Hal 1-32.pdf
-
Upload
rizqi-rahmawati-chotimah -
Category
Documents
-
view
17 -
download
0
Transcript of Hal 1-32.pdf
-
Laporan Praktikum Perancangan Teknik Industri
Modul 3 Forecasting Kelompok 22
Program Studi Teknik Industri
Universitas Diponegoro 1
2015
BAB I
PENDAHULUAN
1.1 Latar Belakang
PT. Kanishta Garjita merupakan sebuah perusahaan baru yang memproduksi mini
tamiya 4WD di Indonesia. PT Kanishta Garjita adalah anak perusahaan Masaki Corporation
yang merupakan perusahaan besar mainan anak-anak di Jepang. Sebagai perusahaan baru
yang sedang berkembang di Indonesia, PT Kanishta Garjita ingin memperkirakan jumlah
permintaan yang akan datang (forecasting) karena peramalan merupakan tahap awal dan
dasar untuk tahapan pada perencanaan produksi.
Peramalan merupakan kegiatan yang sangat penting bagi perusahaan karena tanpa
adanya peramalan maka perusahaan akan sulit dalam menentukan jadwal produksi sehingga
tidak dapat mencapai sasaran produksi atau mungkin melebihi sasaran produksi dan
merugikan perusahaan. Selain itu , peramalan yang buruk akan menyebabkan pengaruh pada
manajemen rantai pasokan yang berhubungan dengan supplier dan raw material.
Peramalan permintaan atau demand sangat diperlukan dalam proses manufaktur dan
produksi, terlebih bagi perusahaan yang masih baru. Karena peramalan merupakan satu-
sarunya prediksi atas permintaan yang nantinya akan berpengaruh pula pada proses
penentuan jadwal produksi yang berkaitan dengan jumlah permintaan (demand). Peramalan
juga berpengaruh pada kapasitas produksi karena dengan mengetahui jumlah permintaan
maka dapat memperkirakan waktu yang dibutuhkan untuk proses produksi berdasarkan
kapasitas produksi yang dimiliki. Secara khusus penerapan peramalan di bidang industri
antara lain untuk mengkaji kebijakan perusahaan yang berlaku saat ini dan dimasa lalu, serta
melihat sejauh mana pengaruhnya dimasa datang, perusahaan dapat mempersiapkan
program untuk mengantisipasi keadaan dimasa datang sehingga resiko kegagalan bisa
diminimalka, sebagai dasar penyusunan rencana bisnis perusahaan, sebagai dasar untuk
pembuatan keputusa dalam berbagai tingkatan manajemen perusahaan. Pada perusahaan ini
peramalan berpengaruh pada manajemen rantai pasokan termasuk supplier karena dengan
adanya peramalan permintaan maka perusahaan dapat menentukan jumlah produk yang akan
diproduksi sehingga perusahaan dapat menetukan jumlah raw material yang akan dibeli dan
menentukan jumlah supplier guna memenuhi permintaan akan produk Tamiya 4WD.
-
Laporan Praktikum Perancangan Teknik Industri
Modul 3 Forecasting Kelompok 22
Program Studi Teknik Industri
Universitas Diponegoro 2
2015
1.2 Perumusan Masalah
Berdasarkan latar belakang, maka dapat dirumuskan masalah untuk menentukan
prediksi demand atau permintaan yang harus dipenuhi dengan menggunakan beberapa
metode peramalan yang dilakukan pada data masa lalu (historis). Karena merupakan
perusahaan baru, demand permalan PT. Kanishta Garjita berasal dari data demand
perusahaan induk. Dengan peramalan yang mendekati permintaan yang sebenarnya akan
membantu proses perencanaan dan pengendalian produksi untuk jangka waktu pandek
maupun jangka panjang.
1.3 Tujuan Penulisan
Tujuan Praktikum Perancangan Teknik Industri Modul 3 forecasting adalah:
1. Agar praktikan mengetahui manfaat dan posisi forecasting pada sistem industry.
2. Agar praktikan memahami metode-metode dan teknik forecasting.
3. Agar praktikan mampu mengimplementasikan metode dan teknik forecasting dalam
bidang industri.
1.4 Pembatasan Masalah
Masalah pada modul 3 terbatas pada peramalan permintaan PT Kanishta Garjita
Indonesia. Dimana penelitian dilakukan dengan melihat grafik plot data dari produk
perusahaan apakah tergolong dalam grafik konstan atau linier dengan lamanya peramalan
48 bulan ke depan, dengan metode peramalan seperti Simple Average (SA), Moving Average
(MA), Double Moving Average (DMA), Weighted Moving Average (WMA), Single
Exponential Smoothing (SES), Center Moving Average (CMA), Double Exponential
Smoothing (DES), Single Exponential Smoothing with Trend (SEST), Double Exponential
Smoothing with Trend (DEST), Linier Regresi dan ARIMA. Penelitian dilakukan dengan
bantuan software eviews dan perhitungan manual. Disamping itu juga menghitung verifikasi
dan validasi hasil peramalan. Metode verifikasi yang digunakan antara lain: CFE, MAD,
MSE, MAPE, ME, SSE, SDE, MPE, NF1, dan U-Theil. Sedangkan metode validasi yang
digunakan antara lain: peta moving range dan tracking signal.
-
Laporan Praktikum Perancangan Teknik Industri
Modul 3 Forecasting Kelompok 22
Program Studi Teknik Industri
Universitas Diponegoro 3
2015
1.5 Sistematika Penulisan
Sistematika penulisan di dalam laporan praktikum ini adalah:
BAB I PENDAHULUAN
Berisi latar belakang masalah, perumusan masalah, pembatasan masalah, tujuan penulisan
dan sistematika penulisan praktikum.
BAB II TINJAUAN PUSTAKA
Berisi pengertian sistem produksi, definisi forecasting, macam-macam metode peramalan,
klasifikasi peramalan, uji verifikasi, dan tes validasi.
BAB III METODOLOGI PRAKTIKUM
Berisi tentang flowchart praktikum.
BAB IV PENGUMPULAN DAN PENGOLAHAN DATA
Berisi plot data, peramalan dengan metode SA, MA, WMA, DMA, CMA, SES, DES, SEST,
DEST, ARIMA, dan Linier Regresi sesuai dengan hasil plotting data, rekapitulasi error dan
verifiksasi, validasi metode yang terpilih, validasi data, uji dua sampel berpasangan.
BAB V ANALISIS
Berisi analisis hasil perhitungan metode-metode peramalan.
BAB VI PENUTUP
Berisi kesimpulan dan saran.
-
Laporan Praktikum Perancangan Teknik Industri
Modul 3 Forecasting Kelompok 22
Program Studi Teknik Industri
Universitas Diponegoro 4
2015
BAB II
TINJAUAN PUSTAKA
2.1 Peramalan
2.1.1 Definisi Peramalan
Pengertian Peramalan (Forecasting) menurut beberapa ahli adalah, sebagai berikut:
Peramalan adalah menentukan perkiraan besarnya volume penjualan pada waktu yang
akan datang. ( Suyadi Prawirosentono, 2000 : 28)
Peramalan adalah Penggunaan data untuk menguraikan kejadian yang akan datang
didalam menentukan sasaran yang dikehendaki. ( Manahan P. Tampubolon, 2004 : 40)
Peramalan adalah alat yang sangat penting dalam estimasi berapa besarnya permintaan
(demand). ( Freddy Rangkuti, 2004 : 61)
Kegiatan peramalan merupakan suatu fungsi bisnis yang berusaha memperkirakan
penjualan dan penggunaan produk sehingga produk-produk tersebut dapat dibuat dalam
jumlah yang tepat. Peramalan adalah perkiraan atau jenis estimasi tingkat permintaan
suatu produk untuk periode yang akan datang. (Hari Purnomo, 2003 : 51)
Kesimpulan dari 4 definisi tersebut, peramalan diartikan sebagai kegiatan analisis
untuk memperkirakan perubahan suatu variabel ekonomi bisnis di masa yang akan datang
dengan menggunakan perhitungan berdasarkan data yang ada agar dapat dibuat dalam
jumlah yang tepat
2.1.2 Macam Macam Peramalan
Secara umum metode peramalan dibagi menjadi 2 yaitu:
1. Kualitatif
Menurut Sri Hartini (2010) metode peramalan kualitatif lebih menekankan pada hasil
diskusi, pendapat pribadi seseorang dan hasil intuisi yang kelihatannya kurang ilmiah.
Peramalan ini digunakan ketika tidak ada data historis. Penggunaan peramalan ini biasanya
untuk memperhatikan perubahan pasar, selera konsumen dan lain lain. Berikut
merupakan macam macam metode peramalan kualitatif :
-
Laporan Praktikum Perancangan Teknik Industri
Modul 3 Forecasting Kelompok 22
Program Studi Teknik Industri
Universitas Diponegoro 5
2015
Juri dari Opini Eksekutif
Metode ini mengambil opini atau pendapat dari sekelompok kecil manajer
puncak/top manager (pemasaran, produksi, teknik, keuangan dan logistik), yang
seringkali dikombinasikan dengan model-model statistik.
Gabungan Tenaga Penjualan
Setiap tenaga penjual meramalkan tingkat penjualan di daerahnya, yang kemudian
digabung pada tingkat provinsi dan nasional untuk mencapai ramalan secara
menyeluruh.
2. Kuantitatif
Menurut Sri Hartini (2010) metode peramalan kuantitatif merupakan prosedur
peramalan yang mengikuti aturan aturan matematis dan statistik dalam menunjukkan
hubungan antara permintaan dengan satu atau lebih variabel yang memengaruhinya. Selain
itu, peramalan ini juga mengasumsikan bahwa tingkat keeratan dan macam dari hubungan
antara variabel variabel bebas dengan permintaan yang terjadi pada masa lalu akan
berulang juga pada masa yang akan datang. Berikut merupakan contoh metode peramalan
kuantitatif:
Times Series Model
Metode time series adalah metode peramalan secara kuantitatif dengan
menggunakan waktu sebagai dasar peramalan.
Causal Model
Metode peramalan yang menggunakan hubungan sebab-akibat sebagai asumsi,
yaitu bahwa apa yang terjadi di masa lalu akan terulang kembali pada saat ini.
2.1.3 Tahapan dalam Peramalan
Proses peramalan (forecasting) biasanya terdiri dari langkah-langkah sebagai berikut
(Handoko, 1984: 260):
a. Penentuan Tujuan
Pertama dalam melakukan peramalan adalah menentukan tujuan peramalan tersebut.
b. Penggunaan Model
Setelah tujuan ditetapkan, langkah berikutnya adalah mengembangkan model, yang
merupakan penyajian secara lebih sederhana sistem yang dipelajari. Dalam peramalan,
-
Laporan Praktikum Perancangan Teknik Industri
Modul 3 Forecasting Kelompok 22
Program Studi Teknik Industri
Universitas Diponegoro 6
2015
model adalah suatu kerangka analitik yang apabila dimasukkan data akan menghasilkan
estimasi jumlah calon mahasiswa baru diwaktu mendatang (atau variabel apa saja yang
diramal). Analis hendaknya memilih suatu model yang menggambarkan secara realitis
perilaku variabel-variabel yang dipertimbangkan.
c. Pengujian Model
Sebelum diterapkan, model biasanya diuji untuk menentukan tingkat akurasi, validitas,
dan reliabilitas yang diharapkan. Ini sering mencakup penerapannya pada data historik,
dan penyiapan estimasi untuk tahun-tahun sekarang dengan data nyata yang tersedia.
Nilai suatu model ditentukan oleh derajat ketepatan hasil peramalan dengan data aktual.
d. Penerapan Model
Setelah pengujian, analis menerapkan model dalam tahap ini, data historis dimasukkan
dalam model untuk menghasilkan suatu ramalan.
e. Revisi dan Evaluasi
Ramalan-ramalan yang telah dibuat harus senantiasa diperbaiki dan ditinjau kembali.
2.2 Metode Metode Deret Waktu (Time Series)
Menurut Sri Hartini (2010) metode time series adalah metode peramalan secara
kuantitatif dengan menggunakan waktu sebagai dasar peramalan. Untuk membuat suatu
peramalan diperlukan data historis. Data inilah yang diakumulasikan dalam periode waktu.
Metode seri waktu mengasumsikan bahwa apa yang telah terjadi di masa lalu akan terus
terjadi di masa yang akan datang. Time series memakai teknik statistik yang menggunakan
data historis. Analisis time series memperlajari pola gerakan-gerakan nilai-nilai variabel
pada satu interval waktu tertentu. Tujuan metode peramalan time series adalah menemukan
pola dalam deret historis dan mengekstrapolasikan pola tersebut kemasa yang akan datang.
Contohnya adalah produksi total tahunan, atau harga penutupan sebuah saham dalam waktu
sebulan, temperature udara dalam waktu satu jam, dan lain-lain. Secara umum terdapat 4
jenis pola data, yaitu:
Konstan
Terjadi bila rata-rata nilainya berfluktuasi secara konstan.
-
Laporan Praktikum Perancangan Teknik Industri
Modul 3 Forecasting Kelompok 22
Program Studi Teknik Industri
Universitas Diponegoro 7
2015
Gambar 2.1 Pola Konstan
(Sumber: Efta Dhartikasari, 2011)
Linier/Trend.
Terjadi bila terdapat minimal 7 data mengalami kenaikan atau penurunan
Gambar 2.2 Pola Linier
(Sumber: Efta Dhartikasari, 2011)
Seasonal (Musiman)
Terjadi saat nilai permintaan suatu produk mengalami fluktuasi yang sama setiap tahun.
Gambar 2.3 Pola Musiman
(Sumber: Efta Dhartikasari, 2011)
Cyclical (Siklis)
Terjadi saat nilai permintaan suatu produk berfluktuasi sama lebih dari satu tahun,
sehingga pola siklis ini dapat digunakan untuk peramalan jangka menengah atau panjang.
-
Laporan Praktikum Perancangan Teknik Industri
Modul 3 Forecasting Kelompok 22
Program Studi Teknik Industri
Universitas Diponegoro 8
2015
Gambar 2.4 Pola Siklis
(Sumber: Efta Dhartikasari, 2011)
Random (acak)
Terjadi saat nilai nilai data befluktuasi secara acak sehingga tidak terlihat bentuk pola
data yang sama.
Gambar 2.5 Pola Random
(Sumber: Efta Dhartikasari, 2011)
Adapun metode peramalan yang termasuk dalam metode time series adalah:
1. Moving Average
a. Single Moving Average
Single Moving Average merupakan suatu metode peramalan yang dilakukan dengan
mengambil sekelompok nilai pengamatan, mencari nilai rata-rata tersebut sebagai
ramalan untuk periode yang akan datang. Metode ini digunakan sebagai pemulusan data
yang tidak beraturan. Metode ini dapat dirumuskan dengan:
N
)x......xx(F Ntttt
111
.
t
1Ntt
txN
1
Xt = Data pengamatan pada waktu ke-t
Ft+1 = Nilai ramalan pada waktu ke-t+1 dengan menggunakan metode single moving
average
.................................(2.1)
-
Laporan Praktikum Perancangan Teknik Industri
Modul 3 Forecasting Kelompok 22
Program Studi Teknik Industri
Universitas Diponegoro 9
2015
b. Centered Moving Average
Menurut Samuel Johnson (2007) CMA merupakan metode peramalan dimana
rataan antara data sekarang dengan menggunakan data sebelumnya dan data sesudahnya.
Misalnya untuk 3 periode moving average, maka CMA menggunakan data periode 3
ditambah data sebelumnya dan data sesudahnya. Metode tersebut dapat dirumuskan
sebagai berikut:
=
((
12)
+ + + +((12)
Dimana Yt adalah nilai tengah dari interval L data observasi. (L-1)/2 observasi
merupakan data sebelum dan sesudahnya. Misalnya CMA 5 periode, maka Yt = Y5 maka
intervalnya dimulai dari Y3 sampai Y7.
c. Double Moving Average
Prosedur peramalan rata-rata bergerak linear meliputi tiga aspek:
Penggunaan rata-rata bergerak tunggal pada waktu t (ditulis St).
Penyesuaian, yang merupakan perbedaan antara rata-rata bergerak tunggal dan ganda
pada waktu t (ditulis StSt).
Penyesuaian untuk kecenderungan dari periode t ke periode t+1 (atau ke periode t + m
jika kita ingin meramalkan m periode ke muka).
N
X
'S
Nt
i
i
t
1
1
N
'S
"S
Nt
i
i
t
1
1
tttttt "S'S)"S'S('Sa 2
)"S'S(N
b ttt
1
2
m.baF ttmt
Dimana: S = Pergerakan pertama
S= Pergerakan kedua
.................................(2.2)
.................................(2.3)
.................................(2.4)
.................................(2.5)
.................................(2.6)
.................................(2.7)
-
Laporan Praktikum Perancangan Teknik Industri
Modul 3 Forecasting Kelompok 22
Program Studi Teknik Industri
Universitas Diponegoro 10
2015
mtF = hasil peramalan dengan parameter a dan b diperiode t dan m adalah selisih
periode antara t dengan periode ramalam=n yang akan dicari.
d. Weight Moving Average
Melibatkan penimbang untuk setiap nilai data dan kemudian menghitung rata-rata
penimbang sebagai nilai peramalan
.............(2.8)
Dimana jumlah total ; penimbang (nilai w) = 1
Nilai faktor pengali ditentukan oleh pemakai metode ini dan tidak ada rumusan untuk
mendapatkan faktor pengali terbaik, selain mencoba seluruh bilangan dan mencari nilai
yang paling menghasilkan error terkecil.
2. Exponential Smoothing
a. Single Exponential Smoothing
Metode ini juga digunakan untuk meramalkan suatu periode ke depan. Untuk
melihat persamaan metode ini dengan metode single moving average, maka lihat
kembali persamaan matematis yang digunakan pada peramalan single moving average.
)1()1()()( tFataxtF
)t(F)ht(f
Dimana nilai a = konstanta smoothimg yang bernilai 0 < a < 1, dan data ke nol, F(0)
didapat dari nilai data pertama dan data masa lalu.
b. Double Exponential Smoothing
Metode ini dikembangkan oleh Browns untuk mengatasi adanya perbedaan yang
muncul antara data aktual dan nilai peramalan apabila ada trend pada plot datanya. Untuk
itu Browns memanfaatkan nilai peramalan dari hasil single
Eksponential Smothing dan Double Exponential smoothing. Perbedaan antara kedua
ditambahkan pada harga dari SES dengan demikian harga peramalan telah disesuaikan
terhadap trend pada plot datanya.
.................................(2.9)
.................................(2.10)
-
Laporan Praktikum Perancangan Teknik Industri
Modul 3 Forecasting Kelompok 22
Program Studi Teknik Industri
Universitas Diponegoro 11
2015
= + (1 )1
= + (1 )1
= + (
) = 2
=
(1 )(
)
+ = + .
Dimana : S = Pergerakan pertama
S= Pergerakan kedua
mtF = Hasil peramalan dengan parameter a dan b diperiode t dan m adalah
selisih periode antara t dengan periode ramalan yang akan dicari.
c. Single Exponential Smoothing with Linier Trend
Metode ini hampir sama dengan metode SES tetapi menggunakan dua faktor.
)]1()1()[1()()( tTtFataxtF
)1()1()]1()([)( tTbtFtFbtT
)t(hT)t(F)ht(f
Dimana nilai a = konstanta smoothimg yang bernilai 0 < a < 1, dan data ke nol, F(0)
didapat dari nilai data pertama dan data masa lalu.
d. Double Exponential Smoothing with Linier Trend
)1()1()()( tFataxtF )1(')1()()( tFataFtF
)](')()][1([)(')(2)( tFtFaahtFtFhtf
Nilai a merupakan konstanta smoothing, 0 < a < 1. Nilai F(0) = x(1), data awal.
3. Metode Box- Jenkins
Menurut Eka Feri (2009) metode box jenkins merupakan deret waktu dengan
menggunakan model matematis dan digunakan pula untuk peramalan jangka pendek.
Metode ini disebut juga dengan metode ARIMA. ARIMA sangat baik ketepatannya untuk
.................................(2.11)
.................................(2.12)
.................................(2.13)
.................................(2.14)
.................................(2.15)
.................................(2.16)
.................................(2.17)
.................................(2.18)
.................................(2.19)
.................................(2.20)
.................................(2.21)
-
Laporan Praktikum Perancangan Teknik Industri
Modul 3 Forecasting Kelompok 22
Program Studi Teknik Industri
Universitas Diponegoro 12
2015
peramalan jangka pendek, sedangkan peramalan jangka panjang ketepatan peramalannya
kurang baik. Biasanya akan cenderung konstan untuk periode yang cukup panjang.
ARIMA menggunakan nilai masa lalu dan sekarang dari variabel dependen untuk
menghasilkan peramalan jangka pendek yang akurat. ARIMA cocok jika observasi dari
deret waktu secara statistik berhubungan satu sama lain (dependen).
Autoregressive Integrated Moving Average (ARIMA)Sebuah model time series
digunakan berdasarkan asumsi bahwa data time series yang digunakan harus stasioner
yang artinya rata-rata variasi dari data yang dimaksud konstan. Tapi hal ini tidak banyak
ditemui dalam banyak data time series yang ada, mayoritas merupakan data yang tidak
stasioner melainkan integrated. Data yang integrated ini harus mengalami proses random
stasioner yang seringkali tak dapat dijelaskan dengan baik oleh autoregressive model saja
atau moving average model saja dikarenakan proses tersebut mengandung keduanya.
Oleh karena itu campuran kedua model yang disebut autoregressive integrated moving
average (ARIMA) menjadi lebih efektif menjelaskan proses itu. Pada model campuran
ini series stasioner merupakan fungsi linier dari nilai lampau beserta nilai sekarang dan
kesalahan lampaunya. Bentuk umum model ini adalah:
Gambar 2.2 Bentuk Umum Model ARIMA
(Sumber: Efta Dhartikasari, 2011)
Proses autoregressive integrated moving average secara umum dilambangkan dengan
ARIMA (p,d,q), dimana:
o p menunjukkan ordo/derajat autoregressive (AR)
o d adalah tingkat proses differencing.
o q menunjukkan ordo/derajat moving average (MA).
-
Laporan Praktikum Perancangan Teknik Industri
Modul 3 Forecasting Kelompok 22
Program Studi Teknik Industri
Universitas Diponegoro 13
2015
2.3 Metode Metode Kausal
Menurut Subagyo (1986:7-14) metode kausal dalam peramalan berarti metode yang
didasarkan hubungan antara variabel yang dicari atau diramalkan dengan variabel lain yang
memengaruhinya (tapi bukan variabel waktu). Dalam analisa ini diasumsikan bahwa
variabel yang menunjukkan suatu hubungan pengaruh sebab akibat dengan satu atau lebih
variabel bebas. Bentuknya yang paling sederhana adalah dengan mencocokkan baris ke data
kemdian baris itu digunakan untuk meramalkan variabel dependen yang telah dipilih untuk
beberapa model variabel independen. Model yang digunakan pada metode ini sama dengan
metode yang digunakan di regresi linier berganda, dimana
Y = b0 + b1X1 + b2X2 + b3X3 + + bnXn + bnd + En .................................(2.22)
keterangan:
Y = nilai observasi dari variabel yang diukur
b0 = konstanta
X = variabel pengukur (independen)
d = variabel surrogates (dummy)
= error
Salah satu contoh kasus adalah sebuah perusahaan yang didalamnya terdapat biaya iklan
dan biaya produksi, maka dengan menggunakan persamaan regresi diatas, dapat diketahui
biaya penjualan dari produk tersebut. Jenis metode ini terdiri dari:
Metode regresi dan korelasi yang merupakan metode yang memakai teknik kuadrat
terkecil (least square). Metoda ini sering digunakan untuk prediksi jangka pendek.
Contohnya: meramalkan hubungan jumlah kredit yang diberikan dengan giro, deposito dan
tabungan masyarakat. Ketepatan peramalan dengan metode ini sangat baik untuk peramalan
jangka pendek, sedangkan untuk peramlan jangka panjang ternyata ketepatannya kurang
begitu baik.
Metode input-output yang merpakan metode peramalan jangka panjang yang biasanya
digunakan untuk menyusun trend ekonomi jangka panjang. Metode ini cocok untuk
peramalan jangka panjang, data yang digunakan untuk metode ini adalah data tahunan
selama sekitar 10-15 tahun. Contohnya: meramalkan pertumbuhan ekonomi seperti
-
Laporan Praktikum Perancangan Teknik Industri
Modul 3 Forecasting Kelompok 22
Program Studi Teknik Industri
Universitas Diponegoro 14
2015
pertumbuhan domestik bruto (PDB) untuk beberapa periode tahun ke depan 5-10 tahun
mendatang.
Metode ekonometri yang merupakan metode yang dapat digunakan dalam jangka pendek
maupun jangka panjang. Data yang dibutuhkan adalah data kuartalan beberapa tahun.
Metoda ini sering digunakan untuk perencanaan ekonomi nasional dalam jangka pendek
maupun jangka panjang. Contohnya: meramalkan besarnya indikator moneter buat beberapa
tahun ke depan, hal ini sering dilakukan pihak BI tiap tahunnya.
2.4 Pemilihan Metode Peramalan
Ketepatan ramalan adalah suatu hal yang mendasar dalam peramalan, yaitu bagaimana
mengukur kesesuaian suatu metode peramalan tertentu untuk suatu kumpulan data yang
diberikan. Ketepatan dipandang sebagai kriteria penolakan untuk memilih suatu metode
peramalan. Dalam pemodelan deret berkala ( time series ) dari data masa lalu dapat
diramalkan situasi yang akan terjadi pada masa yang akan datang, untuk menguji kebenaran
ramalan ini digunakan ketepatan ramalan yaitu dengan cara mencari error terkecil dari
peramalan Error merupakan selisih antar data permintaan dengan data peramalan. Teknik
mencari error terkecil disebut metode verifikasi. Berikut beberapa metode verifikasi:
1. Nilai Tengah Galat ( Mean Error )
(2.23)
2. Nilai Tengah Galat Kuadrat ( Mean Square Error )
(2.24)
3. Nilai Tengah Galat Persentase Absolut ( Mean Absolute Percentage Error )
(2.25)
4. Nilai Tengah Galat Persentase ( Mean Percentage Error )
(2.26)
-
Laporan Praktikum Perancangan Teknik Industri
Modul 3 Forecasting Kelompok 22
Program Studi Teknik Industri
Universitas Diponegoro 15
2015
5. Jumlah Kuadrat Galat ( Sum Square Error )
(2.27)
6. Deviasi Standar Galat ( Standart Deviation of Error )
(2.28)
Dimana:
e = Xt Ft ( kesalahan pada periode ke t )
X = data aktual pada periode ke t
F = nilai ramalan pada periode ke t
n = banyak periode waktu
7. CFE (Cumulative Forecast Error)
Kesalahan peramalan = permintaan ramalan
Secara sistematis persamaannya yaitu :
CFE = =1 (2.29)
Dengan e = kesalahan peramalan (forecast error).
8. MAD (Mean Absolute Deviation)
MAD merupakan rata- rata kesalahan mutlak selama periode tertentu tanpa
memperhatikan apakah hasil peramalan lebih besar atau lebih kecil dibandingkan
kenyataannnya. Secara sistematik, MAD dirumuskan sebagai berikut :
||
(2.30)
9. NF1 (Naive Forecast)
Perhitungan kesalahan dengan metode NF1 ini dapat dituliskan secara matematis yaitu
sebagai berikut :
| |
(1) X 100%
(2.31)
Dimana : | | = | 1
| (2.32)
-
Laporan Praktikum Perancangan Teknik Industri
Modul 3 Forecasting Kelompok 22
Program Studi Teknik Industri
Universitas Diponegoro 16
2015
10. U-THEIL
Selain kesepuluh metode diatas, kesalahan peramalan juga dapat dihitung dengan metode
U Theil yang secara matematis dapat ditulis :
[
+1 +1
]2
[+1
]
2 =
(2.33)
2.5 Validasi
Menurut Hendra Kusuma (1990:40) validasi dapat dilakukan dengan menghitung nilai
Tracking Signal. Tracking Signal adalah suatu ukuran bagaimana suatu ramalan
memperkirakan nilai aktualnya. Dihitung sebagai running sum of the forecast errors (RSFE)
running sum of the forecast errors (RSFE) dibagi dengan mean absolute deviation (MAD).
Sehingga permusanya sebagai berikut:
=
= ||
Sehingga Tracking Signal adalah:
=
=
||
Tracking signal yang positif menunjukkan bahwa nilai actual permintaan lebih besar
dari peramalan, sedangkan negative menunjukkan permintaan actual lebih kecil dari
peramalan. Tracking Signal yang baik terlihat apabila memiliki RSFE yang rendah dan
mempunyai eror positif yang sama banyaknya atau seimbangan dengan eror negatif,
sehingga pusat tracking signal mendekati nol. Apabila tracking signal telah dihitung, maka
peta kontrol signal dapat dibuat sebagaimana halnya dengan peta kontrol dalam
pengendalian proses statistik yang mempunyai batas atas dan batas bawah pada grafiknya.
Dalam pembatasannya, tracking signal memiliki batas nilai sebesar 4. Dengan
demikian apabila tracking signal telah berada diluar batas-batas pengendalian, model harus
.................................(2.34)
.................................(2.35)
.................................(2.36)
.................................(2.37)
-
Laporan Praktikum Perancangan Teknik Industri
Modul 3 Forecasting Kelompok 22
Program Studi Teknik Industri
Universitas Diponegoro 17
2015
ditinjau kembali karena akurasi peramalan tidak dapat diterima (Vincent Gaspersz.
2002:81). Validasi model peramalan adalah sebagai berikut:
1. Moving Range (MR)
Peta Moving Range dirancang untuk membandingkan nilai permintaan aktual dengan
nilai peramalan. Data permintaan aktual dibandingkan dengan nilai peramal pada periode
yang sama. Peta tersebut dikembangkan ke periode yang akan datang hingga dapat
dibandingkan data peramalan dengan permintaan aktual. Peta Moving Range digunakan
untuk pengujian kestabilan sistem sebab-akibat yang mempengaruhi permintaan.Rumus
perhitungan peta Moving Range adalah sebagai berikut:
= |(1 1) ( )|
=
1
= 2,66
= 2,66
Jika ditemukan satu titik yang berada diluar batas kendali
pada saat peramalan diverifikasi maka harus ditentukan apakah data harus diabaikan atau
mencari peramal baru.Jika ditemukan sebuah titik berada diluar batas kendali maka harus
diselidiki penyebabnya. Penemuan itu mungkin saja membutuhkan penyelidikan yang
ekstensif. Jika semua titik berada di dalam batas kendali, diasumsikan bahwa peramalan
permintaan yang dihasilkan telah cukup baik.Jika terdapat titik yang berada di luar batas
kendali, jelas bahwa peramalan yang didapat kurang baik dan harus direvisi (Gaspersz,
1998).
Kegunaan peta Moving Range ialah untuk melakukan verifikasi hasil peramalan least
square terdahulu.Jika peta Moving Range menunjukkan keadaan diluar kriteria kendali.
Hal ini berarti terdapat data yang tidak berasal dari sistem sebab-akibat yang sama dan
harus dibuang maka peramalan pun harus diulangi lagi.
2. Uji T
Dalam menerangkan variasi variabel terikat. Tujuan dari uji t adalah untuk menguji
koefisien regresi secara individual.
Hipotesis Nol = Ho
.................................(2.38)
.................................(2.39)
.................................(2.40)
.................................(2.41)
-
Laporan Praktikum Perancangan Teknik Industri
Modul 3 Forecasting Kelompok 22
Program Studi Teknik Industri
Universitas Diponegoro 18
2015
Ho adalah satu pernyataan mengenai nilai parameter populasi. Ho merupakan hipotesis
statistik yang akan diuji hipotesis nihil.
Hipotesis alternatif = Ha
Ha adalah satu pernyataan yang diterima jika data sampel memberikan cukup bukti
bahwa hipotesa nol adalah salah.
Langkah-langkah menguji hipotesis dengan distribusi t
1. Merumuskan hipotesis
Ho : i = 0, artinya variabel bebas bukan merupakan penjelas yang signifikan terhadap
variabel terikat
Ha : i 0, artinya variabel bebas merupakan penjelas yang signifikan terhadap variabel
terikat.
2. Menentukan taraf nyata/ level of significance =
Taraf nyata / derajat keyakinan yang digunakan sebesar = 1%, 5%, 10%, dengan rumus
:
df = n k
Dimana:
df = degree of freedom/ derajad kebebasan
n = Jumlah sampel
k = banyaknya koefisien regresi + konstanta
3. Menentukan daerah keputusan, yaitu daerah dimana hipotesis nol diterima atau tidak.
Untuk mengetahui kebenaran hipotesis digunakan kriteria sebagai berikut. Ho diterima
apabila t ( / 2; n k) t hitung t ( / 2; n k), artinya tidak ada pengaruh antara variabel
bebas terhadap variabel terikat Ho ditolak apabila t hitung > t ( / 2; n k) atau t hitung <
-t ( / 2; n k), artinya ada pengaruh antara variabel bebas terhadap variabel terikat.
Gambar 2.3 Daerah Kritis Uji T
(Sumber: Rosalina, 2012)
.................................(2.42)
-
Laporan Praktikum Perancangan Teknik Industri
Modul 3 Forecasting Kelompok 22
Program Studi Teknik Industri
Universitas Diponegoro 19
2015
4. Menentukan uji statistik (Rule of the test)
5. Mengambil keputusan Keputusan bisa menolak Ho atau menolak Ho menerima Ha. Nilai
t tabel yang diperoleh dibandingkan nilai t hitung, bila t hitung lebih besar dari t tabel,
maka Ho ditolak, sehingga dapat disimpulkan bahwa variabel independent berpengaruh
pada variabel dependent. Apabila t hitung lebih kecil dari t tabel, maka Ho diterima
sehingga dapat disimpulkan bahwa variabel independen tidak berpengaruh terhadap
variabel dependen.
2.6 Ekonometrika
Dalam definisi yang sederhana, ekonometrika adalah suatu aplikasi dari metode
statistika pada ekonomi. Namun, tidak seperti pada ilmu statistika, yang hanya terfokus
kepada data statistik, ilmu ekonometrika merupakan gabungan dari teori ekonomi,
matematika, dan statistika.
Istilah ekonometrika pertama kali diperkenalkan oleh Ragnar Frisch (1933), seorang
pakar ekonomi dan statistika berkebangsaan Norwegia.Ia menjelaskan definisi
ekonometrika sebagai berikut: Terdapat banyak metode kuantitatif sewaktu menganalisis
ilmu ekonomi, tetapi tiada satu pun di antara metode kuantitatif tersebut dapat berdiri sendiri
tanpa bantuan dari yang lain untuk menerangkan ekonometrika. Oleh karena itu, ketiga
faktor yaitu teori ekonomi, matematika dan statistika samasama penting untuk menerangkan
hubungan kuantitatif dalam mempelajari ilmu ekonomi.
2.7 Eviews
Menurut Hendry Adi (2012) EViews adalah perangkat lunak spreadsheet yang
digunakan untuk menganalisis berbagai jenis data. Memiliki kesamaaan seperti Microsoft
Excel dan mendukung format file tersebut. EViews menyediakan analisis data, regresi, dan
alat peramalan berbasis windows. EViews digunakan untuk melakukan analisis rumit,
regresi, dan simulasi yang tidak ditemukan pada Miscrosoft Excel. Eviews merupakan
kepanjangan dari Econometric Views yang mulanya ditujukan untuk Time Series Processor
software untuk komputer server. Namun perkembangannya diformulasikan untuk praktisi
ekonomi, statistic, dan sosiologi.
-
Laporan Praktikum Perancangan Teknik Industri
Modul 3 Forecasting Kelompok 22
Program Studi Teknik Industri
Universitas Diponegoro 20
2015
Eviews menyediakan data analisis, regresi dan alat forecasting yang luar biasa, dengan
Eviews user dapat dengan cepat mengembangkan sebuah relasi statistika dari data user dan
kemudian menggunakan relasi tersebut untuk peramalan nilai data di masa yang akan datang.
EViews dapat membaca format Excel, ASCII/Text, SAS, Stata, SPSS, RATS, Html, Access,
Binary, ODBC Databases, ODBC queries (ODBC requires the Enterprise version) dan
lainnya.
Kelebihan:
Program sangat mudah dioperasikan
Memiliki teknik penyajian grafis dan statistika yang luas
Mudah melakukan perubahan bentuk data menjadi spreadsheet dan program database
Penggunaan
Analisis statistika umum
Analisis data panel dan cross section
Time series, data estimation, and forecasting
Interpretasi data menggunakan berbagai grafik.
Sebagai alat manajemen data dengan kemampuan yang luas
Gambar 2.5 Tampilan output Eviews
(Sumber: Rosalina, 2012)
-
Laporan Praktikum Perancangan Teknik Industri
Modul 3 Forecasting Kelompok 22
Program Studi Teknik Industri
Universitas Diponegoro 21
2015
2.8 WinQSB
Menurut Mahmud Basuki (2011) WinQSB merupakan software yang terdiri dari modul-
modul untuk menyelesaikan masalah riset operasi dan ilmu manajemen seperti:
Analisis Sampling
Agregat dalam sistem produksi
Goal programming
Analisis keputusan
Peramalan permintaan
Sistem inventori
Pemrograman linier dan integer
Pemrograman dinamis
Perencanaan kebutuhan material
Proses markov dan teori antrian.
Software ini dikemangkan oleh Yih-Long Chang dan dikenal sebagai WinQSB
(Windows bassed Quantity System fo Business).
Gambar 2.6 Tampilan output WinQSB
(Sumber: Rahman Arif, 2009)
-
Laporan Praktikum Perancangan Teknik Industri
Modul 3 Forecasting Kelompok 22
Program Studi Teknik Industri
Universitas Diponegoro 22
2015
BAB III
METODOLOGI PRAKTIKUM
Mulai
Membuat Plot Data Historis Permintaan
Mengkonversi Data
Memilih Metode Peramalan
Melakukan Peramalan
Menghitung Error tiap Metode Peramalan
Memilih satu metode peramalan dengan error tekecil
Melakukan Validasi Hasil Peramalan
Valid
Selesai
Data Historis Permintaan
Data Waktu Baku
(Modul 2)
Gambar 3.1 Metodologi Praktikum
-
Laporan Praktikum Perancangan Teknik Industri
Modul 3 Forecasting Kelompok 22
Program Studi Teknik Industri
Universitas Diponegoro 23
2015
Dari gambar metodologi praktikum diatas, langkah pertama yang dilakukan adalah
membuat plot data historis permintaan berdasarkan data permintaan masa lalu. Hal ini
bertujuan untuk mengetahui pola permintaan terhadap produk perusahaan bersifat linier
atau konstan. Langkah selanjutnya, adalah mengkonversikan dengan menggunakan
waktu baku yang telah dihitung pada Modul 2 Perancangan Sistem Kerja.
Dari data tersebut dapat dilakukan peramalan berdasarkan pola yang telah diketahui.
Jika pola yang terbentuk adalah pola konstan maka menggunakan metode peramalan
SMA, DMA, CMA, dan WMA, SES, DES. Untuk pola data linier menggunakan metode
peramalan SEST, DEST, ARIMA dan LR.
Pada tahap ini kita sudah dapat memilih metode peramalan. Dari metode yang
tersedia, yang digunakan adalah metode peramalan yang menghasilkan nilai error
terkecil, tahap ini disebut tahap verifikasi. Error dihitung pada tiap-tiap metode
peramalan yang digunakan. Setelah metode terbaik diketahui, dilakukan validasi. Metode
verifikasi yang digunakan CFE, MAD, MSE, MAPE, ME, SSE, SDE, MPE, NF1, dan U-
theil. Sedangkan metode validasi yang digunakan adalah peta moving range dan tracking
signal.
Jika peramalan telah dianggap valid maka hasil dari peramalan dapat menjadi acuan
dalam pengambilan kebijakan dan kegiatan produksi PT. Kanishta Garjita Indonesia
namun jika hasil peramakan dianggap belum valid maka dilakukan pemilihan metode
kembali.
-
Laporan Praktikum Perancangan Teknik Industri
Modul 3 Forecasting Kelompok 22
Program Studi Teknik Industri
Universitas Diponegoro 24
2015
BAB IV
PENGUMPULAN DAN PENGOLAHAN DATA
4.1 Pengumpulan Data
Berikut ini merupakan data historis yang diberikan oleh Departemen Logistik yang
menyangkut tentang permintaan produk Tamiya Mini 4 WD di pasar dari periode Oktober
2011 sampai dengan periode September 2015. Produk yang diproduksi terdiri dari 3 jenis
Tamiya 4 WD, yaitu Amoldo, Bernardo, dan Cartaya.
Tabel 4.1 Data Historis Permintaan
Tahun Bulan Periode Amoldo Bernardo Cartaya
2011
OCT 1 4750 4166 2536
NOV 2 5040 5528 2595
DEC 3 4978 5400 2626
2012
JAN 4 4175 5150 2668
FEB 5 5090 5451 2715
MAR 6 4560 5235 2770
APR 7 5294 5353 2788
MAY 8 4244 5516 2952
JUN 9 4481 5140 2975
JUL 10 5278 5677 3005
AUG 11 5798 5803 3080
SEP 12 4180 5453 3101
OCT 13 5412 5263 3129
NOV 14 4336 5402 3151
DEC 15 4000 5692 3177
2013
JAN 16 4821 5625 3319
FEB 17 5287 5745 3334
MAR 18 4332 4979 3353
APR 19 3888 5577 3418
MAY 20 5473 5894 3429
JUN 21 4196 5774 3495
JUL 22 5249 5953 3508
AUG 23 4579 5154 3542
SEP 24 5688 5753 3580
OCT 25 5168 4988 3609
NOV 26 4307 5156 3619
-
Laporan Praktikum Perancangan Teknik Industri
Modul 3 Forecasting Kelompok 22
Program Studi Teknik Industri
Universitas Diponegoro 25
2015
Lanjutan Tabel 4.1 Data Historis Permintaan
Tahun Bulan Periode Amoldo Bernardo Cartaya
2013 DEC 27 3980 5156 3760
2014
JAN 28 4524 5622 3764
FEB 29 4169 5196 3927
MAR 30 4527 5849 3930
APR 31 4183 5422 3989
MAY 32 4813 5285 4004
JUN 33 4366 5484 4090
JUL 34 5534 4935 4131
AUG 35 5735 5178 4164
SEP 36 5683 5372 4209
OCT 37 5031 5281 4219
NOV 38 4798 5110 4307
DEC 39 4445 5795 4420
2015
JAN 40 5491 5723 4504
FEB 41 5740 5905 4543
MAR 42 5418 5548 4564
APR 43 4153 5668 4569
MAY 44 4684 5834 4603
JUN 45 5456 5783 4621
JUL 46 5136 5365 4848
AUG 47 5508 5079 4908
SEP 48 4669 5400 4933
-
Laporan Praktikum Perancangan Teknik Industri
Modul 3 Forecasting Kelompok 22
Program Studi Teknik Industri
Universitas Diponegoro 26
2015
4.2 Pengolahan Data
4.2.1 Plot Data
Data yang dipakai untuk forecasting adalah data historis permintaan pada
Departemen Logistik periode Oktober 2011 sampai dengan September 2015. Berikut
merupakan hasil plot data dari ketiga jenis Tamiya tersebut:
1. Tamiya Amoldo
Gambar 4.1 Plot Data Tamiya Amoldo
Dari plot data pada gambar 4.1 tersebut, terlihat bahwa plot data historis permintaan dari
Tamiya Amoldo memiliki plot data yang konstan, yang terlihat dari grafik yang naik dan
turun secara bergantian.
2. Tamiya Bernardo
Gambar 4.2 Plot Data Tamiya Bernardo
0
1000
2000
3000
4000
5000
6000
7000
1 3 5 7 9 11131517192123252729313335373941434547
Dem
and
Periode
Amoldo
0
1000
2000
3000
4000
5000
6000
7000
1 3 5 7 9 11131517192123252729313335373941434547
Dem
and
Periode
Bernardo
-
Laporan Praktikum Perancangan Teknik Industri
Modul 3 Forecasting Kelompok 22
Program Studi Teknik Industri
Universitas Diponegoro 27
2015
Dari plot data pada gambar 4.2 tersebut, terlihat bahwa plot data historis permintaan
dari Tamiya Bernardo memiliki plot data yang konstan, yang terlihat dari grafik yang naik
dan turun secara bergantian.
3. Tamiya Cartaya
Gambar 4.3 Plot Data Tamiya Cartaya
Dari plot data pada gambar 4.3 tersebut, terlihat bahwa plot data historis permintaan dari
Tamiya Cartaya memiliki plot data yang linier, yang terlihat dari grafik yang semakin lama
semakin naik.
4.2.2 Konversi Data
Untuk konversi data yang digunakan adalah waktu siklus terlama yang sudah
dihitung pada Modul 2 Perancangan Sistem Kerja dalam proses merakit sebuah Tamiya.
Data historis permintaan yang sudah ada tidak perlu dikalikan dengan faktor konversi karena
faktor konversi yang digunakan sama, perbandingan waktu baku ketiga tamiya inipun adalah
1:1:1 yaitu selama 457,93 detik untuk masing-masing jenis Tamiya.
Untuk proses pengolahan yang digunakan adalah data historis permintaan dari ketiga
jenis Tamiya. Untuk pola data linear menggunakan data historis permintaan dari Tamiya
Cartaya, sebagai berikut:
0
1000
2000
3000
4000
5000
6000
1 3 5 7 9 11131517192123252729313335373941434547
Dem
and
Periode
Cartaya
-
Laporan Praktikum Perancangan Teknik Industri
Modul 3 Forecasting Kelompok 22
Program Studi Teknik Industri
Universitas Diponegoro 28
2015
Tabel 4.2 Data Historis Demand Pola Linier
Tahun Bulan Periode Cartaya
2011
OCT 1 2536
NOV 2 2595
DEC 3 2626
2012
JAN 4 2668
FEB 5 2715
MAR 6 2770
APR 7 2788
MAY 8 2952
JUN 9 2975
JUL 10 3005
AUG 11 3080
SEP 12 3101
OCT 13 3129
NOV 14 3151
DEC 15 3177
2013
JAN 16 3319
FEB 17 3334
MAR 18 3353
APR 19 3418
MAY 20 3429
JUN 21 3495
JUL 22 3508
AUG 23 3542
SEP 24 3580
OCT 25 3609
NOV 26 3619
DEC 27 3760
2014
JAN 28 3764
FEB 29 3927
MAR 30 3930
APR 31 3989
MAY 32 4004
JUN 33 4090
JUL 34 4131
AUG 35 4164
SEP 36 4209
OCT 37 4219
-
Laporan Praktikum Perancangan Teknik Industri
Modul 3 Forecasting Kelompok 22
Program Studi Teknik Industri
Universitas Diponegoro 29
2015
Lanjutan Tabel 4.2 Data Historis Demand Pola Linier
Tahun Bulan Periode Cartaya
2014 NOV 38 4307
DEC 39 4420
2015
JAN 40 4504
FEB 41 4543
MAR 42 4564
APR 43 4569
MAY 44 4603
JUN 45 4621
JUL 46 4848
AUG 47 4908
SEP 48 4933
Sedangkan untuk pola data konstan menggunakan data historis permintaan dari Tamiya
jenis Amoldo dan Bernardo. Data yang digunakan adalah total data dari kedua jenis Tamiya
tersebut karena memiliki pola data yang sama, sehingga untuk mempermudah, proses
pengolahannya dijadikan satu dan kemudian dihitung presentase permintaannya. Data
permintaan dengan pola linier tersebut, yaitu:
Tabel 4.3 Data Historis Demand Pola Konstan
Tahun Bulan Periode Amoldo Bernardo Total
2011
OCT 1 4750 4166 8916
NOV 2 5040 5528 10568
DEC 3 4978 5400 10378
2012
JAN 4 4175 5150 9325
FEB 5 5090 5451 10541
MAR 6 4560 5235 9795
APR 7 5294 5353 10647
MAY 8 4244 5516 9760
JUN 9 4481 5140 9621
JUL 10 5278 5677 10955
AUG 11 5798 5803 11601
SEP 12 4180 5453 9633
OCT 13 5412 5263 10675
NOV 14 4336 5402 9738
DEC 15 4000 5692 9692
-
Laporan Praktikum Perancangan Teknik Industri
Modul 3 Forecasting Kelompok 22
Program Studi Teknik Industri
Universitas Diponegoro 30
2015
Lanjutan Tabel 4.3 Data Historis Demand Pola Konstan
Tahun Bulan Periode Amoldo Bernardo Total
2013
JAN 16 4821 5625 10446
FEB 17 5287 5745 11032
MAR 18 4332 4979 9311
APR 19 3888 5577 9465
MAY 20 5473 5894 11367
JUN 21 4196 5774 9970
JUL 22 5249 5953 11202
AUG 23 4579 5154 9733
SEP 24 5688 5753 11441
OCT 25 5168 4988 10156
NOV 26 4307 5156 9463
DEC 27 3980 5156 9136
2014
JAN 28 4524 5622 10146
FEB 29 4169 5196 9365
MAR 30 4527 5849 10376
APR 31 4183 5422 9605
MAY 32 4813 5285 10098
JUN 33 4366 5484 9850
JUL 34 5534 4935 10469
AUG 35 5735 5178 10913
SEP 36 5683 5372 11055
OCT 37 5031 5281 10312
NOV 38 4798 5110 9908
DEC 39 4445 5795 10240
2015
JAN 40 5491 5723 11214
FEB 41 5740 5905 11645
MAR 42 5418 5548 10966
APR 43 4153 5668 9821
MAY 44 4684 5834 10518
JUN 45 5456 5783 11239
JUL 46 5136 5365 10501
AUG 47 5508 5079 10587
SEP 48 4669 5400 10069
Jumlah 232647 260817 493464
Persentase 47,15% 52,85% 100%
-
Laporan Praktikum Perancangan Teknik Industri
Modul 3 Forecasting Kelompok 22
Program Studi Teknik Industri
Universitas Diponegoro 31
2015
Gambar 4.4 Plot Data Demand Pola Konstan
Untuk perhitungan presentase masing - masing permintaan Tamiya jenis Amoldo, Bernardo,
dan Cartaya adalah sebagai berikut:
% =232647
493464 x 100% = 47,15 %
% =260817
493464 x 100% = 52,85 %
0
2000
4000
6000
8000
10000
12000
14000
1 3 5 7 9 11131517192123252729313335373941434547
Dem
and
Periode
Plot Data Demand Pola Konstan
-
Laporan Praktikum Perancangan Teknik Industri
Modul 3 Forecasting Kelompok 22
Program Studi Teknik Industri
Universitas Diponegoro 32
2015
4.2.3.1 Data Pola Konstan
1. Metode MA (Moving Average)
a. SMA (Single Moving Average)
3 SMA
Manual
Perhitungan Manual :
Peramalan : F(t)1 = 8916+10568+10378
3= 9954,00
Error : Demand Peramalan = 9325 9954 = -629,00
Sqr error : Error 2 = (-629)2 = 395641,00
Error : -629 = 629,00
PE : 629
9325 = -6,75
PE : -6,745308 = 6,75
Pembilang : ((+1)(+1)
)21=1 = (
10090,3310541
9325)
21=1 = 0,002336
Penyebut : (105419325
9325)
2= 0,0170051=1
Galat R : (+1)
=
105688916
8916 = 0,185285
Berikut merupakan tabel rekap perhitungan manual 3 SMA:
Tabel 4.4 Perhitungan Manual 3 SMA
Periode X(t) F(t) Error Error^2 |Error| PE |PE| Pembilang Penyebut |Galat|
1 8916
2 10568 0,185285
3 10378 0,017979
4 9325 9954,00 -629,00 395641,00 629,00 -6,75 6,75 0,002336 0,017005 0,101465
5 10541 10090,33 450,67 203100,44 450,67 4,28 4,28 0,000738 0,005009 0,130402
6 9795 10081,33 -286,33 81986,78 286,33 -2,92 2,92 0,006020 0,007566 0,070771
7 10647 9887,00 760,00 577600,00 760,00 7,14 7,14 0,002843 0,006941 0,086983
8 9760 10327,67 -567,67 322245,44 567,67 -5,82 5,82 0,002091 0,000203 0,08331
9 9621 10067,33 -446,33 199213,44 446,33 -4,64 4,64 0,009661 0,019225 0,014242
10 10955 10009,33 945,67 894285,44 945,67 8,63 8,63 0,018474 0,003477 0,138655