LAPORAN AKHIRPRAKTIKUM SISTEM PRODUKSI(PERAMALAN)

Disusun Oleh:

Kelompok: II (Dua)

4. Haviel Arjuna(39411087)5. Kristian Putra E(34411020)Nama Anggota: 1. Adelia Mutiara (30411149)2. Adi Sulistiono(30411178)3. Asep Suryana(31411246)Shift / Tanggal: 1 (Satu) / 19 April 2014Asisten Pembimbing: Theo P. PutraNilai:Paraf Asisten:

LABORATORIUM TEKNIK INDUSTRI LANJUTJURUSAN TEKNIK INDUSTRIFAKULTAS TEKNOLOGI INDUSTRIUNIVERSITAS GUNADARMA BEKASI2014PERAMALAN(LEMARI SERBAGUNA)Adelia Mutiara Dewi, Adi Sulistiono, Asep Suryana, Haviel Arjuna,Kristian Putra EfendiMahasiswa Program Studi Teknik Industri, Fakuluas Teknologi Industri, Universitas Gunadarma(Jalan KH. Noer Ali, Kalimalang Bekasi)Adelia_mutiara7@yahoo.com, Adhy.vino@yahoo.com, Khovek99@yahoo.com, Havielarjuna@yahoo.com, Kristian_ajja@yahoo.comABSTRAKSistem produksi merupakan suatu sistem perencanaan yang baik disetiap manajemen permintaan dalam setiap perusahaan. Suatu sistem produksi perlu dirancang dengan baik agar aktivitas produksi dapat berlangsung lancar. Industri manufaktur tidak terlepas dari sistem produksi, karena di dalam sistem produksi terdapat perencanaan pengendalian kordinasi dan kepemimpinan. Perencanaan produksi dan sumber daya yang akan datang dapat dilakukan dengan metode peramalan. Metode peramalan merupakan suatu cara untuk mengetahui banyaknya permintaan produk dimasa yang akan datang, dengan tujuan untuk mencapai efektivitas dan efisien dari manajemen produksi dan sumber daya dalam industri manufaktur.Peramalan ini menggunakan tiga buah metode, yaitumetode weight moving average (WMA), single exponential signal (SES) dan regresi linier.Hasil peramalan dengan menggunakan metodeweight moving average (WMA) dilakukan dengan menggunakan data masa lalu dengan mengetahui bobot yang akan digunakan yaitu 3 dengan nilai MAD sebesar 6,3 unutk perhitungan menggunakan metode weight moving average (WMA). Metode single exponential smoothing (SES) yaitu meramalkan data masa depan dengan menggunakan data masa lalu dan mencoba konstansta pemulusan dari 0,1 sampai 0,9 dan dilihat nilai MAD terkecil, didapat nilai MAD terkecil pada = 0,3 dengan nilai MAD sebesar 7,052 dan pada tracking signal didapat nilai MAD sebesar 6,9. Hasil peramalan metode regresi linier didapat nilai a dan b terlebih dahulu untuk dapat mengetahui nilai persamaannya nilai intersep(a)sebesar 743,52 sedangkan nilai slope (b) sebesar 1,74 dengan nilai MAD sebesar 5,25. Perhitungan ketiga metode yang diterapkan untuk mencari nilai MAD yang terkecil guna mengetahui hasil keakuratan data penjualan dimasa yang akan datang. Ketiga metode yang sudah diterapkan maka diperoleh metode yang terkecil yaitu dengan menggunakan metode regresi linier dengan MAD terkecil bernilai 5,25.Kata kunci: Peramalan, Weight Moving Average, Single Exponential Smoothing, Regresi Linier.

PENDAHULUANSistem produksi merupakan suatu sistem perencanaan yang baik disetiap manajemen permintaan dalam setiap perusahaan. Suatu sistem produksi perlu dirancang dengan baik agar aktivitas produksi dapat berlangsung lancar. Industri manufaktur tidak terlepas dari sistem produksi, karena di dalam sistem produksi terdapat perencanaan pengendalian kordinasi dan kepemimpinan. Perencanaan produksi dan sumber daya yang akan datang dapat dilakukan dengan metode peramalan. Metode peramalan merupakan suatu cara untuk mengetahui banyaknya permintaan produk dimasa yang akan datang, dengan tujuan untuk mencapai efektivitas dan efisien dari manajemen produksi dan sumber daya dalam industri manufaktur.Peramalan merupakan upaya memperkirakan apa yang terjadi pada masa mendatang berdasarkan data pada masa lalu, berbasis pada metode ilmiah dan kualitatif yang dilakukan secara sistematis. Banyak peramalan dilakukan secara intuitif menggunakan metode-metode statistika seperti metode weight moving average(WMA),single exponential smoothing(SES),regresi linier dan sebagainya.Pemilihan metode tersebut tergantung pada berbagai aspek, yaitu aspek waktu, pola data, tipe model sistem yang diamati, tingkat keakuratan ramalan yang diinginkan dan sebagainya.Pengaplikasian pada modul peramalan ini adalah meramalkan hasil penjualan produk dari lemari serbaguna berdasarkan periode tertentu.Perumusan masalah yang terdapat pada modul peramalan adalah bagaimana hasil peramalan penjualan produk dengan menggunakan metode weight moving average(WMA),single exponential smoothing(SES),dan regresi linier.Bagaimana menentukan tingkat akurasi dari hasil peramalan dan pengendalian hasil peramalan produk lemari serbaguna.Tujuan yang terdapat pada modul peramalan adalah mengetahui hasil peramalan penjualan produk dengan menggunakan metode weight moving average(WMA), single exponential smoothing(SES), dan regresi linier.Mengetahui nilai MAD dari metode weight moving average(WMA), single exponential smoothing(SES), dan regresi linierserta nilai MAD terbaik.TINJAUAN PUSTAKAPeramalan merupakan aktivitas fungsi bisnis yang memperkirakan penjualan dan penggunaan produk sehingga produk-produk itu dapat dibuat dalam kuantitas yang tepat. Peramalan merupakan dugaan terhadap permintaan yang akan datang berdasarkan pada beberapa variabel peramal, sering berdasarkan data deret waktu historis. Peramalan menggunakan teknik-teknik peramalan yang bersifat formal maupun informal[1].Kegiatan peramalan merupakan bagian integral dari pengambilan keputusan manajemen.Peramalan mengurangi ketergantungan pada hal-hal yang belum pasti (intuitif).Peramalan memiliki sifat saling ketergantungan antar divisi atau bagian. Kesalahan dalam proyeksi penjualan akan mempengaruhi pada ramalan anggaran, pengeluaran operasi, arus kas, persediaan, dan sebagainya [2]. Terdapat dua pendekatan untuk melakukan peramalan yaitu dengan pendekatan kualitatif dan pendekatan kuantitatif.Metode peramalan kualitatif digunakan ketika data historis tidak tersedia.Metode peramalan kualitatif adalah metode subyektif (intuitif).Metode ini didasarkan pada informasi kualitatif. Dasar informasi ini dapat memprediksi kejadian-kejadian di masa yang akan datang. Keakuratan dari metode ini sangat subjektif.Metode peramalan kuantitatif dapat dibagi menjadi dua tipe,causaldantime series.Metode peramalancausalmeliputi faktor-faktor yang berhubungan dengan variabel yang diprediksi seperti analisis regresi.Peramalantime seriesmerupakan metode kuantitatif untuk menganalisis data masa lampau yang telah dikumpulkan secara teratur menggunakan teknik yang tepat. Hasilnya dapat dijadikan acuan untuk peramalan nilai di masa yang akan datang[2]. Pola horizontal terjadi bila data berfluktuasi di sekitar rata-ratanya.Produk yang penjualannya tidak meningkat atau menurun selama waktu tertentu termasuk jenis ini.Pola musiman terjadi bila nilai data dipengaruhi oleh faktor musiman (misalnya kuartal tahun tertentu, bulanan atau hari-hari pada minggu tertentu).Struktur datanya dapat digambarkan sebagai berikut ini.Pola siklis terjadi bila data dipengaruhi oleh fluktuasi ekonomi jangka panjang seperti yang berhubungan dengan siklus bisnis.Peramalan permintaan memiliki karakteristik tertentu yang berlaku secara umum. Karakteristik ini harus diperhatikan untuk menilai hasil suatu proses peramalan permintaan dan metode peramalan yang digunakan. Karakteristik peramalan yaitu faktor penyebab yang berlaku di masa lalu diasumsikan akan berlaku juga di masa yang akan datang, dan peramalan tak pernah sempurna, permintaan aktual selalu berbeda dengan permintaan yang diramalkan[3]. Polatrendterjadi bila ada kenaikan atau penurunan sekuler jangka panjang dalam data.Weight Moving Averages (WMA), Model rata-rata bergerak menggunakan sejumlah data aktual permintaan yang baru untuk membangkitkan nilai ramalan untuk permintaan di masa yang akan datang. metode rata-rata bergerak akan efektif diterapkan apabila permintaan pasar terhadap produk diasumsikan stabil sepanjang waktu. Metode rata-rata bergerak terdapat dua jenis, rata-rata bergerak tidak berbobot (Unweight Moving Averages) dan rata-rata bobot bergerak (Weight Moving Averages).Model rata-rata bobot bergerak lebih responsif terhadap perubahan karena data dari periode yang baru biasanya diberi bobot lebih besar.Rumus rata-rata bobot bergerak yaitu sebagai berikut.

Single Exponential Smoothing (SES), pola data yang tidak stabil atau perubahannya besar dan bergejolak umumnya menggunakan model pemulusan eksponensial (Exponential Smoothing Models).MetodeSingle Exponential Smoothinglebih cocok digunakan untuk meramalkan hal-hal yang fluktuasinya secara acak (tidak teratur).Peramalan menggunakan model pemulusan eksponensial rumusnya adalah sebagai berikut.

Permasalahan umum yang dihadapi apabila menggunakan model pemulusan eksponensial adalah memilih konstanta pemulusan () yang diperirakan tepat.Nilai konstanta pemulusan dipilih di antara 0 dan 1 karena berlaku 0 < < 1.Apabila pola historis dari data aktual permintaan sangat bergejolak atau tidak stabil dari waktu ke waktu, nilai yang dipilih adalah yang mendekati 1. Pola historis dari data aktual permintaan tidak berfluktuasi atau relatif stabil dari waktu ke waktu, yang dipilih adalah yang nilainya mendekati nol[1].Regresi linier, model analisis regresi linier adalah suatu metode populer untuk berbagai macam permasalahan. Dua variabel yang digunakan, variabel x dan variabel y, diasumsikan memiliki kaitan satu sama lain dan bersifat linier. rumus perhitungan regresi linier yaitu sebagai berikut.

Keterangan:Y = hasil peramalann = periodea = perpotongan dengan sumbu tegakb = menyatakanslopeatau kemiringan garis regresiMETODOLOGI PENULISANMetodologi dalam peramalan diawali dengan menentukan tujuan peramalan, tujuan peramalan digunakan untuk mengetahui peramalan penjualan pada bulan januari tahun 2015. Tujuan peramalan yang sudah diketahui, maka selanjutnya menentukan item yang akan diramalkan, item yang akan diramalkan adalah produk lemari serbaguna. Langkah berikutnya adalah menentukan horizon waktu yang digunakan, horizon waktu yang digunakan adalah peramalan jangka pendek dengan rentang peramalan kurang dari setahun.Horizon waktu yang sudah diketahui selanjutya memilih model peramalan, model peramalan yang digunakan untuk meramalkan penjualan lemari serbaguna yaitu, metode weight moving average (WMA), single exponential smoothing (SES), dan regresi linear. Metode-metode yang digunakan dalam meramalkan sudah didapat selanjutnya mengumpulkan data dan menganalisis data. Data yang didapat dari hasil penjualan produk lemari serbaguna tahun 2014 didata kemudian dianalisis unttk meramalkan penjualan dimasa yang akan datang. Langkah berikutnya adalah melakukan validasi peramalan, validasi permalan digunakan untuk menetapkan peramalan yang akan digunakan dalam meramalkan lemari serbaguna. Tahap berrikutnya melakukan peramalan, data yang terdapat pada penjualan lemari serbaguna ditahun 2014 digunakan untuk meramalkan permintaan pada bulan januari tahun 2015.Langkah selanjutnya mengimplementasikan hasil peramalan untuk meralamalkan penjualan lemari serbaguna pada bulan januari tahun 2015, selanjutnya adalah memantau kendala hasil peramalan menggunakan peta kontrol tracking signal.HASIL DAN PEMBAHASANHasil dan pembahasan ini berisikan mengenai peramalan penjualan produk lemari serbaguna.Peramalan penjualan produk lemari serbaguna ini menggunakan data penjualan dari masa lalu.Metode peramalan yang digunakan adalah metode kuantitatif karena data yang digunakan adalah data masa lalu.Metode kuantitatif ini terbagi menjadi tiga metode, yaitu metode weight moving average (WMA), single exponential smoothing (SES), dan regresi linier.Pengolahan data dari ketiga metode kuantitatif dilakukan dengan perhitungan manual dan perhitungan dengan bantuan software POMQM.Perhitungan data penjualan aktual didapat dari data penjualan sebelumnya ditambahkan asumsi sebesar 160. Berikut ini adalah data penjualan aktual setelah ditambahkan asumsi sebesar 160 selama 12 bulan:Tabel 1.Data Penjualan Aktual Lemari SerbagunaBulanIndeks Waktu (t)PenjualanAsumsiPenjualan Aktual (A)

Januari1588160748

Februari2574160734

Maret3592160752

April4597160757

Mei5589160749

Juni6596160756

Juli7607160767

Agustus8597160757

September9592160752

Oktober10596160756

November11608160768

Desember12602160762

Januari13---

Contoh perhitungan penjualan aktual:Penjualan Aktual (A) = Penjualan + AsumsiPenjualan Aktual (Januri) = Penjualan + Asumsi= 588 + 160= 748 unit lemari serbaguna

Berdasarkan data penjualan aktual produk lemari serbaguna di atas dapat dicari waktu peramalan dengan menggunakan metode weight moving average (WMA) rata-rata bergerak bobotnya adalah 3 bulan, dalam perhitungan ini menggunakan bobot 3 karena untuk meramalkan selama 3 periode.Berikut merupakan contoh perhitungan lebih lanjut berdasarkan MA = 3 dengan metode weight moving average (WMA). Tabel 2.Perhitungan dengan Metode Weight Moving Average (WMA)BulanIndeks Waktu (t)Penjualan Aktual (A)Ramalan Berdasarkan MA=3 (F, MA=3)

Januari1748--

Februari2734--

Maret3752--

April4757745,3333745

Mei5749751,5752

Juni6756752,1667752

Juli7767753,8333754

Agustus8757760,3333760

September9752760,1667760

Oktober10756756,1667756

November11768754,8333755

Desember12762761,3333761

Januari13-763763

Contoh Perhitungan dengan metode weight moving average (WMA) :Ft= F4= = 745,3333 ~ 745Metode weighted moving average (WMA) merupakan metode peramalan yang dilakukan dengan cara menghitung rata-rata bobot atau periode dimasa lalu. Perhitungan weighted moving average (WMA) ini dilakukan dengan bobot sebesar 3, atau rata-rata bergerak tiga bulan periode sebelum. Perhitungan ini menggunakan bobot 3 karena pada perhitungan tersebut digunakan untuk meramalkan selama 3 periode. Berdasarkan perhitungan ramalan di atas diperoleh peramalan penjualan pada periode april sebesar 757 unit lemari serbaguna sehingga diperoleh hasil peramalannya yaitu 745,333 kemudian dibulatkan menjadi 745 yang menyatakan bahwa 745 unit lemari serbaguna yang akan terjual pada periode april. Data peramalan tersebut selanjutnya digunakan untuk menghitung tracking signal. Berikut ini merupakan perhitungannya.Tabel 3.Tracking Signal Metode Weight Moving Average (WMA)Periode (1)Forecast (f)(2)Aktual (A) (3)Error e=A-f (4)RSFE Kumulatif (5)Absolut Error(6)Kumulatif Absolut Error (7)MAD = 7/1 (8)Tracking Signal = 5/8 (9)

174575712121212121

2752749-393157,51,2

37527564134196,32,05

47547671326133283,25

Tabel 3.Tracking Signal Metode Weight Moving Average (WMA) (Lanjutan)Periode (1)Forecast (f)(2)Aktual (A) (3)Error e=A-f (4)RSFE Kumulatif (5)Absolut Error(6)Kumulatif Absolut Error (7)MAD = 7/1 (8)Tracking Signal = 5/8 (9)

5760757-32333573,3

6760752-8158437,22,5

77567560150436,12,6

87557681328135674

97617621291576,34,5

MAD6,3

Berdasarkan tabel traking signal dengan metode weight moving average (WMA) pada periode januari angka aktualnya didapatkan sebesar 757 unit kemudian peramalan pada bulan januari diperoleh sebesar 745 unit. Error ini menyatakan selisih antara data aktual dengan hasil angka peramalan yang didapatkan sebesar 12, hasil kumulatifnya diperoreh sebesar 12 dan apabila untuk memperoleh nilai kumulatif periode febuari didapatkan 9, karena angka error 12 pada bulan januari ditambahkan pada-3 yang ada pada bulan febuari sehingga diperoleh angka kumulatifnya sebesar 9. Absolut error didapatkan dari hasil angka mutlak yang ada pada kolom error yang didapat nilai MAD sebesar 6,3 dengan cara jumlah total dari absolut error dibagi dengan total periodenya. Kecilnya nilai MAD maka nilai tersebut akan semakin bagus, karena peramalannya juga akan semakin akurat. Kumulatif absolut error yang dihasilkan dari sebuah perhitungan absolut error. Nilai MAD yang didapatkan merupakan hasil dari sebuah perhitungan kumulatif absolut error dibagi dengan masing-masing periodenya. Tracking signal didapatkan dari perhitungan RSFE kumulatif dibagi dengan masing-masing MAD untuk periode febuari didapatkan hasilnya sebesar 1,2 yang menyatakan bahwa suatu ukuran bagaimana baiknya suatu ramalan memperkirakan nilai-nilai aktual. Tabel tracking signal sudah didapatkan selanjutnya adalah membuat grafik, berikut grafik dari tabel tracking signal.

Gambar 1.Grafik Tracking Signal Metode Weight Moving Average (WMA)Grafik tracking signal di atas didapat dari nilai kolom tracking signal. Batas kontrol atas menggunakan nilai +4 sedangkan untuk nilai batas kontrol bawah menggunakan nilai -4 BKA dan BKB menggunakan nilai +4 dan -4 karena menggunakan pola data trend. Berdasar kandari tabel dan grafik tracking signal yang diperoleh diatas dapat diketahui bahwa angka nilai peramalan di setiap periodenya berbeda-beda.Hal ini dikarenakan bahwa dipengaruhi oleh nilai error dalam peramalan disetiap periodenya.Nilai tracking signal didapat dari pembagian antara nilai RSFE kumulatif dengan nilai MAD pada tabel. Diketahui pula nilai tracking signal dari periode 1 sampai keperiode 8 masih dalam batas atas dan batas bawah, hanya saja terdapat satu periode yang melewati batas kendali atas yaitu pada periode ke 9 yang artinya data peramalan penjualan telah berlebihan, dengan demikian hasil dari sebuah peramalan ini belumlah dikatakan akurat sepenuhnya.

Gambar 2.Output Software Details and Error Analysis Metode Weight Moving Average (WMA)Berdasarkan hasil dari sebuah perhitungan weight moving average (WMA) dengan menggunakan software POMQM maka keluarlah output seperti yang terlihat pada gambar diatas yang menjelaskan bahwa data diatas menggunakan rata-rata bergerak 3 bulan. Hasil peramalan pada bulan desember yaitu sebesar 761,333 yang menyatakan bahwa target yang harus terpenuhi dalam penjualan lemari serbagunadengan angka permintaan aktualnya sebesar 762 unit. Angka target yang diperoleh pada bulan ke 13 yaitu januari sebesar 763 unit.

Gambar 3.Output Software Tracking Signal Metode Weight Moving Average (WMA)Berdasarkan hasil dari sebuah perhitungan weight moving average (WMA) dengan menggunakan software POMQM maka keluarlah output seperti yang terlihat pada gambar diatas yang dimulai dari bulan april karena data diatas menggunakan rata-rata bergerak 3 bulan. Hasil peramalan penjualan lemari serbaguna pada bulan april yaitu sebesar 745,333 unit dan dengan MAD sebesar 11,667. Hasil peramalan pada bulan desember akhir yaitu didapatkan angka peramalannya sebesar 761,333 unit dengan MAD sebesar 6,296.

Gambar 4.Grafik Software Tracking Signal Metode Weight Moving Average (WMA)Berdasarkan hasil gambar grafik dengan metode weighted moving average (WMA) menunjukkan hasil penjualan aktual mengalami pergerakan penjualan produk tidak stabil, kadang meningkat dan kadang menurun atau biasa disebut pola trend. Perbandingan antara peramalan yang dilakukan dengan penjualan aktual tidak terlalu jauh rentangnya. Hasil peramalan pada bulan desember sebesar 761,333 unit dengan data aktualnya yaitu sebesar 762 unit.Tabel 4.Hasil MAD dengan Software POMQMNilai MAD

0,18,345

0,27,49

0,37,052

0,47,079

0,57,327

0,67,754

0,78,188

0,88,574

0,98,884

Perhitungan manual selanjutnya yaitu peramalan dengan menggunakan metode single exponential smoothing (SES). Perhitungan dengan menggunakan metode single exponential smoothing (SES) yaitu dengan menggunakan nilai (alpha), yang dimana nilai tersebut diperoleh berdasarkan nilai MAD terkecil berdasarkan tabel MAD diatas diperoleh nilai yang terkecil yaitu pada nilai 0,3. Hasil tabel diatas diperoleh dari perhitungan dengan menggunakan software dengan menggunakan software POMQM.

Tabel 5.Perhitungan dengan Metode Single Exponential Smoothing (SES) 0,3BulanIndeks Waktu (t)Penjualan Aktual (A)Ramalan Berdasarkan =0,3 (F, =0,3)

Januari1748754,8333755

Februari2734752,781753

Maret3752747,1467747

April4757748,6027749

Mei5749751,1219751

Juni6756750,4853751

Juli7767752,1397752

Agustus8757756,5978757

September9752756,7185757

Oktober10756755,3029755

November11768755,512755

Desember12762759,2584759

Januari13-760,0809760

Perhitungan selanjutnya adalah melakukan perhitungan berdasarkan nilai MAD, nilai MAD terkecil didapat = 0,3. Berikut contoh perhitungan single exponential smoothing (SES).Ft= Ft-1+ (At-1 Ft-1)F1= = = 754,8333F2= Ft-1+ (At-1 Ft-1)= 754,8333 + 0,3 (748 - 754,8333)= 752,781 ~ 753Berdasarkan tabel perhitungan dengan metode single exponential smoothing (SES) = 0,3 terdapat hasil atau nilai peramalan untuk periode yang akan datang yaitu pada periodeke 13 dengan hasil peramalan sebesar 760,0809 unit, hasil tersebut dibulatkan maka didapatkan hasil peramalannya sebesar 760 unit lemari serbaguna. Hasil pada perhitngan dengan menggunakan metode single exponential smoothing (SES) selanjutnya dapat diukur ketetapannya menggunakan tracking signal dari metode single exponential smoothing (SES).Tabel 6.Tracking Signal Metode Single Exponential Smoothing (SES)Periode (1)Forecast (f)(2)Aktual (A) (3)Error e=A-f(4)RSFE Kumulatif(5)Absolut Error(6)Kumulatif Absolut Error (7)MAD = 7/1 (8)Tracking Signal = 5/8 (9)

1755748-7-7777-1

2753734-19-26192613-2

37477525-2153110,3-2,03

47497578-138399,75-1,33

5751749-2-152418,2-1,83

67517565-105467,67-1,3

775276715515618,710,57

8757757050617,630,66

9757752-505667,30

10755756111676,70,15

Tabel 6.Tracking Signal Metode Single Exponential Smoothing (SES) (Lanjutan)Periode (1)Forecast (f)(2)Aktual (A) (3)Error e=A-f(4)RSFE Kumulatif(5)Absolut Error(6)Kumulatif Absolut Error (7)MAD = 7/1 (8)Tracking Signal = 5/8 (9)

11755768131413807,31,93

127597623173836,92,46

MAD6,9

Berdasarkan tabel traking signal dengan metode single exponential smoothing (SES) pada periode januari angka aktualnya didapatkan sebesar 748 unit kemudian peramalan pada bulan januari diperoleh sebesar 755 unit. Error ini menyatakan selisih antara data aktual dengan hasil angka peramalan yang didapatkan sebesar -7, hasil kumulatifnya diperoreh sebesar -7 dan apabila untuk memperoleh nilai kumulatif periode febuari didapatkan 26, karena angka error -19 pada bulan febuari ditambahkan pada 7 yang ada pada bulan febuari sehingga diperoleh angka kumulatifnya sebesar 26. Absolut error didapatkan dari hasil angka mutlak yang ada pada kolom error yang didapat nilai MAD sebesar 13 dengan cara jumlah total dari absolut error dibagi dengan total periodenya sehingga total MAD sebesar 6,9. Kecilnya nilai MAD maka nilai tersebut akan semakin bagus, karena peramalannya juga semakin akurat. Kumulatif absolut error yang dihasilkan dari sebuah perhitungan absolut error.Nilai MAD yang didapatkan merupakan hasil dari sebuah perhitungan kumulatif absolut error dibagi dengan masing-masing periodenya. Tracking signal didapatkan dari perhitungan RSFE kumulatif dibagi dengan masing-masing MAD pada periode febuari didapatkan hasilnya sebesar -2 yang menyatakan bahwa suatu ukuran bagaimana baiknya suatu ramalan memperkirakan nilai-nilai aktual. Tabel tracking signal sudah didapatkan selanjutnya adalah membuat grafik. berikut grafik dari tabel tracking signal.

Gambar 5.Grafik Tracking Signal Metode Single Exponential Smoothing (SES)Berdasarkan dari tabel perhitungan single exponential smoothing (SES) dengan nilai sebesar 0,3 kemudian dimasukkan ke dalam bentuk grafik tracking signal yang diperoleh diatas dapat diketahui bahwa angka nilai peramalan di setiap periodenya tidak sama. Hal ini dikarenakan bahwa dipengaruhi oleh nilai error dalam peramalan disetiap periodenya. Nilai tracking signal didapat dari pembagian antara nilai RSFE kumulatif dengan nilai MAD pada tabel. Grafik tracking signal di atas didapat dari nilai kolom tracking signal. Batas kontrol atas menggunakan nilai +4 sedangkan untuk nilai batas kontrol bawah menggunakan nilai -4 BKA dan BKB menggunakan nilai +4 dan -4 karena menggunakan pola data trend. Diketahui pula nilai tracking signal untuk setiap periode tidak ada yang melewati batas kendali atas dan batas kendali bawah, dengan kata lain hasil data peramalan dengan metode single exponential smoothing (SES)ini baik.

Gambar 6.Output Software Details and Error Analysis Metode Single Exponential Smoothing (SES)Berdasarkan hasil gambar output software yang telah diperoleh dengan menggunakan metode perhitungansingle exponential smoothing (SES) diatas dapat terlihat bahwa alpha 0,3 menghasilkan data peramalan yang cukup baik artinya tidak memiliki rentang yang terlalu jauh dari data aktualnya. Hasil peramalan untuk bulan berikutnya sebesar 759,986 (760).

Gambar 7.Output Software Tracking Signal Metode Single Exponential Smoothing (SES)Berdasarkan hasil dari sebuah perhitungan single exponential signa l(SES) dengan menggunakan software POMQM maka keluarlah output seperti yang terlihat pada gambar diatas yang dimulai dari bulan febuari. Hasil peramalan penjualan lemari serbaguna pada bulan febuari yaitu sebesar 748 unit dan dengan MAD sebesar 14. Hasil peramalan pada bulan desember akhir yaitu didapatkan angka peramalannya sebesar 759,123 unit dengan MAD yaitu sebesar 7,052.

Gambar 8.Grafik Software Tracking Signal Metode Single Exponential Smoothing (SES)Berdasarkan hasil gambar grafik dengan metode single exponential signal (SES) menunjukkan hasil penjualan aktual mengalami pergerakan penjualan produk tidak stabil, kadang meningkat dan kadang menurun serta dengan tigkat peramalan yang cederung semakin naik walaupun kenaikannya tidak terlalu signifikan. Perbandingan antara peramalan yang dilakukan dengan penjualan aktual tidak terlalu jauh rentangnya. Hasil peramalan pada bulan desember sebesar 759 unit dengan data aktualnya yaitu sebesar 762 unit. Peramalan untuk next period atau periode yang akan mendatang yaitu jatuh pada bulan januari pada periode ke 13 maka diperoleh rentang hasil peramalan tingkat penjualan yang tidak terlalu jauh yaitu sebesar 760 unit dengan data aktualnya sebesar 760,0809 unit lemari serbaguna.Tabel 7.Perhitungan dengan Metode Regresi LinierBulan(n)Periode(X)Penjualan Aktual(Y)X2X,Y

Januari17481748

Februari273441468

Maret375292256

April4757163028

Mei5749253745

Juni6756364536

Juli7767495369

Agustus8757646056

September9752816768

Oktober107561007560

November117681218448

Desember127621449144

Jumlah ()78905865059126

Contoh perhitungan metode regresi linier:Bulan JanuariPeriode (1)Penjualan Aktual (478)X2 = 12= 1X.Y = 1 x 748= 748Perhitungan manual ketiga yaitu peramalan dengan menggunakan metode regresi linier pada bulan januari sebesar 748 unit lemari serbaguna, dan total hasil penjualan unit lemari serbaguna selama 12 bulan sebesar 59126 unit lemari serbaguna. Perhitungan berikutnya dengan menggunakan metode regresi linier ini dilakukan jika telah mengetahui nilai intersep (a) dan nilai slope (b), untuk melakukan peramalan setiap periodenya. Berikut ini adalah perhitungan untuk mencari nilai intersep (a) dan slope (b).Tabel 8.Hasil Peramalan dengan Metode Regresi LinierBulanPeriode(X)Penjualan Aktual(Y)Hasil Ramalan

Januari1748746

Februari2734747

Maret3752749

April4757751

Mei5749753

Juni6756754

Juli7767756

Agustus8757758

September9752760

Oktober10756761

November11768763

Desember12762765

Januari13-767

b=

=

= 1,74

a=

=

= 743,52Y= a + bx= 743,52 + (1,74 x 1)= 745,3~746 unitHasil pada perhitungan peramalan dengan menggunakan metode regresi linier, tahap berikutnya maka akan dilanjutkan dengan membuat tabel perhitungan tracking signal. Berikut ini merupakan tabel perhitungan tracking signal untuk metode regresi linear.Tabel 9.Tracking Signal Metode Regresi LinierPeriode (1)Forecast (f)(2)Aktual (A) (3)Error e=A-f (4)RSFE Kumulatif (5)Absolut Error(6)Kumulatif Absolut Error (7)MAD = 7/1 (8)Tracking Signal = 5/8 (9)

1746748222221

2747734-13-1113157,5-1,5

37497523-83186-1,3

47517576-26246-0,3

5753749-4-64285,6-1,1

67547562-42305-0,8

775676711711415,91,2

8758757-161425,251,1

9760752-8-28505,56-0,36

10761756-5-75555,5-1,27

117637685-25605,5-0,37

12765762-3-53635,25-0,95

MAD5,25

Berdasarkan tabel traking signal dengan metode Regresi linier pada periode januari angka aktualnya didapatkan sebesar 748 unit kemudian peramalan pada bulan januari diperoleh sebesar 746 unit. Error ini menyatakan selisih antara data aktual dengan hasil angka peramalan yang didapatkan sebesar 2, hasil kumulatifnya diperoreh sebesar 2 dan apabila untuk memperoleh nilai kumulatif periode febuari didapatkan -11, karena angka error -13 pada bulan febuari ditambahkan pada 2 yang ada pada bulan januari sehingga diperoleh angka kumulatifnya sebesar -11. Absolut error didapatkan dari hasil angka mutlak yang ada pada kolom error yang didapat nilai MAD sebesar 7,5 dengan cara jumlah total dari absolut error dibagi dengan total periodenya sehingga total MAD sebesar 5,25. Kecilnya nilai MAD maka nilai tersebut akan semakin bagus, karena peramalannya juga semakin akurat. Kumulatif absolut error yang dihasilkan dari sebuah perhitungan absolut error. Nilai MAD yang didapatkan merupakan hasil dari sebuah perhitungan kumulatif absolut error dibagi dengan masing-masing periodenya. Tracking signal didapatkan dari perhitungan RSFE kumulatif dibagi dengan masing-masing MAD pada periode febuari didapatkan hasilnya sebesar -1,5 yang menyatakan bahwa suatu ukuran bagaimana baiknya suatu ramalan memperkirakan nilai-nilai aktual. Tabel tracking signal sudah didapatkan selanjutnya adalah membuat grafik, berikut grafik dari tabel tracking signal.

Gambar 9.Grafik Tracking Signal Metode Regresi LinierBerdasarkan dari tabelperhitungan regresi linier kemudian dimasukkan ke dalam bentuk grafik tracking signal yang diperoleh diatas dapat diketahui bahwa angka nilai peramalan di setiap periodenya tidak sama. Hal ini dikarenakan bahwa dipengaruhi oleh nilai error dalam peramalan disetiap periodenya. Nilai tracking signal didapat dari pembagian antara nilai RSFE kumulatif dengan nilai MAD pada tabel. Grafik tracking signal di atas didapat dari nilai kolom tracking signal. Batas kontrol atas menggunakan nilai +4 sedangkan untuk nilai batas kontrol bawah menggunakan nilai -4 BKA dan BKB menggunakan nilai +4 dan -4 karena menggunakan pola data trend. Diketahui pula nilai tracking signal untuk setiap periode tidak ada yang melewati batas kendali atas dan batas kendali bawah, dengan kata lain hasil peramalan dengan menggunakan metode regresi linier ini sangat baik atau akurat.

Gambar 10.Output Software Details and Error Analysis Metode Regresi LinierBerdasarkan hasil gambar output software yang telah diperoleh dengan menggunakan metode perhitungan regresi linierdiatas dapat terlihat bahwa data peramalan yang diperoleh cukup baik artinya tidak memiliki rentang yang terlalu jauh dari data aktualnya. Nilai intersep yang diperoleh sebesar 743,515 dengan nilai slope sebesar 1,741.

Gambar 11.Output SoftwareTracking Signal Metode Regresi LinierBerdasarkan hasil dari sebuah perhitungan regresi linier dengan menggunakan software POMQM maka keluarlah output seperti yang terlihat pada gambar diatas yang dimulai dari bulan januari. Hasil peramalan penjualan lemari serbaguna pada bulan januari yaitu sebesar 745,258 unit dan dengan MAD sebesar 2,744. Hasil peramalan pada bulan desember akhir yaitu didapatkan angka peramalannya sebesar 764,41 unit dengan MAD yaitu sebesar 5,198.

Gambar 12.Grafik SoftwareTracking Signal Metode Regresi LinierBerdasarkan hasil gambar grafik dengan metode regresi linier menunjukkan hasil penjualan aktual mengalami pergerakan penjualan produk tidak stabil, kadang meningkat dan kadang menurun serta dengan tigkat peramalan yang cederung semakin naik atau biasa disebut dengan pola trend. Perbandingan antara peramalan yang dilakukan dengan penjualan aktual tidak terlalu jauh rentangnya.Hasil peramalan pada bulan desember sebesar 765 unit dengan data aktualnya yaitu sebesar 762 unit lemari serbaguna.Tabel 10.Hasil Perbandingan MAD TerpilihMetodeHasil MAD

Weight Moving Average (WMA) 6,3

Single Exponential Smoothing (SES)6,9

Regresi Linier5,25

Berdasarkan tabel diatas yang merupakan hasil dari perbandingan MAD yang terpilih. Ketiga metode yang dilakukan yaitu metode WMA, SES serta Regresi Linier diperoleh hasil yang terkecil yaitu hasil 5,25 yang terdapat pada metode regresi linier. Hal ini menyatakan bahwa metode yang baik dalam penjualan lemari serbaguna yaitu dengan menggunakan metode regresi linier karena MAD yang terpilih adalah MAD yang bernilai kecil. Tabel 11.Tabulasi Hasil Perhitungan Moving RangeBulanPeramalanPenjualan AktualA-FMR Absolute

Januari74674820

Februari747734-1315

Maret749752316

April75175763

Mei753749-410

Juni75475626

Juli756767119

Agustus758757-112

September760752-87

Oktober761756-53

November763768510

Desember765762-38

99

Contoh Perhitungan :MR= == 15= = = 9BKA= 2,66 x 9= 23,94BKB= -2,66 x 9= -23,94

Tabel perhitungan moving range terdiri dari 5 kolom, yaitu bulan, peramalan, penjualan aktual, A F, dan MR Absolute. Nilai yang terdapat dalam kolom A F merupakan perhitungan dari penjualan aktual dikurangi peramalan. Kolom MR merupakan hasil perhitungan dari data peramalan sebelum dikurangi penjualan aktual sebelum, lalu dikurangi data peramalan periode yang ingin diketahui dikurangi penjualan aktual periode yang ingin diketahui. MR Absolute merupakan nilai positif dari kolom MR. Total nilai MR Absolute sebesar 99.Data yang telah diketahui di atas kemudian dibuat ke dalam grafik moving range. Pembuatan grafik moving range harus memiliki periode, nilai A F, periode, batas kendali atas dan batas kendali bawah. Berikut ini adalah perhitungan dari nilai rata-rata MR Absolute serta nilai BKA sebesar 2,66 dan BKB juga sebesar 2,66. Angka tersebut diperoleh dari ketentuan yang sudah berlaku, kemudian nilai tersebut dimasukkan ke dalam tabel moving range.

Gambar 13.Grafik Moving RangeHasil dari grafik moving range di atas menunjukkan bahwa semua data hasil perhitungan moving range berada dalam batas kendali atas dan batas kendali bawah. Berdasarkan grafik tersebut pula dapat diketahui bahwa data peramalan yang dilakukan baik karena data-data tersebut tidak ada yang keluar dari batas kendali atas dan batas kendali bawah. Nilai BKA dan BKB sebesar 2,66 angka tersebut sudah dalam ketentuan yang berlaku. Berdasarkan hasil dari grafik moving range dengan kata lain peramalan dengan menggunakan tersebut data yang diperoleh valid sehingga data tidak ada yang keluar dari batas kendali atas dan batas kendali bawah yang sudah ditentukan.KESIMPULAN DAN SARANKesimpulan dan saran merupakan bagian akhir dari penulisan laporan akhir, yang menjawab dari suatu tujuan dibuatnya laporan ini. Kesimpulan tersebut antara lain, hasil peramalan dengan menggunakan metode weight moving average (WMA) didapatkan hasil sebanyak 763 unit, metode single exponential smoothing (SES) didapatkan hasil sebanyak 760 unit, dan metode regresi linier didapatkan hasil sebanyak 767 unit. Nilai MAD dengan metode weight moving average (WMA) didapatkan hasil sebesar 6,3, metode single exponential smoothing (SES) didapatkan hasil sebesar 6,9, dan metode regresi linier didapatkan hasil sebesar 5,25. Nilai MAD terbaik terdapat pada metode regresi linier dengan nilai sebesar 5,25 yang artinya perhitungan dengan menggunakan metode regresi linier memiliki data yang valid sehingga data tidak ada yang keluar dari batas kendali atas dan batas kendali bawah yang telah ditentukan.Saran dalam laporan permalan jika meramalkan suatu permintaan atau penjualan sebaiknya diberikan metode yang baru, supaya wawasan orang yang membaca dapat terbuka, sehingga metode peramalan ini bisa dijadikan suatu tugas akhir atau skripsi.

DAFTAR PUSTAKA[1] Gaspersz, Vincent. 1998. Production Planning and Inventory Control. Jakarta: Gramedia Pustaka Utama.[2] Makridakis,S. dan Wheelwright, S.C. 1999. Metode dan Aplikasi Peramalan.Edisi Ke-2. Terjemahan Hari Suminto. Jakarta: Binarupa Aksara.[3] Baroto, T. 2002. Perencanaan dan Pengendalian Produksi. Ghalia Indonesia: Jakarta.