PROGRAM PERAMALAN PRODUKSI SEBAGAI PENDUKUNG … fileKEPUTUSAN BAGI PENGUSAHA BATIK DALAM MENENTUKAN...

perpustakaan.uns.ac.id digilib.uns.ac.id

commit to user

PROGRAM PERAMALAN PRODUKSI SEBAGAI PENDUKUNG

KEPUTUSAN BAGI PENGUSAHA BATIK DALAM MENENTUKAN

JUMLAH PRODUKSI TIAP ITEM

Skripsi

Disusun Oleh:

Arini Zahrotul Jannah

M0508086

JURUSAN INFORMATIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

UNIVERSITAS SEBELAS MARET

SURAKARTA

2012


commit to user

ii

PROGRAM PERAMALAN PRODUKSI SEBAGAI PENDUKUNG

KEPUTUSAN BAGI PENGUSAHA BATIK DALAM MENENTUKAN

JUMLAH PRODUKSI TIAP ITEM

Oleh

Arini Zahrotul Jannah

M0508086

SKRIPSI

ditulis dan diajukan untuk memenuhi sebagian persyaratan

memperoleh gelar Sarjana Informatika

JURUSAN INFORMATIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

UNIVERSITAS SEBELAS MARET

SURAKARTA

2012


commit to user

iii


commit to user

iv

MOTTO

Don’t Walk, Just Run

(Running Man)

Banyak kegagalan dalam hidup ini dikarenakan orang-orang tidak menyadari

betapa dekatnya mereka dengan keberhasilan saat mereka menyerah.

(Thomas Alva Edison)

Life is a short drive that looks like a long journey.

(Penulis)


commit to user

v

PERSEMBAHAN

Karya ini Penulis persembahkan kepada:

“ Ibu, Bapak, serta kedua kakak tercinta Mas Faqih dan Mas Achmad.”

“Sahabat di Informatika UNS khususunya teman-teman angkatan 2008.”


commit to user

vi

KATA PENGANTAR

Bismillahirrahmaanirrahiim

Puji syukur penulis panjatkan kehadirat Allah Subhanahu Wa Ta’ala yang

senantiasa memberikan nikmat dan karunia-Nya sehingga penulis dapat

menyelesaikan skripsi dengan judul “Program Peramalan Produksi Sebagai

Pendukung Keputusan Bagi Pengusaha Batik dalam Menentukan Jumlah Produksi

Tiap Item”, yang menjadi salah satu syarat wajib untuk memperoleh gelar Sarjana

Informatika di Universitas Sebelas Maret (UNS) Surakarta.

Penulis menyadari akan keterbatasan yang dimiliki, begitu banyak

bimbingan, bantuan, serta motivasi yang diberikan dalam proses penyusunan

skripsi ini. Oleh karena itu, ucapan terima kasih penulis sampaikan kepada :

1. Bapak Prof. Ir. Ari Handono Ramelan, M.Sc. (Hons), Ph.D selaku Pimpinan

Fakultas MIPA Universitas Sebelas Maret Surakarta,

2. Ibu Umi Salamah, S.Si., M.Kom selaku Ketua Jurusan Informatika FMIPA

UNS sekaligus penguji utama yang telah memberikan masukan, kritik dan

saran yang membangun,

3. Bapak Ristu Saptono, S.Si., M.T. selaku Dosen Pembimbing I yang penuh

kesabaran membimbing, mengarahkan, dan memberi motivasi kepada

penulis selama proses penyusunan skripsi ini,

4. Bapak Drs. YS. Palgunadi, M.Sc selaku Dosen Pembimbing II yang penuh

kesabaran membimbing, mengarahkan, dan memberi motivasi kepada

penulis selama proses penyusunan skripsi ini,

5. Ibu Sari Widya Sihwi, S.Kom., M.T.I selaku anggota penguji yang telah

memberikan masukan, kritik dan saran yang membangun,

6. Bapak Wiharto, S.T., M.Kom. selaku Pembimbing Akademik yang telah

banyak memberi bimbingan dan pengarahan selama penulis menempuh studi

di Jurusan Informatika FMIPA UNS,

7. Bapak, Ibu, Kakak serta teman-teman yang telah memberikan bantuan

sehingga penyusunan skripsi ini dapat terselesaikan.

Penulis berharap semoga skripsi ini dapat bermanfaat bagi semua pihak

yang berkepentingan.

Surakarta, Juli 2012

Penulis


commit to user

vii

ABSTRACT

Production forecasting process is important for the company for determining

its future strategy. Many batik entrepreneurs are still using intuition for deciding

the amount of the production at this time. However, using their intuition may have

possibility in losses if the demand is less than the production because of the

unsold. An appropriate forecasting method is needed to get maximum benefit

from the forecasting process. A scientific prediction will be more valueable than

using intuition for estimating production. Time Series Analysis are methods that

can be used in the production forecast.

The Time Series Analysis used to determine the past data patterns which

had been collected from time to time. This research used exponential smothing

method, one kind of time series analysis methods. This method used to find the

optimal value of the constant alpha (α) and gamma (γ) was to get smaller MAPE.

The results of production forecast calculation shows that exponential

smoothing have small error, which is still below 20%. So that production

forecasting has a level of accuracy above 80%.

Keyword: exponential smoothing, production forecasting, time series analysis.


commit to user

viii

ABSTRAK

Proses peramalan produksi merupakan hal yang penting bagi perusahaan

dalam menentukan strategi perusahaan di masa mendatang. Seperti halnya dengan

pengusaha batik, selama ini banyak yang masih menggunakan metode intuisi

dalam menentukan jumlah produksi. Namun dengan cara tersebut dapat

mengakibatkan kerugian apabila permintaan lebih sedikit dari hasil produksi

sehingga terdapat sisa produksi yang tidak terjual. Sebuah metode peramalan yang

tepat diperlukan agar perusahaan bisa mendapatkan keuntungan yang maksimal

dari sebuah proses peramalan. Suatu pendugaan secara ilmiah terhadap masa

depan akan jauh lebih berarti daripada pendugaan yang hanya mengandalkan

intuisi saja. Metode Analisis Runtun Waktu merupakan metode yang dapat

digunakan dalam peramalan produksi.

Analisis Runtun Waktu digunakan untuk menentukan pola data masa

lampau yang telah dikumpulkan dari waktu ke waktu. Analisis Runtun waktu

yang digunakan dalam penelitian ini adalah metode Exponential Smoothing.

Metode ini digunakan untuk menemukan nilai optimal dari konstanta alpha (α)

dan gamma (γ). Sehingga akan memperoleh hasil peramalan dengan kesalahan

MAPE kecil.

Hasil dari perhitungan peramalan produksi menunjukkan bahwa exponential

smoothing memiliki error produksi yang kecil, yaitu berada di bawah 20%.

Sehingga peramalan produksi ini memiliki tingkat keakuratan di atas 80%.

Kata Kunci: analisis runtun waktu, exponential smoothing, peramalan produksi


commit to user

ix

DAFTAR ISI

HALAMAN SAMPUL ............................................................................................ i

HALAMAN JUDUL ............................................................................................... ii

HALAMAN PENGESAHAN ................................ Error! Bookmark not defined.

HALAMAN MOTTO ............................................................................................ iv

HALAMAN PERSEMBAHAN ............................................................................. v

KATA PENGANTAR ........................................................................................... vi

ABSTRACT .......................................................................................................... vii

ABSTRAK ........................................................................................................... viii

DAFTAR ISI .......................................................................................................... ix

DAFTAR TABEL .................................................................................................. xi

DAFTAR GAMBAR ............................................................................................ xii

DAFTAR LAMPIRAN ........................................................................................ xiv

BAB I PENDAHULUAN ....................................................................................... 1

1.1 Latar Belakang ............................................................................................ 1

1.2 Rumusan Masalah ....................................................................................... 3

1.3 Batasan Masalah .......................................................................................... 3

1.4 Tujuan Penelitian ......................................................................................... 3

1.5 Manfaat Penelitian ....................................................................................... 4

1.6 Sistematika Penulisan .................................................................................. 4

BAB II TINJAUAN PUSTAKA ............................................................................. 5

2.1 Dasar Teori .................................................................................................. 5

2.1.1 Peramalan ............................................................................................. 5

2.1.2 Jenis Pola Data ................................................................................... 10

2.1.3 Analisis Runtun Waktu ...................................................................... 13

2.1.4 Mean Absolute Percentage Error (MAPE) ........................................ 15

2.1.5 Galat / Error Relatif ........................................................................... 16

2.2 Penelitian Terkait ...................................................................................... 17

2.3 Rencana Penelitian .................................................................................... 19


commit to user

x

BAB III METODOLOGI PENELITIAN.............................................................. 21

3.1 Tahap Pengumpulan Data ......................................................................... 22

3.1.1 Tempat dan Waktu Penelitian ............................................................ 22

3.1.2 Metode Pengumpulan Data ................................................................ 22

3.1.3 Sumber Data ....................................................................................... 22

3.2 Tahap Pemodelan ...................................................................................... 23

3.2.1 Pemodelan Prediksi ............................................................................ 23

3.2.2 Menentukan Software Requirement Specification ............................. 24

3.2.3 Membuat Use Case Diagram ............................................................. 25

3.2.4 Membuat Desain dan Flowchart Perencanaan Program .................... 25

3.3 Tahap Construction ................................................................................... 26

3.3.1 Implementasi Database ...................................................................... 26

3.3.2 Menulis Kode Program ...................................................................... 26

3.3.3 Melakukan Pengujian ......................................................................... 26

BAB IV PEMBAHASAN ..................................................................................... 27

4.1 Analisis Kebutuhan ................................................................................... 27

4.1.1 Deskripsi Umum Program .................................................................. 27

4.1.2 Fungsi Program .................................................................................. 28

4.1.3 Pemilihan alpha (α) dan gamma (γ) ................................................... 30

4.2 Pengelompokan Data ................................................................................. 30

4.3 Plot Data ................................................................................................... 32

4.4 Perhitungan Prediksi dengan Metode Analisis Runtun Waktu ................. 32

4.5 Pemilihan Metode dan Hasil Prediski Tiap Item ...................................... 44

4.6 Pengujian Hasil Prediksi ........................................................................... 49

4.7 Data dan Hasil Keseluruhan Perhitungan Prediksi.................................... 51

4.8 Perancangan Program dan Implementasi .................................................. 51

BAB V PENUTUP ................................................................................................ 52

5.1 Kesimpulan ................................................................................................ 52

5.2 Saran .......................................................................................................... 53

DAFTAR PUSTAKA ........................................................................................... 54


commit to user

xi

DAFTAR TABEL

Tabel 4.1 Data Produksi Blus Tahun 2009-2011 .................................................. 31

Tabel 4.2 Contoh Hasil Perhitungan Peramalan Produksi Blus dengan Metode

Single Exponential Smoothing Periode 1 - 32 ...................................... 33


Double Exponential Smoothing α = 0.10 dan α = 0.20 ........................ 37


Double Exponential Smoothing α = 0.25 dan α = 0.30 ........................ 38

Tabel 4.5 Contoh Hasil Perhitungan Peramalan Produksi Blus dengan Double

Exponential Smoothing α = 0.60 Periode 1 - 32 ................................... 40

Tabel 4.6 Contoh Hasil Perhitungan Peramalan Produksi Blus Pada Data Uji

dengan Metode Single Exponential Smoothing .................................... 44


dengan Metode Double Exponential Smoothing α=0.10 ..................... 44

Tabel 4.8 Error Perhitungan Prediksi Tiap Item (dalam %) ................................. 45

Tabel 4.9 Rata-rata Error Pengujian Prediksi Produksi ....................................... 50


commit to user

xii

DAFTAR GAMBAR

Gambar 2.1. Tahapan dari Proses Peramalan.......................................................... 8

Gambar 2.2 Pola Data Stationer / Horizontal........................................................ 11

Gambar 2.3 Pola Data Musiman ........................................................................... 12

Gambar 2.4 Pola Data Siklis ................................................................................. 12

Gambar 2.5 Pola Data Trend ................................................................................. 13

Gambar 3.1 Diagram Metode Penelitian Tugas Akhir.......................................... 21

Gambar 4.1 Grafik Data Produksi Blus Tahun 2009 – 2010 ................................ 32

Gambar 4.2 Grafik Perbandingan Data Aktual Blus dengan Prediksi Single

Exponential Smoothing α = 0.10 ...................................................... 34









Gambar 4.7 Grafik Perbandingan Data Aktual Blus dengan Prediksi Double

Exponential Smoothing α = 0.10 γ = 0.10 ........................................ 41









Gambar 4.12 Grafik Perbandingan Data Aktual Long Dress Batik dengan Hasil

Prediksi Metode Yang Memiliki MAPE 3 Terkecil ........................ 46


commit to user

xiii

Gambar 4.13 Grafik Perbandingan Data Aktual Blus ABG Batik dengan Hasil

Prediksi Metode Yang Memiliki MAPE 3 Terkecil ............................... 47

Gambar 4.14 Grafik Perbandingan Data Aktual Hem Pendek Batik dengan Hasil


Gambar 4.15 Grafik Perbandingan Data Aktual Dress Pendek Batik dengan Hasil


Gambar 4.16 Grafik Perbandingan Periode Pengujian dan Rata-rata Error ......... 50


commit to user

xiv

DAFTAR LAMPIRAN

LAMPIRAN A ...................................................................................................... 56

LAMPIRAN B ...................................................................................................... 59

LAMPIRAN C ...................................................................................................... 80

LAMPIRAN D ...................................................................................................... 83

LAMPIRAN E .................................................................................................... 104


commit to user

1

BAB I

PENDAHULUAN

1.1 Latar Belakang

Salah satu icon yang menjadikan Indonesia dikenal di dunia Internasional

adalah budayanya. Dimana budaya yang ada sekarang ini semakin modern namun

tidak meninggalkan unsur aslinya. Misalnya budaya seperti batik pun kini menjadi

lebih modern namun tidak pula meninggalkan nuansa batik aslinya. Saat ini batik

sedang menjadi incaran banyak kalangan, karena semakin banyak variasi warna,

corak atau motif, serta model-model yang ditawarkan. Banyak kantor yang

menjadikan batik sebagai seragam di hari-hari tertentu. Tidak hanya orang tua,

para remaja bahkan anak-anak pun kini bangga menggunakan pakaian batik.

Namun jika kita tinjau dari pengusaha batik, terkadang mereka bingung dalam

menentukan jumlah produksi di masa mendatang agar dapat memperoleh hasil

yang maksimal. Hal ini dikarenakan permintaan di pasar yang tidak konstan,

kadang naik dan kadang turun.

Pada dasarnya, pengusaha batik akan memproduksi jumlah barang dengan

metode coba-coba atau intuisi. Namun dengan cara tersebut, terkadang justru

mendatangkan masalah besar karena kesalahan produksi yang diakibatkan oleh

ketidaksesuaian jumlah produksi dengan kenyataan di pasar. Jika seorang

pengusaha batik salah dalam memproduksi, maka akan mendatangkan kerugian

yang diakibatkan oleh jumlah produksi yang lebih besar dibanding dengan

permintaan di pasar, atau sebaliknya sehingga pengusaha batik tidak dapat

memenuhi kebutuhan konsumen dengan tepat sasaran. Apabila terjadi produksi

lebih banyak dari permintaan, maka akan mengakibatkan stok dalam gudang yang

berlebihan.

Peramalan produksi telah berhasil dalam meminimalkan terjadinya

demand over supply atau sebaliknya. Pada dasarnya peramalan merupakan suatu

dugaan atau perkiraan tentang terjadinya suatu keadaan di masa depan, tetapi


commit to user

2

dengan menggunakan metode-metode tertentu maka peramalan akan menjadi

lebih dari sekedar perkiraan. Peramalan dilakukan dengan memanfaatkan

informasi terbaik yang ada pada masa lalu, untuk menimbang kegiatan di masa

yang akan datang agar tujuan yang diinginkan dapat tercapai (Soedjianto et. al.,

2006:E117).

Dalam proses peramalan dapat disadari bahwa sering terjadi ketidakakuratan

hasil peramalan. Namun perlu disadari pula bahwa semua organisasi beroperasi

dalam suatu lingkungan yang mengandung unsur ketidakpastian. Akan tetapi

sebuah keputusan tetap harus diambil yang nantinya akan mempengaruhi masa

depan organisasi tersebut. Suatu pendugaan secara ilmiah terhadap masa depan

akan jauh lebih berarti daripada pendugaan yang hanya mengandalkan intuisi saja.

Indikator yang dapat digunakan untuk melakukan peramalan antara lain

adalah Analisis Runtun Waktu (Time Series Analysis). Runtun waktu merupakan

serangkaian pengamatan terhadap suatu peristiwa, kejadian yang diambil dari

waktu ke waktu, serta dicatat secara teliti berdasarkan urutan waktu, kemudian

disusun dengan data statistik (Hadi, 1968) (Istiqomah, 2006:12). Menurut Gujarati

(1955), Analisis Runtun Waktu merupakan analisis sekumpulan data dalam suatu

periode waktu lampau yang berguna untuk mengetahui atau meramalkan kondisi

masa mendatang. Hal ini didasarkan bahwa perilaku manusia banyak dipengaruhi

oleh kondisi atau waktu sebelumnya sehingga dalam hal ini faktor waktu sangat

penting peranannya (Gujarati, 1955) (Adawiyah, 2011). Analisis Runtun Waktu

akan dijadikan sebagai dasar perhitungan untuk memprediksikan jumlah produksi

masa depan dalam program peramalan produksi yang akan dibangun. Program

peramalan ini diharapkan dapat membantu pengusaha batik dalam menentukan

keputusan produksi.


commit to user

3

1.2 Rumusan Masalah

Berdasarkan uraian yang telah dijabarkan di atas, yang menjadi lingkup

permasalahan dalam penelitian ini adalah sebagai berikut:

1. Bagaimana meramalkan produksi batik di masa mendatang berdasarkan

data produksi masa lalu agar mendapatkan hasil peramalan yang baik

sehingga dapat membantu pengusaha batik dalam menentukan jumlah

produksi.

2. Menganalisis tingkat keakuratan yang dihasilkan dari proses peramalan

produksi.

1.3 Batasan Masalah

Agar penelitian ini dapat mencapai sasaran dan tujuan yang diharapkan,

maka permasalahan akan dibatasi sebagai berikut:

1. Produksi batik yang akan diramalkan antara lain adalah hem pendek,

blus, longdress, dan dress pendek.

2. Data yang digunakan untuk peramalan diambil dari data produksi batik di

masa lampau minimal 6 bulan yang bersifat continue (selalu diproduksi

tiap bulan), kemudian dilakukan perhitungan untuk memprediksi jumlah

produksi 1 bulan ke depan.

1.4 Tujuan Penelitian

Tujuan dari penelitian ini antara lain adalah sebagai berikut:

1. Membuat program peramalan produksi batik yang diharapkan dapat

membantu dalam menentukan jumlah produksi dengan metode Analisis

Runtun Waktu.

2. Mengetahui tingkat keakuratan prediksi yang dihasilkan oleh program

peramalan produksi.


commit to user

4

1.5 Manfaat Penelitian

Manfaat dari penelitian ini antara lain adalah:

1. Membantu pengusaha batik dalam menentukan jumlah produksi tiap item

dengan program peramalan produksi.

2. Membantu mempercepat proses peramalan produksi batik dengan

mengolah data yang ada pada basis data program.

1.6 Sistematika Penulisan

Berikut ini adalah urutan sistematika penulisan laporan tugas akhir yang

dibuat. Bab I Pendahuluan, memuat tentang latar belakang, rumusan masalah,

batasan masalah, tujuan penelitian, manfaat penelitian, dan sistematika penulisan

laporan tugas akhir. Bab II Tinjauan Pustaka, menguraikan dasar teori yang

mendasari pembahasan secara detail, penelitian terkait yang pernah dilakukan

serta rencana penelitian yang akan dilakukan dalam tugas akhir. Bab III Metode

Penelitian, menguraikan tentang gambaran objek penelitian, serta gambaran

langkah-langkah yang dilakukan oleh penulis untuk melaksanakan dan

menyelesaikan penelitian ini. Bab IV Pembahasan, menguraikan tentang

bagaimana menyelesaikan masalah yang telah dirumuskan berdasarkan metode

yang dipilih dan berusaha untuk mewujudkan tujuan dan manfaat yang ingin

diraih. Bab V Penutup, berisi kesimpulan dan saran. Kesimpulan berisi rumusan

jawaban terhadap pertanyaan (perumusan masalah) dengan bukti-bukti yang ada

dan telah dilakukan dalam penelitian ini. Saran merupakan sesuatu yang belum

ditempuh dan layak untuk dilaksanakan pada penelitian selanjutnya.


commit to user

5

BAB II

TINJAUAN PUSTAKA

2.1 Dasar Teori

2.1.1 Peramalan

Pada dasarnya peramalan adalah sebuah tafsiran, sehingga keadaan di

masa mendatang tidak harus persis sama seperti hasil peramalan. Namun ada

batas interval dimana keadaan yang sebenarnya masih berada dalam interval

tersebut, sehingga hasilnya tidak jauh berbeda dengan yang sudah diramalkan.

Peramalan menggunakan data masa lalu dari sebuah variabel atau kumpulan

variabel untuk mengestimasi nilainya di masa yang akan datang. Peramalan

merupakan bagian vital bagi setiap organisasi bisnis untuk setiap pengambilan

keputusan manajemen yang sangat signifikan. Oleh karena itu, dalam membuat

rencana produksi, perusahaan harus mempertimbangkan beberapa kepentingan

perusahaan seperti laba, tujuan sosial, penciptaan lapangan kerja, dan

sebagainya (Soedjianto et. al. 2006:E117).

Pertimbangan tentang peramalan telah tumbuh karena beberapa faktor,

yang pertama adalah karena meningkatnya kompleksitas organisasi dan

lingkungan. Hal ini menjadikan semakin sulit bagi pengambil keputusan untuk

mempertimbangkan semua faktor secara memuaskan. Kedua, dengan

meningkatnya ukuran organisasi, maka bobot dan kepentingan suatu keputusan

meningkat pula. Ketiga, lingkungan dari kebanyakan organisasi telah berubah

dengan cepat.

Peramalan diperlukan karena adanya perbedaan-perbedaan waktu antara

kebijaksanaan baru dengan waktu pelaksanaan tersebut. Oleh karena itu, dalam

menentukan kebijaksanaan diperlukan kesempatan atas peluang yang ada, dan

gangguan yang mungkin terjadi pada saat kebijaksanaan baru tersebut

dilaksanakan (Soedjianto et. al, 2006:E117). Peramalan diperlukan untuk

mengantisipasi suatu peristiwa yang dapat terjadi pada masa yang akan datang,


commit to user

6

sehingga dapat dipersiapkan kebijaksanaan atau tindakan-tindakan yang perlu

dilakukan.

Adapun manfaat dari peramalan adalah sebagai berikut:

1. Membantu agar perencanaan suatu pekerjaan dapat diperkirakan dengan

secara tepat.

2. Merupakan suatu pedoman dalam menentukan tingkat persediaan

perencanaan dapat bekerja secara optimal.

3. Sebagai masukan untuk penentuan jumlah investasi.

4. Membantu menentukan pengembangan suatu pekerjaan untuk periode

selanjutnya.

Adapun prinsip-prinsip peramalan adalah sebagai berikut:

1. Peramalan melibatkan kesalahan (error).

2. Peramalan sebaiknya memakai tolok ukur kesalahan peramalan.

3. Peramalan famili produk lebih akurat dari pada peramalan produk individu

(item).

4. Peramalan jangka pendek lebih akurat dari pada jangka panjang.

5. Jika dimungkinkan, hitung permintaan daripada meramal permintaan.

2.1.1.1 Teknik dan Jenis Peramalan

Situasi peramalan sangat beragam dalam horison waktu peramalan,

faktor yang menentukan hasil sebenarnya, tipe pola data dan berbagai aspek

lainnya. Untuk menghadapi penggunaan yang luas seperti itu, beberapa

teknik telah dikembangkan. Teknik tersebut dibagi kedalam dua kategori

utama yaitu :

1. Metode Kualitatif

Metode kualitatif atau teknologis adalah peramalan yang dapat

didasarkan atas data yang dapat dikualitatifkan pada masa yang lalu.

Metode ini tidak memerlukan data yang sama seperti metode peramalan


commit to user

7

kuantitatif. Input yang dibutuhkan tergantung pada metode tertentu dan

biasanya merupakan hasil dari pemikiran intuitif, perkiraan, dan

pengetahuan yang telah didapat. Teknik teknologis sangat beragam

dalam biaya, kompleksitas, dan nilainya. Teknik ini dapat digunakan

secara terpisah tetapi lebih sering digunakan sebagai kombinasi satu

sama lain atau digabungkan dengan metode kuantitatif.

Rangkuti et, al (2003) menyatakan ada empat pendekatan yang

biasa dipakai dalam peramalan kualitatif, yaitu:

1. Pendapat para eksekutif (jury of executive opinion)

Dalam metode ini, peramalan dilakukan oleh eksekutif/ manajer

tingkat atas perusahaan, dengan kemampuan yang mereka miliki.

2. Gabungan beberapa tenaga penjual (sales force composite)

3. Peramalan dilakukan dengan memanfaatkan kedekatan tenaga penjual

dengan konsumen.

4. Metode Delphi

Dilakukan dengan melengkapi data untuk peramalan dengan

membagikan daftar pertanyaan kepada konsumen/masyarakat.

5. Riset pasar (Customer market survey)

Peramalan dilakukan dengan turun langsung ke lapangan/ pasar,

sehingga diperoleh informasi langsung dari pasar.

2. Metode Kuantitatif

Metode kuantitatif adalah peramalan yang dapat didasarkan atas

data yang dapat dikuantitatifkan pada masa yang lalu. Teknik peramalan

kuantitatif sangat beragam, dapat dikembangkan dari berbagai disiplin

dan untuk berbagai maksud. Prosedur peramalan kuantitatif terletak

diantara dua rangkaian kesatuan, yaitu metode naïf atau instuitif, dan

metode kuantitatif formal yang didasarkan atas prinsip-prinsip statistika.

Jenis yang pertama menggunakan ekstrapolasi horisontal, musiman, dan

kecenderungan (trend).


commit to user

8

1. Mengidentifikasi tujuan dari peramalan

2. Mengumpulkan data masa lampau

3. Plot data dan identifikasi pola/alur

4. Pilih model peramalan yang cocok

5. Menghitung peramalan berdasarkan data pada

periode tertentu pada historical data

6. Memeriksa keakuratan peramalan

7. Apakah

keakuratan dari

peramalan dapat

diterima?

8a. Diramalkan berada pada jangkauan

perencanaan

9. Menyesuaikan ramalan berdasarkan informasi

penunjang

10. Mengamati hasil dan mengukur tingkat

keakuratan

8b. Pilih model peramalan yang baru atau

sesuaikan dengan parameter yang ada

NO

YES

Gambar 2.1. Tahapan dari Proses Peramalan (Russel, 2003)


commit to user

9

Metode kuantitatif dapat diterapkan bila terdapat kondisi berikut:

a. Tersedia informasi/data tentang masa lalu,

b. Informasi/data tersebut dapat dikuantitatifkan dalam bentuk data

numerik,

c. Dapat diasumsikan bahwa beberapa aspek pola masa lalu akan terus

berlanjut pada masa yang akan datang.

Metode peramalan kuantitatif dapat dibagi kedalam 2 bagian yaitu:

1. Runtun Waktu (time series)

Runtun Waktu adalah suatu analisis yang berdasarkan hasil

ramalan yang disusun atas pola hubungan antara variabel yang dicari

dengan variabel waktu yang mempengaruhinya. Pendugaan masa

depan dilakukan berdasarkan nilai masa lalu dari suatu variabel atau

kesalahan masa lalu. Tujuan metode peramalan runtun waktu adalah

menemukan pola dalam data histori runtun waktu dan

mengekstrapolasikan pola tersebut ke masa depan.

2. Metode Kausal

Metode kausal adalah suatu metode yang menggunakan

pendekatan sebab akibat, dan bertujuan untuk meramalkan keadaan di

masa yang akan datang dengan menemukan dan mengukur beberapa

variabel tidak bebas yang akan diramalkan. Tujuan dari metode kausal

adalah menemukan bentuk hubungan tersebut dan menggunakannya

untuk meramalkan nilai mendatang dari variabel tidak bebas.

Kedua model tersebut yaitu runtun waktu (time series) dan kausal

mempunyai keuntungan dalam situasi tertentu. Model time series seringkali

dapat digunakan dengan mudah untuk meramal, sedangkan model kausal

dapat digunakan dengan keberhasilan yang lebih besar untuk pengambilan

keputusan dan kebijaksanaan. Jika data yang diperlukan tersedia, suatu


commit to user

10

hubungan peramalan dapat dihipotesiskan baik secara fungsi dari waktu atau

sebagai fungsi dari variabel bebas, kemudian diuji.

Langkah penting dalam memilih suatu metode time series yang tepat

adalah dengan mempertimbangkan jenis pola data, sehingga metode yang

paling tepat dengan pola tersebut dapat diuji. Baik tidaknya metode yang

dipergunakan dinilai dari perbedaan atau penyimpangan antara hasil

ramalan dengan kenyataan yang terjadi. Semakin kecil penyimpangan antara

hasil ramalan dengan kenyataan yang terjadi maka semakin baik pula

metode yang digunakan.

2.1.1.2 Proses Peramalan

Para ahli mempunyai pandangan berbeda tentang langkah-langkah

dari proses peramalan. Rusell (2003) menentukan sepuluh langkah atau

tahapan dari proses peramalan sebagaimana ditunjukkan pada Gambar 2.1.

2.1.2 Jenis Pola Data

Model time series seringkali dapat digunakan dengan mudah untuk

meramal, sedangkan model kausal dapat digunakan dengan keberhasilan yang

lebih besar untuk pengambilan keputusan dan kebijaksanaan. (Makridakis et.

al., 1999:99). Bilamana data yang diperlukan tersedia, suatu hubungan

peramalan dapat dihipotesiskan baik sebagai fungsi dari waktu atau sebagai

fungsi dari variabel bebas, kemudian diuji. Langkah penting dalam memilih

model time series yang tepat adalah dengan mempertimbangkan jenis pola

data, sehingga metode yang paling tepat dengan pola tersebut dapat diuji. Pola

data dapat dibedakan menjadi empat jenis stasioner, musiman, siklis dan trend.

Time series merupakan data yang dikumpulkan, dicatat atau diobservasi

sepanjang waktu secara berurutan dengan beberapa periode waktu misalnya

tahun, kuartal, bulan, minggu dan pada beberapa kasus hari atau jam. Data time

series di analisis untuk menemukan pola variasi masa lalu yang dapat

dipergunakan untuk memperkirakan nilai untuk masa depan karena dengan


commit to user

11

mengamati data runtun waktu akan terlihat empat komponen yang akan

mempengaruhi pola data masa lalu dan sekarang yang cenderung berulang di

masa mendatang. Klasifikasi model time series berdasarkan bentuk atau fungsi

antara lain linier dan non linier. Contoh dari model time series linier yaitu

moving average dan exponential smoothing.

2.1.2.1 Data Stationer

Pola data terjadi jika terdapat data yang berfluktuasi disekitar nilai

rata-rata yang konstan (Makridakis et. al., 1999:10). Suatu produk yang

penjualannya tidak meningkat atau menurun selama waktu tertentu

termasuk jenis pola stasioner. Pola khas dari data horizontal atau stasioner

seperti ini dapat dilihat pada Gambar 2.2.

Gambar 2.2 Pola Data Stationer / Horizontal (Makridakis et. al., 2010:11)

2.1.2.2 Data Musiman

Pola data musiman terjadi jika terdapat suatu deret data yang

dipengaruhi oleh faktor musiman misalnya kuartal tahun tertentu, bulanan,

atau hari-hari pada minggu tertentu (Makridakis et. al., 1999:10). Untuk

pola musiman kuartalan dapat dilihat pada Gambar 2.3.


commit to user

12

Gambar 2.3 Pola Data Musiman (Makridakis et. al., 2010:11)

2.1.2.3 Data Siklis

Pola data siklis terjadi jika terdapat data yang dipengaruhi oleh

fluktuasi ekonomi jangka panjang seperti yang berhubungan dengan siklus

bisnis. Contoh: Penjualan produk seperti mobil, baja, dan peralatan utama

lainnya. Jenis pola ini dapat dilihat pada Gambar 2.4.

Gambar 2.4 Pola Data Siklis (Makridakis et. al., 2010:11)

2.1.2.4 Data Trend

Pola data trend terjadi jika terdapat kenaikan atau penurunan jangka

panjang dalam data. Misalnya penjualan di perusahaan GNP (Globalindo


commit to user

13

Niaga Prima), perusahaan yang bergerak dalam bidang usaha pemasaran dan

berbagai indikator bisnis atau ekonomi lainnya. Jenis pola ini dapat dilihat

pada Gambar 2.5.

Gambar 2.5 Pola Data Trend (Makridakis et. al., 2010:11)

2.1.3 Analisis Runtun Waktu

Menurut Hadi (1968), runtun waktu merupakan serangkaian pengamatan

terhadap suatu peristiwa, kejadian yang diambil dari waktu ke waktu, serta

dicatat secara teliti berdasarkan urutan waktu, kemudian disusun dengan data

statistik (Hadi, 1968) (Istiqomah, 2006:12). Pada umumnya pencatatan ini

dilakukan dalam jangka waktu tertentu misalnya satu bulan, satu tahun,

sepuluh tahunan dan sebagainya. Sedangkan analisis runtun waktu adalah suatu

metode kuantitatif untuk menentukan pola data masa lampau yang telah

dikumpulkan secara teratur. Jika kita telah menemukan pola data tersebut,

maka kita dapat menggunakannya untuk peramalan di masa mendatang.

Analisis runtun waktu merupakan analisis sekumpulan data dalam suatu

periode waktu lampau yang berguna untuk mengetahui atau meramalkan

kondisi masa mendatang. Hal ini didasarkan bahwa perilaku manusia banyak

dipengaruhi oleh kondisi atau waktu sebelumnya sehingga dalam hal ini faktor

waktu sangat penting peranannya.


commit to user

14

2.1.3.1 Exponential Smoothing

Metode Exponential Smoothing menurut Makridakis (1999) dalam

bukunya yang berjudul “Metode dan Aplikasi Peramalan” merupakan

prosedur perbaikan terus-menerus pada peramalan terhadap objek

pengamatan terbaru. Metode peramalan ini menitik-beratkan pada

penurunan prioritas secara eksponensial pada objek pengamatan yang lebih

tua (Makridakis et. al., 1999:80). Dalam pemulusan eksponensial atau

exponential smoothing terdapat satu atau lebih parameter pemulusan yang

ditentukan secara eksplisit, dan hasil ini menentukan bobot yang dikenakan

pada nilai observasi. Dengan kata lain, observasi terbaru akan diberikan

prioritas lebih tinggi bagi peramalan daripada observasi yang lebih lama.

Metode Exponential Smoothing dibagi lagi menjadi beberapa metode.

a. Single Exponential Smoothing

Single Exponential Smoothing digunakan pada peramalan jangka

pendek, biasanya hanya 1 bulan ke depan. Model ini mengasumsikan

bahwa data berfluktuasi di sekitar nilai mean yang tetap dengan pola

pertumbuhan konsisten (Makridakis et. al., 1999:80).

Rumus untuk single exponential smoothing adalah sebagai berikut:

Dimana:

Ft+1 = peramalan untuk periode t + 1

Xt = Nilai aktual time series

Ft = peramalan pada waktu t

α = konstanta perataan antara 0 dan 1


commit to user

15

b. Double Exponential Smoothing (Metode Holt)

Metode ini digunakan ketika data menunjukkan adanya trend.

Exponential smoothing dengan adanya trend seperti pemulusan

sederhana kecuali bahwa dua komponen harus di-update setiap periode,

level dan trend-nya. Level adalah estimasi yang dimuluskan dari nilai

data pada akhir masing – masing periode. Menurut Makdridakis, trend

adalah estimasi yang dihaluskan dari pertumbuhan rata-rata pada akhir

masing-masing periode. (Makridakis et. al., 1999: 91).

Rumus double exponential smoothing adalah sebagai berikut:

Dimana:

St = peramalan untuk periode t

= nilai aktual time series

= tren pada periode ke-t

α = parameter pertama perataan antara 0 dan 1, untuk

pemulusan nilai observasi

γ = parameter kedua, untuk pemulusan tren

= hasil ramalan ke-m

m = jumlah periode kedepan yang akan diramalkan

2.1.4 Mean Absolute Percentage Error (MAPE)

Hasil peramalan yang akurat adalah peramalan yang bisa meminimalkan

kesalahan meramal (Soedjianto et. al., 2006:E117). Karena itu dalam

menghitung kesalahan meramal digunakan Mean Absolute Percentage Error

(MAPE).


commit to user

16

Rumus untuk MAPE adalah sebagai berikut:

Dimana:

Xt = Nilai data periode ke-t

Ft = Nilai ramalan periode ke-t

n = banyaknya data

Sebuah peramalan dikatakan sangat baik apabila MAPE kurang dari 10%

dan dikatakan baik apabila MAPE di antara 10% sampai 20% (Zainun dan Majid,

2004:523).

2.1.5 Galat / Error Relatif

Galat (ε) berasosiasi dengan seberapa dekat solusi hampiran terhadap solusi

sejatinya. Semakin kecil galatnya, maka semakin teliti solusi numerik yang

didapatkan (Munir, 2003).

Rumus untuk mencari galat adalah sebagai berikut:

Dimana:


commit to user

17

2.2 Penelitian Terkait

Penelitian yang dilakukan oleh penulis ini mengacu pada penelitian sejenis

yang sudah dilakukan sebelumnya. Beberapa penelitian tersebut akan diuraikan

berikut ini.

a. Raharja et. al. (2010) melakukan penelitan yang berjudul Penerapan

Metode Exponential Smoothing Untuk Peramalan Penggunaan

Waktu Telepon Di PT. TELKOMSEL DIVRE3 Surabaya mengkaji

tentang penggunaan telepon pelanggan Telkomsel. Hal ini bertujuan

untuk melihat jumlah pelanggan Telkomsel pada saat tertentu, sehingga

dapat diketahui kapan saat permintaan naik konstan dan keadaan sedang

menurun. Peramalan ini berguna untuk mengetahui jumlah pemakaian

pelanggan yang cukup banyak.

Metode peramalan yang digunakan dalam penelian ini adalah

Exponential Smoothing dan Ordinary Least Square (OLS) atau kuadrat

terkecil linier (Linear Least Square). Langkah pertama yang dilakukan

adalah mengubah data yang sudah ada tersebut di plot dalam bentuk

grafik untuk mengetahui pola data yang ada. Dalam mengenali jenis pola

data ini, cara yang digunakan dengan melakukan plot data yang sudah

dirata-rata. Data pelanggan dalam menggunakan telepon yang sudah

dirata-rata diplot dengan menggunakan aplikasi excel. Setelah itu akan

terlihat grafik yang dihasilkan kemudian akan ditentukan penggunaan

metode exponential smoothing yang tepat. Jika pola data yang terlihat

dari grafik adalah non stasioner dan mengandung trend di dalamnya,

maka metode smoothing yang digunakan adalah Double Exponential

Smoothing.

Seperti yang telah dicontohkan dalam penelitian ini, untuk data

pada tahun 2005 ternyata pola data yang terlihat tidak terlalu stasioner

dan sedikit mengandung trend di dalamnya. Sehingga metode smoothing


commit to user

18

yang digunakan adalah Double Exponential Smoothing. Setelah proses

smoothing, didapatkan hasil ramalan, hasil ramalan ini menjadi input

OLS (Ordinary Least Square). Model OLS tersebut diimplementasikan

dengan menggunakan software Matlab.

Dari hasil uji coba yang telah dilakukan dengan data penggunaan

pada tahun 2005 dapat diketahui bakwa hasil peramalan dengan metode

Double Exponential Smoothing lebih baik dibandingkan dengan metode

Moving Average dengan selisih error sebesar 0.29%. Hal ini berarti

bahwa Double Exponential Smoothing bagus digunakan dalam proses

peramalan karena menghasilkan error lebih kecil dibandingkan dengan

Moving Average.

b. Kalekar dalam penelitiannya yang berjudul Time Series Forecasting

Using Holt-Winters Exponential Smoothing mengkaji tentang

peramalan perilaku permintaan dari industri seperti pakaian atau mainan.

Dimana data tersebut bersifat data musiman (seasonal time series).

Untuk menganalisa data seasonal time series digunakan metode Holt-

Winters Exponential Smoothing. Dua model yang dibahas dalam

penelitian ini adalah Multiplicative Seasonal Model dan Additive

Seasonal Model.

Seringkali, data time series menampilkan perilaku yang bersifat

musiman. Musiman didefinisikan sebagai kecenderungan data time series

untuk menunjukkan perilaku yang berulang setiap periode. Setelah

diperoleh model time series, langkah berikutnya adalah memilih model

peramalan. Peramalan dengan time series analysis dimulai dengan

membuat plot grafik untuk diperkirakan model peramalannya. Tujuan

dari membuat plot adalah untuk memberikan kesan visual dari sifat data

time series. Setelah memilih model, langkah selanjutnya adalah

menentukan spesifikasinya. Proses menentukan model peramalan

melibatkan variabel yang akan dimasukkan, memilih bentuk persamaan


commit to user

19

hubungan, dan memperkirakan nilai-nilai parameter dalam persamaan

itu. Setelah model ditentukan, karakteristik kinerja harus diverifikasi atau

disahkan oleh perbandingan prakiraan dengan data historis. Proses ini

dirancang untuk meramalkan kejadian yang akan datang. Kesalahan

langkah-langkah seperti MAPE (Mean Absolute Percentage Error), RAE

(Realative Absolute Error), MSE (Mean Squared Error) digunakan untuk

memvalidasi model. Hasil pengujian menunjukkan bahwa model

multiplikatif memberikan hasil yang lebih baik dibandingkan dengan

model aditif untuk semua seri.

c. Pramita, Wahyu., Haryanto Tanuwijaya dalam penelitian yang

berjudul Penetapan Metode Exponential Smoothing Winter dalam

Sistem Informasi Pengendalian Persediaan Produk dan Bahan Baku

Sebuah Cafe mengkaji tentang pengaruh parameter pada metode Winter

Exponential Smoothing, yaitu untuk memuluskan data dengan

menghilangkan pengaruh random, trend, dan musiman pada data. Tiap

bahan baku memiliki nilai parameter yang berbeda-beda untuk

menghasilkan nilai MAPE dan MSE terkecil. Dari uji coba didapatkan

bahwa setiap bahan baku memiliki karakteristik data time series yang

berbeda-beda sehingga masing-masing produk memiliki parameter

pemulusan berbeda dengan produk lainnya.

2.3 Rencana Penelitian

Dengan melihat tinjauan pustaka di atas, penelitian ini akan berkonsentrasi

pada peramalan produksi sebagai pendukung keputusan bagi pengusaha batik

dalam menentukan jumlah produksi dengan menggunakan Analisis Runtun

Waktu. Analisis Runtun Waktu yang digunakan adalah Exponential Smoothing

yang meliputi Single Exponential Smoothing dan Double Exponential Smoothing.


commit to user

20

Dari model analisis runtun waktu yang digunakan, hanya ada satu model

terbaik yang akan dipakai untuk peramalan tiap item, yaitu model dengan

parameter pemulusan yang menghasilan kesalahan prediksi terkecil. Kesalahan

prediksi dilihat dari MAPE (Mean Absolute Percentage Error). Dimana parameter

pemulusan ini berkisar antara 0 sampai 1. Parameter pemulusan yang akan

digunakan dalam perhitungan ditentukan secara eksplisit melalui sebuah

percobaan pencarian parameter. Parameter dengan rata-rata tingkat kesalahan

prediksi terkecil akan digunakan sebagai dasar perhitungan dalam mencari

prediksi produksi. Hal ini memungkinkan model perhitungan yang digunakan tiap

item dapat berbeda. Tergantung model mana yang memiliki MAPE terkecil untuk

item tersebut. Program peramalan produksi ini diharapkan dapat membantu

pengusaha batik dalam menentukan keputusan produksi.


commit to user

21

BAB III

METODOLOGI PENELITIAN

Metode penelitian yang digunakan dalam penulisan tugas akhir ini

adalah melalui tahap pengumpulan data, tahap pemodelan, dan tahap contruction.

Metode yang digunakan dalam proses perhitungan prediksi adalah analisis runtun

waktu yang meliputi Single Exponential Smoothing dan Double Exponential

Smoothing. Langkah-langkah yang dilakukan dalam penelitian tugas akhir ini

dapat digambarkan pada diagram berikut ini.

Gambar 3.1 Diagram Metode Penelitian Tugas Akhir

• Tempat dan Waktu Penelitian

• Metode Pengumpulan Data

• Sumber Data

Tahap Pengumpulan Data

• Pemodelan Prediksi

• Menentukan Software Requirement Specification

• Membuat Use Case Diagram

• Membuat Desain dan Flowchart Perencanaan Sistem

Tahap Pemodelan

• Implementasi Database

• Menulis Kode Program

• Melakukan Pengujian

Tahap Construction


commit to user

22

3.1 Tahap Pengumpulan Data

3.1.1 Tempat dan Waktu Penelitian

Penelitian ini dilakukan di tiga perusahaan batik yang ada di Solo antara

lain adalah Batik Arini, Batik Artha, dan Batik Istiqomah pada bulan Maret

2012.

3.1.2 Metode Pengumpulan Data

Metode pengumpulan data yang diperlukan untuk penulisan tugas akhir

ini diperoleh dengan cara:

a. Observasi

Observasi dilakukan dengan meninjau langsung perusahaan untuk

memperoleh data melalui pengamatan langsung pada objek yang akan

diteliti dan pengumpulan data primer dengan melakukan wawancara dengan

pemilik perusahaan.

b. Studi Literatur

Studi literatur merupakan suatu metode yang dilakukan untuk

mendapatkan pengetahuan dan landasan teoritis dalam menganalisa data dan

permasalahan melalui karya tulis dan sumber-sumber lainnya sebagai bahan

pertimbangan dalam penulisan tugas akhir ini.

3.1.3 Sumber Data

Adapun data yang diperoleh dari penelitian ini adalah:

a. Data primer, yaitu informasi yang diperoleh secara langsung dari hasil

pengamatan lapangan, yaitu di Batik Arini. Data penelitian ini diperoleh

dengan metode wawancara dengan pemilik perusahaan dan mencatat data

aktual produksi di masa lalu selama 3 tahun terakhir, yaitu tahun 2009,

2010, dan 2011 yang dilakukan pencatatan setiap bulannya. Dari hasil

pengamatan didapat data produksi dress pendek batik. Dari data yang ada,


commit to user

23

90% akan digunakan sebagai data training dan 10% digunakan sebagai data

uji untuk mencari prediksi produksi pada periode ke-37. Data yang

diperoleh dapat dilihat pada Lampiran A.

b. Data sekunder, merupakan data yang diperoleh dari sumber-sumber terkait

untuk memperoleh informasi mengenai objek yang dikaji. Adapun informasi

yang diperoleh adalah data aktual produksi masa lampau di Batik Artha dan

Batik Istiqomah selama 3 tahun terakhir, yaitu tahun 2009, 2010, dan 2011

yang dilakukan pencatatan setiap bulannya. Hasil yang di dapat dari Batik

Artha adalah data produksi hem sedangkan Batik Istiqomah adalah blus, dan

longdress. Dari data yang ada, 90% akan digunakan sebagai data training

dan 10% digunakan sebagai data uji untuk mencari prediksi produksi pada

periode ke-37. Data yang diperoleh dapat dilihat pada Lampiran A.

3.2 Tahap Pemodelan

3.2.1 Pemodelan Prediksi

Pada tahap pemodelan prediksi, pertama dilakukan pencarian parameter

pemulusan dalam metode Analisis Runtun Waktu yang digunakan, yaitu single

exponential smoothing dan double exponential smoothing. Metode single

exponential smoothing menggunakan parameter pemulusan yang disebut alpha,

sedangkan double exponential smoothing menggunakan dua parameter yaitu

alpha dan gamma. Dimana nilai pemulusan alpha dan gamma berkisar antara 0

sampai 1. Langkah selanjutnya adalah mencari parameter terbaik dengan

menerapkan dalam perhitungan prediksi kemudian menghitung kesalahan

prediksinya. Parameter dengan rata-rata kesalahan prediksi terkecil akan

digunakan sebagai dasar perhitungan prediksi yang akan digunakan dalam

program peramalan produksi.

Langkah selanjutnya adalah menghitung prediksi dengan model yang

akan dipertimbangkan, yaitu single exponential smoothing dan double

exponential smoothing. Setelah diperoleh hasil prediksi untuk semua model,

maka akan dicari kesalahan prediksi dengan menghitung MAPE setiap model


commit to user

24

pada tiap-tiap item. Model yang memiliki MAPE terkecil akan digunakan

sebagai dasar perhitungan peramalan di masa mendatang.

START

Menghitung error data masa

lampau untuk semua model

END

Memilih model peramalan

yang terbaik, yaitu model

dengan error terkecil

Menghitung peramalan

berdasarkan model yang

terbaik

Memodelkan data masa

lampau

Pilih item yang akan

diramalkan

Ada data masa

lampau?

(min. 6 data)

ADA

Mengumpulkan data masa

lampauTIDAK

YA

Item masih

ada?

TIDAK

Gambar 3.2. Flowchart Perencanaan Program Peramalan Produksi

3.2.2 Menentukan Software Requirement Specification

Pada tahap ini dilakukan analisis terhadap fungsi-fungsi dari program

yang harus ada agar kebutuhan dapat terpenuhi.


commit to user

25

3.2.3 Membuat Use Case Diagram

Use case diagram dibuat berdasarkan Software Requirement

Specification yang telah ditentukan sebelumnya. Use case akan menjelaskan

hubungan antara program yang dibangun dengan actor-actor terkait. Use case

diagram dapat dilihat pada Lampiran D.

3.2.4 Membuat Desain dan Flowchart Perencanaan Program

Meliputi perancangan basis data, perancangan proses, dan perancangan

arsitektur yang akan dimodelkan dalam bentuk diagram-diagram, yaitu Activity

Diagram, Sequence Diagram, dan Class Diagram yang dapat dilihat pada

Lampiran D. Berikut flowchart perencanaan program peramalan produksi yang

akan dibangun Gambar 3.2.

Langkah pertama yang dilakukan adalah memilih item yang akan

diramalkan. Kemudian akan dilakukan pengecekan apakah sudah ada data

masa lampau untuk item tersebut. Data masa lampau ini minimal berjumlah 6

data, jika belum mencapai 6 maka harus dikumpulkan terlebih dahulu data

masa lampau sebagai dasar perhitungan peramalan produksi. Karena dalam

proses perhitungannya 90% dari jumlah keseluruhan data akan dijadikan

sebagai data training, dan 10% sisanya akan dijadikan sebagai data uji,

sehingga jika data belum mencapai 6, maka belum ada data uji nya. Misalnya

jika data masa lalu berjumlah 4, maka data ujinya adalah 10% dari 4, yaitu

0.40. Jika dibulatkan, maka data ujinya adalah 0, sehingga belum ada data uji

untuk data histori yang berjumlah 4. Berbeda jika jumlah data adalah 6. 10%

dari 6 adalah 0.60, sehingga jika dibulatkan data ujinya adalah 1. Jadi data

berjumlah 6 ini mempunya 1 data uji. Dimana data uji digunakan untuk

mencari kesalahan prediksi. Jika tidak ada data uji, maka belum bisa digunakan

untuk mencari kesalahan prediksi. Apabila jumlah data masa lampau sudah

mencapai minimal 6, maka dapat dilakukan perhitungan dengan model yang

akan dipertimbangkan, antara lain adalah single exponential smoothing dan

double exponential smoothing. Setelah diperoleh hasil prediksi untuk semua

model, maka akan dicari kesalahan prediksi dengan menghitung MAPE setiap


commit to user

26

model pada tiap-tiap item. Model yang memiliki MAPE terkecil akan

digunakan sebagai dasar perhitungan peramalan di masa mendatang, yaitu

produksi pada periode ke-37.

3.3 Tahap Construction

3.3.1 Implementasi Database

Implementasi database dibuat berdasarkan pada tahap desain untuk

penyimpanan data dengan menggunakan MySQL.

3.3.2 Menulis Kode Program

Seluruh fungsi yang telah dirancang dalam tahap desain kemudian

dituangkan ke dalam kode program dengan menggunakan bahasa

pemrograman PHP (Hypertext Preprocessor), sehingga terbentuk sebuah

aplikai yang dapat digunakan.

3.3.3 Melakukan Pengujian

Pengujian dilakukan dengan menghitung presisi. Presisi diukur dari

perhitungan galat / error pada periode peramalan untuk menunjukkan seberapa

dekat perbedaan nilai prediksi yang dihasilkan pada saat dilakukan

pengulangan pengukuran peramalan produksi. Data yang digunakan dalam

pengujian adalah data produksi 6 bulanan, 9 bulanan, 12 bulanan, 15 bulanan,

18 bulanan, 21 bulanan, 24 bulanan, dan 27 bulanan yang dipilih secara urut

dan diulang sebanyak 9 kali kemudian dicari peramalan produksi 1 bulan ke

depan yang akan dibandingkan dengan data aktual pada periode tersebut.


commit to user

27

BAB IV

PEMBAHASAN

4.1 Analisis Kebutuhan

4.1.1 Deskripsi Umum Program

Program peramalan produksi batik merupakan program berbasis web

yang diharapkan dapat membantu pengusaha batik yang ada di Kota Solo

dalam menentukan jumlah produksi tiap item. Hasil dari peramalan harus

memiliki tingkat keakuratan yang tinggi. Karena output yang dihasilkan dari

program peramalan produksi ini akan dijadikan sebagai pertimbangan oleh

pengusaha batik dalam menentukan jumlah produksi di masa mendatang.

Selama ini, mereka memprododuksi barang hanya menggunakan intuisi saja.

Namun pada kenyataannya, pendugaan secara ilmiah terhadap masa depan

akan jauh lebih lebih berarti daripada pendugaan yang hanya mengandalkan

intuisi.

Program ini membutuhkan data history produksi di masa lalu minimal 5

bulan yang dicatat tiap bulannya sebagai input data yang akan di lakukan

proses peramalan produksi. Data yang digunakan adalah data produksi hem,

blus, longdress, dan dress pendek. Data inilah yang nantinya akan dijadikan

sebagai dasar perhitungan peramalan produksi. Dalam penelitian ini, akan

dicari prediksi produksi pada periode ke-37 untuk tiap item.

Dalam program peramalan produksi ini digunakan metode analisis runtun

waktu (time series analysis) yang meliputi single exponential smoothing dan

double exponential smoothing. Untuk analisis runtun waktu, digunakan

beberapa alpha (α) dan gamma (γ) untuk mencari hasil pemulusan yang

terbaik. Alpha merupakan konstanta pemulusan pertama dari proses smoothing

berkisar antara 0 sampai 1. Sedangkan gamma merupakan konstanta

pemulusan kedua berkisar antara 0 sampai 1.


commit to user

28

Peramalan ini hanya dapat dilakukan oleh operator. Seorang operator

dapat melakukan log in dengan menggunakan username dan password.

Langkah pertama yang dilakukan oleh operator adalah mengimpor data

produksi masa lalu tiap item kemudian akan disimpan ke dalam database. Data

ini kemudian dilakukan proses perhitungan oleh program peramalan produksi

dengan metode analisis runtun waktu (time series analysis). Dalam proses

perhitungannya, pertama akan dihitung prediksi tiap periode kemudian dicari

nilai kesalahan peramalan dengan MAPE yang dihasilkan oleh masing-masing

metode. MAPE tersebut dihitung pada data uji, yaitu 10% dari data

keseluruhan. Metode yang memiliki MAPE terkecil akan dipilih sebagai dasar

perhitungan peramalan produksi mendatang untuk item tersebut.

4.1.2 Fungsi Program

Program peramalan produksi ini memiliki beberapa fungsi, antara lain

adalah sebagai berikut:

1. Fungsi Tambah Item

Fungsi Tambah Item merupakan fungsi untuk menambahkan daftar

item baru ke dalam database.

2. Fungsi Kelola Item

Fungsi Kelola Item merupakan fungsi untuk melihat daftar item yang

ada dalam database, serta untuk melakukan perubahan data item.

a. Import Data Produksi

Fungsi Import Produksi merupakan fungsi untuk menginputkan

data produksi masa lalu yang masih dalam bentuk spreadsheet ke

dalam database. Data inilah yang nanti akan dijadikan sebagai

dasar perhitungan dalam program peramalan produksi.


commit to user

29

b. Lihat Data Item

Fungsi lihat data item merupakan fungsi untuk melihat informasi

data item dan data produksi yang sudah di import dan masuk ke

dalam database.

c. Edit Data Item

Fungsi edit data item merupakan fungsi untuk memperbarui

informasi data item serta data produksi.

d. Prediksi Data Produksi

Fungsi prediksi data produksi merupakan fungsi untuk

menampilkan data yang akan diprediksi. Pada fungsi ini, program

peramalan produksi akan mencari nilai error dari tiap-tiap metode.

Metode yang akan dijadikan sebagai peramalan produksi adalah

metode dengan error terkecil. Hasil error terkecil dari beberapa

metode dan hasil prediksinya akan ditampilkan serta dimasukkan

ke dalam database.

3. Fungsi Lihat Prediksi

Fungsi untuk melihat hasil prediksi tiap item.


commit to user

30

4.1.3 Pemilihan alpha (α) dan gamma (γ) dalam Exponential Smoothing

Single Exponential Smoothing dan Double Exponential Smoothing

merupakan metode dengan pemulusan data. Pemulusan ini dilambangkan

dengan alpha (α) dan gamma (γ) yang berkisar antara 0-1. Berdasarkan

referensi, nilai awal konstanta pemulusan berkisar antara 0.10 sampai 0.30

(Attaran, MSIS). Selain itu, pada buku “Business Forecasting”, nilai alpha dan

gamma yang sering digunakan adalah 0.10, 0.30, dan 0.60 (Hanke dan

Winchern, 2005). Kemudian dilakukan percobaan perhitungan prediksi dengan

alpha dan gamma antara 0-1 untuk memperkuat referensi. Setelah diperoleh

hasil prediksi untuk tiap-tiap periode, kemudian dicari MAPE dari tiap-tiap

prediksi. Setelah dilakukan percobaan perhitungan prediksi dengan alpha dan

gamma antara 0-1, diperoleh hasil yang menunjukkan bahwa alpha terbaik

adalah 0.10, 0.20, 0.25, 0.30, dan 0.60 karena memiliki MAPE terkecil.

Pemilihan alpha dan gamma ini adalah berdasarkan analisa data yang telah

dilakukan sebelumnya untuk mencari kecocokan data dengan model yang akan

digunakan, sehingga dapat memberikan prediksi yang baik. Gamma,

sebenarnya tidak terlalu berpengaruh besar terhadap hasil prediksi, akan tetapi

dalam penelitian ini digunakan konstanta gamma disamakan dengan alpha. Hal

ini diharapkan dengan nilai gamma yang sama dengan alpha akan didapatkan

nilai prediksi yang terbaik.

Pada kasus yang di bahas dalam penelitian ini, nilai alpha dan gamma

terbaik dimiliki oleh 0.10, 0.20, 0.25, 0.30 dan 0.60. Maka nilai konstanta

pemulusan ini akan dijadikan sebagai dasar perhitungan prediksi dengan

metode Exponential Smoothing dan Double Exponential Smoothing.

4.2 Pengelompokan Data

Data yang digunakan dalam peramalan adalah data produksi di masa lalu

yang dicatat secara berturut-turut tiap bulannya selama 3 tahun yaitu pada tahun

2009, 2010, dan 2011. Data produksi blus 3 tahun terakhir ada pada tabel 4.1.


commit to user

31

Tabel 4.1 Data Produksi Blus Tahun 2009-2011 di Batik Istiqomah

PERIODE PRODUKSI

PERIODE PRODUKSI

1 4000

19 7000

2 5000

20 8000

3 4000

21 9000

4 5000

22 9500

5 6000

23 8000

6 7500

24 8500

7 8000

25 8000

8 8000

26 9500

9 10000

27 10000

10 10000

28 9000

11 9500

29 9500

12 9500

30 8000

13 10000

31 7500

14 8500

32 7000

15 10000

33 8500

16 8000

34 8500

17 9000

35 9000

18 8000

36 9000

Data yang digunakan dikelompokkan menjadi 2 bagian, antara lain adalah

sebagai berikut:

a. Data training

Merupakan kumpulan data yang digunakan dalam proses

peramalan dengan model exponential smoothing. Dalam exponential

smoothing, data ini digunakan untuk mencari pola data historis. Data

training merupakan 90% dari data keseluruhan, sehingga dalam kasus ini

terdiri dari data produksi bulan Januari 2009 sampai dengan bulan

Agustus 2011 dengan N = 32 observasi.

b. Data Uji

Merupakan kumpulkan data yang akan digunakan dalam proses

evaluasi data, yaitu untuk menghitung MAPE (Mean Absolute

Percentage Error). Data uji merupakan 10% dari data keseluruhan,

sehingga dalam kasus ini terdiri data produksi bulan September 2011

sampai dengan Desember 2011 dengan N = 4 observasi.


commit to user

32

4.3 Plot Data

Data produksi yang sudah ada kemudian di plot dalam bentuk grafik untuk

mengetahui pola data yang ada. Untuk melakukan plot data, digunakan

spreadsheet.. Salah satu contoh data yang sudah di plot adalah data produksi Blus

pada tahun 2009 sampai 2010.

Gambar 4.1 Grafik Data Produksi Blus Tahun 2009 – 2010 di Batik Istiqomah

Dari hasil melakukan plot pada data, maka dapat diketahui pola datanya.

Dalam kasus ini pola data yang dihasilkan terlihat tidak terlalu stasioner dan

mengandung trend di dalamnya, maka metode yang digunakan adalah analisis

runtun waktu yaitu exponential smoothing.

4.4 Perhitungan Prediksi dengan Metode Analisis Runtun Waktu

Perhitungan prediksi tiap periode dilakukan dengan semua metode. Hal ini

dilakukan untuk mencari error terkecil yang dihasilkan oleh masing-masing

metode terhadap item. Metode yang memiliki error terkecil akan dijadikan

sebagai dasar perhitungan prediksi di masa mendatang.

0

2000

4000

6000

8000

10000

12000

1 3 5 7 9 11 13 15 17 19 21 23

Jum

lah

pro

du

ksi

Periode ke- (bulan)

Data Aktual Produksi Blus Tahun 2009-2010

data aktual tahun 2009-2010


commit to user

33

Kasus di bawah ini adalah hasil uji coba peramalan produksi Blus yang

dilakukan dengan menghitung prediksi tiap periode kemudian akan dicari MAPE

(Mean Absolute Percentage Error) untuk tiap metode dengan single expoenential

smoothing dan double exponential smoothing.

a. Single Exponential Smoothing

Dalam single exponential smoothing, dilakukan percobaan untuk

mencari prediksi dengan nilai alpha adalah 0.10, 0.20, 0.25, dan 0.30. Data

yang digunakan adalah data pada periode 1 – 32. Kemudian akan dicari

prediksi dari periode 1 – 36. Dimana data pada periode 33 – 36 merupakan

data uji yang kemudian akan dicari error prediksinya. Metode dengan error

terkecil akan dijadikan sebagai dasar perhitungan prediksi produksi pada

periode ke-37. Tabel 4.2 merupakan hasil perhitungan peramalan periode 1 -

36 dengan metode single exponential smoothing.


Single Exponential Smoothing Periode 1 - 32

PERIODE JUMLAH PREDIKSI SINGLE EXPONENTIAL SMOOTHING

α = 0.10 α = 0.20 α = 0.25 α = 0.30 α = 0.60

1 4000 4000 4000 4000 4000 4000 2 5000 4000 4000 4000 4000 4000 3 4000 4100 4200 4250 4300 4600 4 5000 4090 4160 4188 4210 4240 5 6000 4181 4328 4391 4447 4696 6 7500 4363 4662 4793 4913 5478 7 8000 4677 5230 5470 5689 6691 8 8000 5009 5784 6102 6382 7477 9 10000 5308 6227 6577 6868 7791

10 10000 5777 6982 7433 7807 9116 11 9500 6200 7585 8074 8465 9646 12 9500 6530 7968 8431 8776 9559 13 10000 6827 8275 8698 8993 9523 14 8500 7144 8620 9024 9295 9809 15 10000 7280 8596 8893 9057 9024 16 8000 7552 8877 9170 9340 9610 17 9000 7596 8701 8877 8938 8644 18 8000 7737 8761 8908 8956 8858 19 7000 7763 8609 8681 8669 8343


commit to user

34


Single Exponential Smoothing Periode 1 – 32 (lanjutan)


α = 0.10 α = 0.20 α = 0.25 α = 0.30 α = 0.60

20 8000 7687 8287 8261 8169 7537 21 9000 7718 8230 8195 8118 7815 22 9500 7846 8384 8397 8383 8526 23 8000 8012 8607 8672 8718 9110 24 8500 8011 8486 8504 8502 8444 25 8000 8059 8488 8503 8502 8478 26 9500 8054 8391 8377 8351 8191 27 10000 8198 8613 8658 8696 8976 28 9000 8378 8890 8994 9087 9591 29 9500 8441 8912 8995 9061 9236 30 8000 8546 9030 9121 9193 9394 31 7500 8492 8824 8841 8835 8558 32 7000 8393 8559 8506 8434 7923

Tabel 4.2 merupakan hasil perhitungan peramalan periode 1 - 32 dengan

metode single exponential smoothing. Kemudian dicari error dari hasil

peramalan menggunakan MAPE pada data uji.

Perbandingan data aktual blus dengan hasil prediksi single exponential

smoothing dapat dilihat pada Gambar 4.2, Gambar 4.3, Gambar 4.4, Gambar

4.5, dan Gambar 4.6.

Gambar 4.2 Grafik Perbandingan Data Aktual Blus dengan

Prediksi Single Exponential Smoothing α = 0.10

0

2000

4000

6000

8000

10000

12000

0 10 20 30 40

Jum

lah

pro

du

ksi

Periode ke - (bulan)

Perbandingan Data Aktual Blus dengan Prediksi Single Exponential Smoothing α=0.10

data aktual

prediksi dengan single exponential smoothing α=0.10


commit to user

35





0

2000

4000

6000

8000

10000

12000

0 10 20 30 40

Jum

lah

pro

du

ksi



data aktual


0

2000

4000

6000

8000

10000

12000

0 10 20 30 40

Jum

lah

pro

du

ksi



data aktual



commit to user

36





Gambar 4.2, Gambar 4.3, Gambar 4.4, Gambar 4.5, dan Gambar 4.6

menunjukkan hasil perbandingan antara data aktual blus dengan hasil

prediksi menggunakan metode single exponential smoothing. Percobaan

0

2000

4000

6000

8000

10000

12000

0 10 20 30 40

Jum

lah

pro

du

ksi



data aktual


0

2000

4000

6000

8000

10000

12000

0 10 20 30 40

Jum

lah

pro

du

ksi



data aktual



commit to user

37

dilakukan dengan menggunakan alpha 0.10, 0.20, 0.25, 0.30, dan 0.60 untuk

melihat bagaimana dampak penggunaan kosntanta alpha terhadap hasil

prediksi. Terlihat pada gambar, bahwa grafik perbandingan dengan

konstanta alpha 0.10, 0.20, 0.25, 0.30, dan 0.60 memberikan hasil prediksi

yang baik karena mendekati data aktualnya. Terutama pada alpha = 0.60.

Terlihat jelas bahwa grafik prediksinya sangat berdekatan dengan data

aktualnya.

b. Double Exponential Smoothing

Dalam double exponential smoothing, dilakukan percobaan dengan

nilai alpha adalah 0.10, 0.20, 0.25, dan 0.30 serta gamma 0.10, 0.20, 0.25,

dan 0.30. Data yang digunakan adalah data pada periode 1 – 32. Kemudian

akan dicari prediksi dari periode 1 – 36. Dimana data pada periode 33 – 36

merupakan data uji yang kemudian akan dicari error prediksinya. Metode

dengan error terkecil akan dijadikan sebagai dasar perhitungan prediksi

produksi pada periode ke-37. Tabel 4.3, Tabel 4.4, dan Tabel 4.5 merupakan

hasil perhitungan peramalan periode 1 – 36 dengan metode double

exponential smoothing.


Double Exponential Smoothing α = 0.10 dan α = 0.20 Periode 1 - 32

PERIODE JUMLAH

PREDIKSI DOUBLE EXPONENTIAL SMOOTHING

α=0.10 α=0.10 α=0.10 α=0.10 α=0.10 α=0.20 α=0.20 α=0.20 α=0.20 α=0.20

γ=0.10 γ=0.20 γ=0.25 γ=0.30 γ=0.60 γ=0.10 γ=0.20 γ=0.25 γ=0.30 γ=0.60

1 4000 4000 4000 4000 4000 4000 4000 4000 4000 4000 4000

2 5000 4000 4000 4000 4000 4000 4000 4000 4000 4000 4000

3 4000 4110 4120 4125 4130 4160 4220 4240 4250 4260 4320

4 5000 4108 4126 4134 4143 4194 4192 4222 4238 4252 4338

5 6000 4215 4248 4264 4281 4374 4385 4439 4466 4491 4631

6 7500 4429 4493 4525 4556 4733 4772 4875 4925 4973 5230

7 8000 4803 4924 4984 5042 5372 5436 5629 5721 5810 6282

8 8000 5221 5424 5522 5618 6155 6119 6427 6572 6711 7429

9 10000 5625 5925 6068 6208 6970 6703 7128 7324 7509 8416

10 10000 6232 6657 6859 7053 8086 7636 8204 8459 8697 9795


commit to user

38


Double Exponential Smoothing α = 0.10 dan α = 0.20 Periode 1 – 32 (lanjutan)

PERIODE JUMLAH


α=0.10 α=0.10 α=0.10 α=0.10 α=0.10 α=0.20 α=0.20 α=0.20 α=0.20 α=0.20

γ=0.10 γ=0.20 γ=0.25 γ=0.30 γ=0.60 γ=0.10 γ=0.20 γ=0.25 γ=0.30 γ=0.60

11 9500 6817 7383 7648 7902 9204 8429 9137 9445 9725 10923

12 9500 7319 8029 8355 8664 10179 8986 9797 10136 10435 11555

13 10000 7794 8639 9020 9374 11016 9441 10314 10657 10946 11813

14 8500 8293 9266 9693 10083 11758 9916 10814 11141 11398 11903

15 10000 8594 9665 10119 10523 12080 9968 10822 11096 11286 11266

16 8000 9029 10180 10649 11053 12395 10311 11096 11305 11420 10905

17 9000 9210 10401 10860 11239 12215 10138 10791 10908 10921 9867

18 8000 9471 10671 11103 11439 11960 10178 10675 10694 10607 9133

19 7000 9591 10761 11145 11416 11393 9965 10276 10188 9999 8209

20 8000 9574 10667 10978 11163 10519 9536 9625 9425 9133 7126

21 9000 9642 10628 10854 10940 9682 9363 9239 8942 8572 6564

22 9500 9797 10661 10796 10781 8987 9416 9121 8759 8349 6606

23 8000 9984 10718 10762 10650 8442 9561 9142 8750 8340 7088

24 8500 9982 10564 10511 10302 7776 9345 8813 8405 8012 7282

25 8000 10015 10435 10286 9985 7269 9256 8637 8234 7879 7684

26 9500 9975 10220 9976 9590 6807 9059 8371 7985 7680 7943

27 10000 10084 10162 9835 9382 6703 9211 8503 8162 7930 8638

28 9000 10232 10156 9762 9263 6857 9448 8769 8495 8354 9457

29 9500 10252 10028 9577 9049 7024 9428 8791 8587 8532 9857

30 8000 10313 9952 9459 8919 7373 9514 8937 8806 8832 10234

30 8000 10313 9952 9459 8919 7373 9514 8937 8806 8832 10234

31 7500 10195 9695 9167 8625 7575 9253 8716 8641 8723 9968

32 7000 10011 9370 8812 8276 7702 8909 8390 8352 8462 9359


Double Exponential Smoothing α = 0.25 dan α = 0.30 Periode 1 - 32

PERIODE JUMLAH


α=0.25 α=0.25 α=0.25 α=0.25 α=0.25 α=0.30 α=0.30 α=0.30 α=0.30 α=0.30

γ=0.10 γ=0.20 γ=0.25 γ=0.30 γ=0.60 γ=0.10 γ=0.20 γ=0.25 γ=0.30 γ=0.60

1 4000 4000 4000 4000 4000 4000 4000 4000 4000 4000 4000

2 5000 4000 4000 4000 4000 4000 4000 4000 4000 4000 4000

3 4000 4275 4300 4313 4325 4400 4330 4360 4375 4390 4480

4 5000 4224 4260 4277 4294 4390 4251 4290 4309 4328 4430

5 6000 4456 4517 4546 4574 4724 4518 4584 4615 4645 4797


commit to user

39


Double Exponential Smoothing α = 0.25 dan α = 0.30 Periode 1 – 32 (lanjutan)

PERIODE JUMLAH


α=0.25 α=0.25 α=0.25 α=0.25 α=0.25 α=0.30 α=0.30 α=0.30 α=0.30 α=0.30

γ=0.10 γ=0.20 γ=0.25 γ=0.30 γ=0.60 γ=0.10 γ=0.20 γ=0.25 γ=0.30 γ=0.60

6 7500 4918 5034 5089 5141 5416 5050 5175 5233 5289 5571

7 8000 5704 5920 6021 6118 6622 5945 6178 6286 6389 6910

8 8000 6476 6813 6969 7117 7859 6784 7139 7301 7453 8193

9 10000 7093 7543 7745 7933 8808 7407 7864 8064 8248 9057

10 10000 8129 8713 8967 9199 10198 8522 9099 9344 9562 10431

11 9500 8952 9655 9949 10209 11211 9346 10018 10289 10521 11316

12 9500 9458 10228 10532 10789 11589 9778 10480 10741 10951 11458

13 10000 9839 10622 10905 11126 11559 10071 10745 10964 11121 11205

14 8500 10254 11011 11253 11420 11428 10425 11035 11198 11289 10961

15 10000 10146 10803 10967 11047 10515 10165 10637 10710 10706 9897

16 8000 10436 10981 11067 11063 10129 10427 10769 10765 10684 9621

17 9000 10093 10466 10450 10346 9019 9939 10096 9996 9827 8536

18 8000 10059 10256 10147 9956 8434 9868 9859 9683 9453 8160

19 7000 9731 9736 9536 9268 7681 9463 9282 9037 8760 7568

20 8000 9167 8959 8668 8331 6763 8805 8440 8133 7817 6751

21 9000 8965 8579 8226 7854 6510 8621 8125 7790 7473 6704

22 9500 9064 8564 8193 7832 6944 8803 8257 7940 7670 7385

23 8000 9275 8725 8375 8066 7778 9102 8574 8313 8122 8392

24 8500 9026 8435 8113 7861 8062 8828 8311 8100 7978 8576

25 8000 8951 8345 8065 7880 8465 8776 8289 8131 8074 8842

26 9500 8746 8136 7901 7779 8573 8566 8106 7993 7984 8726

27 10000 8986 8422 8252 8207 9168 8898 8511 8459 8508 9234

28 9000 9316 8840 8750 8787 9864 9313 9034 9051 9159 9878

29 9500 9306 8912 8889 8989 10006 9294 9099 9162 9300 9870

30 8000 9429 9120 9157 9303 10162 9437 9318 9415 9567 9949

31 7500 9110 8846 8910 9066 9580 9044 8942 9035 9163 9203

32 7000 8705 8447 8512 8646 8706 8572 8442 8505 8580 8224


commit to user

40

Tabel 4.5 Hasil Perhitungan Peramalan Produksi Blus dengan

Double Exponential Smoothing α = 0.60 Periode 1 - 32

PERIODE JUMLAH

PREDIKSI DOUBLE EXPONENTIAL SMOOTHING α = 0.60 α = 0.60 α = 0.60 α = 0.60 α = 0.60

γ = 0.10 γ = 0.20 γ = 0.25 γ = 0.30 γ = 0.60

1 4000 4000 4000 4000 4000 4000

2 5000 4000 4000 4000 4000 4000

3 4000 4660 4720 4750 4780 4960

4 5000 4284 4322 4338 4352 4398

5 6000 4777 4844 4872 4897 4990

6 7500 5648 5791 5855 5914 6191

7 8000 7007 7275 7395 7506 8042

8 8000 7910 8256 8402 8532 9068

9 10000 8277 8617 8744 8846 9093

10 10000 10128 10269 10380 10630 9727

11 9500 10717 10839 10925 11018 10323

12 9500 10506 10566 10586 10327 10213

13 10000 10301 10297 10255 9753 10125

14 8500 10483 10445 10377 9912 10383

15 10000 9418 9312 9188 8567 9473

16 8000 9962 9862 9758 9445 10041

17 9000 8744 8603 8470 8076 8945

18 8000 8887 8759 8650 8461 9111

19 7000 8238 8107 8005 7849 8510

20 8000 7230 7081 6966 6699 7579

21 9000 7519 7408 7337 7307 7832

22 9500 8413 8378 8384 8760 8603

23 8000 9200 9234 9304 9907 9266

24 8500 8471 8491 8537 8780 8555

25 8000 8483 8496 8524 8528 8567

26 9500 8130 8123 8124 7937 8238

27 10000 9053 9080 9112 9164 9082

28 9000 9836 9901 9967 10255 9775

29 9500 9449 9495 9535 9640 9405

30 8000 9600 9633 9656 9643 9563

31 7500 8569 8543 8506 8153 8633

32 7000 7728 7651 7565 7022 7892

Tabel 4.3, Tabel 4.4, dan Tabel 4.5 merupakan hasil perhitungan

peramalan periode 1 - 32 dengan metode double exponential smoothing.

Kemudian dicari error dari hasil peramalan menggunakan MAPE pada data

uji.


commit to user

41

Perbandingan data aktual blus dengan hasil prediksi dengan double

exponential smoothing dapat dilihat pada Gambar 4.7, Gambar 4.8, Gambar

4.9, Gambar 4.10, dan Gambar 4.11.


Prediksi Double Exponential Smoothing α = 0.10 γ = 0.10



0

2000

4000

6000

8000

10000

12000

0 10 20 30 40

Jum

lah

pro

du

ksi


Perbandingan Data Aktual Blus dengan Prediksi Double Exponential Smoothing α=0.10 γ=0.10

data aktual

prediksi dengan double exponential smoothing α = 0.10 dan γ = 0.10

0

2000

4000

6000

8000

10000

12000

0 10 20 30 40

Jum

lah

pro

du

ksi



data aktual



commit to user

42





0

2000

4000

6000

8000

10000

12000

0 10 20 30 40

Jum

lah

pro

du

ksi

Periode ke- (bulan)


data aktual


0

2000

4000

6000

8000

10000

12000

0 10 20 30 40

Jum

lah

pro

du

ksi

Periode ke- (bulan)


data aktual



commit to user

43



Gambar 4.7, Gambar 4.8, Gambar 4.9, Gambar 4.10, dan Gambar 4.11

menunjukkan hasil perbandingan antara data aktual dengan hasil prediksi

menggunakan metode double exponential smoothing. Percobaan dilakukan

dengan menggunakan alpha 0.10, 0.20, 0.25, 0.30, 0.60 dan gamma 0.10

untuk melihat bagaimana dampak penggunaan kosntanta alpha terhadap

hasil prediksi. Terlihat pada gambar, bahwa grafik perbandingan dengan

kontanta alpha 0.60 dan gamma 0.10 memberikan hasil prediksi yang baik

karena grafik prediksinya sangat berdekatan dengan grafik data aktualnya.

Sehingga data prediksi yang dihasilkan memiliki error yang kecil. Berbeda

dengan hasil yang diberikan oleh alpha 0.10, 0.20, 0.25, maupun 0.30. Hal

ini bukan berarti alpha tersebut akan selalu memberikan hasil yang kurang

baik. Akan tetapi untuk kasus item blus dengan exponential smoothing hasil

paling bagus dimiliki oleh double exponential smoothing alpha = 0.60 dan

gamma = 0.10.

0

2000

4000

6000

8000

10000

12000

0 10 20 30 40

Jum

lah

pro

du

ksi

Periode ke- (bulan)


data aktual



commit to user

44

4.5 Pemilihan Metode dan Hasil Prediski Tiap Item

Pemilihan metode untuk peramalan tiap item ini berdasarkan pada hasil

perhitungan error dengan MAPE yang dilakukan pada data uji. Model dengan

MAPE terkecil akan dijadikan sebagai dasar perhitungan peramalan produksi di

masa mendatang. Hasil perhitungan peramalan pada data uji dapat dilihat pada

Tabel 4.6 dan Tabel 4.7.


dengan Metode Single Exponential Smoothing


α = 0.10 α = 0.20 α = 0.25 α = 0.30 α = 0.60

33 8500 8253 8247 8129 8004 7369

34 8500 8128 7998 7847 7703 7148

35 9000 8015 7798 7635 7492 7059

36 9000 7914 7639 7476 7344 7024


dengan Metode Double Exponential Smoothing α=0.10

PERIODE JUMLAH


α=0.10 α=0.10 α=0.10 α=0.10 α=0.10 α=0.20 α=0.20 α=0.20 α=0.20 α=0.20

γ=0.10 γ=0.20 γ=0.25 γ=0.30 γ=0.60 γ=0.10 γ=0.20 γ=0.25 γ=0.30 γ=0.60

33 8500 9766 8979 8397 7874 7724 8495 7975 7953 8065 8489

34 8500 9518 8588 7988 7486 7701 8134 7603 7587 7684 7614

35 9000 9269 8205 7596 7122 7638 7823 7281 7264 7338 6840

36 9000 9022 7836 7228 6791 7543 7557 7013 6993 7041 6240

Hasil dari perhitungan pada data uji menunjukkan bahwa ada kemungkinkan

terjadi trend naik maupun turun, akan tetapi metode analisis runtun waktu

merupakan metode yang menggunakan perhitungan berdasarkan data di masa lalu.

Dimana data di masa lalu sangat mempengaruhi hasil peramalan di masa

mendatang. Oleh karena itu, model yang dipilih dalam peramalan produksi untuk

periode mendatang adalah model yang menghasilkan MAPE terkecil. Hasil

perhitungan error dengan MAPE dapat dilihat pada Tabel 4.8.


commit to user

45

Tabel 4.8 Error Perhitungan Prediksi Tiap Item (dalam %)

METODE MAPE

D01 (LONGDRESS)

B01 (BLUS ABG)

H01 (HEM PENDEK)

D02 (DRESS)

SIN

GLE

SMO

OTH

ING

α = 0.10 18.6 17.6 20.9 17.1 α = 0.20 16.8 14.3 17.7 15.4 α = 0.25 16.2 13.7 17.5 14.9 α = 0.30 15.8 13.2 17.3 14.4 α = 0.60 13.3 11.8 17.4 12.2

DO

UB

LE S

MO

OTH

ING

α =

0.1

γ = 0.10 18.4 19.9 22.4 16.9 γ = 0.20 19.5 21.2 23.7 17.9 γ = 0.25 19.9 20.8 23.8 18.3 γ = 0.30 20.3 20.7 23.6 18.6 γ = 0.60 23.3 20.8 24.0 21.4

α =

0.2

γ = 0.10 18.2 15.6 19.8 16.7 γ = 0.20 19.4 15.9 20.3 17.8 γ = 0.25 20.1 16.0 20.5 18.5 γ = 0.30 20.9 16.4 20.8 19.1 γ = 0.60 25.1 16.9 21.0 22.9

α =

0.2

5 γ = 0.10 17.8 14.4 19.1 16.4

γ = 0.20 19.2 14.9 20.1 17.6 γ = 0.25 20.0 15.2 20.2 18.2 γ = 0.30 20.8 15.2 20.4 19.0 γ = 0.60 22.9 14.7 20.9 20.9

α =

0.3

γ = 0.10 17.3 13.8 19.1 15.9 γ = 0.20 18.7 14.2 19.9 17.1 γ = 0.25 19.4 14.2 20.1 17.8 γ = 0.30 19.9 14.2 20.2 18.2 γ = 0.60 21.4 13.6 21.3 19.5

α =

0.6

γ = 0.10 13.9 12.0 18.5 12.8 γ = 0.20 14.3 12.2 19.1 13.1 γ = 0.25 14.5 12.4 19.4 13.3 γ = 0.30 14.8 12.5 19.7 13.6 γ = 0.60 14.8 12.6 21.4 13.3

Tabel 4.8 memperlihatkan nilai error yang dihasilkan masing-masing

metode untuk tiap item. Dari hasil tersebut terlihat bahwa:

1. LONG DRESS BATIK (A01)

Error terkecil yang dihasilkan dari LONG DRESS BATIK adalah 13.3%,

13.9%, dan 14.3%. Dimana berturut-turut dihasilkan oleh metode single


commit to user

46

exponential smoothing α=0.60, double exponential smoothing α=0.60 γ=0.10,

dan double exponential smoothing α=0.60 γ=0.20. Dari 3 metode tersebut

hanya akan diambil 1 metode saja yang akan dijadikan sebagai dasar

perhitungan prediksi periode mendatang, yaitu metode single exponential

smoothing α=0.60 dengan hasil peramalan produksi sebesar 800 potong.

Gambar 4.12 Grafik Perbandingan Data Aktual Long Dress Batik dengan

Hasil Prediksi Metode Yang Memiliki MAPE 3 Terkecil

2. BLUS ABG BATIK (B01)

Error terkecil yang dihasilkan dari Blus ABG BATIK adalah 11.8%,

12.0%, dan 12.2%. Dimana berturut-turut dihasilkan oleh single exponential

smoothing α=0.60, double exponential smoothing α=0.60 γ=0.10, dan double

exponential smoothing α=0.60 γ=0.20. Dari 3 metode tersebut hanya akan

diambil 1 metode saja yang akan dijadikan sebagai dasar perhitungan prediksi

periode mendatang, yaitu metode single exponential smoothing α=0.60 dengan

hasil peramalan produksi sebesar 7009 potong.

0

200

400

600

800

1000

1200

0 10 20 30 40

Jum

lah

pro

du

ksi

Periode ke- (bulan)

Data Aktual Long Dress dengan MAPE 3 Terkecil

data aktual produksi blus

predisi dengan single exponential smoothing α = 0.60

predisi dengan double exponential smoothing α = 0.60 dan γ = 0.10



commit to user

47

Gambar 4.13 Grafik Perbandingan Data Aktual Blus ABG Batik dengan Hasil

Prediksi Metode Yang Memiliki MAPE 3 Terkecil

3. HEM PENDEK BATIK (H01)

Error terkecil yang dihasilkan dari HEM PENDEK BATIK adalah

17.3%, 17.4%, dan 17.5%. Dimana berturut-turut dihasilkan oleh metode

single exponential smoothing α=0.30, single exponential smoothing α=0.60,

dan single exponential smoothing α=0.25. Dari 3 metode tersebut hanya akan

diambil 1 metode saja yang akan dijadikan sebagai dasar perhitungan prediksi

periode mendatang, yaitu metode single exponential smoothing α=0.30 dengan

hasil peramalan produksi sebesar 2329 potong.

0

2000

4000

6000

8000

10000

12000

0 10 20 30 40

Jum

lah

pro

du

ksi

Periode ke- (bulan)

Data Aktual Blus dengan MAPE 3 Terkecil






commit to user

48

Gambar 4.14 Grafik Perbandingan Data Aktual Hem Pendek Batik dengan


4. DRESS PENDEK BATIK (D01)

Error terkecil yang dihasilkan dari DRESS PENDEK BATIK adalah

12.2%, 12.8%, dan 13.1%. Dimana berturut-turut dihasilkan oleh metode

single exponential smoothing α=0.60, double exponential smoothing α=0.60

γ=0.10, double exponential smoothing α=0.60 γ=0.20. Dari 3 metode tersebut

hanya akan diambil 1 metode saja yang akan dijadikan sebagai dasar

perhitungan prediksi periode mendatang, yaitu single exponential smoothing

α=0.60 dengan hasil peramalan produksi sebesar 850.

0

500

1000

1500

2000

2500

3000

0 10 20 30 40

Jum

lah

pro

du

ksi

Periode ke- (bulan)

Data Aktual Hem Pendek dengan MAPE 3 Terkecil


prediksi dengan single exponential smoothing α = 0.30




commit to user

49

Gambar 4.15 Grafik Perbandingan Data Aktual Dress Pendek Batik dengan


Dari hasil percobaan di atas, menunjukkan bahwa metode yang sering

menghasilkan error terkecil adalah metode single exponential smoothing α=0.60,

single exponential smoothing α=0.30, double exponential smoothing α=0.60

γ=0.10, dan double exponential smoothing α=0.60 γ=0.20. Terlihat dalam grafik,

hasil pendekatan dari metode tersebut tampak sangat dekat dengan data aktualnya.

Sehingga menghasilkan error yang kecil dan memberikan hasil prediksi yang

baik.

4.6 Pengujian Hasil Prediksi

Pengujian dilakukan dengan menghitung presisi. Presisi diukur dari

perhitungan galat / error pada periode tertentu untuk menunjukkan seberapa dekat

perbedaan nilai prediksi yang dihasilkan ketika dilakukan pengulangan

pengukuran terhadap peramalan produksi. Data yang digunakan dalam pengujian

adalah data produksi 6 bulanan, 9 bulanan, 12 bulanan, 15 bulanan, 18 bulanan,

21 bulanan, 24 bulanan, dan 27 bulanan yang dipilih secara urut dan diulang

sebanyak 9 kali.

0

200

400

600

800

1000

1200

0 10 20 30 40

Jum

lah

pro

du

ksi

Periode ke- (bulan)

Data Aktual Dress Pendek dengan MAPE 3 Terkecil






commit to user

50

Pertama menghitung prediksi produksi satu bulan ke depan. Kemudian

dilakukan pengujian terhadap hasil prediksi yang akan dibandingkan dengan data

aktual pada periode tersebut. Hasil perhitungan keseluruhan pengujian dapat diliat

pada Lampiran C. Tabel 4.9 menunjukkan rata-rata error dari hasil pengujian

prediksi produksi.

Tabel 4.9 Rata-rata Error Pengujian Prediksi Produksi

Jumlah Data Masa Lalu (bulan)

Prediksi Periode ke-

Minimal Error

Maximal Error

Rata-rata Error

6 7 0.047 0.230 0.154

9 10 0.001 0.222 0.120

12 13 0.001 0.278 0.132

15 16 0.017 0.175 0.083

18 19 0.025 0.254 0.142

21 22 0.064 0.327 0.164

24 25 0.009 0.336 0.144

27 28 0.025 0.330 0.162

Gambar 4.16 Grafik Perbandingan Antara Periode Pengujian dan Rata-rata Error

0.000

0.020

0.040

0.060

0.080

0.100

0.120

0.140

0.160

0.180

6 9 12 15 18 21 24 27

Erro

r

Periode

Grafik Perbandingan Periode dan Rata-rata Error

error


commit to user

51

Hasil pengujian prediksi menunjukkan nilai minimal rata-rata galat / error

yang dihasilkan sebesar 0.083 dan maksimal sebesar 0.164. Hal ini berarti hasil

peramalan produksi memiliki tingkat perbedaan dengan data aktualnya dibawah

0.200 sehingga dapat dikatakan memiliki hasil peramalan yang baik.

4.7 Data dan Hasil Keseluruhan Perhitungan Prediksi

Data yang digunakan dalam perhitungan dapat dilihat pada Lampiran A.

Seluruh hasil perhitungan prediksi tiap item dengan menggunakan Analisis

Runtun Waktu dapat dilihat pada Lampiran B.

4.8 Perancangan Program dan Implementasi

Seluruh dokumen teknis berupa perancangan program yang meliputi use

case diagram, acitivity diagram, sequence diagram, dan class diagram berserta

hasil implementasi dapat dilihat pada Lampiran D dan Lampiran E.


commit to user

52

BAB V

PENUTUP

5.1 Kesimpulan

Program Peramalan Produksi Sebagai Pendukung Keputusan Bagi

Pengusaha Batik dalam Menentukan Jumlah Produksi Tiap Item telah dibangun

dengan metode Analisis Runtun Waktu melalui tahap pengumpulan data, tahap

pemodelan, dan tahap construction. Program ini dibuat dengan menggunakan

bahasa pemrograman PHP untuk memprediksi jumlah produksi di masa depan.

Analisis Runtun Waktu yang digunakan antara lain adalah Single

Exponential Smoothing dan Double Exponential Smoothing dengan parameter

pemulusan α dan γ sebesar 0.10. 0.20, 0.25, 0.30, dan 0.60. Hasil dari perhitungan

pada data uji menunjukkan bahwa ada kemungkinkan terjadi trend naik maupun

turun sehingga hasil prediksi terkadang jauh dari data aktual, akan tetapi metode

analisis runtun waktu merupakan metode yang bergantung pada data masa lalu.

Oleh karena itu, model yang dipilih adalah model yang menghasilkan MAPE

terkecil. Pada kasus item longdress, blus, dan dress pendek batik, model yang

menghasilkan MAPE terkecil dimiliki oleh single exponential smoothing α=0.60.

Kemudian untuk hem pendek batik, MAPE terkecil dimiliki oleh single

exponential smoothing α=0.30. Hal ini bukan berarti double exponential

smoothing memberikan hasil yang kurang baik, karena MAPE yang dihasilkan

masih berada di bawah 20%.

Dari hasil uji coba terlihat bahwa setiap item memiliki karakteristik data

time series yang berbeda-beda, sehingga masing-masing produk mungkin

memiliki parameter pemulusan berbeda dengan produk lainnya. Rata-rata error

yang diperoleh dari hasil pengujian berada di bawah 0.20. Hal ini berarti tingkat

perbedaan nilai data aktual dan hasil prediksi tidak terlalu jauh. Hal ini

menunjukkan bahwa Exponential Smoothing mempunyai kinerja yang bagus

dalam peramalan produksi dengan nilai error berada di bawah 20%, sehingga

metode ini memiliki tingkat keakuratan di atas 80%.


commit to user

53

5.2 Saran

Adapun saran yang dapat dipertimbangkan untuk mengembangkan program

peramalan produksi yang telah dibuat, antara lain adalah sebagai berikut:

1. Menambahkan fungsi pengendalian stok barang, sehingga dapat diketahui

sisa barang yang tersedia sebagai bahan pertimbangan produksi periode

mendatang.

2. Mengumpulkan data produksi masa lalu yang lebih banyak (lebih dari 3

tahun/36 bulan), kemudian menghitung prediksi tiap periode untuk

mengetahui pengaruh trend pada saat perhitungan prediksi pada data uji.

3. Mengimplementasikan hasil peramalan yang dihasilkan oleh program

peramalan produksi batik.

PROGRAM PERAMALAN PRODUKSI SEBAGAI PENDUKUNG … fileKEPUTUSAN BAGI PENGUSAHA BATIK DALAM MENENTUKAN...

Documents

Transcript of PROGRAM PERAMALAN PRODUKSI SEBAGAI PENDUKUNG … fileKEPUTUSAN BAGI PENGUSAHA BATIK DALAM MENENTUKAN...