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.





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.





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.





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 :





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,





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.





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


Seasonal (Musiman)

Terjadi saat nilai permintaan suatu produk mengalami fluktuasi yang sama setiap tahun.

Gambar 2.3 Pola Musiman


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.





2015

Gambar 2.4 Pola Siklis


Random (acak)

Terjadi saat nilai nilai data befluktuasi secara acak sehingga tidak terlihat bentuk pola

data yang sama.

Gambar 2.5 Pola Random


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)





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)





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)





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)





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


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).





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





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)





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)





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)





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)





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)





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.





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)





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)





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





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.





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





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





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





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





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





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





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%





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





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

Hal 1-32.pdf

Documents

Transcript of Hal 1-32.pdf