan klip

Laporan dikumpulkan paling lambat hari Jumat, 12 November 2010 pukul 12.00 WIB di

LPOSI. Keterlambatan akan dikenakan pengurangan nilai 1 poin per menit.

MODUL v-Peramalan Permintaan Pasar

Documents