LAPORAN PERENCANAAN PERAMALAN
-
Upload
anjar-prasetyo -
Category
Documents
-
view
53 -
download
2
description
Transcript of LAPORAN PERENCANAAN PERAMALAN
BAB I
PENDAHULUAN
1.1. Latar Belakang Masalah
Dalam suatu industri terdapat banyak faktor ketidak pastian yang perlu
dipertimbangkan dalam pengambilan keputusan manajemen, seperti penentuan
jumlah dan waktu pembelian bahan baku, jumlah pekerja, jadwal produksi.
Keputusan manajemen yang tepat akan menghasilkan produksi yang efektif dan
efisien sehingga mendukung produktivitas perusahaan dan pada akhirnya
menambah profit perusahaan.
Peramalan merupakan suatu bentuk seni dan ilmu yang digunakan untuk
memperkirakan suatu kejadian dimasa depan. Dengan adanya peramalan, orang
sudah dapat memperkirakan peristiwa apa yang akan terjadi di masa depan
sekaligus menyiapkan tindakan guna mengantisipasi segala kemungkinan yang
akan terjadi. Suatu peramalan tidak memiliki nilai mutlak, akan tetapi lebih
bersifat subjektif, artinya jika dua orang melakukan peramalan secara bersama-
sama, hasil yang diperoleh belum tentu sama.
Peramalan yang akan dibahas pada praktikum ini adalah peramalan yang
memiliki tingkat resiko yang tinggi, karena menyangkut hidup-matinya suatu
perusahaan dan tentunya akan berdampak langsung kepada karyawan maupun
terhadap harga barang di pasar. Tanpa peramalan, keputusan yang diambil
tentunya akan menjadi kurang akurat. Dengan adanya peramalan, diharapkanakan
tercipta suatu keputusan dengan tingkat prediksi yang baik sehingga apayang
dihasilkan tidak melenceng terlalu jauh dari kenyataan. Peramalan memerlukan
1
2
berbagai kegiatan untuk mengenali dan memantau berbagai sumber permintaan
produk atau jasa, yang meliputi peramalan, pencatatan pesanan, membuat janji
penyerahan, menentukan kebutuhan unit-unit operasional untuk mengkoordinasi
seluruh kegiatansecara terpadu. Sasaran peramalan dapat dikategorikan
berdasarkan jangka waktunya ke dalam sasaran jangka panjang, jangka menengah,
jangka pendek, dan segera. Dalam peramalan juga harus diketahui jenis data yang
digunakan apakah berjenis konstan, trend, ataukah musiman. Sehingga dapat
dipilih metode peramalan yang paling akurat dan juga mencegah atau
meminimalisir terjadinya bias.
1.2. Perumusan Masalah
Adapun rumusan masalah yang akan diangkat pada laporan forecasting ini
adalah sebagai berikut:
a. Apakah jenis pola yang terlihat pada permintaan penjualan dari data
masa lalu?
b. Metode apa saja kah yang dapat digunakan untuk menghitung
peramalan?
c. Metode mana yang akhirnya digunakan untuk menentukan permintaan
penjualan di masa depan?
1.3. Maksud dan Tujuan Penelitian
Maksud dari praktikum ini bertujuan agar mahasiswa dapat menganalisis
metode mana yang terbaik dengan tingkat kesalahan error yang terkecil. Adapun
tujuan praktikum ini adalah:
3
a. Dapat mengetahui pola apa yang terjadi pada permintaan masa lalu.
b. Dapat mengetahui metode-metode yang tepat untuk menghitung
peramalan.
c. Dan pada akhirnya dapat menentukan metode yang tepat untuk
digunakan sebagai data permintaan di masa depan.
1.4. Pembatasan Masalah
Agar permasalahan yang dibahas tidak meluas, maka perlu adanya
pembatasan masalah, yaitu sebagai berikut:
a. Produk yang diramalkan hanya produk bola lampu jenis LED di PT
Light Phillips.
b. Data permintaan yang dipakai adalah data bulan Januari-Desember
2014.
c. Peramalan yang dilakukan hanya menggunakan metode time series.
1.5. Metode Pengumpulan Data
A. Primer
1. Wawancara :
Wawancara yaitu metode pengumpulan data yang dilakukan dengan cara bertanya
langsung kepada responden, atau tatap muka antara responden dengan peneliti.
2. Observasi :
Observasi yaitu metode pengumpulan data dengan cara melakukan penelitian
secara langsung terhadap obyek penelitian permintaan.
4
B. Sekunder
Dokumentasi merupakan salah satu metode pengumpulan data sekunder.
Dokumentasi yaitu metode pangumpulan data dengan cara mendapatkan data
melalui buku-buku, catatan-catatan atau dokumentasi perusahaan yang ada
kaitannya dengan penelitian.
1.6. Sistematika Penulisan
BAB I. Pendahuluan
1.1. Latar Belakang Masalah
Menyajikan tentang latar belakang penelitian peramalan yang menunjang dalam
praktikum ini.
1.2. Perumusan Masalah
Menspesifikasi suatu bahasan dari permasalahan yang ada, sehingga permasalahan
yang akan kita pecahkan menjadi lebih terarah. Perumusan tentang masalah yang
akan dibahas dalam praktikum peramalan.
1.3. Maksud dan Tujuan Praktikum
Apa yang diharapkan dan apa yang akan kita dapatkan dari pelaksanaan
praktikum peramalan.
1.4. Pembatasan Masalah
Membuat batasan tentang hipotesa dan uji apa saja yang akan digunakan dalam
praktikum.
1.5. Metode Pengumpulan data
Metode yang digunakan pada saat mengumpulkan data yang akan digunakan
dalam praktikum.
5
1.6. Sistematika Penulisan
Urutan-urutan atau susunan-susunan sistematik dari penulisan laporan.
BAB II. Landasan Teori
Teori-teori yang dapat digunakan sebagai acuan dalam praktikum dan teori-teori
yang berhubungan dengan praktikum.
BAB III. Kerangka Pemecahan Masalah
3.1. Flowchart Pemecahan Masalah
Suatu gambaran yang berbentuk Flowchart untuk memecahkan suatu masalah.
3.2. Langkah-Langkah Pemecahan Masalah
Cara-cara yang sistematik untuk memecahkan suatu masalah.
BAB IV. Pengumpulan dan Pengolahan Data
4.1. Pengumpulan Data
Mengumpulkan dan menuliskan data-data yang diperlukan dalam praktikum.
4.2. Pengolahan Data
Penyajian dari data yang telah didapat dari praktikum.
BAB V. Analisa Dan Pembahasan
Mengidentifikasi, menganalisis atau menyelidiki hasil dari pengolahan data.
BAB VI. Kesimpulan dan Saran
6.1. Kesimpulan
6
Kesimpulan dari hasil metode perhitungan masing-masing data atau hasil akhir
semua isi laporan.
6.2. Saran
Masukan-masukan yang kita kemukakan untuk mendapatkan hasil yang lebih baik
dalam penyusunan laporan dan dalam praktikum di masa yang akan datang.
BAB II
LANDASAN TEORI
2.1. Pengertian Peramalan
Menurut Gaspersz (2004), aktivitas peramalan merupakan suatu
fungsi bisnis yang berusaha memperkirakan permintaan dan penggunaan
produk sehingga produk-produk itu dapat dibuat dalam kuantitas yang tepat.
Dengan demikian peramalan merupakan suatu dugaan terhadap permintaan
yang akan datang berdasarkan pada beberapa variabel peramal, sering
berdasarkan data deret waktu historis.
Menurut Supranto (1984), forecasting atau peramalan adalah
memperkirakan sesuatu pada waktu-waktu yang akan datang berdasarkan data
masa lampau yang dianalisis secara ilmiah, khususnya menggunakan metode
statistika. Menurut Sofjan Assauri (1993), peramalan merupakan seni dan ilmu
dalam memprediksikan kejadian yang mungkin dihadapi pada masa yang akan
datang. Dengan digunakannya peralatan metode-metode peramalan maka akan
memberikan hasil peramalan yang lebih dapat dipercaya ketetapannya. Oleh
karena masing-masing metode peramalan berbeda-beda, maka penggunaannya
harus hati-hati terutama dalam pemilihan metode untuk penggunaan dalam
kasus tertentu.
Peramalan dapat menggunakan teknik-teknik peramalan yang bersifat
formal maupun informal. Aktivitas peramalan ini biasa dilakukan oleh
departemen pemasaran dan hasil-hasil dari peramalan ini sering disebut sebagai
ramalan permintaan. Bagian permintaan biasanya melakukan perencanaan
8
berdasarkan hasil- hasil ramalan permintaan, sehingga informasi yang dikirim
dari bagian permintaan ke bagian Production Planning and Inventory
Control (PPIC) semestinya memisahkan antara permintaan yang
dikembangkan berdasarkan rencana permintaan yang umumnya masih bersifat
tidak pasti dan pesanan-pesanan yang bersifat pasti.
Sistem peramalan memiliki sembilan langkah yang harus
diperhatikan untuk menjamin efektifitas dan efisiensi. Langkah- langkah
tersebut termasuk dalam manajemen permintaan yang disebut juga sebagai
konsep dasar sistem peramalan, yaitu (Gaspersz 2004):
a. Menentukan tujuan dari peramalan.
b. Memilih item independent demand yang akan diramalkan.
c. Menentukan horison waktu dari peramalan (jangka pendek, menengah,
dan panjang).
d. Memilih model-model peramalan.
e. Memperoleh data yang dibutuhkan untuk melakukan peramalan.
f. Validasi model peramalan.
g. Membuat peramalan.
h. Implementasi hasil-hasil peramalan.
i. Memantau keandalan hasil peramalan.
9
2.2. Pola Permintaan
Pola permintaan dapat diketahui dengan membuat scatter diagram yaitu
pemplotan data histories selama interval dalam waktu tertentu. Dalam time series
terdapat empat jenis pola permintaan, yaitu:
a. Pola Trend
Pola Trend adalah bila data permintaan menunjukan pola kecendrungan
gerakan penurunan atau kenaikan jangka panjang. Metode peramalan yang sesuai
adalah Regresi Linier, Exponential Smoothing, atau Double Exponential
Smoothing.
b. Pola Musiman
Bila data yang kelihatannya berfluktuasi namun fluktuasi tersebut akan
terlihat berulang dalam suatu interval waktu tertentu maka data tersebut berpola
musiman. Metode peramalan yang sesuai adalah metode Winter, Moving Average,
atau Weight Moving Average.
c. Pola Siklikal
Bila fluktuasi permintaan secara jangka panjang membentuk pola sinusoid
atau gelombang atau siklus. Metode yang sesuai adalah metode Moving Average,
Weight Moving Average dan Exponential Smoothing.
10
d. Pola Random
Bila fluktuasi data permintaan dalam jangka panjang tidak dapat
digambarkan oleh ketiga pola lainnya. Fluktuasi permintaan bersifat acak atau
tidak jelas. Tidak ada metode peramalan yang direkomendasikan untuk pola itu.
2.3. Langkah-Langkah Dalam Menganalisis
a. Metode Kombinasi
Terdapat beberapa kemungkinan untuk mengadakan penggabungan
beberapa atau semua tipe peramalan yang dugunakan dan juga dapat dikehendaki
untuk menambah metode-metode lainya. Jaminan tingkat ketelitian yang
dikehendaki dapat diperoleh dengan penyusaian yang tepat dari ramalan –
ramalan yang akan dibuat dengan beberapa metode yang digunakan.
b. Penelitian Pasar
Masalah lain akan muncul bila diperlukan untuk membuat kebijaksanaan
mengenai pengenalan produk baru. Suatu pertimbangan untuk beberapa penelitian
adalah diperlukan untuk menentukan kemampuan penjualan suatu produk. Tipe
peramalan ini umumnya disebut penelitian pasar dan tidak akan diteliti lebih jauh
dari sini. Dan untuk mendapatkan hasil yang lebih berkualitas, dalam penelitian
tersebut menggunakan teknik-teknik statistik. Dalam kenyataannya survey pasar
yang baik memerlukan suatu analisis statistik yang seksama.
11
c. Perlunya Ketelitian Peramalan
Tanpa mempermasalahkan bagaimana memperolehnya, ketelitian ramalan
adalah suatu hal yang pokok dan perlu sekali untuk mengendalikan pabrik yang
baik. Kebijaksanaan perusahaan, langsung atau tidak langsung akan didasarkan
pada ramalan-ramalan. Oleh karena itu ketidak telitian dan kesalahan-kesalahan
dalam ramalan dapat menghasilkan kebijaksanaan yang tidak menguntungkan.
Dalam suatu pasar dengan persaingan yang tinggi, berhasil atau gagal tergantung
pada tingkat pengendalian melalui ramalan-ramalan yang baik.
d. Pendekatan Umum Dalam Peramalan Secara Statistik
Jika kita menganggap bahwa metode statistik yang digunakan untuk data
yang lalu adalah suatu cara peramalan yang realistik untuk masa yang akan
datang, perlu dilakukan hal-hal sebagai berikut ini :
1) Membuat suatu gambaran permintaan pada waktu (Permintaan sebagai ordinat
dan waktu sebagai absis).
2) Menentukan teknik statistik yang akan digunakan dalam metode - metode ini.
3) Menilai kesalahan yang diperkirakan dalam metode - metode ini.
2.4. Prosedur Peramalan
Peramalan dilakukan dengan mengikuti prosedur yang baik dan benar,
yaitu sebagai berikut ini :
a. Definisikan tujuan peramalan.
b. Buat diagram pencar.
12
c. Pilih paling sedikit 2 metode yang memenuhi tujuan peramalan dan sesuai
dengan plot data.
d. Hitung parameter-parameter fungsi peramalan.
e. Hitung nilai kesalahan peramalan yang dipilih.
f. Pilih metode terbaik dan berkulitas.
g. Lakukan validasi peramalan.
h. Lakukan verifikasi peramalan.
2.5. Klasifikasi Metode Peramalan
Menurut horizon waktunya, terdapat tiga tipe peramalan, yaitu :
a. Peramalan jangka pendek yang memberikan hasil peramalan dalam satu
tahun atau lebih.
b. Peramalan jangka menengah untuk meramalkan keadaan satu hingga
sepuluh tahun mendatang.
c. Peramalan jangka panjang digunakan untuk pengambilan keputusan
mengenai perencanaan produk dan perencanaan pasar, pengeluaran biaya
perusahaan, studi kelayakan pabrik, anggaran, purchase order, perencanaan
tenaga kerja dan perencanaan kapasitas kerja serta segala kegiatan pengambilan
keputusan yang berhubungan dengan kejadian lebih dari sepuluh tahun
mendatang.
2.6. Metode Peramalan
Secara garis besar metode peramalan dikelompokkan menjadi 2, yaitu :
a. Metode Kuantitatif :
13
b. Dapat digunakan jika tersedia data masa lalu atau masa lampau.
c. Dari data masa lalu dicari pola hubungan yang ada saat ini.
d. Asumsi bahwa pola hubungan berlanjut terus pada masa yang akan
datang.
e. Cocok dipakai pada kondisi yang statis, jelas dan tidak memerlukan
human mind.
f. Ketelitian ramalan dapat diprediksi sejak awal sebagai bahan pengambil
keputusan.
Metode Kuantitatif secara garis besar dikelompokkan menjadi 2 yaitu :
a. Metode Time Series
Digunakan untuk kondisi dimana kita tidak dapat menjelaskan factor apa
yang dapat menyebabkan terjadinya event yang diramalkan ( black box ).
Sehingga waktu yang dianggap sebagai variabel penyebab event tersebut ( data
input dan output yang dipunyai lengkap ).
INPUT OUTPUT
b. Metode Kausal
Digunakan pada kondisi dimana variabel penyebab terjadinya item yang
akan diramalkan sudah diketahui. Hubungan system sebab akibatnya dapat
digambarkan sebagai berikut :
INPUT OUTPUTSEBAB AKIBAT
BLACK BOX
14
Pada laporan ini metode peramalan yang akan dibahas adalah beberapa
Metode Time Series, yaitu :
a. Metode Exponential Smoothing ( SES )
RUMUS :
Persamaan single exponensial smoothing adalah :
F t+1=αXt+(1−α )F t atau F t+1=F t+α ( X t−F t )
secara sederhana dapat ditulisakan sebagai berikut :
F t+1=F t+α (e t )
Dimana : Xt = data permintaan pada periode t
α = faktor / konstanta pemulusan ( 0 < α >1)
Ft+1 = perkiraan untuk periode 1
e t = kesalahan ramalan (nilai sebenarnya dikurangi ramalan)
untuk periode t.
Berdasarkan rumus di atas peramalan single exponensial smoothing
dihitung berdasarkan hasil peramalan dan kesalahan peramalan periode
sebelumnya. Jadi kesalahan peramalan sebelumnya digunakan untuk mengoreksi
peramalan berikutnya.
b. Metode Double Exponential Smoothing ( DES ) : Browns One Parameter
Linier
15
Linier exponensial smoothing dapat dilakukan jika tersedia 3 data dan satu
nilai . Proses perhitungannya mirip dengan linier moving average dengan
persamaan sebagai berikut ini:
RUMUS :
Ft = at + bt
S’t = α Dt + ( 1 – α ) S’t – 1
S”t = α S’t + ( 1 – α ) S”t – 1
at = 2 S’t - S”t – 1
bt =
α1 − α ( S’t - S”t – 1 )
Sehingga persamaan untuk menentukan peramalan menjadi :
Ft + m = at + bt x m
dimana m adalah jumlah periode kemuka yang diramalkan.
c. Metode Pemulusan Exponential Linier Dari Holt
RUMUS :
Tt = β ( Ft – Ft – 1 ) + ( 1 – β ) Tt – 1
ft = α At + ( 1 – α ) ( Ft – 1 + Tt – 1 )
Ft = ft – 1 + Tt – 1
Tawal =
(X2 − X1 ) + (X 3 − X2) + ( X4 − X3)3
Ft + m = ft + Tt . m Dengan, β = Konstanta Pecahan
16
d. Metode Regresi Linier
RUMUS :
Y’(t) = a + bt
a =
N ∑t=1
N
t .Y ( t ) − ∑t=1
N
Y ( t ) ∑t=1
N
t
N∑t=1
N
t2 − (∑t=1
N
t)2
b =
1N
∑t=1
N
Y ( t ) − 1N
b∑t=1
N
t
2.7. Pengukuran Kesalahan Dari Peramalan
1. Kesalahan rata – rata ( AE, Average Error atau bias )
AE=∑e i
n
2. Rata – rata penyimpangan absolut ( MAD, Mean Absolute Deviation )
MAD=∑|ei|
n
3. Rata – rata kesalahan kuadrat ( MSE, Mean Squared Error )
MSE=∑ei
2
n
17
4. Rata – rata persentase kesalahan absolut ( MAPE, Mean Absolute
Percentage Error)
MAPE =
∑i=1
n
|PE i|/n atau
∑|ei|X i
x100
n
Dimana :
Ei = kesalahan pada periode ke-I
n = jumlah periode
Xi = nilai sesungguhnya pada periode ke-I
2.8. Pemeriksaan Dan Pengendalian Peramalan
Suatu langkah pertama yang diperlukan setelah kita membuat ramalan
adalah memeriksa bahwa ramalan tersebut memang telah dapat mewakili data dan
sistem penyebab kebetulan yang mendasari permintaan bagi produk yang
dipertanyakan.
Terdapat banyak cara yang dapat digunakan memeriksa ramalan dan
mengamati suatu perubahan dalam sistem penyebab yang mendasari permintaan.
Bentuk yang termudah dari cara pengendali adalah peta kendali secara statistik
yang digunakan dalam pengendalian kualitas. Salah satu peta yang dapat
digunakan adalah pada tracking signal dan peta MRC.
18
2.8.1. Tracking Signal
Tracking signal dihitung sebagai jumlah kesalahn peramalan (running sum
forecast error, RSFE) dibanding dengan nilai MAD yang dapat dirumuskan
sebagai berikut :
Tracking Signal (TS)= RSFEMAD
Dimana :
RSFE = ∑ (data aktual periode t- data peramalan periode t)
Nilai positif tracking signal menunjukkan bahwa data aktual masih lebih
besar dibandingkan dengan data peramalan. Sedangkan negative tracking signal
menunjukkan bahwa data aktual lebih kecil dibandingkan dengan data peramalan.
Tracking signal yang baik yaitu yang memiliki nilai RSFE yang kecil dan titik
tengah dari tracking signal mendekati nol. Batas maksimum ± 4 MAE untuk
jumlah persediaan yang besar dan batas maksimum ± 8 MAE untuk jumlah
persediaan yang lebih rendah.
Gambar 2.6. Peta Kontrol Tracking Signal
Peta Kontrol Tracking Signal
-6
-4
-2
0
2
4
6
1 3 5 7 9 11
Periode (waktu)
Nilai T
rackin
g S
ign
al
LCL
CL
UCL
19
2.8.2. Verifikasi Peramalan dan Pengendalian Peramalan
Moving range chart (MRC) dibuat untuk membandingkan nilai
yang diamati atau nilai observasi atau data aktual dengan nilai peramalan yang
dapat dirumuskan sebagai berikut :
MR=|( D' t−d t )−( D ' t−1−d t−1 )|
MR=∑ MRn−1
Batas kontrol Moving Range Chart dirumuskan sebagai berikut :
UCL=+2.66 MR
LCL=−2.66 MR
Peta kendali dapat dibagi menjadi 3 (tiga) daerah yang sama
besarnya :
Daerah A merupakan daerah yang dibatasi ±2/3 (2,66MR) = ± 1,77 MR
Daerah B merupakan daereah yang dibatasi ±1/3 (2.66MR) = ± 0,89
MR
Daerah C merupakan daerah yang berada di atas atau dibawah garis
sumbu (central line).
20
Gambar 2.7. Peta Pengujian Out of Control
Kondisi tidak terkendali, jika :
3 titik atau data yang berurutan, 2 atau lebih titik diantaranya berada di
daerah A
5 titik atau data yang berurutan, 4 atau lebih diantaranya berada di
daerah B
8 titik atau data yang berurutan berada pada salah satu sisi garis sumbu
(central line).
Bila kondisi out of control terjadi. Perbaiki ramalan dengan
memasukkan data baru. Dan tunggu evidence (fakta-fakta) selanjutnya.
Daerah B
Daerah A
0
-
+ A
B
B
A
Daerah C
Daerah B
Daerah A
BAB III
KERANGKA PEMECAHAN MASALAH
3.1 Obyek Penelitian Laporan
Penelitian ini dilaksanakan berdasarkan studi kasus di PT Light Phillips.
Khususnya pada departemen penjualan. Karena pada departemen ini data - data
penjualan didapat dan dapat diketahui data permintaan masa lalu dan saat ini.
3.2. Pengolahan Data
Data yang telah diperoleh kemudian diolah dan dihitung dengan
menggunakan beberapa metode dan alat hitung yang dipilih yang menunjang
untuk pencapaian tujuan praktikum. Adapun cara yang digunakan adalah dengan
melakukan perhitungan secara manual dengan menggunakan rumus-rumus yang
ada dalam studi peramalan. Tahapan pengolahan data yang dilakukan adalah
sebagai berikut :
3.2.1 Peramalan
Untuk mengolah data permintaan pada masa lalu ke dalam peramalan pada
masa yang akan datang. Di mana dalam menghitung data permintaan ke dalam
peramalan terdapat beberapa tahapan sebelum menentukan data yang sesuai serta
memiliki nilai kesalahan peramalan terkecil, diantaranya :
1. Tujuan dilakukan peramalan adalah karena terdapat data permintaan yang
meningkat. Data permintaan yang akan diramalkan yaitu produk spidol papan
22
tulis. Data hasil peramalan digunakan untuk menghitung peramalan dimasa yg
akan datang.
2. Plotting data
Setelah menentukan tujuan dari permalan, hal yang pertama kali dilakukan adalah
dengan cara memplotkan data ke dalam sebuah grafik atau sering dikenal dengan
plotting data.
3. Menghitung semua metode yang terdapat dalam peramalan dan memilih
metode yang sesuai dengan pola permintaan yang terbentuk. Setelah dilakukan
plotting data berdasarkan data asumsi permintaan produk spidol maka pola
permintaan yang sesuai didapatkan. Selanjutnya, menentukan metode peramalan
yang sesuai dengan pola permintaan yang terbentuk yaitu SMA (Single Moving
Average), DMA (Double Moving Average), SES (Single Exponential Smoothing),
DES (Double Exponential Smoothing), metode siklis.
4. Melakukan akurasi hasil peramalan
Setelah dilakukan perhitungan terhadap metode yang sesuai dengan pola
permintaan yang terbentuk, selanjutnya melakukan pengukuran akurasi hasil
peramalan untuk mengukur tingkat kesalahan, yaitu AE, MAD, MSE dan MAPE.
5. Melakukan perhitungan Tracking Signal
Tracking signal dihitung sebagai jumlah kesalahan peramalan (running sum
forecast error, RSFE) dibanding dengan nilai MAD.
6. Verifikasi dan Pengendalian peramalan dengan MRC
23
Moving Range Chart (MRC) digunakan untuk membandingkan nilai permintaan
aktual dengan nilai peramalan. Dengan kata lain, kita melihat data permintaan
aktual dan membandingkannya dengan nilai peramalan pada periode yang sama.
7. Plotting data hasil peramalan
Apabila telah didapatkan data peramalan yang valid maka dilakukan
plotting data berdasarkan hasil peramalan.
24
3.3. Kerangka Pemecahan Masalah
Gambar 3.1. Kerangka Pemcahan Masalah
BAB IV
PENGUMPULAN DAN PENGOLAHAN DATA
4.1. Pengumpulan Data
4.1.1. Data Permintaan
Berikut adalah data produksi tahun 2014 produk bola lampu LED:
Tabel 4.1 Data Produksi Bola Lampu LED Tahun 2014Bulan PermintaanJanuari 18000Februari 20000Maret 17000April 15000Mei 20500Juni 23000Juli 21000Agustus 16000September 20500Oktober 22500Nopember 22000Desember 21000
26
4.1.2. Pola Permintaan
1 2 3 4 5 6 7 8 9 10 11 120
5000
10000
15000
20000
25000
Permintaan
Gambar 4.1 Pola Data Produksi Bola Lampu LED Tahun 2014
Hasil dari plotting data adalah fluktuasi data permintaan menunjukkan
pola musiman. Pola ini terjadi bilamana suatu deret dipengaruhi oleh faktor
musiman (misalnya kuartal tahun tertentu, bulanan atau hari-hari pada minggu
tertentu). Metode peramalan yang sesuai dengan pola ini adalah moving average
dan weight moving average.
4.2. Pengolahan Data
4.2.1. Metode Pengolahan Data Permintaan
4.2.1.1. Simple Moving Average Method (SMA)
a. Metode SMA menggunakan n=3
27
Tabel 4.2. Tabel Peramalan SMA n=3
b. Metode SMA menggunakan n=4
Tabel 4.3. Tabel Peramalan SMA n=4
Periode Xt Ft1 18000 180002 20000 200003 17000 170004 15000 183345 20500 173346 23000 175007 21000 195008 16000 215009 20500 2000010 22500 1916711 22000 1966712 21000 21667
Periode Xt Ft1 18000 180002 20000 200003 17000 170004 15000 150005 20500 175006 23000 181257 21000 188758 16000 198759 20500 2012510 22500 2012511 22000 2000012 21000 20250
28
c. Metode SMA menggunakan n=5
Tabel 4.4. Tabel Peramalan Metode SMA (n = 5)Periode Xt Ft
1 18000 180002 20000 200003 17000 170004 15000 150005 20500 205006 23000 181007 21000 191008 16000 193009 20500 1910010 22500 2020011 22000 2060012 21000 20400
4.2.1.2. Weight Moving Average (WMA)
a. Metode WMA menggunakan rasio (50:30:20)
Tabel 4.5. Tabel Peramalan Metode WMA (50:30:20)
Periode Xt Ft1 18000 180002 20000 200003 17000 170004 15000 181005 20500 166006 23000 181507 21000 206508 16000 215009 20500 1890010 22500 1925011 22000 2060012 21000 21850
29
b. Metode WMA menggunakan rasio (40:30:30)
Tabel 4.6. Tabel Peramalan Metode WMA (40:30:30)
c. Metode WMA menggunakan rasio (60:20:20)
Tabel 4.7. Tabel Peramalan Metode WMA (60:20:20)Periode Xt Ft
1 18000 180002 20000 200003 17000 170004 15000 178005 20500 164006 23000 187007 21000 209008 16000 213009 20500 1840010 22500 1970011 22000 2080012 21000 21800
Periode Xt Ft1 18000 180002 20000 200003 17000 170004 15000 182005 20500 171006 23000 178007 21000 198508 16000 214509 20500 1960010 22500 1930011 22000 1995012 21000 21700
30
4.2.2. Perhitungan Kesalahan Peramalan
Tabel 4.8. Tabel Plotting Hasil Peramalan
Periode DemandSMA (n=3)
SMA (n=4)
SMA (n=5)
WMA (50:30:2
0)
WMA (40:30:3
0)
WMA (60:20:2
0)1 18000 18000 18000 18000 18000 18000 180002 20000 20000 20000 20000 20000 20000 200003 17000 17000 17000 17000 17000 17000 170004 15000 18334 15000 15000 18100 18200 178005 20500 17334 17500 20500 16600 17100 164006 23000 17500 18125 18100 18150 17800 187007 21000 19500 18875 19100 20650 19850 209008 16000 21500 19875 19300 21500 21450 213009 20500 20000 20125 19100 18900 19600 1840010 22500 19167 20125 20200 19250 19300 1970011 22000 19667 20000 20600 20600 19950 2080012 21000 21667 20250 20400 21850 21700 21800
4.2.2.1. Perhitungan Kesalahan Metode SMA
a. Metode SMA (n=3)
Tabel 4.9. Tabel Hasil Perhitungan Kesalahan Metode SMA n=3Period
e Xt Ft et |et| Et2 |PEt|
11800
01800
0 0 0 0 0
22000
02000
0 0 0 0 0 Error
31700
01700
0 0 0 0 0 AE = 569,25
41500
01833
4
-333
4 33341111555
622,2266
7
52050
01733
4316
6 31661002355
6 15,4439MAD
= 2152,75
62300
01750
0550
0 55003025000
023,9130
4
72100
01950
0150
0 1500 22500007,14285
7 MSE =842798
2
81600
02150
0
-550
0 55003025000
0 34,375
31
92050
02000
0 500 500 2500002,43902
4MAPE
=11,1778
8
102250
01916
7333
3 33331110888
914,8133
3
112200
01966
7233
3 2333 544288910,6045
5
122100
02166
7 -667 667 444889 3,17619
Jumlah683
12583
31011357
79134,134
6
32
b. Metode SMA (n=4)
Tabel 4.10. Tabel Hasil Perhitungan Kesalahan Metode SMA n=4Periode Xt Ft et |et| Et2 |PEt|
1 180001800
0 0 0 0 0
2 200002000
0 0 0 0 0 Error
3 170001700
0 0 0 0 0 AE = 968,75
4 150001500
0 0 0 0 0
5 205001750
0 3000 3000 9000000 14,6341 MAD = 1614,58
6 230001812
5 4875 4875 23765625 21,1957
7 210001887
5 2125 2125 4515625 10,119 MSE = 5220052
8 160001987
5 -3875 3875 15015625 24,2188
9 205002012
5 375 375 140625 1,82927 MAPE = 7,93456
10 225002012
5 2375 2375 5640625 10,5556
11 220002000
0 2000 2000 4000000 9,09091
12 210002025
0 750 750 562500 3,57143Jumlah 11625 19375 62640625 95,2148
c. Metode SMA (n=5)
Tabel 4.11. Tabel Hasil Perhitungan Kesalahan Metode SMA n=5Period
e Xt Ft et |et| Et2 |PEt|
11800
01800
0 0 0 0 0
22000
02000
0 0 0 0 0 Error
31700
01700
0 0 0 0 0 AE = 766,67
41500
01500
0 0 0 0 0
52050
02050
0 0 0 0 0 MAD = 1316,676 2300 1810 4900 4900 2401000 21,3043
33
0 0 0 5
72100
01910
0 1900 1900 36100009,04761
9 MSE =4006666,6
7
81600
01930
0-
3300 33001089000
0 20,625
92050
01910
0 1400 1400 19600006,82926
8MAPE
= 6,45
102250
02020
0 2300 2300 529000010,2222
2
112200
02060
0 1400 1400 19600006,36363
6
122100
02040
0 600 600 3600002,85714
3
Jumlah 92001580
04808000
077,2492
4
4.2.2.2.Perhitungan Kesalahan Metode WMA
a. Metode WMA (50:30:20)
Tabel 4.12. Tabel Hasil Perhitungan Kesalahan Metode WMA (50:30:20)Period
e Xt Ft et |et| Et2 |PEt|
11800
01800
0 0 0 0 0
22000
02000
0 0 0 0 0 Error
31700
01700
0 0 0 0 0 AE = 491,67
41500
01810
0-
3100 3100 961000020,6666
7
52050
01660
0 3900 39001521000
019,0243
9 MAD = 2066,67
62300
01815
0 4850 48502352250
021,0869
6
72100
02065
0 350 350 1225001,66666
7 MSE =7876666,6
7
81600
02150
0-
5500 55003025000
0 34,375
34
92050
01890
0 1600 1600 25600007,80487
8MAPE
= 10,79
102250
01925
0 3250 32501056250
014,4444
4
112200
02060
0 1400 1400 19600006,36363
6
122100
02185
0 -850 850 7225004,04761
9
Jumlah 59002480
09452000
0129,480
3
b. Metode WMA (40:30:30)
Tabel 4.13. Tabel Hasil Perhitungan Kesalahan Metode WMA (40:30:30)Period
e Xt Ft et |et| Et2 |PEt|
11800
01800
0 0 0 0 0
22000
02000
0 0 0 0 0 Error
31700
01700
0 0 0 0 0 AE = 545,83
41500
01820
0-
3200 32001024000
021,3333
3
52050
01710
0 3400 34001156000
016,5853
7 MAD = 2104,17
62300
01780
0 5200 52002704000
0 22,6087
72100
01985
0 1150 1150 1322500 5,47619 MSE =7967291,6
7
81600
02145
0-
5450 54502970250
0 34,0625
92050
01960
0 900 900 8100004,39024
4MAPE
= 10,94
102250
01930
0 3200 32001024000
014,2222
2
112200
01995
0 2050 2050 42025009,31818
2
122100
02170
0 -700 700 4900003,33333
3
Jumlah 65502525
09560750
0131,330
1
35
c. Metode WMA (60:20:20)
Tabel 4.14. Tabel Hasil Perhitungan Kesalahan Metode WMA (60:20:20)Period
e Xt Ft et |et| Et2 |PEt|
11800
01800
0 0 0 0 0
22000
02000
0 0 0 0 0 Error
31700
01700
0 0 0 0 0 AE = 475,00
41500
01780
0-
2800 2800 784000018,6666
7
52050
01640
0 4100 41001681000
0 20 MAD = 1958,33
62300
01870
0 4300 43001849000
018,6956
5
72100
02090
0 100 100 10000 0,47619 MSE =7130833,3
3
81600
02130
0-
5300 53002809000
0 33,125
92050
01840
0 2100 2100 4410000 10,2439MAPE
= 10,24
102250
01970
0 2800 2800 784000012,4444
4
112200
02080
0 1200 1200 14400005,45454
5
122100
02180
0 -800 800 6400003,80952
4
Jumlah 57002350
08557000
0122,915
9
4.2.3. Pemilihan Metode Terbaik
Untuk mengetahui metode mana yang terbaik maka perlu dilakukan
perbandingan hasil kesalahan masing-masing metode yang digunakan.
Tabel 4.15. Perbandingan Metode TerbaikMetode AE MAD MSE MAPE
SMA (n=3) 569,252152,7
58427981,
6 11,18
SMA (n=4) 968,751614,5
85220052,
1 7,93
SMA (n=5)766,66
71316,6
74006666,
7 6,44
36
WMA(50:30:20)
491,667
2066,67
7876666,7 10,79
WMA(40:30:30)
545,833
2104,17
7967291,7 10,94
WMA(60:20:20) 475
1958,33
7130833,3 10,24
Berdasarkan data di atas, maka dapat disimpulkan bahwa metode SMA (Simple
Moving Average) dengan bobot n=5 memiliki tingkat error terkecil terbanyak,
maka metode tersebut adalah metode yang terbaik.
37
4.2.4. Tracking Signal
Langkah selanjutnya setelah terpilih metode terbaik adalah Tracking
Signal, adapun perhitungannya adalah sebagai berikut:
Tabel 4.16. Tabel Tracking Signal Metode SMA (n=3)Xt Ft et RSFE |Et| Kum |Et| MAD TS
18000 18000 0 0 0 0,00 0 020000 20000 0 0 0 0,00 0 017000 17000 0 0 0 0,00 0 015000 15000 0 0 0 0,00 0 020500 20500 0 0 0 0,00 0 0
23000 18100 4900 49004900 4900,00 816,667 6
21000 19100 1900 68001900 6800,00 971,429 7
16000 19300-
3300 35003300 10100,00 1262,5 2,77228
20500 19100 1400 49001400 11500,00 1277,78 3,83478
22500 20200 2300 72002300 13800,00 1380 5,21739
22000 20600 1400 86001400 15200,00 1381,82 6,22368
21000 20400 600 9200 600 15800,00 1316,67 6,98734
Gambar 4.2. Grafik Tracking Signal Metode SMA
1 2 3 4 5 6 7 8 9 10 11 12
-6
-4
-2
0
2
4
6
8
TRACKING SIGNAL
UCLLCL
38
Setelah menentukan nilai TS dan memasukkannya ke dalam gtafik dapat
dilihat bahwa banyak data yang keluar batas atas (out of control). Hal ini
menyebabkan metode yang dipilih (Single Moving Average) tidak dapat
digunakan melihat permintaan di masa depan. Maka, kita akan menguji metode
terbaik yang lain yaitu metode WMA (Weight Moving Average) dengan bobot
60:20:20.
Adapun perhitungan TS untuk metode terbaik kedua adalah sebagai
berikut:
Tabel 4.17. Tabel Tracking Signal Metode WMA (60:20:20)Periode Xt Ft et RSFE |ET| Kum |et| MAD TS
1 18000 18000 0 0 0 0,00 0 02 20000 20000 0 0 0 0,00 0 03 17000 17000 0 0 0 0,00 0 04 15000 17800 -2800 -2800 2800 2800,00 700 -45 20500 16400 4100 1300 4100 6900,00 1380 0,942036 23000 18700 4300 5600 4300 11200,00 1866,67 37 21000 20900 100 5700 100 11300,00 1614,29 3,530978 16000 21300 -5300 400 5300 16600,00 2075 0,192779 20500 18400 2100 2500 2100 18700,00 2077,78 1,2032110 22500 19700 2800 5300 2800 21500,00 2150 2,4651211 22000 20800 1200 6500 1200 22700,00 2063,64 3,1497812 21000 21800 -800 5700 800 23500,00 1958,33 2,91064
39
Gambar 4.3. Grafik Tracking Signal Metode WMA
Setelah dilakukan penghitungan ulang menggunakan metode kedua yaitu
metode WMA, dapat dilihat bahwa TS berada didalam garis atas maupun bawah.
Maka, metode WMA bisa dilanjutkan ke proses verifikasi peramalan
menggunakan metode MRC (Moving Range Chart).
4.2.5. Verifikasi Peramalan
Tabel 4.18. Tabel Verifikasi PeramalanPeriode Xt Ft Ft-Xt |MR|
1 18000 18000 0 -2 20000 20000 0 03 17000 17000 0 04 15000 17800 2800 28005 20500 16400 -4100 69006 23000 18700 -4300 2007 21000 20900 -100 42008 16000 21300 5300 54009 20500 18400 -2100 740010 22500 19700 -2800 70011 22000 20800 -1200 160012 21000 21800 800 2000
Jumlah 31200
1 2 3 4 5 6 7 8 9 10 11 12
-5
-4
-3
-2
-1
0
1
2
3
4
5
TRACKING SIGNAL
UCLLCL
40
Keterangan:
MR RR = ∑ MRn−1 =
3120011 = 2836.37
UCL= + 2.66 x MR RR = 2.66 x 2836.37= 7544.73
LCL = - 2.66 x MR RR = -2.66 x 2836.37= -7544.73
A = 23
(2.66 x MR RR ) = 5029.82
B = 13
(2.66 x MR RR ) = 2514.91
Gambar 4.4. Moving Range Chart
Berdasarkan perhitungan dan plotting data verifikasi peramalan diatas,
dapat dilihat bila data tidak melewati batas-batas kendali. Sehingga hasil
pengujian metode tersebut valid dan dapat digunakan sebagai metode peramalan
untuk periode mendatang.
1 2 3 4 5 6 7 8 9 10 11 12
-10000
-8000
-6000
-4000
-2000
0
2000
4000
6000
8000
10000
MRC
UCLA-AB-BLCL
BAB V
ANALISIS DAN PEMBAHASAN
5.1. Analisis
5.1.1. Analisis Pola Permintaan
Dari hasil plotting data permintaan produk bola lampu LED di PT Light
Phillips pada bulan Januari-Desember 2014, diketahui bahwa pola permintaan
menunjukkan pola musiman yang artinya pola ini menggunakan perhitungan
dengan metode Simple Moving Average dan Weight Moving Average.
5.1.2. Analisis Metode Peramalan
Berdasarkan plotting data diketahui bahwa data bersifat musiman dan
menggunakan metode Simple Moving Average dan Weight Moving Average.
Kedua metode tersebut menggunakan bobot yang ditentukan oleh pribadi
praktikan sendiri, yaitu bobot N=3, N=4, dan N=5 untuk metode Simple Moving
Average sedangkan untuk metode Weight Moving Average adalah 50:30:20,
40:30:30, dan 60:20:20.
Metode kemudian dihitung untuk menentukan metode mana yang terbaik
dari pada yang lain. Weight Moving Average dengan bobot 60:20:20 akhirnya
yang praktikan pakai untuk dipakai untuk menentukan permintaan di tahun 2015.
42
5.2. Pembahasan
Penelitian peramalan membutuhkan data masa lampau untuk melakukan
perhitungan. Praktikan mengambil data penjualan produk bola lampu LED di PT
Light Phillips pada bulan Januari-Desember 2014 yang diperlukan untuk
menghitung data penjualan pada tahun 2015. Dari data tersebut terlihat bahwa
penjualan produk ini bersifat musiman atau mengalami kenaikan penjualan pada
bulan-bulan tertentu.
Metode yang diguanakan untuk peramalan adalah metode SMA dan WMA
yang mana bobot-bobot nya praktikan sendiri yang menentukan. Metode terbaik
menurut perhitungan praktikan adalah metode SMA dengan bobot N=5, akan
tetapi metode ini melewati garis batas kendali di perhitungan Tracking Signal.
Sehingga praktikan memutuskan untuk menggunakan metode terbaik kedua yaitu
metode WMA dengan bobot 60:20:20.
BAB VI
KESIMPULAN DAN SARAN
6.1. Kesimpulan
Berdasarkan uraian pada pembahasan sebelumnya, didapatkan kesimpulan
sebagai berikut :
a. Data yang diambil sebagai dasar perhitungan peramalan
merupakan data aktual yang dimilik oleh PT Light Phillips dengan periode
12 bulan yaitu bulan Januari-Desember 2014. Dilihat dari hasil ploting
data produksi bola lampu LED tahun 2014 dapat dikatakan pola tersebut
adalah pola musiman. Pola dapat dilihat pada gambar berikut:
Gambar 6.1. Pola Musiman
b. Metode yang digunakan untuk peramalan dengan pola musiman
adalah SMA dan WMA.
1 2 3 4 5 6 7 8 9 10 11 120
5000
10000
15000
20000
25000
Permintaan
44
c. Metode WMA dengan bobot 60:20:20 menjadi metode peramalan
terbaik diantara metode yang lain. Maka, metode inilah yang
digunakan untuk melihat permintaan penjualan di tahun 2015.
6.2. Saran
Saran yang bisa praktikan berikan dipenelitian kali ini adalah:
a. Metode perhitungan peramalan harusnya sudah menggunakn software
khusus yang diperuntukkan sebagai alat peramalan.
b. PT Light Phillips bisa menggunakan metode WMA dengan bobot
60:20:20 untuk mendapatkan hasil peramalan yang terbaik.
DAFTAR PUSTAKA
1. Modul Praktikum PERAMALAN (FORECASTING) Sistem Industri II.
2. Modul Perkuliahan, Perencanaa dan Pengendalian Produksi, Diah ST,MT.
3. Siregar, Syofian. 2010. Statistika Deskriptif. Jakarta : Raja Grafindo Persada
4. www.google.com
LAMPIRAN
Simple Moving Average N = 3
AE = ∑et12
=683112
=569.25
MAD =∑∨et∨ ¿12
=2583312
=2152.75¿
MSE =∑et 2
12=101135779
12=8427982
MAPE = ∑∨PEt∨ ¿12
=134.1412
=11.177¿
Simple Moving Average N = 4
AE = ∑et12
=1162512
=968.75
MAD =∑∨et∨ ¿12
=1937512
=1614.58¿
MSE =∑et 2
12=62640625
12=5220052
MAPE = ∑∨PEt∨ ¿12
=95.2212
=7,8¿
Simple Moving Average N = 5
AE = ∑et12
=920012
=766,67
47
MAD =∑∨et∨ ¿12
=1580012
=1316.67¿
MSE =∑et2
12= 48080000
12=4006666.67
MAPE = ∑∨PEt∨ ¿12
=77.2512
=6.45¿
Weight Moving Average (50:30:20)
AE = ∑et12
=590012
=491,67
MAD =∑∨et∨ ¿12
=2480012
=2066.67¿
MSE =∑et 2
12=94520000
12=7876666.67
MAPE = ∑∨PEt∨ ¿12
=129.480312
=10.79¿
Weight Moving Average (40:30:30)
AE = ∑et12
=655012
=545.83
MAD =∑∨et∨ ¿12
=2525012
=2104.17¿
MSE =∑et 2
12=95607500
12=7967291.67
48
MAPE = ∑∨PEt∨ ¿12
=131.3412
=10.94¿
Weight Moving Average (60:20:20)
AE = ∑et12
=570012
=475
MAD =∑∨et∨ ¿12
=2350012
=1958.33¿
MSE =∑et 2
12=85570000
12=7130833.33
MAPE = ∑∨PEt∨ ¿12
=122.9212
=10.24¿