paper pti 1 mod 3

34
Laporan Praktikum PTI 1 Metode Peramalan Jakarta, 21 Oktober 2014 FORECASTING Evan Rahman Saputra 1 , Agung Yugo Ngumboro 1 , Andreansyah 1 , Fatharani Dhenisa 1 , Nurul Utami 1 Livia Zahrin1 , Budi Ariwibowo 1 1 Teknik Industri, Fakultas Sains dan Teknologi, Universitas Al Azhar Indonesia, Komplek Masjid Agung Al Azhar, Jalan Sisingamangaraja, Kebayoran Baru, Jakarta Selatan 12110 Jalan Sisingamangaraja, Komplek Masjid Agung Al-Azhar, Kebayoran Baru Jakarta Selatan, 12110 Telp: 00838-7471266, E-mail: [email protected] Abstrak- Konsumen semakin selektif dalam memilih produk yang diinginkannya. Untuk itulah, pihak perusahaan harus dapat terus memberikan yang terbaik bagi para konsumennya. Pabrik manufaktur harus memperhatikan kualitas dari produk yang dihasilkannya apakah sudah sesuai dengan keinginan konsumennya. UD.Sumber juga perlu untuk menyiapkan produk-produknya agar selalu tersedia dan siap untuk dijual ke pasaran. Untuk itu, UD.Sumber akan memperhitungkan kapan waktu yang tepat untuk pemesanan bahan baku, berapa jumlah yang perlu diproduksi, dan memperhitungkan safety stock apabila terdapat pembelian yang belum sempat diperkirakan. Kadang kala ada saat dimana jumlah produksi melebihi jumlah permintaan aktual atau terkadang belum mencukupi permintaan aktual. Untuk itu, perlu dilakukan metode peramalan (forecasting) guna mendapatkan jumlah produksi yang kurang lebih mampu memenuhi permintaan aktual pasar. Untuk tahap perencanaan produksi ini, dapat menggunakan metode penjadwalan produksi (Master Production Schedule) dan juga perencanaan kebutuhan material (Material Requirement Planning). Dewasa ini, kebutuhan akan teknologi informasi seakan-akan menjadi kebutuhan yang terhitung kategori utama. Perkembangan dunia kerja banyak dimotori oleh kemajuan di

description

selesai

Transcript of paper pti 1 mod 3

FORECASTING

Evan Rahman Saputra1, Agung Yugo Ngumboro1, Andreansyah1, Fatharani Dhenisa1, Nurul Utami1Livia Zahrin1 , Budi Ariwibowo1

1 Teknik Industri, Fakultas Sains dan Teknologi, Universitas Al Azhar Indonesia, Komplek Masjid Agung Al Azhar, Jalan Sisingamangaraja, Kebayoran Baru, Jakarta Selatan 12110Jalan Sisingamangaraja, Komplek Masjid Agung Al-Azhar, Kebayoran BaruJakarta Selatan, 12110Telp: 00838-7471266, E-mail: [email protected] Praktikum PTI 1Metode PeramalanJakarta, 21 Oktober 2014Gifarani Azkia, Sinta Maryam, Tri Anita Umi Utami,

2

8

Abstrak- Konsumen semakin selektif dalam memilih produk yang diinginkannya. Untuk itulah, pihak perusahaan harus dapat terus memberikan yang terbaik bagi para konsumennya. Pabrik manufaktur harus memperhatikan kualitas dari produk yang dihasilkannya apakah sudah sesuai dengan keinginan konsumennya.UD.Sumber juga perlu untuk menyiapkan produk-produknya agar selalu tersedia dan siap untuk dijual ke pasaran. Untuk itu, UD.Sumber akan memperhitungkan kapan waktu yang tepat untuk pemesanan bahan baku, berapa jumlah yang perlu diproduksi, dan memperhitungkan safety stock apabila terdapat pembelian yang belum sempat diperkirakan.Kadang kala ada saat dimana jumlah produksi melebihi jumlah permintaan aktual atau terkadang belum mencukupi permintaan aktual. Untuk itu, perlu dilakukan metode peramalan (forecasting) guna mendapatkan jumlah produksi yang kurang lebih mampu memenuhi permintaan aktual pasar. Untuk tahap perencanaan produksi ini, dapat menggunakan metode penjadwalan produksi (Master Production Schedule) dan juga perencanaan kebutuhan material (Material Requirement Planning).Dewasa ini, kebutuhan akan teknologi informasi seakan-akan menjadi kebutuhan yang terhitung kategori utama. Perkembangan dunia kerja banyak dimotori oleh kemajuan di bidang teknologi informasi. Untuk meningkatkan kinerja dan kualitas kerja di suatu perusahaan yang bergerak di bidang produksi maka peranan sistem informasi menjadi faktor penting penentuan keberhasilan suatu perusahaan dalam menjalankan bisnisnya dan juga dalam menghadapi para kompetitornya.Masalah yang ingin diteliti adalah memperkirakan jumlah yang harus diproduksi sehingga mampu memenuhi kebutuhan permintaan aktual produk sehingga tidak akan terjadi kekurangan atau keberlimpahan stok, meneliti peranan sistem informasi perencanaan produksi dapat meningkatkan efisiensi dan efektifitas dari proses produksi, memperkirakan waktu yang tepat untuk produksi agar produk dapat tersedia tanpa harus membuat para konsumennya menunggu, menghitung waktu yang tepat guna melakukan pemesanan bahan baku dan jumlah bahan baku yang akan dipesan kepada supplier, cara perusahaan dapat meningkatkan kualitas produknya dan siap bersaing dalam era perdagangan globalisasi ini, dan cara perusahaan menghitung safety stock yang diperlukan guna menghadapi pembelian yang belum diperkirakan sama sekali. Data yang digunakan dalam penelitian merupakan data penjualan dengan periode data dari September 2011-agustus 2013Abstract- Consumers are more selective in choosing the products they want . For this reason, the company should be able to continue to provide the best for its customers . The manufacturing plant should pay attention to the quality of the resulting product is in conformity with the wishes of consumers.UD.Sumber also need to prepare its products to be always available and ready to be sold to the market . To that end , UD.Sumber will take into account when the time is right for ordering raw materials , how much needs to be produced , and calculate safety stock when there is a purchase which have not been estimated. Sometimes there are moments when production quantities exceed the number of actual demand or actual demand is sometimes not enough . For that , there should be methods of prediction (forecasting ) in order to get the amount of production that is less able to meet the actual demand market . For this stage of production planning , production scheduling can use the method ( Master Production Schedule ) and material requirements planning ( Material Requirement Planning ) .Today , the need for information technology seemed to be a need for a comparatively major categories . The development of a lot of work driven by advances in information technology . To improve the performance and quality of work in a company engaged in the production , the role of information systems is an important factor determining the success of a company in its business and also in the face of competitors .A problem to be investigated is the estimated amount to be produced so as to meet the actual demand for the product so there will be a shortage or abundance of stock, examine the role of information systems production planning can improve the efficiency and effectiveness of the production process , estimate the time is right for the production so that the product can be available without having to make customers wait , calculate the right time to do the ordering of raw materials and the amount of raw materials to be ordered to suppliers , how the company can improve the quality of its products and is ready to compete in the era of globalization of trade , and the way companies calculate safety stock required to face purchases that have not expected at all . Data used in the study is the sales data with the data from the period September 2011 - August 2013

1.PENDAHULUANBelakangan ini peranan metode peramalan sangat diperlukan untuk dapat memberikan gambaran di kemudian hari dalam berbagai bidang, baik itu ekonomi, keuangan, pertanian dan lainnya. Salah satu metode peramalan adalah menyatakan persoalan dalam bentuk matematika yang mengandung variabel-variabel yang terlibat secara signifikan dalam model peramalan tersebut. Tujuan peramalan dalam kegiatan produksi adalah untuk mengurangi ketidakpastian, sehingga diperoleh suatu perkiraan yang mendekati keadaan yang sebenarnya.Dalam sistem peramalan digunakan berbagai metode peramalan yang memberikan nilai ramalan yang berbeda dan derajat dari sumber variasi data yang tidak dapat dimasukkan kedalam model peramalan yang berbeda pula. Salah satu seni dalam melakukan peramalan adalah memilih model peramalan yang terbaik yang mampu mengidentifikasi dan menanggapi pola aktifitas historis dari data.Beberapa dari metode peramalan inilah yang akan digunakan praktikan dalam praktikum, yaitu Double Moving Average, Double Exponential Smoothing Holt, Double Exponential Smoothing Brown, Regresi Linear, Triple Exponential Smoothing Brown. Praktikan melakukan pengolahan data menggunakan data dari tahun 2011 sampai tahun 2013 dengan periode 3 bulan.

2 Tinjauan Pustaka

2.1. Teori Peramalan (Forecasting)Untuk menyelesaikan masalah di masa datang yang tidak dapat dipastikan, orang senantiasa berupaya menyelesaikannya dengan model pendekatan-pendekatanyang sesuai dengan perilaku aktual data, begitu juga dalam melakukan peramalan.Peramalan (forecasting) permintaan akan produk dan jasa di waktu mendatangdan bagian-bagiannya adalah sangat penting dalam perencanaan dan pengawasan produksi. Suatu peramalan banyak mempunyai arti, maka peramalan tersebut perlu direncanakan dan dijadwalkan sehingga akan diperlukan suatu periodewaktu paling sedikit dalam periode waktu yang dibutuhkan untuk membuat suatu kebijaksanaan dan menetapkan beberapa hal yang mempengaruhi kebijaksanaan tersebut. Peramalan diperlukan disamping untuk memperkirakan apa yang akan terjadi dimasa yang akan datang juga para pengambil keputusan perlu untuk membuat planning.2.1.1 Definisi Peramalan (Forecasting)Peramalan adalah suatu perkiraan tingkat permintaan yang diharapkan untuk suatu produk atau beberapa produk dalam periode waktu tertentu di masa yang akan datang. Oleh karena itu, peramalan pada dasarnya merupakan suatu taksiran, tetapi dengan menggunakan cara-cara tertentu peramalan dapat lebih daripada hanya satu taksiran. Dapat dikatakan bahwa peramalan adalah suatu taksiran yangilmiah meskipun akan terdapat sedikit kesalahan yang disebabkan oleh adanyaketerbatasan kemampuan manusia.Sebelum menjabarkan tentang metode peramalan ini, maka terlebih dahulu diuraikan tentang definisi dari peramalan itu sendiri. Menurut John E. Biegel: Peramalan adalah kegiatan memperkirakan tingkat permintaan produk yang diharapkan untuk suatu produk atau beberapa produk dalam periode waktu tertentu di masa yang akan datang. (John E. Biegel, 1999) Dalam peramalan (forecasting) tidak jarang terjadi kesalahan misalnya saja penjualan sering tidak sama dengan nilai eksak yang diperkirakan. Sedikit variasi dari perkiraan sering dapat diserap oleh kapasitas tambahan, sediaan penjadwalan permintaan. Tetapi, variasi perkiraan yang besar dapat merusak operasi. Ada tiga cara untuk mengakomodasi perkiraan, yaitu: yang pertama adalah mencoba mengurangi kesalahan melakukan pemerakiraan yang lebih baik. Yang kedua adalah, membuat fleksibilitas pada operasi dan yang terakhir adalah mengurangi waktu tunggu yang dibutuhkan dalam prakiraan. Tetapi kemungkinan kesalahan terkecil adalah tujuan yang konsisten dengan biaya prakiraan yang masuk akal.Menurut Buffa: Peramalan atau forecasting diartikan sebagai penggunaan teknik-teknik statistic dalam bentuk gambaran masa depan berdasarkan pengolahan angka-angka historis. (Buffa S. Elwood, 1996) Menurut Makridakis: Peramalan merupakan bagian integral dari kegiatan pengambilan keputusan manajemen. (Makridakis, 1988) Organisasi selalu menentukan sasaran dan tujuan, berusaha menduga faktor-faktor lingkungan, lalu memilih tindakan yang diharapkan akan menghasilkan pencapaian sasaran dan tujuan tersebut. Kebutuhan akan peramalan meningkat sejalan dengan usaha manajemen untuk mengurangi ketergantungannya pada halhal yang belum pasti. Peramalan menjadi lebih ilmiah sifatnya dalam menghadapi lingkungan manajemen. Karena setiap organisasi berkaitan satu sama lain, baikburuknya ramalan dapat mempengaruhi seluruh bagian organisasi. (Makridakis, 1988)

2.1.2 Peranan dan Kegunaan PeramalanBeberapa bagian organisasi dimana peramalan kini memainkan peranan yang penting antara lain: (Makridakis, 1988)

a. Penjadwalan sumber daya yang tersediapenggunaan sumber daya yang efisien memelukan penjadwalan produksi,tranportasi, kas, personalia dan sebagainya.b. Penyediaan sumber daya tambahanWaktu tenggang (lead time) untuk memperoleh bahan baku, menerima pekerja baru, atau membeli mesin dan peralatan dapat berkisar antara beberapa hari sampai beberapa tahun. Peramalan diperlukan untuk menentukan kebutuhan sumber daya di masa mendatang.c. Penentuan sumber daya yang diinginkanSetiap organisasi harus menentukan sumber daya yang ingin dimiliki dalam jangka panjang. Keputusan semacam itu bergantung pada kesempatan pasar, faktor-faktor lingkungan dan pengembangan internal dari sumber daya finansial, manusia, produk dan teknologis. Semua penentuan ini memerlukan ramalan yang baik dan manajer dapat menafsirkan perkiraan serta membuat keputusan yang tepat. Walaupun terdapat banyak bidang lain yang memerlukan peramalan namun tiga kelompok di atas merupakan bentuk khas dari keperluan peramalan jangka pendek, menengah dan panjang dari organisasi saat ini. Dengan adanya serangkaian kebutuhan itu, maka perusahaan perlu mengembangkan pendekatan berganda untuk memperkirakan peristiwa yang tiak tentu dan membangun suatu sistem peramalan. Pada gilirannya, organisasi perlu memiliki pengetahuan dan keterampilan yang meliputi paling sedikit empat bidang yaitu identifikasi dan definisi masalah peramalan, aplikasi serangkaian metode peramalan, prosedurpemilihan metode yang tepat untuk situasi tertentu dan dukungan organisasi untuk menerapkan dan menggunakan metode peramalan secara formal. Tiga kegunaan peramalan antara lain adalah:1. Menentukan apa yang dibutuhkan untuk perluasan pabrik.2. Menentukan perencanaan lanjutan bagi produk-produk yang ada untukdikerjakan dengan fasilitas yang ada.3. Menentukan penjadwalan jangka pendek produk-produk yang ada untukdikerjakan berdasarkan peralatan yang ada.

2.1.3 Jenis-jenis PeramalanSituasi peramalan sangat beragam dalam horizon waktu peramalan, faktor yang menentukan hasil sebenarnya, tipe pola dan berbagai aspek lainnya. Untuk menghadapi penggunaan yang luas seperti itu, beberapa teknik telah dikembangkan. Peramalan pada umumya dapat dibedakan dari berbagai segi tergantung dalam cara melihatnya.Dilihat dari jangka waktu ramalan yang disusun, peramalan dapat dibedakan atas dua macam, yaitu:a. Peramalan jangka panjang, yaitu peramalan yang dilakukan untuk penyusunan hasil ramalan yang jangka waktunya lebih dari satu setengah tahun atau tiga semester. Lebih tegasnya peramalan jangka panjang ini berorientasi pada dasar atau perencanaan.b. Peramalan jangka pendek, yaitu peramalan yang dilakukan untuk penyusunan hasil ramalan yang dilakukan kurang dari satu setengah tahun atau tiga semester. Penetapan jadwal induk produksi untuk bulan yang akan datang atau periode kurang dari satu tahun sangat tergantung pada peramalan jangka pendek.Apabila dilihat dari sifat penyusunannya, maka peramalan dapat dibedakan menjadi dua macam, yaitu:1. Peramalan subjektif, yaitu peramalan yang didasarkan atas perasaan atau intuisi dari orang yang menyusunnya. Dalam hal ini pandangan atau ketajaman pikiran orang yang menyusunnya sangat menentukan baik tidaknya hasil peramalan.2. Peramalan objektif, yaitu peramalan yang didasarkan atas data yang relevan pada masa lalu dengan menggunakan teknik-teknik dan metode-metode dalam penganalisaan data tersebut. Dilihat dari sifat ramalan yang telah disusun, maka peramalan dapat dibedakan atas dua macam, yaitu:1. Peramalan kualitatif atau teknologisyaitu peramalan yang didasarkan atas data kualitatif masa lalu. Hasil peramalan yang ada tergantung pada orang yang menyusunnya, karena peramalan tersebut sangat ditentukan oleh pemikiran yang bersifat intuisi, judgement (pendapat) dan pengetahuan serta pengalaman dari penyusunnya.Metoda kualitatif dibagi menjadi dua metode, yaitu:a. Metode eksploratifPada metoda ini dimulai dengan masa lalu dan masa kini sebagai awal dan bergerak ke arah masa depan secara heuristik, sering kali dengan melihat semua kemungkinan yang ada.b. Metode normatifPada metode ini dimulai dengan menetapkan sasaran tujuan yang akan datang, kemudian bekerja mundur untuk melihat apakah hal ini dapat dicapai berdasarkan kendala, sumber daya dan teknologi yang tersedia.2. Peramalan kuantitatif, yaitu peramalan yang didasarkan atas data kuantitatif pada masa lalu. Hasil peramalan yang dibuat tergantung pada metode yang digunakan dalam peramalan tersebut. Metode yang baik adalah metode yang memberikan nilai-nilai perbedaan atau penyimpangan yang mungkin.Peramalan kuantitatif hanya dapat digunakan apabila terdapat tiga kondisi sebagaiberikut: (Makridakis, 1988)1. Informasi tentang keadaan masa lalu.2. Informasi tersebut dapat dikuantifikasikan dalam bentuk data numerik.3. Dapat diasumsikan bahwa beberapa aspek pola masa lalu akan terus berkelanjutan pada masa yang akan datang. Metode peramalan kuantitatif terbagi atas dua jenis model peramalan yang utama, yaitu:1. Model deret berkala (time series), yaitu:Metode peramalan yang didasarkan atas penggunaan analisa pola hubungan antara variabel yang akan diperkirakan dengan variabel waktu, yang merupakan deret waktu.2. Model kausal, yaitu metode peramalan yang didasarkan atas penggunaan analisa pola hubungan antara variabel lain yang mempengaruhinya, yang bukan waktu yang disebut metode korelasi atau sebab akibat. Model kausal terdiri dari:a. Metode regresi dan korelasib. Metode ekonometric. Metode input dan output

2.1.4 Karakteristik Peramalan Yang BaikKarakteristik dari peramalan yang baik harus memenuhi beberapa kriteria yaitudari hal-hal sebagai berikut:a. Ketelitian/ KeakuratanTujuan utama peramalan adalah menghasilkan prediksi yang akurat. Peramalan yang terlalu rendah mengakibatkan kekurangan persediaan (inventory). Peramalan yang terlalu tinggi akan menyebabkan inventory yang berlebihan dan biaya operasi tambahan.b. BiayaBiaya untuk mengembangkan model peramalan dan melakukan peramalanakan menjadi signifikan jika jumlah produk dan data lainnya semakin besar. Mengusahakan melakukan peramalan jangan sampai menimbulkan ongkos yang terlalu besar ataupun terlalu kecil. Keakuratan peramalan dapat ditingkatkan dengan mengembangkan model lebih komplek dengan konsekuensi biaya menjadi lebih mahal. Jadi ada nilai tukar antara biaya dan keakuratan.c. ResponsifRamalan harus stabil dan tidak terpengaruhi oleh fluktuasi demand.d. SederhanaKeuntungan utama menggunakan peramalan yang sederhana yaitu kemudahan untuk melakukan peramalan. Jika kesulitan terjadi pada metode sederhana, diagnosa dilakukan lebih mudah. Secara umum, lebih baik menggunakan metode paling sederhana yang sesuai dengan kebutuhan peramalan.

2.2. Perencanaan ProduksiPerencanaan produksi dimaksudkan untuk menentukan orientasi pasar, jenis produk serta rencana penjualan perusahaan. Perencanaan produksi didasarkan pada hasil peramalan yang mempertimbangkan tingkat persediaan sehingga dihasilkan rencana produksi pada tingkat family produksi.2.2.1 Definisi Perencanaan ProduksiPerencanaan produksi adalah menyesuaikan permintaan (demand) yang berasaldari peramalan dengan seluruh kemampuan yang ada. Ini disebabkan kemampuan yang terbatas, sehingga tidak dapat begitu saja mengikuti ramalan permintaan. Hal ini disebabkan oleh:a. Ketidakpastian hasil peramalan itu sendiri.b. Adanya ongkos yang timbul setiap kali mengubah tingkat produksi atau jika membuat persediaan.c. Tipe perusahaan manufaktur: (Buffa S. Elwood, 1996)1. Make to stock company2. Make to order company3. Make to order and make to stock companyPerencanaan merupakan suatu fungsi dari manajemen, yang mana dalam perencanaan ditentukan usaha dan tindakan-tindakan yang perlu diambil pimpinan perusahaan serta mempertimbangkan masalah yang akan timbul pada masa yang akan datang. Barang yang akan direncanakan untuk masa yang akan datang harus memenuhi persyaratan sebagai berikut:1. Barang itu harus diproduksi pada masa itu.2. Barang tersebut harus dapat dikerjakan oleh pabrik.3. Barang tersebut harus dapat memenuhi keinginan pembeli sesuai dengan peramalan baik mengenai harga, kuantitas dan waktu yang diperlukan.Prosedur penyusunan perencanaan produksi antara satu perusahaan dengan perusahaan yang lain sangatlah bervariasi, tetapi pada umumnya terdiri dari lima langkah, yaitu:1. Menetapkan unit pengukuranPeramalan penjualan pada umumnya disusun dalam nilai uang, sedangkan rencana produksi disusun dalam nilai unit produksi. Karena itu diperlukan faktor konversi yang sesuai untuk mengkonversikan nilai uang tersebut kedalam unit produk.2. Menetapkan horison perencanaanHorison perencanaan menunjukan panjangnya waktu yang direncanakan untuk melakukan produksi sehingga diperlukan pula perencanaan mengenai material, kapasitas produksi serta fasilitas produksi yang sesuai dengan rencana produksi.3. Menentukan siklus pemeriksaan pelaksanaan perencanaan produksi. Peninjauan ini diperlukan karena sistem produksi yang berjalan adalah suatu sistem yang mudah berubah sebagai akibat adanya perkembangan di berbagai bidang.4. Mendokumentasikan perencanaan sebagai prosedur yang formal Rencana produksi harus tersusun secara formal, memiliki tahapan tertentu serta prosedur dokumentasi dalam bentuk yang mudah dimengerti.5. Menetapkan pertanggung jawaban yang jelas pada setiap bagian Bagian pemasaran bertanggung jawab atas peramalan permintaan, bagian produksi bertanggung jawab atas penyusunan jadwal produksi dan bagian keuangan bertanggung jawab terhadap kebutuhan modal. Umumnya hambatan yang akan terjadi pada penyusunan rencana produksi berupa kegagalan manajemen dalam memenuhi kebutuhan yang dibutuhkan dalam penyusunan rencana produksi, adanya kesulitan dalam mengkonversikan nilai ke dalam unit produksi serta kurangnya perhatian terhadap masalah persediaan dan peramalan. Bila hambatan ini belum bisa diatasi maka perencanaan produksi manufaktur aktifitas berikutnya tidak dapat dilakukan secara efektif. Secara garis besarnya, dalam melakukan perencanaan produksi ada beberapa langkah dalam perencanaan produksi setelah diperoleh hasil peramalan, yaitu:a. Input hasil peramalan.b. Ubah seluruh variabel menjadi satu satuan ukuran Menentukan apakah rencana produksi akan dibuat dalam satuan ukuran unit produksi atau berdasarkan jam orang yang tersedia untuk melakukan produksi.c. Tentukan kebijaksanaan perusahaan dan pilih salah satu atau beberapa model perencanaan. Ada banyak model perencanaan yang bisa digunakan (metode murni, metode campuran, metode transportasi dan lain-lain).d. Tentukan model mana yang akan dipakai sesuai dengan kriteria. Periode perencanaan produksi adalah suatu susunan waktu dimana perusahaan menginginkan untuk melaksanakan rencana produksi. Panjang susunan waktu perencanaan adalah tergantung pada ketepatan untuk meramalkan keadaan pasar dan kemampuan untuk melakukan penyelesaian terhadap perubahan pasar. Perencanaan agregat adalah hasil perencanaan untuk tenaga kerja dan tingkat produksi yang dituangkan dalam fasilitas perencanaan agregat. Keputusan perencanaan dibuat untuk meminimasi ongkos total guna memenuhi ramalan permintaan.Pada dasarnya output yang dihasilkan dari perencanaan produksi agregat adalah sebagai berikut:a. Kecepatan produksi setiap periodeMenyatakan jumlah produk agregat yang dibuat pada periode perencanaan.b. Jumlah tingkat persediaanSatuan produk berupa barang siap jual yang disimpan per periode.c. Jumlah back order (penundaan waktu penyerahan) Bila semua kapasitas yang ada tidak dapat memenuhi semua pesanan pada waktu yang dijanjikan, sehingga sebagian pesanan ditunda waktu penyerahannya.d. Jumlah tenaga kerjaDalam hal ini tenaga kerja langsung yang digunakan untuk menghasilkan sejumlah produk (yang menentukan banyaknya produk yang dibuat).e. Alokasi pemanfaatan waktu kerjaBerupa jam kerja biasa dan jam kerja lembur.f. Jumlah pesanan sub kontrakBila kapasitas pabrik termasuk lembur tidak mampu melayani pesanan, maka diserahkan pada perusahaan lain yang sejenis dan apabila biaya lembur lebih besar daripada biaya sub kontrak. Langkah pelaksanaan dalam rencana produksi agregat:a. Tentukan batasan perencanaan produksi yang akan dilakukan. Cari informasi mengenai data yang dibutuhkan.b. Tentukan standar satuan yang akan digunakan dalam perencanaan produksi.c. Tentukan tenaga kerja yang dibutuhkan dalam kurun perencanaan dengan kriteria ongkos minimum.d. Rencana jumlah produksi dalam agregat.e. Jika item > 1, lakukan proses disagregasi sesuai dengan faktor konversi.Tujuan perencanaan produksi yaitu untuk:1. Mengatur strategi produksia) Memproduksi sesuai demandb) Memproduksi pada kegiatan konstan

3. PERMASALAHAN

Dalam pemasaran suatu produk , perusahaan harus dapat memprediksikan keadaan pasar untuk jangka panjang seperti halnya memprediksikan produksi dari permintaan pasar untuk 3 bulan kedepan. Hal ini terkait akan jumlah kemampuan suatu perusahaan untuk memproduksi barang sesuai permintaan dan juga untuk menyiapkan strategi strategi untuk jangka panjang, oleh karena hal ini peneliti mempelajari atau meneliti tentag forecast,dll.

4.HASIL DAN PENGUMPULAN DATA

3.1. Pengumpulan DataData diperoleh dari data permintaan agregat perusahaan setiap bulanya selama 24 periode. Dan berdasarkan data tersebut kami membuat pengolahan data dengan metode metode forecasting yang ada

3.1.1 Data permintaan agregat

Berikut hasil pengumpulan data:[Type the document title]

[Type the company name]21 |

Tabel 3.1.1 data permintaan agregat

3.1.1 Line Diagram Agregat

3.2 Pengolahan DataDari data yang diperoleh. Kami melakukan pengolahan data untuk menghasilkan data forecast dengan beberapa metode forecasting diantaranya3.2.1Double Moving Average

Tabel 3.2.1 Double Moving AveragePeriodeData PenjualanSingle Moving Average 3 PeriodeDouble Moving Average 3 PeriodeNilai aNilai bForecastingMean Absolutely error

tXiS'tS''ta= 2s't - s''tb = 2/n-1 (s't-s''t)Ft + mei = Xi - Fi

September-11734

October-11707

November-11717719.33

December-11722715.33

January-12732723.67719.44727.894.22

February-12744732.67723.89741.448.78732.1111.89

March-12728734.67730.33739.004.33750.2222.22

April-12740737.33734.89739.782.44743.333.33

May-12753740.33737.44743.222.89742.2210.78

June-12758750.33742.67758.007.67746.1111.89

July-12765758.67749.78767.568.89765.670.67

August-12722748.33752.44744.22-4.11776.4454.44

September-12731739.33748.78729.89-9.44740.119.11

October-12738730.33739.33721.33-9.00720.4417.56

November-12742737.00735.56738.441.44712.3329.67

December-12745741.67736.33747.005.33739.895.11

January-13752746.33741.67751.004.67752.330.33

February-13741746.00744.67747.331.33755.6714.67

March-13746746.33746.22746.440.11748.672.67

April-13741742.67745.00740.33-2.33746.565.56

May-13743743.33744.11742.56-0.78738.005.00

June-13741741.67742.56740.78-0.89741.780.78

July-13755746.33743.78748.892.56739.8915.11

August-13765753.67747.22760.116.44751.4413.56

September-13?766.56m = 1

October-13?773.00m = 2

November-13?779.44m = 3

Mean Absolutely error12.33

3.2.2Double Exponensial Smoothing By Holt Dengan = 10%, = 10%

Tabel 3.2.2Double Exponensial SmoothingByHolt Dengan = 10%, = 10%

Jika = 10% Dan = 10%

PeriodeData PenjualanSingle Exponensial SmoothingSmoothing TrendForecastingMean Absolutely error

tXiS'tS''tFt-mei

September-11734734.00-11.00

October-11707721.40-11.16723.0016.000

November-11717710.92-11.09710.246.760

December-11722702.04-10.87699.8222.176

January-12732695.25-10.46691.1740.829

February-12744690.71-9.87684.7959.209

March-12728685.56-9.40680.8447.158

April-12740682.54-8.76676.1663.841

May-12753681.70-7.97673.7879.217

June-12758682.16-7.13673.7484.264

July-12765684.03-6.23675.0489.963

August-12722682.23-5.78677.8144.192

September-12731681.90-5.24676.4454.557

October-12738682.79-4.62676.6661.340

November-12742684.55-3.99678.1763.831

December-12745687.01-3.34680.5764.434

January-13752690.50-2.66683.6768.333

February-13741693.16-2.13687.8453.159

March-13746696.53-1.58691.0354.970

April-13741699.55-1.12694.9546.051

May-13743702.89-0.67698.4444.563

June-13741706.10-0.28702.2238.778

July-13755710.730.21705.8249.184

August-13765716.350.75710.9454.058

September-13?717.10

October-13?717.85

November-13?718.59

Mean Absolutely Error52.472

3.2.3Double Exponensial Smoothing By Holt Dengan = 30%, = 30%Tabel 3.2.2Double Exponensial SmoothingByHolt Dengan = 30%, = 30%

Jika = 30% Dan = 30%

PeriodeData PenjualanSingle Exponensial SmoothingSmoothing TrendForecastingMean Absolutely error

tXiS'tS''tFt-mei

September-11734734.00-11.00

October-11707718.20-12.44723.0016.000

November-11717709.13-11.43705.7611.240

December-11722704.99-9.24697.7024.296

January-12732706.63-5.98695.7536.249

February-12744713.65-2.08700.6543.354

March-12728716.50-0.60711.5716.425

April-12740723.131.57715.9024.097

May-12753733.194.12724.7028.298

June-12758743.525.98737.3120.692

July-12765754.157.37749.4915.506

August-12722749.663.82761.5239.520

September-12731746.741.79753.4822.481

October-12738745.370.85748.5310.531

November-12742744.950.47746.224.218

December-12745745.290.43745.420.419

January-13752747.610.99745.726.278

February-13741746.320.31748.607.600

March-13746746.440.25746.630.630

April-13741744.99-0.26746.695.694

May-13743744.21-0.41744.731.727

June-13741742.96-0.67743.792.794

July-13755746.100.48742.2912.710

August-13765752.112.14746.5818.419

September-13?754.24

October-13?756.38

November-13?758.51

Mean Absolutely Error16.051

3.2.4Double Exponensial Smoothing By Holt Dengan = 45%, = 45%Tabel 3.2.2Double Exponensial SmoothingByHolt Dengan = 45%, = 45%

Jika = 45% Dan = 45%

PeriodeData PenjualanSingle Exponensial SmoothingSmoothing TrendForecastingMean Absolutely error

tXiS'tS''tFt-mei

September-11734734.00-11.00

October-11707715.80-14.24723.0016.000

November-11717708.51-11.11701.5615.440

December-11722708.47-6.13697.3924.605

January-12732715.68-0.12702.3429.664

February-12744728.365.63715.5628.439

March-12728731.304.42733.995.994

April-12740737.645.29735.724.282

May-12753747.467.33742.9310.067

June-12758756.237.98754.793.210

July-12765764.578.14764.210.788

August-12722749.89-2.13772.7050.703

September-12731740.22-5.52747.7616.756

October-12738736.18-4.85734.693.308

November-12742736.13-2.69731.3310.673

December-12745738.64-0.35733.4411.563

January-13752744.462.43738.2913.711

February-13741744.241.23746.885.884

March-13746745.711.34745.470.530

April-13741744.330.12747.056.050

May-13743743.79-0.18744.441.443

June-13741742.44-0.71743.622.618

July-13755747.701.98741.7313.267

August-13765756.585.08749.6815.317

September-13?761.66

October-13?766.74

November-13?771.82

Mean Absolutely Error12.622

3.2.5Triple Exponensial Smoothing By Brown Dengan = 10%, Tabel 3.2.5Triple Exponensial Smoothing By Brown Dengan = 10%,

Jika = 10%

PeriodeData PenjualanSingle Exponensial SmoothingDouble Exponensial SmoothingTriple Exponensial SmoothingNilai aNilai bNilai cForecastingError

TXiS'tS''tS'''tatbtctft (m=1)Pei

September-11734734.0000734.0000734.0000734.0000-4.0000-8.5000

October-11707731.3000733.7300733.9730726.6830-0.7695-0.0270725.7518.75

November-11717729.8700733.3440733.9101723.4881-1.0501-0.0359725.908.90

December-11722729.0830732.9179733.8109722.3062-1.0980-0.0363722.420.42

January-12732729.3747732.5636733.6862724.1195-0.8263-0.0255721.1910.81

February-12744730.8372732.3909733.5566728.8955-0.2613-0.0048723.2820.72

March-12728730.5535732.2072733.4217728.4606-0.2841-0.0054728.630.63

April-12740731.4982732.1363733.2931731.37870.04760.0064728.1711.83

May-12753733.6483732.2875733.1926737.27510.66870.0280731.4321.57

June-12758736.0835732.6671733.1400743.38921.26790.0480737.9620.04

July-12765738.9752733.2979733.1558750.18761.89500.0683744.6820.32

August-12722737.2776733.6959733.2098743.95511.10500.0382752.1230.12

September-12731736.6499733.9913733.2880741.26380.74200.0241745.0814.08

October-12738736.7849734.2706733.3862740.92900.65160.0201742.024.02

November-12742737.3064734.5742733.5050741.70160.68340.0205741.590.41

December-12745738.0758734.9244733.6470743.10110.77820.0231742.402.60

January-13752739.4682735.3788733.8201746.08841.03240.0312743.898.11

February-13741739.6214735.8030734.0184745.47350.88880.0251747.146.14

March-13746740.2592736.2486734.2415746.27320.90320.0247746.370.37

April-13741740.3333736.6571734.4830745.51160.75150.0185747.196.19

May-13743740.6000737.0514734.7399745.38560.67680.0153746.273.27

June-13741740.6400737.4102735.0069744.69610.54760.0102746.075.07

July-13755742.0760737.8768735.2939747.89140.83570.0200745.259.75

August-13765744.3684738.5260735.6171753.14431.31920.0362748.7416.26

September-13?754.48

October-13?755.82

November-13?757.16

Mean Square Error10.45

3.2.6 Triple Exponensial Smoothing By Brown Dengan = 20%, Tabel 3.2.6Triple Exponensial Smoothing By Brown Dengan = 20%, Jika = 20%

PeriodeData PenjualanSingle Exponensial SmoothingDouble Exponensial SmoothingTriple Exponensial SmoothingNilai aNilai bNilai cForecastingError

TXiS'tS''tS'''tatbtctft (m=1)Pei

September-11734734.0000734.0000734.0000734.0000-4.0000-8.5000

October-11707728.6000732.9200733.7840720.8240-2.9160-0.2160725.7518.75

November-11717726.2800731.5920733.3456717.4096-3.2184-0.2224717.800.80

December-11722725.4240730.3584732.7482717.9450-2.5854-0.1590714.087.92

January-12732726.7392729.6346732.1254723.4394-0.9387-0.0253715.2816.72

February-12744730.1914729.7459731.6495732.98591.35930.1468722.4921.51

March-12728729.7531729.7474731.2691731.28630.81290.0955734.426.42

April-12740731.8025730.1584731.0470735.97921.75650.1583732.157.85

May-12753736.0420731.3351731.1046745.22523.55480.2798737.8115.19

June-12758740.4336733.1548731.5146753.35104.81520.3524748.929.08

July-12765745.3469735.5932732.3303761.59135.88660.4057758.346.66

August-12722740.6775736.6101733.1863745.38861.35880.0402767.6845.68

September-12731738.7420737.0365733.9563739.0729-0.3039-0.0859746.7715.77

October-12738738.5936737.3479734.6346738.3718-0.4682-0.0917738.730.73

November-12742739.2749737.7333735.2544739.8792-0.1126-0.0586737.864.14

December-12745740.4199738.2706735.8576742.30550.3972-0.0165739.745.26

January-13752742.7359739.1637736.5188747.23561.38570.0580742.699.31

February-13741742.3887739.8087737.1768744.91700.6175-0.0032748.657.65

March-13746743.1110740.4691737.8353745.76080.66470.0005745.530.47

April-13741742.6888740.9131738.4508743.77800.0792-0.0429746.435.43

May-13743742.7510741.2807739.0168743.4279-0.0540-0.0496743.840.84

June-13741742.4008741.5047739.5144742.2028-0.3573-0.0684743.352.35

July-13755744.9207742.1879740.0491748.24740.99870.0371741.8113.19

August-13765748.9365743.5376740.7468756.94352.73530.1630749.2615.74

September-13?759.76

October-13?762.58

November-13?765.39

Mean Square Error10.32

3.2.7 Triple Exponensial Smoothing By Brown Dengan = 45%, Tabel 3.2.6Triple Exponensial Smoothing By Brown Dengan = 45%,

Jika = 45%

PeriodeData PenjualanSingle Exponensial SmoothingDouble Exponensial SmoothingTriple Exponensial SmoothingNilai aNilai bNilai cForecastingError

TXiS'tS''tS'''tatbtctft (m=1)Pei

September-11734734.0000734.0000734.0000734.0000-4.0000-8.5000

October-11707721.8500728.5325731.5396711.4921-12.71194-0.4982725.7518.75

November-11717719.6675724.5433728.3913713.7640-6.01501-0.1393698.5318.47

December-11722720.7171722.8215725.8849719.57180.168510.1300707.6814.32

January-12732725.7944724.1593725.1084730.01376.431390.3503719.8112.19

February-12744733.9869728.5817726.6714742.887011.311010.4738736.627.38

March-12728731.2928729.8017728.0800732.55330.76546-0.0313754.4326.43

April-12740735.2110732.2359729.9502738.87563.793040.0935733.306.70

May-12753743.2161737.1770733.2022751.31959.010050.2798742.7210.28

June-12758749.8688742.8883737.5610758.50258.969870.2241760.472.47

July-12765756.6779749.0936742.7507765.50348.651980.1683767.582.58

August-12722741.0728745.4843743.9808730.7465-15.26809-0.8018774.2452.24

September-12731736.5401741.4594742.8461728.0882-10.98778-0.4789715.0815.92

October-12738737.1970739.5413741.3590734.3261-2.95608-0.0714716.8621.14

November-12742739.3584739.4590740.5040740.20211.779100.1280731.3310.67

December-12745741.8971740.5561740.5275744.55033.683740.1779742.052.95

January-13752746.4434743.2054741.7325751.44656.128450.2393748.323.68

February-13741743.9939743.5602742.5550743.8560-0.77180-0.0775757.6916.69

March-13746744.8966744.1616743.2780745.48300.30846-0.0201743.052.95

April-13741743.1431743.7033743.4694741.7889-2.02350-0.1076745.784.78

May-13743743.0787743.4222743.4482742.4176-0.90706-0.0431739.713.29

June-13741742.1433742.8467743.1775741.0673-1.30999-0.0505741.490.49

July-13755747.9288745.1337744.0578752.44325.675750.2331739.7315.27

August-13765755.6108749.8484746.6636763.95099.795400.3494758.246.76

September-13?773.92

October-13?783.89

November-13?793.86

Mean Square Error12.02

3.2.7 Batas KontrolTabel 3.2.6Batas Kontrol

PeriodeTipe ProdukX rata-ratarUCLCLLCL

ABC

September-11234246254244.6720.00247.81244.67241.53

October-11223254230235.6731.00240.53235.67230.80

November-11231255231239.0024.00242.77239.00235.23

December-11236257229240.6728.00245.06240.67236.27

January-12240258234244.0024.00247.77244.00240.23

February-12244260240248.0020.00251.14248.00244.86

March-12246249233242.6716.00245.18242.67240.15

April-12238246256246.6718.00249.49246.67243.84

May-12251251251251.000.00251.00251.00251.00

June-12250253255252.675.00253.45252.67251.88

July-12248257260255.0012.00256.88255.00253.12

August-12223253246240.6730.00245.38240.67235.96

September-12229259243243.6730.00248.38243.67238.96

October-12231266241246.0035.00251.50246.00240.51

November-12233262247247.3329.00251.89247.33242.78

December-12237263245248.3326.00252.42248.33244.25

January-13231269252250.6738.00256.63250.67244.70

February-13235253253247.0018.00249.83247.00244.17

March-13241254251248.6713.00250.71248.67246.63

April-13243248250247.007.00248.10247.00245.90

May-13246244253247.679.00249.08247.67246.25

June-13238249254247.0016.00249.51247.00244.49

July-13247251257251.6710.00253.24251.67250.10

August-13249256260255.0011.00256.73255.00253.27

3.2.7 Grafik Batas Kontrol

4 ANALISISBerdasarkan data yang didapatkan dariperusahaan UD Sumber Karya.Berdasarkan data yang didapatkan dari peramalan yang dilakukan untuk jangka waktu 3 bulan pada double moving average pada bulan September (766.56),oktober(773.00) dan November(779.44) dan MEA yang didapat yaitu sebesar 12,33. Dexponensial smoothing by holt jika Jika = 10% Dan = 10% didapatkan MEA sebesar 52.472 Jika = 30% Dan = 30% didapatkan MEA sebesar 16.051Jika = 45% Dan = 45% didapatkan MEA sebesar 12.622 . Texponensial smoothing jika Jika = 10% didapat Mean square error 10.45 jika Jika = 45% didapatkan MSE 12.02 dan jika Jika = 20% didapatkan MSE 10.32 .

5 KesimpulanDapat ditarik beberapa simpulan yaitu perkiraan permintaan produk untuk masa yang akan datang diharapkan dapat menggunakan metode peramalan yang telah teruji paling optimal. Dengan demikian kebutuhan produk di pasaran dapat terpenuhi, namun tidak kekurangan atau kelebihan.Sistem dapat menentukan jenis perencanaan agregat yang paling minimal dari segi biaya. Sehingga segala hal yang berhubungan dengan biaya dalam perencanaan untuk produksi diharapkan dapat diselenggarakan dengan seefisien mungkin.Sistem dapat memperlihatkan data stok bahan baku dan stok produk minimum sehingga stok bahan baku dan stok produk akan selalu ada namun tidak berlebihan.Sistem dapat memperlihatkan data stok bahan baku dan stok produk minimum sehingga stok bahan baku dan stok produk akan selalu ada namun tidak berlebihan.

6 SaranBerikut adalah beberapa saran yang dapat diberikan bagi perusahaan (UD.Sumber) terkait dengan pengimplementasian penelitian ini yaitu perlu adanya pelatihan bagi karyawan yang akan memanfaatkan sistem agar fitur-fitur yang tersedia dapat digunakan secara optimal.dan pemeliharaan sistem secara berkala untuk menjaga sistem tetap berjalan dengan baik dan sesuai dengan kebutuhan.