FORECASTING
Evan Rahman Saputra1, Agung Yugo Ngumboro1, Andreansyah1,
Fatharani Dhenisa1, Nurul Utami1Livia Zahrin1 , Budi Ariwibowo1
1 Teknik Industri, Fakultas Sains dan Teknologi, Universitas Al
Azhar Indonesia, Komplek Masjid Agung Al Azhar, Jalan
Sisingamangaraja, Kebayoran Baru, Jakarta Selatan 12110Jalan
Sisingamangaraja, Komplek Masjid Agung Al-Azhar, Kebayoran
BaruJakarta Selatan, 12110Telp: 00838-7471266, E-mail:
[email protected] Praktikum PTI 1Metode
PeramalanJakarta, 21 Oktober 2014Gifarani Azkia, Sinta Maryam, Tri
Anita Umi Utami,
2
8
Abstrak- Konsumen semakin selektif dalam memilih produk yang
diinginkannya. Untuk itulah, pihak perusahaan harus dapat terus
memberikan yang terbaik bagi para konsumennya. Pabrik manufaktur
harus memperhatikan kualitas dari produk yang dihasilkannya apakah
sudah sesuai dengan keinginan konsumennya.UD.Sumber juga perlu
untuk menyiapkan produk-produknya agar selalu tersedia dan siap
untuk dijual ke pasaran. Untuk itu, UD.Sumber akan memperhitungkan
kapan waktu yang tepat untuk pemesanan bahan baku, berapa jumlah
yang perlu diproduksi, dan memperhitungkan safety stock apabila
terdapat pembelian yang belum sempat diperkirakan.Kadang kala ada
saat dimana jumlah produksi melebihi jumlah permintaan aktual atau
terkadang belum mencukupi permintaan aktual. Untuk itu, perlu
dilakukan metode peramalan (forecasting) guna mendapatkan jumlah
produksi yang kurang lebih mampu memenuhi permintaan aktual pasar.
Untuk tahap perencanaan produksi ini, dapat menggunakan metode
penjadwalan produksi (Master Production Schedule) dan juga
perencanaan kebutuhan material (Material Requirement
Planning).Dewasa ini, kebutuhan akan teknologi informasi
seakan-akan menjadi kebutuhan yang terhitung kategori utama.
Perkembangan dunia kerja banyak dimotori oleh kemajuan di bidang
teknologi informasi. Untuk meningkatkan kinerja dan kualitas kerja
di suatu perusahaan yang bergerak di bidang produksi maka peranan
sistem informasi menjadi faktor penting penentuan keberhasilan
suatu perusahaan dalam menjalankan bisnisnya dan juga dalam
menghadapi para kompetitornya.Masalah yang ingin diteliti adalah
memperkirakan jumlah yang harus diproduksi sehingga mampu memenuhi
kebutuhan permintaan aktual produk sehingga tidak akan terjadi
kekurangan atau keberlimpahan stok, meneliti peranan sistem
informasi perencanaan produksi dapat meningkatkan efisiensi dan
efektifitas dari proses produksi, memperkirakan waktu yang tepat
untuk produksi agar produk dapat tersedia tanpa harus membuat para
konsumennya menunggu, menghitung waktu yang tepat guna melakukan
pemesanan bahan baku dan jumlah bahan baku yang akan dipesan kepada
supplier, cara perusahaan dapat meningkatkan kualitas produknya dan
siap bersaing dalam era perdagangan globalisasi ini, dan cara
perusahaan menghitung safety stock yang diperlukan guna menghadapi
pembelian yang belum diperkirakan sama sekali. Data yang digunakan
dalam penelitian merupakan data penjualan dengan periode data dari
September 2011-agustus 2013Abstract- Consumers are more selective
in choosing the products they want . For this reason, the company
should be able to continue to provide the best for its customers .
The manufacturing plant should pay attention to the quality of the
resulting product is in conformity with the wishes of
consumers.UD.Sumber also need to prepare its products to be always
available and ready to be sold to the market . To that end ,
UD.Sumber will take into account when the time is right for
ordering raw materials , how much needs to be produced , and
calculate safety stock when there is a purchase which have not been
estimated. Sometimes there are moments when production quantities
exceed the number of actual demand or actual demand is sometimes
not enough . For that , there should be methods of prediction
(forecasting ) in order to get the amount of production that is
less able to meet the actual demand market . For this stage of
production planning , production scheduling can use the method (
Master Production Schedule ) and material requirements planning (
Material Requirement Planning ) .Today , the need for information
technology seemed to be a need for a comparatively major categories
. The development of a lot of work driven by advances in
information technology . To improve the performance and quality of
work in a company engaged in the production , the role of
information systems is an important factor determining the success
of a company in its business and also in the face of competitors .A
problem to be investigated is the estimated amount to be produced
so as to meet the actual demand for the product so there will be a
shortage or abundance of stock, examine the role of information
systems production planning can improve the efficiency and
effectiveness of the production process , estimate the time is
right for the production so that the product can be available
without having to make customers wait , calculate the right time to
do the ordering of raw materials and the amount of raw materials to
be ordered to suppliers , how the company can improve the quality
of its products and is ready to compete in the era of globalization
of trade , and the way companies calculate safety stock required to
face purchases that have not expected at all . Data used in the
study is the sales data with the data from the period September
2011 - August 2013
1.PENDAHULUANBelakangan ini peranan metode peramalan sangat
diperlukan untuk dapat memberikan gambaran di kemudian hari dalam
berbagai bidang, baik itu ekonomi, keuangan, pertanian dan lainnya.
Salah satu metode peramalan adalah menyatakan persoalan dalam
bentuk matematika yang mengandung variabel-variabel yang terlibat
secara signifikan dalam model peramalan tersebut. Tujuan peramalan
dalam kegiatan produksi adalah untuk mengurangi ketidakpastian,
sehingga diperoleh suatu perkiraan yang mendekati keadaan yang
sebenarnya.Dalam sistem peramalan digunakan berbagai metode
peramalan yang memberikan nilai ramalan yang berbeda dan derajat
dari sumber variasi data yang tidak dapat dimasukkan kedalam model
peramalan yang berbeda pula. Salah satu seni dalam melakukan
peramalan adalah memilih model peramalan yang terbaik yang mampu
mengidentifikasi dan menanggapi pola aktifitas historis dari
data.Beberapa dari metode peramalan inilah yang akan digunakan
praktikan dalam praktikum, yaitu Double Moving Average, Double
Exponential Smoothing Holt, Double Exponential Smoothing Brown,
Regresi Linear, Triple Exponential Smoothing Brown. Praktikan
melakukan pengolahan data menggunakan data dari tahun 2011 sampai
tahun 2013 dengan periode 3 bulan.
2 Tinjauan Pustaka
2.1. Teori Peramalan (Forecasting)Untuk menyelesaikan masalah di
masa datang yang tidak dapat dipastikan, orang senantiasa berupaya
menyelesaikannya dengan model pendekatan-pendekatanyang sesuai
dengan perilaku aktual data, begitu juga dalam melakukan
peramalan.Peramalan (forecasting) permintaan akan produk dan jasa
di waktu mendatangdan bagian-bagiannya adalah sangat penting dalam
perencanaan dan pengawasan produksi. Suatu peramalan banyak
mempunyai arti, maka peramalan tersebut perlu direncanakan dan
dijadwalkan sehingga akan diperlukan suatu periodewaktu paling
sedikit dalam periode waktu yang dibutuhkan untuk membuat suatu
kebijaksanaan dan menetapkan beberapa hal yang mempengaruhi
kebijaksanaan tersebut. Peramalan diperlukan disamping untuk
memperkirakan apa yang akan terjadi dimasa yang akan datang juga
para pengambil keputusan perlu untuk membuat planning.2.1.1
Definisi Peramalan (Forecasting)Peramalan adalah suatu perkiraan
tingkat permintaan yang diharapkan untuk suatu produk atau beberapa
produk dalam periode waktu tertentu di masa yang akan datang. Oleh
karena itu, peramalan pada dasarnya merupakan suatu taksiran,
tetapi dengan menggunakan cara-cara tertentu peramalan dapat lebih
daripada hanya satu taksiran. Dapat dikatakan bahwa peramalan
adalah suatu taksiran yangilmiah meskipun akan terdapat sedikit
kesalahan yang disebabkan oleh adanyaketerbatasan kemampuan
manusia.Sebelum menjabarkan tentang metode peramalan ini, maka
terlebih dahulu diuraikan tentang definisi dari peramalan itu
sendiri. Menurut John E. Biegel: Peramalan adalah kegiatan
memperkirakan tingkat permintaan produk yang diharapkan untuk suatu
produk atau beberapa produk dalam periode waktu tertentu di masa
yang akan datang. (John E. Biegel, 1999) Dalam peramalan
(forecasting) tidak jarang terjadi kesalahan misalnya saja
penjualan sering tidak sama dengan nilai eksak yang diperkirakan.
Sedikit variasi dari perkiraan sering dapat diserap oleh kapasitas
tambahan, sediaan penjadwalan permintaan. Tetapi, variasi perkiraan
yang besar dapat merusak operasi. Ada tiga cara untuk mengakomodasi
perkiraan, yaitu: yang pertama adalah mencoba mengurangi kesalahan
melakukan pemerakiraan yang lebih baik. Yang kedua adalah, membuat
fleksibilitas pada operasi dan yang terakhir adalah mengurangi
waktu tunggu yang dibutuhkan dalam prakiraan. Tetapi kemungkinan
kesalahan terkecil adalah tujuan yang konsisten dengan biaya
prakiraan yang masuk akal.Menurut Buffa: Peramalan atau forecasting
diartikan sebagai penggunaan teknik-teknik statistic dalam bentuk
gambaran masa depan berdasarkan pengolahan angka-angka historis.
(Buffa S. Elwood, 1996) Menurut Makridakis: Peramalan merupakan
bagian integral dari kegiatan pengambilan keputusan manajemen.
(Makridakis, 1988) Organisasi selalu menentukan sasaran dan tujuan,
berusaha menduga faktor-faktor lingkungan, lalu memilih tindakan
yang diharapkan akan menghasilkan pencapaian sasaran dan tujuan
tersebut. Kebutuhan akan peramalan meningkat sejalan dengan usaha
manajemen untuk mengurangi ketergantungannya pada halhal yang belum
pasti. Peramalan menjadi lebih ilmiah sifatnya dalam menghadapi
lingkungan manajemen. Karena setiap organisasi berkaitan satu sama
lain, baikburuknya ramalan dapat mempengaruhi seluruh bagian
organisasi. (Makridakis, 1988)
2.1.2 Peranan dan Kegunaan PeramalanBeberapa bagian organisasi
dimana peramalan kini memainkan peranan yang penting antara lain:
(Makridakis, 1988)
a. Penjadwalan sumber daya yang tersediapenggunaan sumber daya
yang efisien memelukan penjadwalan produksi,tranportasi, kas,
personalia dan sebagainya.b. Penyediaan sumber daya tambahanWaktu
tenggang (lead time) untuk memperoleh bahan baku, menerima pekerja
baru, atau membeli mesin dan peralatan dapat berkisar antara
beberapa hari sampai beberapa tahun. Peramalan diperlukan untuk
menentukan kebutuhan sumber daya di masa mendatang.c. Penentuan
sumber daya yang diinginkanSetiap organisasi harus menentukan
sumber daya yang ingin dimiliki dalam jangka panjang. Keputusan
semacam itu bergantung pada kesempatan pasar, faktor-faktor
lingkungan dan pengembangan internal dari sumber daya finansial,
manusia, produk dan teknologis. Semua penentuan ini memerlukan
ramalan yang baik dan manajer dapat menafsirkan perkiraan serta
membuat keputusan yang tepat. Walaupun terdapat banyak bidang lain
yang memerlukan peramalan namun tiga kelompok di atas merupakan
bentuk khas dari keperluan peramalan jangka pendek, menengah dan
panjang dari organisasi saat ini. Dengan adanya serangkaian
kebutuhan itu, maka perusahaan perlu mengembangkan pendekatan
berganda untuk memperkirakan peristiwa yang tiak tentu dan
membangun suatu sistem peramalan. Pada gilirannya, organisasi perlu
memiliki pengetahuan dan keterampilan yang meliputi paling sedikit
empat bidang yaitu identifikasi dan definisi masalah peramalan,
aplikasi serangkaian metode peramalan, prosedurpemilihan metode
yang tepat untuk situasi tertentu dan dukungan organisasi untuk
menerapkan dan menggunakan metode peramalan secara formal. Tiga
kegunaan peramalan antara lain adalah:1. Menentukan apa yang
dibutuhkan untuk perluasan pabrik.2. Menentukan perencanaan
lanjutan bagi produk-produk yang ada untukdikerjakan dengan
fasilitas yang ada.3. Menentukan penjadwalan jangka pendek
produk-produk yang ada untukdikerjakan berdasarkan peralatan yang
ada.
2.1.3 Jenis-jenis PeramalanSituasi peramalan sangat beragam
dalam horizon waktu peramalan, faktor yang menentukan hasil
sebenarnya, tipe pola dan berbagai aspek lainnya. Untuk menghadapi
penggunaan yang luas seperti itu, beberapa teknik telah
dikembangkan. Peramalan pada umumya dapat dibedakan dari berbagai
segi tergantung dalam cara melihatnya.Dilihat dari jangka waktu
ramalan yang disusun, peramalan dapat dibedakan atas dua macam,
yaitu:a. Peramalan jangka panjang, yaitu peramalan yang dilakukan
untuk penyusunan hasil ramalan yang jangka waktunya lebih dari satu
setengah tahun atau tiga semester. Lebih tegasnya peramalan jangka
panjang ini berorientasi pada dasar atau perencanaan.b. Peramalan
jangka pendek, yaitu peramalan yang dilakukan untuk penyusunan
hasil ramalan yang dilakukan kurang dari satu setengah tahun atau
tiga semester. Penetapan jadwal induk produksi untuk bulan yang
akan datang atau periode kurang dari satu tahun sangat tergantung
pada peramalan jangka pendek.Apabila dilihat dari sifat
penyusunannya, maka peramalan dapat dibedakan menjadi dua macam,
yaitu:1. Peramalan subjektif, yaitu peramalan yang didasarkan atas
perasaan atau intuisi dari orang yang menyusunnya. Dalam hal ini
pandangan atau ketajaman pikiran orang yang menyusunnya sangat
menentukan baik tidaknya hasil peramalan.2. Peramalan objektif,
yaitu peramalan yang didasarkan atas data yang relevan pada masa
lalu dengan menggunakan teknik-teknik dan metode-metode dalam
penganalisaan data tersebut. Dilihat dari sifat ramalan yang telah
disusun, maka peramalan dapat dibedakan atas dua macam, yaitu:1.
Peramalan kualitatif atau teknologisyaitu peramalan yang didasarkan
atas data kualitatif masa lalu. Hasil peramalan yang ada tergantung
pada orang yang menyusunnya, karena peramalan tersebut sangat
ditentukan oleh pemikiran yang bersifat intuisi, judgement
(pendapat) dan pengetahuan serta pengalaman dari penyusunnya.Metoda
kualitatif dibagi menjadi dua metode, yaitu:a. Metode
eksploratifPada metoda ini dimulai dengan masa lalu dan masa kini
sebagai awal dan bergerak ke arah masa depan secara heuristik,
sering kali dengan melihat semua kemungkinan yang ada.b. Metode
normatifPada metode ini dimulai dengan menetapkan sasaran tujuan
yang akan datang, kemudian bekerja mundur untuk melihat apakah hal
ini dapat dicapai berdasarkan kendala, sumber daya dan teknologi
yang tersedia.2. Peramalan kuantitatif, yaitu peramalan yang
didasarkan atas data kuantitatif pada masa lalu. Hasil peramalan
yang dibuat tergantung pada metode yang digunakan dalam peramalan
tersebut. Metode yang baik adalah metode yang memberikan
nilai-nilai perbedaan atau penyimpangan yang mungkin.Peramalan
kuantitatif hanya dapat digunakan apabila terdapat tiga kondisi
sebagaiberikut: (Makridakis, 1988)1. Informasi tentang keadaan masa
lalu.2. Informasi tersebut dapat dikuantifikasikan dalam bentuk
data numerik.3. Dapat diasumsikan bahwa beberapa aspek pola masa
lalu akan terus berkelanjutan pada masa yang akan datang. Metode
peramalan kuantitatif terbagi atas dua jenis model peramalan yang
utama, yaitu:1. Model deret berkala (time series), yaitu:Metode
peramalan yang didasarkan atas penggunaan analisa pola hubungan
antara variabel yang akan diperkirakan dengan variabel waktu, yang
merupakan deret waktu.2. Model kausal, yaitu metode peramalan yang
didasarkan atas penggunaan analisa pola hubungan antara variabel
lain yang mempengaruhinya, yang bukan waktu yang disebut metode
korelasi atau sebab akibat. Model kausal terdiri dari:a. Metode
regresi dan korelasib. Metode ekonometric. Metode input dan
output
2.1.4 Karakteristik Peramalan Yang BaikKarakteristik dari
peramalan yang baik harus memenuhi beberapa kriteria yaitudari
hal-hal sebagai berikut:a. Ketelitian/ KeakuratanTujuan utama
peramalan adalah menghasilkan prediksi yang akurat. Peramalan yang
terlalu rendah mengakibatkan kekurangan persediaan (inventory).
Peramalan yang terlalu tinggi akan menyebabkan inventory yang
berlebihan dan biaya operasi tambahan.b. BiayaBiaya untuk
mengembangkan model peramalan dan melakukan peramalanakan menjadi
signifikan jika jumlah produk dan data lainnya semakin besar.
Mengusahakan melakukan peramalan jangan sampai menimbulkan ongkos
yang terlalu besar ataupun terlalu kecil. Keakuratan peramalan
dapat ditingkatkan dengan mengembangkan model lebih komplek dengan
konsekuensi biaya menjadi lebih mahal. Jadi ada nilai tukar antara
biaya dan keakuratan.c. ResponsifRamalan harus stabil dan tidak
terpengaruhi oleh fluktuasi demand.d. SederhanaKeuntungan utama
menggunakan peramalan yang sederhana yaitu kemudahan untuk
melakukan peramalan. Jika kesulitan terjadi pada metode sederhana,
diagnosa dilakukan lebih mudah. Secara umum, lebih baik menggunakan
metode paling sederhana yang sesuai dengan kebutuhan peramalan.
2.2. Perencanaan ProduksiPerencanaan produksi dimaksudkan untuk
menentukan orientasi pasar, jenis produk serta rencana penjualan
perusahaan. Perencanaan produksi didasarkan pada hasil peramalan
yang mempertimbangkan tingkat persediaan sehingga dihasilkan
rencana produksi pada tingkat family produksi.2.2.1 Definisi
Perencanaan ProduksiPerencanaan produksi adalah menyesuaikan
permintaan (demand) yang berasaldari peramalan dengan seluruh
kemampuan yang ada. Ini disebabkan kemampuan yang terbatas,
sehingga tidak dapat begitu saja mengikuti ramalan permintaan. Hal
ini disebabkan oleh:a. Ketidakpastian hasil peramalan itu
sendiri.b. Adanya ongkos yang timbul setiap kali mengubah tingkat
produksi atau jika membuat persediaan.c. Tipe perusahaan
manufaktur: (Buffa S. Elwood, 1996)1. Make to stock company2. Make
to order company3. Make to order and make to stock
companyPerencanaan merupakan suatu fungsi dari manajemen, yang mana
dalam perencanaan ditentukan usaha dan tindakan-tindakan yang perlu
diambil pimpinan perusahaan serta mempertimbangkan masalah yang
akan timbul pada masa yang akan datang. Barang yang akan
direncanakan untuk masa yang akan datang harus memenuhi persyaratan
sebagai berikut:1. Barang itu harus diproduksi pada masa itu.2.
Barang tersebut harus dapat dikerjakan oleh pabrik.3. Barang
tersebut harus dapat memenuhi keinginan pembeli sesuai dengan
peramalan baik mengenai harga, kuantitas dan waktu yang
diperlukan.Prosedur penyusunan perencanaan produksi antara satu
perusahaan dengan perusahaan yang lain sangatlah bervariasi, tetapi
pada umumnya terdiri dari lima langkah, yaitu:1. Menetapkan unit
pengukuranPeramalan penjualan pada umumnya disusun dalam nilai
uang, sedangkan rencana produksi disusun dalam nilai unit produksi.
Karena itu diperlukan faktor konversi yang sesuai untuk
mengkonversikan nilai uang tersebut kedalam unit produk.2.
Menetapkan horison perencanaanHorison perencanaan menunjukan
panjangnya waktu yang direncanakan untuk melakukan produksi
sehingga diperlukan pula perencanaan mengenai material, kapasitas
produksi serta fasilitas produksi yang sesuai dengan rencana
produksi.3. Menentukan siklus pemeriksaan pelaksanaan perencanaan
produksi. Peninjauan ini diperlukan karena sistem produksi yang
berjalan adalah suatu sistem yang mudah berubah sebagai akibat
adanya perkembangan di berbagai bidang.4. Mendokumentasikan
perencanaan sebagai prosedur yang formal Rencana produksi harus
tersusun secara formal, memiliki tahapan tertentu serta prosedur
dokumentasi dalam bentuk yang mudah dimengerti.5. Menetapkan
pertanggung jawaban yang jelas pada setiap bagian Bagian pemasaran
bertanggung jawab atas peramalan permintaan, bagian produksi
bertanggung jawab atas penyusunan jadwal produksi dan bagian
keuangan bertanggung jawab terhadap kebutuhan modal. Umumnya
hambatan yang akan terjadi pada penyusunan rencana produksi berupa
kegagalan manajemen dalam memenuhi kebutuhan yang dibutuhkan dalam
penyusunan rencana produksi, adanya kesulitan dalam mengkonversikan
nilai ke dalam unit produksi serta kurangnya perhatian terhadap
masalah persediaan dan peramalan. Bila hambatan ini belum bisa
diatasi maka perencanaan produksi manufaktur aktifitas berikutnya
tidak dapat dilakukan secara efektif. Secara garis besarnya, dalam
melakukan perencanaan produksi ada beberapa langkah dalam
perencanaan produksi setelah diperoleh hasil peramalan, yaitu:a.
Input hasil peramalan.b. Ubah seluruh variabel menjadi satu satuan
ukuran Menentukan apakah rencana produksi akan dibuat dalam satuan
ukuran unit produksi atau berdasarkan jam orang yang tersedia untuk
melakukan produksi.c. Tentukan kebijaksanaan perusahaan dan pilih
salah satu atau beberapa model perencanaan. Ada banyak model
perencanaan yang bisa digunakan (metode murni, metode campuran,
metode transportasi dan lain-lain).d. Tentukan model mana yang akan
dipakai sesuai dengan kriteria. Periode perencanaan produksi adalah
suatu susunan waktu dimana perusahaan menginginkan untuk
melaksanakan rencana produksi. Panjang susunan waktu perencanaan
adalah tergantung pada ketepatan untuk meramalkan keadaan pasar dan
kemampuan untuk melakukan penyelesaian terhadap perubahan pasar.
Perencanaan agregat adalah hasil perencanaan untuk tenaga kerja dan
tingkat produksi yang dituangkan dalam fasilitas perencanaan
agregat. Keputusan perencanaan dibuat untuk meminimasi ongkos total
guna memenuhi ramalan permintaan.Pada dasarnya output yang
dihasilkan dari perencanaan produksi agregat adalah sebagai
berikut:a. Kecepatan produksi setiap periodeMenyatakan jumlah
produk agregat yang dibuat pada periode perencanaan.b. Jumlah
tingkat persediaanSatuan produk berupa barang siap jual yang
disimpan per periode.c. Jumlah back order (penundaan waktu
penyerahan) Bila semua kapasitas yang ada tidak dapat memenuhi
semua pesanan pada waktu yang dijanjikan, sehingga sebagian pesanan
ditunda waktu penyerahannya.d. Jumlah tenaga kerjaDalam hal ini
tenaga kerja langsung yang digunakan untuk menghasilkan sejumlah
produk (yang menentukan banyaknya produk yang dibuat).e. Alokasi
pemanfaatan waktu kerjaBerupa jam kerja biasa dan jam kerja
lembur.f. Jumlah pesanan sub kontrakBila kapasitas pabrik termasuk
lembur tidak mampu melayani pesanan, maka diserahkan pada
perusahaan lain yang sejenis dan apabila biaya lembur lebih besar
daripada biaya sub kontrak. Langkah pelaksanaan dalam rencana
produksi agregat:a. Tentukan batasan perencanaan produksi yang akan
dilakukan. Cari informasi mengenai data yang dibutuhkan.b. Tentukan
standar satuan yang akan digunakan dalam perencanaan produksi.c.
Tentukan tenaga kerja yang dibutuhkan dalam kurun perencanaan
dengan kriteria ongkos minimum.d. Rencana jumlah produksi dalam
agregat.e. Jika item > 1, lakukan proses disagregasi sesuai
dengan faktor konversi.Tujuan perencanaan produksi yaitu untuk:1.
Mengatur strategi produksia) Memproduksi sesuai demandb)
Memproduksi pada kegiatan konstan
3. PERMASALAHAN
Dalam pemasaran suatu produk , perusahaan harus dapat
memprediksikan keadaan pasar untuk jangka panjang seperti halnya
memprediksikan produksi dari permintaan pasar untuk 3 bulan
kedepan. Hal ini terkait akan jumlah kemampuan suatu perusahaan
untuk memproduksi barang sesuai permintaan dan juga untuk
menyiapkan strategi strategi untuk jangka panjang, oleh karena hal
ini peneliti mempelajari atau meneliti tentag forecast,dll.
4.HASIL DAN PENGUMPULAN DATA
3.1. Pengumpulan DataData diperoleh dari data permintaan agregat
perusahaan setiap bulanya selama 24 periode. Dan berdasarkan data
tersebut kami membuat pengolahan data dengan metode metode
forecasting yang ada
3.1.1 Data permintaan agregat
Berikut hasil pengumpulan data:[Type the document title]
[Type the company name]21 |
Tabel 3.1.1 data permintaan agregat
3.1.1 Line Diagram Agregat
3.2 Pengolahan DataDari data yang diperoleh. Kami melakukan
pengolahan data untuk menghasilkan data forecast dengan beberapa
metode forecasting diantaranya3.2.1Double Moving Average
Tabel 3.2.1 Double Moving AveragePeriodeData PenjualanSingle
Moving Average 3 PeriodeDouble Moving Average 3 PeriodeNilai aNilai
bForecastingMean Absolutely error
tXiS'tS''ta= 2s't - s''tb = 2/n-1 (s't-s''t)Ft + mei = Xi -
Fi
September-11734
October-11707
November-11717719.33
December-11722715.33
January-12732723.67719.44727.894.22
February-12744732.67723.89741.448.78732.1111.89
March-12728734.67730.33739.004.33750.2222.22
April-12740737.33734.89739.782.44743.333.33
May-12753740.33737.44743.222.89742.2210.78
June-12758750.33742.67758.007.67746.1111.89
July-12765758.67749.78767.568.89765.670.67
August-12722748.33752.44744.22-4.11776.4454.44
September-12731739.33748.78729.89-9.44740.119.11
October-12738730.33739.33721.33-9.00720.4417.56
November-12742737.00735.56738.441.44712.3329.67
December-12745741.67736.33747.005.33739.895.11
January-13752746.33741.67751.004.67752.330.33
February-13741746.00744.67747.331.33755.6714.67
March-13746746.33746.22746.440.11748.672.67
April-13741742.67745.00740.33-2.33746.565.56
May-13743743.33744.11742.56-0.78738.005.00
June-13741741.67742.56740.78-0.89741.780.78
July-13755746.33743.78748.892.56739.8915.11
August-13765753.67747.22760.116.44751.4413.56
September-13?766.56m = 1
October-13?773.00m = 2
November-13?779.44m = 3
Mean Absolutely error12.33
3.2.2Double Exponensial Smoothing By Holt Dengan = 10%, =
10%
Tabel 3.2.2Double Exponensial SmoothingByHolt Dengan = 10%, =
10%
Jika = 10% Dan = 10%
PeriodeData PenjualanSingle Exponensial SmoothingSmoothing
TrendForecastingMean Absolutely error
tXiS'tS''tFt-mei
September-11734734.00-11.00
October-11707721.40-11.16723.0016.000
November-11717710.92-11.09710.246.760
December-11722702.04-10.87699.8222.176
January-12732695.25-10.46691.1740.829
February-12744690.71-9.87684.7959.209
March-12728685.56-9.40680.8447.158
April-12740682.54-8.76676.1663.841
May-12753681.70-7.97673.7879.217
June-12758682.16-7.13673.7484.264
July-12765684.03-6.23675.0489.963
August-12722682.23-5.78677.8144.192
September-12731681.90-5.24676.4454.557
October-12738682.79-4.62676.6661.340
November-12742684.55-3.99678.1763.831
December-12745687.01-3.34680.5764.434
January-13752690.50-2.66683.6768.333
February-13741693.16-2.13687.8453.159
March-13746696.53-1.58691.0354.970
April-13741699.55-1.12694.9546.051
May-13743702.89-0.67698.4444.563
June-13741706.10-0.28702.2238.778
July-13755710.730.21705.8249.184
August-13765716.350.75710.9454.058
September-13?717.10
October-13?717.85
November-13?718.59
Mean Absolutely Error52.472
3.2.3Double Exponensial Smoothing By Holt Dengan = 30%, =
30%Tabel 3.2.2Double Exponensial SmoothingByHolt Dengan = 30%, =
30%
Jika = 30% Dan = 30%
PeriodeData PenjualanSingle Exponensial SmoothingSmoothing
TrendForecastingMean Absolutely error
tXiS'tS''tFt-mei
September-11734734.00-11.00
October-11707718.20-12.44723.0016.000
November-11717709.13-11.43705.7611.240
December-11722704.99-9.24697.7024.296
January-12732706.63-5.98695.7536.249
February-12744713.65-2.08700.6543.354
March-12728716.50-0.60711.5716.425
April-12740723.131.57715.9024.097
May-12753733.194.12724.7028.298
June-12758743.525.98737.3120.692
July-12765754.157.37749.4915.506
August-12722749.663.82761.5239.520
September-12731746.741.79753.4822.481
October-12738745.370.85748.5310.531
November-12742744.950.47746.224.218
December-12745745.290.43745.420.419
January-13752747.610.99745.726.278
February-13741746.320.31748.607.600
March-13746746.440.25746.630.630
April-13741744.99-0.26746.695.694
May-13743744.21-0.41744.731.727
June-13741742.96-0.67743.792.794
July-13755746.100.48742.2912.710
August-13765752.112.14746.5818.419
September-13?754.24
October-13?756.38
November-13?758.51
Mean Absolutely Error16.051
3.2.4Double Exponensial Smoothing By Holt Dengan = 45%, =
45%Tabel 3.2.2Double Exponensial SmoothingByHolt Dengan = 45%, =
45%
Jika = 45% Dan = 45%
PeriodeData PenjualanSingle Exponensial SmoothingSmoothing
TrendForecastingMean Absolutely error
tXiS'tS''tFt-mei
September-11734734.00-11.00
October-11707715.80-14.24723.0016.000
November-11717708.51-11.11701.5615.440
December-11722708.47-6.13697.3924.605
January-12732715.68-0.12702.3429.664
February-12744728.365.63715.5628.439
March-12728731.304.42733.995.994
April-12740737.645.29735.724.282
May-12753747.467.33742.9310.067
June-12758756.237.98754.793.210
July-12765764.578.14764.210.788
August-12722749.89-2.13772.7050.703
September-12731740.22-5.52747.7616.756
October-12738736.18-4.85734.693.308
November-12742736.13-2.69731.3310.673
December-12745738.64-0.35733.4411.563
January-13752744.462.43738.2913.711
February-13741744.241.23746.885.884
March-13746745.711.34745.470.530
April-13741744.330.12747.056.050
May-13743743.79-0.18744.441.443
June-13741742.44-0.71743.622.618
July-13755747.701.98741.7313.267
August-13765756.585.08749.6815.317
September-13?761.66
October-13?766.74
November-13?771.82
Mean Absolutely Error12.622
3.2.5Triple Exponensial Smoothing By Brown Dengan = 10%, Tabel
3.2.5Triple Exponensial Smoothing By Brown Dengan = 10%,
Jika = 10%
PeriodeData PenjualanSingle Exponensial SmoothingDouble
Exponensial SmoothingTriple Exponensial SmoothingNilai aNilai
bNilai cForecastingError
TXiS'tS''tS'''tatbtctft (m=1)Pei
September-11734734.0000734.0000734.0000734.0000-4.0000-8.5000
October-11707731.3000733.7300733.9730726.6830-0.7695-0.0270725.7518.75
November-11717729.8700733.3440733.9101723.4881-1.0501-0.0359725.908.90
December-11722729.0830732.9179733.8109722.3062-1.0980-0.0363722.420.42
January-12732729.3747732.5636733.6862724.1195-0.8263-0.0255721.1910.81
February-12744730.8372732.3909733.5566728.8955-0.2613-0.0048723.2820.72
March-12728730.5535732.2072733.4217728.4606-0.2841-0.0054728.630.63
April-12740731.4982732.1363733.2931731.37870.04760.0064728.1711.83
May-12753733.6483732.2875733.1926737.27510.66870.0280731.4321.57
June-12758736.0835732.6671733.1400743.38921.26790.0480737.9620.04
July-12765738.9752733.2979733.1558750.18761.89500.0683744.6820.32
August-12722737.2776733.6959733.2098743.95511.10500.0382752.1230.12
September-12731736.6499733.9913733.2880741.26380.74200.0241745.0814.08
October-12738736.7849734.2706733.3862740.92900.65160.0201742.024.02
November-12742737.3064734.5742733.5050741.70160.68340.0205741.590.41
December-12745738.0758734.9244733.6470743.10110.77820.0231742.402.60
January-13752739.4682735.3788733.8201746.08841.03240.0312743.898.11
February-13741739.6214735.8030734.0184745.47350.88880.0251747.146.14
March-13746740.2592736.2486734.2415746.27320.90320.0247746.370.37
April-13741740.3333736.6571734.4830745.51160.75150.0185747.196.19
May-13743740.6000737.0514734.7399745.38560.67680.0153746.273.27
June-13741740.6400737.4102735.0069744.69610.54760.0102746.075.07
July-13755742.0760737.8768735.2939747.89140.83570.0200745.259.75
August-13765744.3684738.5260735.6171753.14431.31920.0362748.7416.26
September-13?754.48
October-13?755.82
November-13?757.16
Mean Square Error10.45
3.2.6 Triple Exponensial Smoothing By Brown Dengan = 20%, Tabel
3.2.6Triple Exponensial Smoothing By Brown Dengan = 20%, Jika =
20%
PeriodeData PenjualanSingle Exponensial SmoothingDouble
Exponensial SmoothingTriple Exponensial SmoothingNilai aNilai
bNilai cForecastingError
TXiS'tS''tS'''tatbtctft (m=1)Pei
September-11734734.0000734.0000734.0000734.0000-4.0000-8.5000
October-11707728.6000732.9200733.7840720.8240-2.9160-0.2160725.7518.75
November-11717726.2800731.5920733.3456717.4096-3.2184-0.2224717.800.80
December-11722725.4240730.3584732.7482717.9450-2.5854-0.1590714.087.92
January-12732726.7392729.6346732.1254723.4394-0.9387-0.0253715.2816.72
February-12744730.1914729.7459731.6495732.98591.35930.1468722.4921.51
March-12728729.7531729.7474731.2691731.28630.81290.0955734.426.42
April-12740731.8025730.1584731.0470735.97921.75650.1583732.157.85
May-12753736.0420731.3351731.1046745.22523.55480.2798737.8115.19
June-12758740.4336733.1548731.5146753.35104.81520.3524748.929.08
July-12765745.3469735.5932732.3303761.59135.88660.4057758.346.66
August-12722740.6775736.6101733.1863745.38861.35880.0402767.6845.68
September-12731738.7420737.0365733.9563739.0729-0.3039-0.0859746.7715.77
October-12738738.5936737.3479734.6346738.3718-0.4682-0.0917738.730.73
November-12742739.2749737.7333735.2544739.8792-0.1126-0.0586737.864.14
December-12745740.4199738.2706735.8576742.30550.3972-0.0165739.745.26
January-13752742.7359739.1637736.5188747.23561.38570.0580742.699.31
February-13741742.3887739.8087737.1768744.91700.6175-0.0032748.657.65
March-13746743.1110740.4691737.8353745.76080.66470.0005745.530.47
April-13741742.6888740.9131738.4508743.77800.0792-0.0429746.435.43
May-13743742.7510741.2807739.0168743.4279-0.0540-0.0496743.840.84
June-13741742.4008741.5047739.5144742.2028-0.3573-0.0684743.352.35
July-13755744.9207742.1879740.0491748.24740.99870.0371741.8113.19
August-13765748.9365743.5376740.7468756.94352.73530.1630749.2615.74
September-13?759.76
October-13?762.58
November-13?765.39
Mean Square Error10.32
3.2.7 Triple Exponensial Smoothing By Brown Dengan = 45%, Tabel
3.2.6Triple Exponensial Smoothing By Brown Dengan = 45%,
Jika = 45%
PeriodeData PenjualanSingle Exponensial SmoothingDouble
Exponensial SmoothingTriple Exponensial SmoothingNilai aNilai
bNilai cForecastingError
TXiS'tS''tS'''tatbtctft (m=1)Pei
September-11734734.0000734.0000734.0000734.0000-4.0000-8.5000
October-11707721.8500728.5325731.5396711.4921-12.71194-0.4982725.7518.75
November-11717719.6675724.5433728.3913713.7640-6.01501-0.1393698.5318.47
December-11722720.7171722.8215725.8849719.57180.168510.1300707.6814.32
January-12732725.7944724.1593725.1084730.01376.431390.3503719.8112.19
February-12744733.9869728.5817726.6714742.887011.311010.4738736.627.38
March-12728731.2928729.8017728.0800732.55330.76546-0.0313754.4326.43
April-12740735.2110732.2359729.9502738.87563.793040.0935733.306.70
May-12753743.2161737.1770733.2022751.31959.010050.2798742.7210.28
June-12758749.8688742.8883737.5610758.50258.969870.2241760.472.47
July-12765756.6779749.0936742.7507765.50348.651980.1683767.582.58
August-12722741.0728745.4843743.9808730.7465-15.26809-0.8018774.2452.24
September-12731736.5401741.4594742.8461728.0882-10.98778-0.4789715.0815.92
October-12738737.1970739.5413741.3590734.3261-2.95608-0.0714716.8621.14
November-12742739.3584739.4590740.5040740.20211.779100.1280731.3310.67
December-12745741.8971740.5561740.5275744.55033.683740.1779742.052.95
January-13752746.4434743.2054741.7325751.44656.128450.2393748.323.68
February-13741743.9939743.5602742.5550743.8560-0.77180-0.0775757.6916.69
March-13746744.8966744.1616743.2780745.48300.30846-0.0201743.052.95
April-13741743.1431743.7033743.4694741.7889-2.02350-0.1076745.784.78
May-13743743.0787743.4222743.4482742.4176-0.90706-0.0431739.713.29
June-13741742.1433742.8467743.1775741.0673-1.30999-0.0505741.490.49
July-13755747.9288745.1337744.0578752.44325.675750.2331739.7315.27
August-13765755.6108749.8484746.6636763.95099.795400.3494758.246.76
September-13?773.92
October-13?783.89
November-13?793.86
Mean Square Error12.02
3.2.7 Batas KontrolTabel 3.2.6Batas Kontrol
PeriodeTipe ProdukX rata-ratarUCLCLLCL
ABC
September-11234246254244.6720.00247.81244.67241.53
October-11223254230235.6731.00240.53235.67230.80
November-11231255231239.0024.00242.77239.00235.23
December-11236257229240.6728.00245.06240.67236.27
January-12240258234244.0024.00247.77244.00240.23
February-12244260240248.0020.00251.14248.00244.86
March-12246249233242.6716.00245.18242.67240.15
April-12238246256246.6718.00249.49246.67243.84
May-12251251251251.000.00251.00251.00251.00
June-12250253255252.675.00253.45252.67251.88
July-12248257260255.0012.00256.88255.00253.12
August-12223253246240.6730.00245.38240.67235.96
September-12229259243243.6730.00248.38243.67238.96
October-12231266241246.0035.00251.50246.00240.51
November-12233262247247.3329.00251.89247.33242.78
December-12237263245248.3326.00252.42248.33244.25
January-13231269252250.6738.00256.63250.67244.70
February-13235253253247.0018.00249.83247.00244.17
March-13241254251248.6713.00250.71248.67246.63
April-13243248250247.007.00248.10247.00245.90
May-13246244253247.679.00249.08247.67246.25
June-13238249254247.0016.00249.51247.00244.49
July-13247251257251.6710.00253.24251.67250.10
August-13249256260255.0011.00256.73255.00253.27
3.2.7 Grafik Batas Kontrol
4 ANALISISBerdasarkan data yang didapatkan dariperusahaan UD
Sumber Karya.Berdasarkan data yang didapatkan dari peramalan yang
dilakukan untuk jangka waktu 3 bulan pada double moving average
pada bulan September (766.56),oktober(773.00) dan November(779.44)
dan MEA yang didapat yaitu sebesar 12,33. Dexponensial smoothing by
holt jika Jika = 10% Dan = 10% didapatkan MEA sebesar 52.472 Jika =
30% Dan = 30% didapatkan MEA sebesar 16.051Jika = 45% Dan = 45%
didapatkan MEA sebesar 12.622 . Texponensial smoothing jika Jika =
10% didapat Mean square error 10.45 jika Jika = 45% didapatkan MSE
12.02 dan jika Jika = 20% didapatkan MSE 10.32 .
5 KesimpulanDapat ditarik beberapa simpulan yaitu perkiraan
permintaan produk untuk masa yang akan datang diharapkan dapat
menggunakan metode peramalan yang telah teruji paling optimal.
Dengan demikian kebutuhan produk di pasaran dapat terpenuhi, namun
tidak kekurangan atau kelebihan.Sistem dapat menentukan jenis
perencanaan agregat yang paling minimal dari segi biaya. Sehingga
segala hal yang berhubungan dengan biaya dalam perencanaan untuk
produksi diharapkan dapat diselenggarakan dengan seefisien
mungkin.Sistem dapat memperlihatkan data stok bahan baku dan stok
produk minimum sehingga stok bahan baku dan stok produk akan selalu
ada namun tidak berlebihan.Sistem dapat memperlihatkan data stok
bahan baku dan stok produk minimum sehingga stok bahan baku dan
stok produk akan selalu ada namun tidak berlebihan.
6 SaranBerikut adalah beberapa saran yang dapat diberikan bagi
perusahaan (UD.Sumber) terkait dengan pengimplementasian penelitian
ini yaitu perlu adanya pelatihan bagi karyawan yang akan
memanfaatkan sistem agar fitur-fitur yang tersedia dapat digunakan
secara optimal.dan pemeliharaan sistem secara berkala untuk menjaga
sistem tetap berjalan dengan baik dan sesuai dengan kebutuhan.