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.


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.


4.2.1. 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


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


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)



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)



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

http://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¿


AE = ∑et12

=1162512

=968.75

MAD =∑∨et∨ ¿12

=1937512

=1614.58¿

MSE =∑et 2

12=62640625

12=5220052


=95.2212

=7,8¿


AE = ∑et12

=920012

=766,67

47

MAD =∑∨et∨ ¿12

=1580012

=1316.67¿

MSE =∑et2

12= 48080000

12=4006666.67


=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


=129.480312

=10.79¿


AE = ∑et12

=655012

=545.83

MAD =∑∨et∨ ¿12

=2525012

=2104.17¿

MSE =∑et 2

12=95607500

12=7967291.67

48


=131.3412

=10.94¿


AE = ∑et12

=570012

=475

MAD =∑∨et∨ ¿12

=2350012

=1958.33¿

MSE =∑et 2

12=85570000

12=7130833.33


=122.9212

=10.24¿

LAPORAN PERENCANAAN PERAMALAN

Documents

Transcript of LAPORAN PERENCANAAN PERAMALAN