PERAMALAN Adithia Nur Afriyo (34409398), Indra Maulana Yusuf (36409947), Tanu Wahyu Nugroho (33409176), Yulianto (35409281), Zuni Prastian (31409120) Mahasiswa Kelas 3 ID04 Jurusan Teknik Industri Fakultas Teknologi Industri Universitas Gunadarma Jalan KH. Noer Ali, Kalimalang, Bekasi Telp (021) 88860117 Email : adithianurafriyo@yahoo.com, irgi_zupiter@yahoo.co.id, tanu_romen@yahoo.co.id, anto.yulianto93@yahoo.com, zuniprastian@yahoo.co.id ABSTRAK Sistem produksi merupakan kumpulan dari sub sistem yang saling berinteraksi dengan tujuan mengolah input produksi menjadi output atau hasil produksi yang memiliki nilai lebih atau jual. Input produksi ini dapat berupa bahan baku, mesin, tenaga kerja, modal, dan informasi, sedangkan output produksi merupakan produk yang dihasilkan berikut sampingannya, seperti limbah, informasi, dan sebagainya. Kegiatan produksi tidak hanya terdapat input dan output, namun juga harus didukung oleh sistem untuk menentukan kuantitas produk yang akan dibuat selanjutnya , sistem pendukung kegiatan produksi ini adalah peramalan atau yang dikenal dengan forecasting. Forecasting metode untuk memperkirakan suatu nilai dimasa depan dengan menggunakan data masa lalu, peramalan juga dapat diartikan sebagai seni atau ilmu untuk memperkirakan kejadian pada masa yang akan datang. Praktikum Sistem Produksi kali ini dengan melakukan peramalan produksi produk kotak P3K dengan menggunakan metode weight moving average (WMA), single exponential smoothing (SES), regresi linier, dan berikut tabel tracking signal serta grafik dari masing-masing metode tersebut. Implementasi metode peramalan time series dapat dilakukan terhadap peramalan permintaan produk kotak P3K. Berdasarkan hasil perhitungan, dapat disimpulkan bahwa hasil peramalan permintaan kotak P3K untuk satu tahun ke depan adalah sebanyak 531 unit per bulan. Metode yang paling akurat dalam meramalkan permintaan kotak P3K adalah metode regresi linear. Hal ini diketahui berdasarkan nilai Mean Absolute Deviation (MAD) dari metode regresi linear adalah yang paling kecil dibandingkan dengan nilai MAD dari metode-metode yang lain. Kata kunci: peramalan (Forecasting), metode weight moving average (WMA), single exponential smoothing (SES), dan regresi linier. PENDAHULUAN Suatu perencanaan produksi yang matang sangat dibutuhkan perusahaan agar mampu menghasilkan produk yang memiliki kualitas tinggi dan mampu memenuhi kebutuhan dan permintaan konsumen, hal ini disebabkan oleh persaingan antara perusahaan industri yang semakin meningkat, oleh karena itu diperlukan suatu

perancangan dan pengelolaan proses produksi yang baik dan lancar pada perusahaan atau industri yang terkait agar suatu sistem produksi berjalan efektif dan efisien. Perusahaan yang mampu bersaing di dunia industri selalu mempunyai sistem pendukung yamg mampu merencanakan jumlah produksinya untuk jangka waktu kedepan, sebagai salah satu cara untuk meramalkan dan memperkirakan kebutuhan produksi yang akan datang dan jumlah unit produksi agar dapat berjalan lancar adalah dengan menggunakan sistem peramalan atau yang dikenal dengan forecasting. Metode peramalan yang dipakai dalam laporan akhir ini adalah metode Weigthed Moving Average (WMA), Metode Single Exponential Smoothing (SES), dan metode regresi linier. Perumusan masalah dalam peramalan produksi kotak P3K ialah bagaimana meramalkan jumlah permintaan produk kotak P3K untuk diproduksi dalam periode waktu kedepan dengan menggunakan metode Weigthed Moving Average (WMA), Metode Single Exponential Smoothing (SES), dan metode regresi linier. Berdasarkan ketiga metode tersebut selanjutnya memilih metode yang terbaik untuk menganalisa permintaan produk kotak P3K dan memperkirakan kebutuhan produksi kotak P3K yang harus diproduksi pada jangka waktu kedepan. Pembatasan masalah dalam modul ini dibatasi agar tidak menyimpang dari persoalan yang ada mengenai pembuatan dan perakitan kotak P3K yang dilakukan di Laboratorium Teknik Industri Lanjut kampus J Universitas Gunadarma, yaitu hanya pada sistem peramalan dengan menggunakan metode weight moving average (WMA), single exponential smoothing (SES), dan regresi linier. Fungsi tujuan dari modul ini adalah untuk menjawab atau menarik suatu kesimpulan dari metode yang digunakan. Berikut ini adalah tujuan penulisan dari laporan akhir dalam membuat peramalan produk kotak P3K yaitu memperkirakan kebutuhan yang akan datang berdasarkan data masa lalu atau data aktual dengan mengetahui hasil peramalan menggunakan metode Weigthed Moving Average (WMA), Single Exponential Smoothing (SES), regresi linier, dan selanjutnya mengindentifikasi peramalan yang memiliki hasil akurat dari diantara ketiga metode peramalan tersebut serta melakukan pengendalian hasil peramalan berdasarkan peta moving range.

TINJAUAN PUSTAKA Aktivitas peramalan merupakan suatu fungsi bisnis yang berusaha memperkirakan permintaan dan penggunaan produk sehingga produk-produk itu dapat dibuat dalam kuantitas yang tepat. Peramalan merupakan suatu dugaan terhadap permintaan yang akan datang berdasarkan pada beberapa variabel peramal, sering berdasarkan data deret waktu historis. 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 (Gaspersz, 2004). Peramalan merupakan seni dan ilmu dalam memprediksi kejadian yang mungkin dihadapi pada masa yang akan datang. 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. Pertimbangan ini dibutuhkan karena tidak ada satupun metode dari

peramalan tersebut yang dapat dipergunakan secara universal untuk seluruh keadaan atau situasi. Hal itu perlu diperhatikan bahwa peramalan selalu salah, di mana jarang sekali terjadi apa yang diramalkan tentang permintaan misalnya sama persis dengan jumlah yang terjadi dalam permintaan nyata (Assauri, 1993). Bagian permintaan biasanya melakukan perencanaan 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 (Gaspersz, 2004). Menurut dua sumber utama yang berkaitan dengan informasi permintaan produk, yaitu ramalan terhadap produk independent demand yang bersifat tidak pasti dan pesananpesanan yang bersifat pasti. Pesanan-pesanan yang bersifat pasti ini antara lain pesanan pelanggan, alokasi tertentu untuk area geografis, service or spare parts and samples, distribution center demands (or branch warehouse demands), dan lain-lain. Dalam beberapa perusahaan industri manufaktur, kebutuhan-kebutuhan untuk pusat distribusi dan operasi antar pabrik ditangani secara terpisah (Gaspersz, 2004). Aktivitas peramalan hanya boleh dilakukan terhadap material, parts atau produk yang tidak terkait langsung dengan struktur bill of material untuk produk akhir atau item tertentu dan oleh karena itu digolongkan ke dalam independent demand. Sedangkan untuk material, parts, atau produk yang terkait langsung terhadap atau diturunkan dari struktur bill of material untuk produk akhir atau item tertentu, dan oleh karena itu digolongkan sebagai dependent demand harus direncanakan atau dihitung, tidak boleh diramalkan. Dengan demikian item-item yang dapat diramalkan dalam industri manufaktur adalah produk-produk untuk make-to-stock, make-to-order, assemble-to-order, resource availability, kebutuhan pemeliharaan (kecuali pemeliharaan preventif periodik), service parts dan kebutuhan internal perusahaan dan independent demand lainnya (Gaspersz, 2004). Terdapat sembilan langkah yang harus diperhatikan untuk menjamin efektifitas dan efisiensi dari sistem peramalan dalam manajemen permintaan. Hal ini disebut juga sebagai konsep dasar sistem peramalan, yaitu: a. Menentukan tujuan dari peramalan. Memilih item independent demand yang akan diramalkan. c. Menentukan horizon waktu dari peramalan (jangka pendek, menengah, atau panjang). Memilih model-model peramalan. Memperoleh data yang dibutuhkan untuk melakukan peramalan. Validasi model peramalan. Membuat peramalan. Implementasi hasil-hasil peramalan. Memantau keandalan hasil peramalan. Tujuan utama dari peramalan dalam manajemen perawatan adalah untuk meramalkan permintaan dari item-item independent demand di masa yang akan datang. Tahap selanjutnya dengan mengkombinasikannya dengan pelayanan pesanan (order service) yang bersifat pasti, kita dapat mengetahui total permintaan dari suatu item atau produk agar memudahkan manajemen produksi dan inventori. Perencanaan produksi dan inventori, termasuk kapasitas dan sumber daya lainnya dalam industri manufaktur,

b. d. e. f. g. h. i.

semestinya mengacu kepada data total permintaan produk di masa yang akan datang. Tujuan utama peramalan dalam manajemen permintaan adalah untuk mencapai efektivitas dan efisiensi dari manajemen produksi dan inventori dalam industri manufaktur (Gaspersz, 2004). Pemilihan item-item independent demand yang akan diramalkan tergantung pada situasi dan kondisi aktual dari masing-masing industri manufaktur, namun yang terpenting bagi manajemen industri adalah memperhatikan bahwa item-item independent demand adalah item-item yang bebas atau tidak terkait langsung dengan struktur bill of material (BOM) untuk produk akhir yang akan dibuat oleh industri manufaktur itu (Gaspersz, 2004). Penentuan horizon waktu peramalan akan tergantung pada situasi dan kondisi aktual dari masing-masing industri manufaktur serta tujuan dari peramalan itu sendiri. Peramal harus memilih interval ramalan atau bagaimana seringnya mengembangkan suatu ramalan. Alternatif yang umum dipilih adalah menggunakan interval waktu harian, mingguan, bulanan, semesteran ataupun tahunan. Tahap selanjutnya peramal harus memilih banyaknya periode di masa mendatang yang akan diramalkan. Sistem peramalan berlaku aturan bahwa semakin jauh periode di masa mendatang yang diramalkan hasil ramalan akan semakin kurang akurat (Gaspersz, 2004). Peramalan jangka panjang berkaitan dengan perencanaan bisnis, analisis fasilitas, proyek-proyek jangka panjang, produk-produk atau pasar-pasar baru, investasi modal, dan lain-lain. Karakteristik dari peramalan jangka panjang adalah dilakukan analisis satu kali, lebih banyak berdasarkan pertimbangan manajemen puncak, lebih banyak menggunakan data eksternal, dilakukan oleh manajemen puncak dan dilakukan terhadap beberapa produk atau famili dari produk. Peramalan jangka menengah berkaitan dengan perencanaan anggaran, produksi, pembelian menggunakan blanket purchase order. Peramalan jangka pendek berkaitan dengan perencanaan distribusi inventori, perencanaan material dan lain-lain (Gaspersz, 2004). Berdasarkan waktu, peramalan juga dapat dilakukan berdasarkan lokasi geografis, dan kelompok produk yang dalam sistem peramalan dikenal sebagai peramalan berdasarkan dimensi agregasi dan agregasi. Hal yang berlaku umum berkaitan dengan agregasi ini adalah bahwa peramalan pada tingkat agregasi yang lebih tinggi akan lebih akurat dibandingkan peramalan pada tingkat agregasi yang lebih rendah atau pada tingkat disagregasi. Pemilihan model-model peramalan akan tergantung pada pola data dan horizon waktu dari peramalan. Terdapat sejumlah model peramalan yang telah dikembangkan pada saat ini. Berdasarkan alasan data yang tersedia dan kemudahan penggunaan dari model peramalan itu hanya terdapat beberapa model umum yang sangat populer untuk diterapkan. Model peramalan dapat diklasifikasikan ke dalam tiga kategori, yaitu ekstrapolasi, kausal, dan pertimbangan. Ekstrapolasi dan kausal dikategorikan sebagai model kuantitatif sedangkan yang ketiga dikategorikan sebagai model kualitatif. Manajemen produksi dan operasi, metode peramalan terdiri atas metode peramalan kualitatif dan metode peramalan kuantitatif, pada umumnya peramalan kualitatif bersifat subjektif dipengaruhi oleh intuisi, emosi, pendidikan, dan pengalaman seseorang. Oleh karena itu hasil peramalan dari satu orang dengan orang lain dapat berbeda. Meskipun demikian, peramalan dengan metode kualitatif tidak berarti hanya menggunakan intuisi melainkan mengikutsertakan model statistik sebagai bahan masukan dalam melakukan

judgment (pendapat, keputusan) dan dapat dilakukan secara perseorangan ataupun kelompok. Berdasarkan penerapannya, peramalan kualitatif dikenal empat metode yang umum dipakai, yaitu (Eddy, 2001): a. Juri opini eksekutif Pendekatan ini merupakan pendekatan peramalan yang paling sederhana dan banyak digunakan dalam peramalan bisnis. b. Metode delphi Dalam metode ini, serangkaian kuesioner disebarkan kepada responden, kemudian jawabannya diringkas dan diberikan ke panel ahli untuk dibuat perkiraan. c. Gabungan tenaga penjualan Metode ini cukup banyak digunakan, karena tenaga penjualan (sales force) merupakan sumber informasi yang baik mengenai permintaan konsumen. Setiap tenaga penjualan meramalkan tingkat penjualan di daerahnya, kemudian digabungkan pada tingkat provinsi dan seterunya sampai ke tingkat nasional untuk mencapai peramalan yang menyeluruh. d. Survei pasar Masukan diperoleh dari konsumen atau konsumen potensial terhadap rencana pembelian dimasa datang. Survei dapat dilakukan dengan kuesioner, telepon, atau wawancara langsung. Pendekatan ini membantu tidak saja dalam menyiapkan peramalan, tetapi juga dalam meningkatkan desain produk dan perencanaan untuk suatu produk baru. Selain memerlukan waktu, metode ini juga mahal dan sulit, pada dasarnya, metode kuantitatif yang digunakan dalam perkiraan dapat dikelompokkan dalam dua jenis, yaitu, metode serial waktu (deret berkala, time series) adalah metode yang digunakan untuk menganalisis serangkaian data yang merupakan fungsi dari waktu. Analisis serial waktu dimulai dengan memplotkan data pada suatu skala waktu, mempelajari pola tersebut, dan akhirnya mencari suatu bentuk atau pola yang konsisten atas data. Pola dari serangkaian data dalam serial waktu dapat dikelompokkan dalam pola dasar sebagai berikut: 1. Konstan, yaitu apabila data berfluktuasi dari sekitar rata-rata secara stabil. Pola berupa garis lurus horizontal. Pola seperti ini terdapat dalam jangka pendek atau menengah, jarang sekali suatu variabel memiliki pola konstan dalam jangka panjang. 2. Kecendrungan (trend), yaitu apabila data dalam jangka panjang mempunyai kecendrungan, baik yang awalnya meningkat maupun menurun dari waktu ke waktu. 3. Musiman (seasonal), yaitu apabila polanya merupakan gerakan yang berulangulang secara teratur dalam setiap periode tertentu, misalnya tahunan, semesteran, kuartalan, bulanan atau mingguan. 4. Siklus (cyclical), yaitu apabila data dipengaruhi oleh fluktuasi ekonomi jangka panjang, seperti daur hidup bisnis. 5. Residu atau variasi acak, yaitu apabila data tidak teratur sama sekali.Data yang bersifat residu tidak dapat digambarkan.

Metode Kausal atau disebut juga dengan metode eksplanatori mengasumsikan adanya hubungan sebab akibat antara variabel bebas dan variabel tidak bebas yang dipengaruhinya, atau dalam bentuk lain antara input dan output dari suatu sistem. Sistem itu dapat berbentuk makro (seperti perekonomian nasional) atau mikro (seperti dalam perusahaan atau rumah tangga) (Eddy, 2001). Metode Kausal bertujuan untuk meramalkan keadaan di masa datang dengan menemukan dan mengukur beberapa variabel bebas (independent) yang penting beserta pengaruhnya terhadap variabel tidak bebas yang diamati. Dengan mengetahui model hubungan antara variabel yang bersangkutan, dapat diramalkan bagaimana pengaruh yang terjadi pada variabel tidak bebas apabila terjadi perubahan pada variabel bebasnya, peramalan kuantitatif dapat diterapkan bila terdapat tiga kondisi berikut (Eddy, 2001): a. Tersedia informasi tentang masa lalu. b. Informasi tersebut dapat dikuantitatifkan dalam bentuk data numerik. c. Dapat diasumsikan bahwa beberapa aspek pola masa lalu akan terus berlanjut dimasa yang akan datang. Pemilihan metode-metode peramalan akan tergantung pada pola data dan horizon waktu dari peramalan. Metode weight moving average yaitu model rata-rata begerak terbobot lebih responsif terhadap perubahan, karena data dari periode yang baru biasanya diberi bobot lebih besar. suatu model rata-rata bergerak n-periode terbobot, weighted MA(n), dinyatakan sebagai berikut (Gaspersz, 2004):

Weighted MA(n) =

( pembobot untuk periode n ) ( permintaan aktual dalam periode n ) ( pembobot )

Secara umum pemberian bobot untuk model rata-rata bergerak n-periode terbobot, weighted MA(n), akan dilakukan sebagai berikut (Gaspersz, 2004):Tabel 1 Pemberian Bobot untuk Model Rata-Rata Bergerak

Periode 1 periode yang lalu 2 periode yang lalu 3 periode yang lalu : : n-1 periode yang lalu n periode yang lalu Jumlah

Koefisien Pembobot (P) N n-1 n-2 : : n (n 2) = 2 n (n 1) = 1 pi (i = 1, 2, ..., n)

Selanjutnya menggunakan formula untuk weighted MA(n). Peramalan berdasarkan model rata-rata bergerak 4 bulan terbobot dilakukan sebagai berikut (Gaspersz, 2004):

Weighted MA(4) =

( 4 ) ( A1) + ( 3 ) ( A2 ) + ( 2 ) ( A3 ) + (1 ) ( A4 )10

Dimana : A1 = permintaan aktual 1 bulan (periode) yang lalu A2 = permintaan aktual 2 bulan (periode) yang lalu A3 = permintaan aktual 3 bulan (periode) yang lalu A4 = permintaan aktual 4 bulan (periode) yang lalu Selanjutnya untuk mengetahui sejauhmana keandalan dari model peramalan weighted MA(4), seyogianya kita membangun peta kontrol tracking signal. Untuk bisa mendapatkan nilai tracking signal harus dicari terlebih dahulu nilai MAD yang didapat dari rumus (Gaspersz, 2004):MAD =

( absolut dari forecast errors )n

Tracking Signal =

RSFE MAD

Metode exponential smoothing merupakan peramalan dengan pemulusan eksponensial biasa digunakan untuk pola data yang tidak stabil atau perubahannya besar dan bergejolak. Metode permalan ini bekerja hampir serupa dengan alat thermostat, dimana apabila galat ramalan (forecast error) adalah positif, yang berarti nilai aktual permintaan lebih tinggi daripada nilai ramalan (AF>0), maka model pemulusan eksponensial akan secara otomatis meningkatkan nilai ramalannya. Sebaliknya apabila galat ramalan (forecast error) adalah negatif, yang berarti nilai aktual permintaan lebih rendah daripada nilai ramalan (AF