Post on 19-Jun-2015
description
TUGAS II
PERAMALAN DAN PERENCANAAN AGGREGAT
Disusun Oleh :
Abner Umbu Laiya. S (08.02.5347)
Lina Lu’luil Khusna (08.02.5343)
Yayan Subagyo (07.02.5336)
JURUSAN TEKNIK INDUSTRI
FAKULTAS TEKNOLOGI INDUSTRI
INSTITUT SAINS & TEKNOLOGI AKPRIND
YOGYAKARTA
2010
I
PENDAHULUAN
Forecasting adalah peramalan (perkiraan) mengenai sesuatu yang belum
terjadi (Subagyo, 1986:1). Di dalam forecasting selalu bertujuan agar forecast
yang dibuat bisa meminimumkan pengaruh ketidakpastian terhadap sesuatu yang
biasanya diukur dengan mean squared error, mean absolute error dan sebagainya.
Dengan adanya sejumlah besar metode peramalan yang tersedia, maka masalah
yang timbul bagi para praktisi adalah dalam memahami karakteristik suatu metode
peramalan akan cocok bagi situasi pengambilan keputusan tertentu
Jika proses perubahan dapat diketahui dengan tepat, maka forecast pasti
bisa tepat seperti apa yang akan terjadi. Namun bisa terjadi penyimpangan karena
ada faktor lain yang mempengaruhi. Untuk itu dilakukan pemilihan metode
forecast yang paling cocok dengan permasalahannya.
Peramalan (forecasting) merupakan bagian vital bagi setiap organisasi
bisnis dan untuk setiap pengambilan keputusan manajemen yang sangat
signifikan. Peramalan menjadi dasar bagi perencanaan jangka panjang
perusahaan. Dalam area fungsional keuangan, peramalan memberikan dasar
dalam menentukan anggaran dan pengendalian biaya. Pada bagian pemasaran,
peramalan penjualan dibutuhkan untuk merencanakan produk baru, kompensasi
tenaga penjual, dan beberapa keputusan penting lainnya. Selanjutnya, pada bagian
produksi dan operasi menggunakan data-data peramalan untuk perencanaan
kapasitas, fasilitas, produksi, penjadwalan, dan pengendalian persedian (inventory
control). Untuk menetapkan kebijakan ekonomi seperti tingkat pertumbuhan
ekonomi, tingkat pengangguran, tingkat inflasi, dan lain sebagainya dapat pula
dilakukan dengan metode peramalan.
Peramalan adalah penggunaan data masa lalu dari sebuah variabel atau
kumpulan variabel untuk mengestimasi nilainya di masa yang akan datang.
Asumsi dasar dalam penerapan teknik-teknik peramalan adalah:“If we can predict
what the future will be like we can modify our behaviour now to be in a better
position, than we otherwise would have been, when the future arrives.” Artinya,
jika kita dapat memprediksi apa yang terjadi di masa depan maka kita dapat
mengubah kebiasaan kita saat ini menjadi lebih baik dan akan jauh lebih berbeda
di masa yang akan datang. Hal ini disebabkan kinerja di masa lalu akan terus
berulang setidaknya dalam masa mendatang yang relatif dekat.
Sumber:http://if29noltiga.9.forumer.com/index.php?
s=1b665dad463ec7e2954e9a7fb5dc80d2&act=Attach&type=post&id=105
II
TINJAUAN PUSTAKA
Definisi dan Tujuan Peramalan
Forecasting adalah peramalan atau perkiraan mengenai sesuatu yang
belum terjadi (Pangestu Subagyo, 1986 : 1)
Dalam ilmu pengetahuan sosial segala sesuatu itu serba tidak pasti dan
sukar untuk diperkirakan secara tepat. Untuk itu perlu adanya forecast. Ramalan
yang dilakukan pada umumnya akan berdasarkan data yang terdapat di masa
lampau yang dianalisis dengan mengunakan metode-metode tertentu. Di dalam
forecasting diupayakan agar forecast yang dibuat dapat meminimumkan pengaruh
ketidakpastian tersebut
Dengan kata lain forecasting bertujuan mendapatkan forecast yang bisa
meminimumkan kesalahan meramal (forecast error) yang biasanya diukur dengan
mean squared error, mean absolute error, dan sebagainya (Pengestu Subagyo,
1986 : 1)
Hubungan Forecast dengan Rencana
Peramalan (forecasting) merupakan alat bantu yang sangat penting dalam
perencanaan yang efektif dan efisien. Dalam bidang ekonomi, perencanaan
merupakan kebutuhan yang besar, karena waktu tenggang untuk pengambilan
keputusan dapat berkisar dari beberapa tahun sampai beberapa hari atau bahkan
beberapa jam. Dalam situasi seperti ini, peramalan diperlukan untuk menentukan
kapan suatu peristiwa akan terjadi atau timbul, sehingga tindakan yang tepat dapat
dilakukan. Peramalan mempunyai peranan langsung pada peristiwa eksternal yang
pada umumnya berada di luar kendali manajemen, seperti berasal dari ekonomi
nasional, pemerintah, pelanggan, dan pesaing. Dari peramalan inilah suatu
perusahan dapat melakukan suatu perencanaan dan pengambilan suatu keputusan
yang dirasa tepat
Forecast adalah peramalan apa yang terjadi pada waktu yang akan datang,
sedang rencana merupakan penentuan apa yang akan dilakukan pada waktu yang
akan datang (Pangestu Subagyo, 1986 : 3). Dengan sendirinya terjadi perbedaan
antara forecast dengan rencana. Forecasting adalah peramalan apa yang akan
terjadi tetapi belum tentu bisa dilaksanakan oleh perusahaan
1. Karakteristik peramalan
Karakteristik peramalan yang baik adalah:
a. KeakuratanTujuan utamanya adalah menghasilkan prediksi yang akurat. Peramalan yang terlalu rendah mengakibatkan kekurangan persediaan, back order, kehilangan penjualan, atau kehilangan pelanggan.
b. Biaya.Biaya untuk mengembangkan model peramalan dan melakukan signifikasi jika produk atau data lainnya semakin besar.
c. Penyederhanaan.Keuntungan utama menggunakan peramalan yang sederhana adalah kemudahan untuk melakukan peramalan dan analisisnya.
2. Prinsip-prinsip peramalan
Prinsip-prinsip peramalan yang perlu dipertimbangkan adalah:
a. Peramalan melibatkan kesalahan (error).
b. Peramalan sebaiknya memakai tolok ukur kesalahan peramalan.
c. Peramalan famili produk lebih akurat dari pada peramalan produk
individu (item).
d. Peramalan jangka pendek lebih akurat dari pada jangka panjang.
e. Jika dimungkinkan, hitung permintaan dari pada meramal permintaan.
Teknik peramalan dibagi menjadi dua bagian, yaitu metode kuantitatif dan
metode kualitatif. Metode kuantitatif dibagi menjadi metode deret berkala (time
series) dan metode kausal. Metode time series memprediksi masa yang akan
datang berdasarkan data masa lalu. Tujuan peramalan deret waktu adalah untuk
menentukan pola data masa lalu dan mengextrapolasi pola tersebut untuk masa
yang akan datang. Tujuan metode kausal adalah menentukan hubungan antar
faktor dan menggunakan hubungan tersebut untuk meramalkan nilai-nilai variabel
independent.
Peramalan kuantitatif dapat diterapkan dengan syarat:
a. Tersedianya informasi masa lalu
b. Informasi ini dapat dikualifikasikan dalam bentuk data numerik
c. Diasumsikan data masa lalu akan berlaku sama untuk masa yang akan
datang.
Langkah penting dalam menentukan metode deret waktu yaitu
menentukan pola data masa lalu untuk menentukan deret waktu yang sesuai.
Empat jenis pola data yaitu horisontal, musiman, sikis, dan trend.
Gambar 7.7. Pola data Horisontal Gambar 7.8. Pola data Musiman
Gambar 7.9. Pola data Siklis Gambar 7.10. Pola data Trend
Pola data horisontal timbul jika data berfluktuasi konstan pada nilai
tertentu. Pola data musiman timbul jika sekumpulan data dipengaruhi faktor
musiman (mingguan, bulanan, atau perempat tahunan). Pola data siklis timbul jika
data-data dipengaruhi fluktuasi ekonomis jangka panjang. Pola trend timbul jika
ada kenaikan / penurunan data dalam jangka waktu panjang.
3. Teknik-teknik peramlan
Teknik-teknik peramalan :
a. Metode Rata-rata.Persamaan metode rata-rata :
F (t) = A F (t+τ ) = F (t)
b. Weight moving AveragePersamaannya adalah :
(T) = ΣW(I).A(I)/ Σ(I)
I = (t-m+1) ke-t
f(1+τ ) = F(t)
c. Moving Average with linier trendPersamaannya adalah :
F(t) = Σ A(I)/m dimana i = (t-m+1) ke t
T(t) = 12 Σ(I A(t-(m-1)/2+1)/m/(m2-1))
Dimana : i = -(m-1)/2 ke-(m-1)/2
F(t+ι) = F(t) + T(t)(t+ι)
d. Single Exponential smoothing.Persamaanya adalah :
F(0) = A(I)
F (t) = 0
F(t) = αA(t) + (1-α)F(t-1)
F(t+ ι) = F(t) + ι T (t)
e. Single Exponential smoothing with linier trend.Persamaan metodenya :
F(0) = A(1)
T(0) = 0
F(t) = α A(t) + (1-α) F(t-1) +T(t-1)
T(t) = β (F(t)-F(t-1)) + (1- β) T(t-1)
f(t+ ι) = F(t) + ι T(t)f. Double Exponential smoothing.
Persamaan metodenya :
F(0) = F’ (0) = A(1)
F(t) = α A(t) + (1-α) F(t-1)
F’(t) = α F(t) + (1-α) F’(t-1)
F(T+ ι) = f’(t)
g. Double Exponential smoothing with linier trend.Persamaan metodenya :
F(0) = F’(0) = A(1)
F(t) = α A(t) + (1-α) F(t-1)
F’(t) = α F(t) + (1- α) F’(t-1)
γ = ι α/β
f(t+ ι) = (2+γ ) F(t) – (1+γ ) F’(t)
h. Adaptive Exponential smoothing.Persamaan metodenya :
F(0) = A(1)
F(t) = α A(t) + (1- α) F(t-1)
i. Linear RegressionPersamaan metodenya :
B = [Σi A(i)i-n A (n+1)/2] [Σi i2 – n (n+1)2 / 4]
Keterangan: i = 1 ke – n
a = A – b (n+1)/2
f(t) = a + bt
j. Winter’s ModelPersamaan metodenya :
F(0) = A(1)
T(0) = 0
F(t) = α A(t) / I(t-m) + (1- α) F(t-1) + T(t-1))
T(t) = β (F(t) – F(t-1)) + (1-β) T(t-1)
I(t) = γ A(t)/ F(t) + (1-γ ) I(t-m)
f(t+ ι) = (F(t) + ι T(t) I(t+ ι-m)
Notasi TSFC:
t : Periode waktu, t = 1,2,...,n
ι : Waktu dari t
m : Periode rata-rata bergerak atau panjang perputaran seasional
α : Parameter smoothing pertama
β : Parameter trend smoothing
γ : Parameter seasional smoothing
A(t) : Data aktual dalam periode t
f(t) : Peramalan untuk periode t
T(t) : Trend untuk periode t
F(t) : Nilai smoothed untuk periode t
W(t) : Weight untuk periode t
I(t) : Indeks seasional untuk periode t
E(t) : Kesalahan (deviasi) untuk periode t, yaitu f(t) – A(t)
A : Rata-rata dari dataaktual
V : Variansi dari data aktual untuk periode N
N : Nomor periode dimana e(t) dapat dicari; i,e mempunyai kedua f(t) dan A(t)
Jika beberapa model peramalan cocok untuk kondisi tertentu maka perlu
ditentukan model nama yang baik (tidak bias) atau jika hanya terdapat satu model
yang cocok, maka perlu model lain sebagai pembanding untuk melihat keefektifan
model tersebut. Proses ini disebut kesalahan peramalan. Kesalahan peramalan
pada periode t adalah selisih dari data aktual A(t) dan hasil peramalan f(t).
Perhitungan kesalahan peramalan dalam TSFC adalah :
MAD = Mean absolut error (deviasi)
MAD = Σ t | e(t) |/N
MSD = Mean square error (deviasi)
Bias = Mean error (deviasi)
Bias = Σ t e(t) / N
R = Multiple correlation coefficient
R2= 1-N*MSD/((N-1)V)
4. Verifikasi Peramalan
Peramalan dapat dimonitori dengan menggunakan Tracking Signal.
Tracking Signal adalah suatu ukuran yang menunjukkan bagaimana baiknya suatu
ramalan memperkirakan nilai-nilai actual. Tracking Signal untuk setiap periode
dihitung dengan persamaan (chase,R.B. 1998).
Tracking Signal =
Apabila Tracking Signal telah dihitung, kemudian dipetakan dalam peta
control Tracking Signal. Beberapa ahli dalam peramalan seperti George Ploss dan
Oliver Wight menyarankan untuk menggunakan nilai Tracking Signal maksimum
± 4 sebagai batas-batas pengendali Tracking Signal (Heizer.I, 1996).
Sumber : Tugas Akhir, Setyo Rini ‘PERAMALAN (FORECASTING) VOLUME PENJUALAN
MOBIL MITSUBISHI PADA PT. SIDODADI BERLIAN MOTORS’ UNIVERSITAS
NEGERI SEMARANG 2005
RSFEMAD
III
HASIL REVIEW
3.1 Defenisi Peramalan
Peramalan adalah seni dan ilmu untuk memprediksi masa depan.
Peramalan merupakan tahap awal,dan hasil ramalan merupakan basis bagi seluruh
tahapan pada perencanaan produksi.Proses peramalan dilakukan pada level
aggregat (part Family)bila data yang dimiliki adalah data item,maka perlu
dilakukan agregasi terlebih dahulu. Metode peramalan ada dua macam yaitu
kualitatif dan kuantitatif.
Metode kualitatif merupakan metode yang tidak terukur,sedangkan metode
kuantitatif merupakan metode yang terukur.
Persyaratan penggunaan metode Kuantiotatif
1. Tersedia informasi tentang masa lalu.
2. Informasi tersebut dapat di kuantitatifkan dalam bentuk data numerik.
3. Dapat diasumsikan bahwa beberapa aspek pola masa lalu akan terus
berlanjut di masa mendatang.
Langkah-langkah peramalan:
1. Definisikan tujuan peramalan.
2. Plot data (part family) masa lalu.
3. Pilih metode-metode yang paling memenuhi tujuan peramalan dan sesuai
dengan plot data.
4. Hitung parameter fungsi peramalan untuk masing-masing metode.
5. Hitung fitting error untuk semua metode yang dicoba.
6. Pilih metode yang terbaik, yaitu metode yang memberikan error paling
kecil.
7. Ramalkan permintaan untuk periode mendatang
8. Lakukan verifikasi peramalan.
Metode-metode yang digunakan dalam peramalan:
1. Constant
2. Linier trend
3. Quadratic
4. Exponential
5. Moving Average
6. Exponential smoothing
7. Seasonal
1. Perencanaan Agregat ( Aggregat Planning )
1. Strategi perencanaan dalam tahapan Perencanaan dan Pengendalian
Produksi yang bermuara pada perencanaan kapasitas yang optimal.
2. Proses agregasi (aggregation) ialah pengelompokan beberapa jenis
item menjadi product family.
3. Proses disagregasi (disaggregation) adalah proses derivasi product
family menjadi item.
3.1.1 Proses Agregasi
Unit agregat yang biasa digunakan dalam proses agregasi :
Jam kerja buruh, mesin atau resource lainnya.
Waktu standar.
Harga jual, Ongkos produksi.
Satuan agregat dummy (pseudo product).
3.1.2 Aggregat Planning
Tujuan AP ialah membangkitkan (generate) top level production
plans.
1. Basis AP adalah hasil ramalan dan target produksi. Target produksi
ditentukan oleh top level business plan yang memperhatikan kapasitas &
kapabilitas perusahaan.
2. Peran AP adalah sebagai interface antara perusahaan/ sistem manufaktur
dan pasar produknya.
3. Analisis dilakukan dalam kelompok produk (product family) dengan unit
agregat.
4. Melibatkan pemilihan strategi manufaktur.
3.1.3 Teknik Aggregat Planning ( AP ) :
1. Trial and Error atau charting : Pure and Mixed Strategies.
2. Pendekatan empiris : Model Bowman.
3. Pendekatan matematis : Linear Programming.
4. Simulasi.
IV
TINJAUN UMUM PERUSAHAAN
A. Sejarah singkat perusahaan
1. Sejarah berdirinya perusahaan
Mondrian adalah sebuah badan usaha perseorangan yang bergerak adalam
bidang konveksi. PT. Mondrian didirkan pada tanggak 19 desember 1992
oleh:
a. Bapak hartono
b. Bapak harri pranomo
c. Bapak bambang dwi purnomo
d. Bapak endro sutono
e. Ibu fr. Kiswari
Dan sebagai pimpinannya adalah bapak harri purnomo. Tanggal 1 april
1998 perusahaan tersebut menjadi perusahaan yang berbadan hukum di sahkan
oleh departemen kehakiman menjadi pt. mondrian yang di miliki oleh
a. Bapak hari purnomo sebagai direktur utama
b. Bapak edi widyanto
c. Bapak andi pranama
d. Bapak endro sutopo
e. Bapak bambang dwi purnomo
f. Bapak ardy wijayanto
g. Ibu kiswari
Model bisnis yang pertama kali dijalankan PT Mondrian adalah melayani
pesanan/order t-shirt bergambar (sablon) dari sekolah-sekolah maupun instansi
pemerintahan di sekitar kota Klaten. Nama Mondrian sendiri diambil dari nama
seorang pelukis terkenal Prancis yaitu Piet Mondrian
Nama Mondrian mulai dikenal sebagai merk produk kaos yang
berkualitas, baik bahan maupun teknik sablon karet dan separasi warnanya yang
unggul khususnya di Jawa Tengah.
Mondrian mulai dijual sebagai produk eceran (retail) dengan design-
design original yang dibuat sendiri tetap dengan menggunakan merk :Dadung
pada labelnya.Bisnis ini merupakan cikal bakal bisnis retail PT Mondrain
selanjutnya.
Upaya agar dapat mengantisipasi perkembangan usaha yang cepat,PT
Mondrian membangun pabrik,dengan fasilitas yang modern. Saat ini PT
Mondrian mulai memasarkan produknya ke Manca Negara. Sedangkan untuk
mengembangkan pasar lokal nasional, Mondrian menjalin kerja sama dengan
Department Store yang ada di seluruh Indonesia.
Sumber: http://ptmondrian.jogja.com
V
PEMBAHASAN
Data permintaan dadung pada tahun 2008
Bulan Time (t) Demand
Juli 1 25.556
Agustus 2 25.555
September 3 25.570
Oktober 4 13.200
November 5 13.202
Desember 6 13.020
Data permintaan sekido pada tahun 2008
Bulan Time (t) Demand
Juli 1 24.098
Agustus 2 24.100
September 3 24.105
Oktober 4 11.859
November 5 11.931
Desember 6 11.787
Data permintaan begaya pada tahun 2008
Bulan Time (t) Demand
Juli 1 12.701
Agustus 2 12.705
September 3 12.703
Oktober 4 6.390
November 5 6.386
Desember 6 6.400
Sumber : laporan KP Aris Raharjo perencanaan dan peramalan peroduksi dengan menggunakan metode time series, institut sains dan teknologi akprind yogyakarta 2009
PT. Mondrian membuat 3 jenis produk kaos yaitu Dadung, Sekido,
Begaya yang merupakan item dari family produk. Harga jual produk Dadung,
Sekido, Begaya adalah Rp.35.000, Rp.60.000 dan Rp.50.000. Data masa lalu
permintaan akan produk-produk tersebut adalah sebagai berikut :
Periode 1 2 3 4 5 6
Dadung 25.556 25.555 25.570 13.200 13.202 13.020
Sekido 24.098 24.100 24.105 11.859 11.931 11.787
Begaya 12.701 12.705 12.703 6.390 6.386 6.400
Agregasi 3 jenis produk menjadi family produk dilakukan dengan pengalilian
jumlah unit dengan harga jual per unit. Unit agregat adalah rupiah ( ribuan )
Periode 1 2 3 4 5 6 Total Persentase
Dadung 894.460 894.425 894.950 462.000 462.070 455.700 4.063.9605 30,32%
Sekido 1.445.880 1.446.000 1.446.300 711.540 715.860 707.220 6.472.800 48,30%
Begaya 635.050 635.250 635.150 319.500 319.250 320.000 2.864.200 21,37%
FamilyProd
uk(pakaian)
2.975.390 2.975.675 2.976.400 1.493.040 1.497.180 1.482.920 13.400.605 100%
Peramalan untuk 3 ( tiga ) Periode selanjutnya.
1. Dengan menggunakan metode Constan
Periode
(t)
Forcast (d’) Demand (d) d’- d │d’- d│
1 2.233.434,16
7
2.975.390 -741.865,83 741.865,83
2 2.233.434,16
7
2.975.675 -742.240,83 742.240,83
3 2.233.434,16
7
2.976.400 -742.965,83 742.965,83
4 2.233.434,16
7
1.493.040 740.394,167 740.394,167
5 2.233.434,16
7
1.497.180 726.254,167 726.254,167
6 2.233.434,16
7
1.482.920 150.514,167 150.514,167
jumlah 13.400.605 4.454.234,991
( MAD )=∑t=1
N
|d '−d|
N
( MAD )=4 . 454 . 234 ,9916
=742 .372 , 4985
2. Dengan Menggunakan Metode Linear Trend
t dt tdt t2 d’t dt-d’t │dt- d’t│ (dt-d’t)2
1 2.975.390 2.975.390 1 3.189.233,81 -213.843,81 213.843,81 45.729.175.080
2 2.975.675 5.951.350 4 6.760.787,477
-3.785.112,477
3.785.112,477
14.327.076.460.000
3 2.976.400 8.929.200 9 10.332.341,14
-7.355.941,14 7.355.941,14 54.109.870.060.000
4 1.493.040 5.972.160 16 13.903.894,81
-12.410.854,81
12.410.854,81
154.029.317.100.000
5 1.497.180 7.485.900 25 17.475.448,48
-15.978.268,48
15.978.268,48
255.305.063.600.000
6 1.482.924 8.897.520 36 21.047.002,15
-19.564.082,15
19.564.082,15
382.753.310.400.000
∑ = 21
∑=13.400.605
∑=40.211.520
∑= 91
a=∑t=1
n
d t−b∑t=1
n
t
nb=
n∑t=1
n
tdt−∑t=1
n
d t∑t=1
n
t
n∑t=1
n
t2−(∑t=1
n
t)2
a=13 . 400 .605−(−382 .319 , 8571 )(21 )
6b=
6(40 .211.520 )−(13. 400. 605 )(21)6 (91)−(21)2
b =-382.319,8571
t=1 d,t = -382.319,8571 +1 (3.571.553,667)
= 3.189233,81
t= 2 d,t= -382.319,857+2(3.571.553,667)
= -382319,857+7.143.107.334
=6760.787.477
T= 3 d,t= -382.319,857+3(3.571.553,667)
= -382319,857+10.714661
=10.332.341,14
T= 4 d,t = -382.319,857+ 4 (3.571.553,667)
=-382.319,857 +14.286.214,67
=13.903.894,81
T= 5 d,t: -382.319,857+ 5 (3.571.553,667)
=-382.319,857+ 17.857.768,34
= 17.475448,48
a=21 . 429.3226
=3. 571 .553 , 667
b=6(40 .211.520 )−(13. 400.605 )(21)
6 (91)−(21)2
( MAD )=∑t=1
N
|d '−d|
N
( MAD )=59 .308 . 102,876
=9 . 884 .683 , 811
T= 6 d,t=-382.319,857+ 6 (3.571.553,667)
=-382.319,857+ 21.429.322
= 21047002,15
T= 7 d,t=-382.319,857+ 7 (3.571.553,667)
=-382.319,857+ 25000875,67
=24618555,81
T= 8 d,t=-382.319,857+ 8 (3.571.553,667)
=-382.319,857+ 28572729,34
=28190109,48
T= 9 =-382.319,857+ 9 (3.571.553,667)
=-382.319,857+ 3214983
=31761663,15
t7 = 24618555,81 x 30.32% = 7464346,122 = 7464346122
24618555,81 x 48.30% = 11890762,46 = 11890762460
24618555,81 x 21.37%= 5260985,38 = 5260985380
t 8 = 28190109,48 x 30.32% = 8547241.194 = 8547241194
28190109,48 x48.30% =13615822.88 = 13615822880
28190109,48 x21.37%=6024226.396 = 6024226396
t 9 = 31761663,15 x 30.32% =9630136.267= 9630136267
31761663,15 x48.30% =15340883.3 =15340883300
31761663,15 x21.37%=6786467.415= 6786467415
Mps periode 7
Peroduk Nilai penjualan Harga jual Jumlah unit
Dadung 7464346122 35.000 213267.0321
Sekido 11890762460 60.000 198179.3743
begaya 5260985380 50.000 105219.7076
Mps periode 8
Peroduk Nilai penjualan Harga jual Jumlah unit
Dadung 8547241194 35.000 244206.8913
Sekido 13615822880 60.000 226930.3813
begaya 6024226396 50.000 120484.5279
Mps periode 9
Peroduk Nilai penjualan Harga jual Jumlah unit
Dadung 9630136267 35.000 275146.7505
Sekido 15340883300 60.000 255681.3883
begaya 6786467415 50.000 135729.3483
KESIMPULAN
Forecasting adalah peramalan (perkiraan) mengenai sesuatu yang belum
terjadi (Subagyo, 1986:1). Di dalam forecasting selalu bertujuan agar forecast
yang dibuat bisa meminimumkan pengaruh ketidakpastian terhadap sesuatu yang
biasanya diukur dengan mean squared error, mean absolute error dan sebagainya.
Dengan kata lain forecasting bertujuan mendapatkan forecast yang bisa
meminimumkan kesalahan meramal (forecast error) yang biasanya diukur dengan
mean squared error, mean absolute error, dan sebagainya (Pengestu Subagyo,
1986 : 1)
Karakteristik peramalan yang baik adalah:
a. KeakuratanTujuan utamanya adalah menghasilkan prediksi yang akurat. Peramalan yang terlalu rendah mengakibatkan kekurangan persediaan, back order, kehilangan penjualan, atau kehilangan pelanggan.
b. Biaya.Biaya untuk mengembangkan model peramalan dan melakukan signifikasi jika produk atau data lainnya semakin besar.
c. Penyederhanaan.Keuntungan utama menggunakan peramalan yang sederhana adalah kemudahan untuk melakukan peramalan dan analisisnya.
Langkah-langkah peramalan:
1. Definisikan tujuan peramalan.2. Plot data (part family) masa lalu.3. Pilih metode-metode yang paling memenuhi tujuan peramalan dan sesuai
dengan plot data.4. Hitung parameter fungsi peramalan untuk masing-masing metode.5. Hitung fitting error untuk semua metode yang dicoba.6. Pilih metode yang terbaik, yaitu metode yang memberikan error paling
kecil.7. Ramalkan permintaan untuk periode mendatang 8. Lakukan verifikasi peramalan.
DAFTAR PUSTAKA
http://ptmondrian.jogja.com
http://if29noltiga.9.forumer.com/index.php?
s=1b665dad463ec7e2954e9a7fb5dc80d2&act=Attach&type=post&id=105
Raharjo.A. Perencanaan Dan Peramalan Peroduksi Dengan Menggunakan Metode
Time Series, Institut Sains Dan Teknologi Akprind Yogyakarta. 2009
Rini.Setyo, Peramalan (Forecasting) Volume Penjualan Mobil Mitsubishi pada
Pt. Sidodadi berlian motors. Universitas Negeri Semarang.2005