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

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

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

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

Pemilihan metode-metode peramalan akan tergantung pada pola data dan horizon waktu dari peramalan. 2001): a.. b. Informasi tersebut dapat dikuantitatifkan dalam bentuk data numerik. Metode weight moving average yaitu model rata-rata begerak terbobot lebih responsif terhadap perubahan. 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 Σpi (i = 1. akan dilakukan sebagai berikut (Gaspersz.. weighted MA(n). Dengan mengetahui model hubungan antara variabel yang bersangkutan.Metode Kausal atau disebut juga dengan metode eksplanatori mengasumsikan adanya hubungan sebab akibat antara variabel bebas dan variabel tidak bebas yang dipengaruhinya. Tersedia informasi tentang masa lalu. . 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. suatu model rata-rata bergerak n-periode terbobot. dinyatakan sebagai berikut (Gaspersz. dapat diramalkan bagaimana pengaruh yang terjadi pada variabel tidak bebas apabila terjadi perubahan pada variabel bebasnya. n) . peramalan kuantitatif dapat diterapkan bila terdapat tiga kondisi berikut (Eddy. weighted MA(n). 2001). 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. karena data dari periode yang baru biasanya diberi bobot lebih besar. 2.. Sistem itu dapat berbentuk makro (seperti perekonomian nasional) atau mikro (seperti dalam perusahaan atau rumah tangga) (Eddy. c. Dapat diasumsikan bahwa beberapa aspek pola masa lalu akan terus berlanjut dimasa yang akan datang. atau dalam bentuk lain antara input dan output dari suatu sistem.

Peramalan berdasarkan model rata-rata bergerak 4 bulan terbobot dilakukan sebagai berikut (Gaspersz. yang berarti nilai aktual permintaan lebih rendah daripada nilai ramalan (A–F<0). 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. Untuk bisa mendapatkan nilai tracking signal harus dicari terlebih dahulu nilai MAD yang didapat dari rumus (Gaspersz. 2004): . Sebaliknya apabila galat ramalan (forecast error) adalah negatif. dimana apabila galat ramalan (forecast error) adalah positif. yang berarti nilai aktual permintaan lebih tinggi daripada nilai ramalan (A–F>0). kecuali galat ramalan telah mencapai nol. maka model pemulusan eksponensial akan secara otomatis meningkatkan nilai ramalannya. seyogianya kita membangun peta kontrol tracking signal. maka metode pemulusan eksponensial akan secara otomatis menurunkan nilai ramalan. 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).Selanjutnya menggunakan formula untuk weighted MA(n). Metode permalan ini bekerja hampir serupa dengan alat thermostat. Proses penyesuaian ini berlangsung secara terus-menerus. Peramalan menggunakan metode pemulusan eksponensial dilakukan berdasarkan formula seperti di bawah ini (Gaspersz.

Biasanya dipilih nilia α = 0. karena berlaku (0< α <1). Bila taksiran untuk kedua parameter itu masing-masing dinyatakan dengan a dan b maka µy|x dapat ditaksir dengan ŷ dari bentuk garis regresi berdasarkan sampel atau garis kecocokan regresi (Eddy. Nilai konstanta pemulusan dapat dipilih di antara nilai 0 dan 1. dapat digunakan panduan yaitu apabila pola historis dari data aktual permintaan sangat bergejolak atau tidak stabil dari dari waktu ke waktu. µy|x = α + βx. metode regresi linier sering sekali dipakai untuk memecahkan masalah-masalah dalam penaksiran tentunya hal ini berlaku juga dalam peramalan sehingga metode regresi linier menjadi suatu metode yang mempunyai taksiran terbaik diantara metode-metode yang lain (Eddy. Metode regresi linier dipergunakan sebagai metode peramalan apabila pola historis dari data aktual permintaan menunjukkan adanya suatu kecenderungan menaik dari waktu ke waktu. t-1 : konstanta pemulusan (smoothing constant) Permasalahan umum yang dihadapi apabila mengunakan model pemulusan eksponensial adalah memilih konstanta pemulusan (α) yang dikira tepat.9 dan semakin bergejolak nilai α yang dipilih harus semakin tinggi menuju angka 1. dapat dipilih nilai α yang mendekati nol. ŷ = a + bx .1. t-1 : nilai aktual untuk satu periode waktu yang lalu. 2001). 2001). 2001). bahwa rataan (µy|x) berkaitan linier dengan x dalam bentuk persamaan linier populasi (Eddy. pola historis dari data aktual permintaan tidak berfluktuasi atau relatif stabil dari waktu ke waktu. Semakin stabil. penetapan nilai α yang diperkirakan tepat. 2004). Berdasarkan hal tersebut biasanya dipilih nilai α = 0. Berdasarkan ilmu statistika. Koefisien regresi α dan β merupakan dua parameter yang akan ditaksir dari data sampel.Ft = Ft-1 + α (A t-1 . dipilih nilai α yang mendekati 1. nilai α yang dipilih harus semakin kecil menuju nilai nol. untuk mengetahui sejauh mana keandalan dari model peramalan berdasarkan pemulusan eksponensial harus menggunakan peta kontrol tracking signal dan membandingkan apakah nilai-nilai ramalan itu telah menggambarkan atau sesuai dengan pola historis dari data aktual permintaan (Gaspersz.Ft-1) Dimana : Ft Ft-1 At-1 α : nilai ramalan untuk periode waktu ke-t : nilai ramalan untu satu periode waktu yang lalu. Istilah regresi linier berarti.

atau yang lebih mudah adalah nilai kumulatif absolut error dibagi . MAPE. mean absolute percentage error dan mean squared error.n) . Slope dan intersep dari persamaan regresi linier dihitung dengan menggunakan formula berikut (Eddy.b .∑ x . Mean absolute deviation yaitu terdapat sejumlah indikator dalam pengukuran akurasi peramalan.merupakan tingkat perubahan dalam permintaan. : indeks waktu ( t = 1. 2001): b= n. ∑x .. dan MSE semakin kecil. Taksiran a dan b masing-masing menyatakan perpotongan dengan sumbu y dan kenaikannya... Akurasi peramalan akan tinggi apabila nilai-nilai MAD. n adalah banyaknya periode waktu. 2001). Lambang ŷ digunakan di sini untuk membedakan antara taksiran atau nilai prediksi yang diberikan oleh garis regresi sampel dan nilai y amatan percobaan yang sesungguhnya untuk suatu nilai x. ∑ y n . rata-rata dari y Teori ukuran Akurasi Peramalan validasi metode peramalan terutama dengan menggunakan metode-metode di atas tidak dapat lepas dari indikator-indikator dalam pengukuran akurasi peramalan (Eddy. ∑ xy .2. Mean absolute deviation (MAD) merupakan nilai total absolut dari forecast error dibagi dengan data.( ∑x ) 2 2 a= ∑x .. namun yang paling umum digunakan adalah mean absolute deviation. ∑x n Dimana : b a x : slope dari persamaan garis lurus : intersep dari persamaan garis lurus : index waktu x-bar : nilai rata-rata dari x y : variabel permintaan (data aktual permintaan) y-bar : nilai rata-rata permintaan per periode waktu.3.Dimana : ŷ a b x : nilai ramalan permintaan pada peiode ke-t : intersep : slope dari garis kecenderungan.

Pengelolaan terhadap galat ramalan akan menjadi lebih efektif apabila peramal mampu mengambil tindakan mengambil tindakan yang tepat berkaitan dengan alasan-alasan terjadinya galat ramalan itu (Gaspersz. Sistem peramalan. Galat ramalan tidak dapat dihindari dalam sistem peramalan. penggunaan berbagai model peramalan akan memberikan nilai ramalan yang berbeda dan derjat dari galat ramalan yang berbeda pula. konflik internasional.dengan periode. 1 Alasan terjadi galat ramalan Perubahan dari pola data dasar Faktor eksternal (termasuk promosi. 2004): MAD = ∑ ( absolut dari forecast error ) n Mean forecast error biasa disebut juga galat peramalan. dan lain-lain Variasi acak normal Kesalahan pemasukan data MSE = ∑ ei n Mean absolute percentage error (MAPE) adalah rata-rata persentase kesalahan kuadrat merupakan pengukuran ketelitian dengan cara-cara persentase kesalahan absolute. 2004): Tindakan yang harus diambil Mengubah model peramalan Identifikasi dan lakukan penyesuaian 2 model peramalan dengan faktor eksternal itu 3 Terima model peramalan itu 4 Identifikasi dan koreksi Identifikasi dan lakukan penyesuaian 5 Perubahan dalam faktor ekstrinsik model peramalan dengan faktor ekstrinsik itu Mencari data asli atau substitusi data 6 Kehilangan data itu 7 Tingkat disagregasi Terima model peramalan itu Rata-rata kesalahan kuadrat memperkuat pengaruh angka-angka kesalahan besar. Diformulasikan formula untuk menghitung MAD adalah sebagai berikut (Gaspersz. namun galat ramalan itu harus dikelola dengan benar. aktivitas pesaing. . cuaca. No. 2004). Galat peramalan ini juga dapat berfungsi untuk menghitung nilai MAD yang telah dibahas pada sub bab sebelumnya.Berikut adalah tabel alasan terjadi galat ramalan dan tindakan yang harus diambil (Gaspersz. hari raya. tetapi memperkecil angka kesalahan prakiraan yang lebih kecil dari satu unit.

sehingga pusat dari tracking signal mendekati nol. pada setiap peramalan (Gaspersz. 2004).(MAPE) menunjukkan rata-rata kesalahan absolut prakiraan dalam bentuk persentasenya terhadap data aktualnya (Gaspersz. Peta moving range memiliki batasan-batasan yang terdiri dari batas kontrol atas dan batas kontrol bawah. Moving range adalah peta kontrol statistik yang digunakan pada pengendalian kualitas. Tracking Signal = RSFE MAD Tracking signal yang positif menunjukkan bahwa nilai aktual permintaan lebih besar daripada ramalan. 2004). Perhitungan moving range menggunakan rumus (Gaspersz. Tracking signal terkadang digunakan untuk melihat apakah nilai-nilai yang dihasilkan berada didalam atau diluar batas-batas pengendalian dimana nilai-nilai tracking signal itu bergerak antara -4 sampai +4 (Gaspersz. 2004). 2004): MR = ( Ft −1 − At −1 ) − Ft − At ( ) Tracking signal suatu ukuran bagaimana baiknya suatu ramalan memperkirakan nilai-nilai aktual suatu ramalan diperbaharui setiap minggu atau bulan sehingga data permintaan yang baru dibandingkan terhadap nilai-nilai ramalan. 2004). Moving range digunakan untuk mengetahui sejauh mana arah pergerakan (misalnya adalah permintaan) bergerak. sedangkan apabila negatif berarti nilai aktual permintaan lebih kecil daripada ramalan. MPE = e ∑ x (100 ) i n Moving range dibuat untuk membandingkan nilai-nilai observasi atau data aktual dengan nilai peramalan dari kebutuhan yang sama. . Tracking signal dihitung sebagai running sum of the forecast errors dibagi dengan mean absolute deviation Menurut (Gaspersz. Suatu tracking signal disebut baik apabila memiliki RSFE yang rendah dan mempunyai positive error yang sama banyak atau seimbang dengan negative error. Sebuah titik atau data yang berada di luar batas tersebut maka ada beberapa data yang harus dihilangkan atau mencari metode peramalan yang lain.

tujuan tersebut adalah memperkirakan permintaan dari produk kotak P3K selama satu tahun ke depan berdasarkan data masa lalu dengan menggunakan metode yang ada. Peramalan permintaan kotak P3K membutuhkan data masa lalu sebagai tahap yang paling utama dikarenakan tanpa data tersebut peramalan tidak dapat dihitung. dan MR selanjutnya dianalisis. Selain itu. dan regresi linear. Tahap awal sebelum meramalkan permintaan kotak P3K adalah melakukan pengumpulan data penjualan kotak P3K di masa lalu sebagai parameter perhitungan peramalan. Single Exponential Smoothing (SES). dan regresi serta MAD. Tracking Signal (TS). penyusun juga memberikan saran-saran yang berguna bagi perbaikan untuk membangun agar lebih baik lagi kedepannya proses peramalan permintaan kotak P3K. Penulisan Laporan Akhir Praktikum Sistem Produksi pada modul peramalan memiliki tujuan yang ingin dicapai. Selain itu penyusun juga ingin mengetahui metode yang paling tepat dan akurat dalam meramalkan permintaan kotak P3K. Hal ini yang dimaksud data tersebut merupakan data sekunder yang diperoleh dari produsen atau pembuat produk kotak P3K.METODELOGI PENELITIAN Penulisan Laporan Akhir Praktikum Sistem Produksi pada modul peramalan memiliki tahap-tahap tertentu yang harus dilakukan secara berurutan. HASIL DAN PEMBAHASAN Pembahasan kali ini mengenai peramalan (forcasting). Permasalahan yang akan diteliti adalah cara meramalkan permintaan produk kotak P3K untuk satu tahun ke depan. Meramalkan permintaan produk kotak P3K merupakan permasalahan yang penting dikarenakan hal tersebut menyangkut dari persiapan produktivitas dimasa yang akan datang. Pembahasan tentang peramalan kali ini menggunakan beberapa metode. Tahap ketiga atau tahap terakhir adalah melakukan penarikan kesimpulan yang menjawab tujuan penulisan. Tahap kedua data yang telah diolah mendapatkan hasil peramalan dengan metode WMA. Proses analisis dilakukan secara teliti dan dilakukan pengamatan hasil pengolahan agar dapat diperoleh informasi yang lengkap tentang perkiraan permintaan kotak P3K untuk satu tahun ke depan. Peramalan adalah suatu metode untuk memperkirakan suatu nilai peramalan di masa depan dengan menggunakan data di masa lalu. Pengolahan data tersebut dilakukan dengan metode Weighted Moving Average (WMA). dan Moving Range (MR). Pengumpulan data yang sudah diperoleh pada saat proses pengumpulan data dilakukan data pada satu tahun yang lalu selanjutnya diolah agar diperoleh perkiraan peramalan tentang permintaan kotak P3K untuk satu tahun yang akan datang. Data yang diolah lebih lanjut yaitu data penjualan aktual kotak P3K dari bulan Januari hingga Desember tahun 2011. SES. . Ketepatan hasil peramalan tersebut selanjutnya diukur dengan menggunakan Mean Absolute Deviation (MAD). Masalah ini dipilih karena suatu sistem produksi membutuhkan suatu peramalan yang akurat walaupun hasil peramalah tidak pernah selalu selamanya tepat tetapi dapat bermanfaat untuk mengefisienkan dari suatu permintaan produksi. TS.

Tabel 2 Perhitungan Metode WMA . Perhitungan metode WMA (Weight Moving Average) ini menggunakan bobot = 3. Tabel 1 Data Penjualan Aktual Kotak P3K Bulan (n) Januari Februari Maret April Mei Juni Juli Agustus September Oktober November Desember Indeks Waktu (t) 1 2 3 4 5 6 7 8 9 10 11 12 Penjualan 513 509 512 514 509 508 512 511 513 511 509 512 2 Digit NPM 20 20 20 20 20 20 20 20 20 20 20 20 Penjualan Aktual (A) 533 529 532 534 529 528 532 531 533 531 529 532 Metode WMA (Weight Moving Average) adalah suatu metode peramalan yang memperhitungkan bobot atau data di masa lalu.adapun metode yang digunakan WMA (Weight Moving Average). Berikut ini adalah tabel perhitungan metode WMA (Weight Moving Average). Metode WMA (Weight Moving Average) digunakan untuk mengetahui peramalan penjualan kotak P3K 1 periode (bulan) berikutnya. Berikut ini adalah data penjualan aktual dari produk kotak P3K. Tracking Signal (TS). Menggunakan bobot yang semakin tinggi makan tingkat akurasi yang dihasilkan semakin bagus tetapi jika dilihat dari data yang didapat tidak terlalu fluktuatif maka bobot yang digunakan tidak harus besar cukup digunakan bobot 1 sampai dengan 5 tetapi untuk data kali ini digunakan ketetapan bobot 3. dan Moving Range (MR).17 Contoh perhitungan diatas telah dapat dilihat hasilnya ramalan berdasarkan MA=3 pada bulan april. Berdasarkan hasil peramalan yang ada dari beberapa metode yang dipakai kemudian pilih peramalan yang memiliki tingkat akurasi paling tinggi dari ketiga metode tersebut dengan menggunakan metode mencari tingkat akurasi yaitu Mean Absolute Deviation (MAD). dan regresi linear. Metode ini digunakan untuk meramalakan pada tiap-tiap periode kedepan. Contoh perhitungan untuk WMA: = 531. SES (Single Exponential Smoothing).

33 531 530.5 533 531. Gambar 1 Forecasting Problem Specification Tahap selanjutnya adalah memasukan data penjualan aktual ke kotak dialog historical data. Berikut ini adalah tampilanya sebagai berikut.33 530 530. yaitu peramalan produk P3K. kemudian pilih solve and analyze.17 532 529. . lalu perform forecasting.83 531 532. Isi problem title dengan produk yang dibuat. Langkah pertama adalah membuka Win_QSB lalu pilih file dan new problem.83 531 Perhitungan software pada peramalan metode WMA menggunakan Win_QSB.17 532 532.17 531 530. klik OK. Time unit diisi dengan month (bulan) dan 12 untuk number of time units (periods). Historical data diisi dengan data nilai penjualan aktual.67 532 530.Bulan Januari Februari Maret April Mei Juni Juli Agustus September Oktober November Desember Januari Indeks Waktu (t) 1 2 3 4 5 6 7 8 9 10 11 12 13 Penjualan Aktual (A) 533 529 532 534 529 528 532 531 533 531 529 532 Ramalan Berdasarkan MA = 3 531.17 533 531.

Gambar 4 Perform Forecasting . kemudian pilih kotak dialog forecasting setup. lalu tulis angka 3 pada number of periods in average. Setelah itu pilih program MAD. yaitu assign values.Gambar 2 Historical Data Gambar 3 Solve and Analyze Tahapan selanjutnya klik solve and analyze. lalu pilih method parameters. setelah selesai klik OK. Setelah itu pilih program weight moving average (WMA). kemudian tulis angka 1 pada number of periods to forecast.

25 .29 -1.53 20 2.4 -1. maka selanjutnya adalah berupa hasil dari peramalan untuk metode ini bisa dilihat pada kotak dialog.33 12 2.22 -2. Contoh perhitungan periode 1: Tabel 3 Perhitungan Tracking Signal (TS) dari Peramalan Metode WMA Periode (1) 1 2 3 4 5 6 7 8 9 Forecas t (2) 532 533 532 530 531 531 533 532 531 Aktual (3) 534 529 528 532 531 533 531 529 532 Error E=AF (4) 2 -4 -4 2 0 2 -2 -3 1 RSFE Absolut Kumulatif Error (5) (6) 2 -2 -6 -4 -4 -1 -3 -6 -5 2 4 4 2 0 2 2 3 1 2.33 -1.22 Kumulatif Tracking MAD Absolut Signal (7)/(1) Error (5)/(8) (8) (7) (9) 2 2 1 6 3 -0.38 -2.8 12 3 -1.Tahapan selanjutnya semua sudah dilakukan.67 10 3.67 14 2. Gambar 5 Output Software WinQSB dengan Metode WMA Berdasarkan hasil peramalan yang dilakukan dengan menggunakan metode WMA (Weight Moving Average) kemudian dilakukan perhitungan metode Tracking Signal (TS) untuk mencari tingkat akurasi yang tinggi dari metode WMA (Weight Moving Average). Berikut ini tabel perhitungan metode Tracking Signal (TS).31 19 2. Berikut ini adalah tampilannya.43 16 2.33 -0.

Peramalan penjualan kotak P3K dilakukan dengan menggunakan software WinQSB untuk mencari konstanta pemulusan (α) 0. biasanya hanya 1 bulan ke depan. Gambar 7 Output Perhitungan Software WinQSB Metode SES (α = 0.9 yang memiliki nilai MAD terkecil. disarankan agar menggunakan nilai batas maksimum +4 dan batas minimum -4. Berikut ini adalah hasil perhitungan dengan menggunakan software QSB. tanpa trend atau pola pertumbuhan konsisten. dkk) seorang pakar production planing and inventory control. Model ini mengasumsikan bahwa data berfluktuasi di sekitar nilai mean yang tetap. maka analis melakukan perhitungan dengan menggunakan software untuk menguji perhitungan tersebut. Berdasarkan batasan tersebut untuk mengetahui apakah peramalan yang dilakukan sudah berada dalam batasan maka dibuatlah peta control Tracking Signal (TS) seperti berikut.(George plossl. Gambar 6 Peta Kontrol Tracking Signal (TS) Pembahasan perhitungan manual metode WMA (Weight Moving Average) belum teruji kebenarannya. Berikut ini hasil perhitungan software.1 sampai 0. Tracking Signal (TS) dapat diketahui setelah hasil dari aktual peramalan telah didapat.1) . Metode SES (Single Exponential Smoothing) juga dikenal sebagai simple exponential smoothing yang digunakan pada peramalan jangka pendek.

Berikut ini adalah hasil dari perhitungan software tersebut dengan konstanta pemulusan (α) yang bernilai 0. Gambar 8 Output Perhitungan Software WinQSB Metode SES (α = 0.Peramalan penjualan kotak P3K dilakukan dengan metode SES menggunakan software WinQSB. Gambar 9 Output Perhitungan Software WinQSB Metode SES (α = 0. Berikut ini adalah hasil dari perhitungan software tersebut dengan konstanta pemulusan (α) yang bernilai 0.2) Peramalan penjualan kotak P3K dilakukan dengan metode SES menggunakan software WinQSB.2.3.3) .

5) Peramalan penjualan kotak P3K dilakukan dengan metode SES menggunakan software WinQSB. Gambar 10 Output Perhitungan Software WinQSB Metode SES (α = 0.5. Berikut ini adalah hasil dari perhitungan software tersebut dengan konstanta pemulusan (α) yang bernilai 0.4) Peramalan penjualan kotak P3K dilakukan dengan metode SES menggunakan software WinQSB.4. Gambar 11 Output Perhitungan Software WinQSB Metode SES (α = 0.Peramalan penjualan kotak P3K dilakukan dengan metode SES menggunakan software WinQSB. Berikut ini adalah hasil dari perhitungan software tersebut dengan konstanta pemulusan (α) yang bernilai 0.6. Berikut ini adalah hasil dari perhitungan software tersebut dengan konstanta pemulusan (α) yang bernilai 0. .

7.Gambar 12 Output Perhitungan Software WinQSB Metode SES (α = 0.7) Peramalan penjualan kotak P3K dilakukan dengan metode SES menggunakan software WinQSB. Berikut ini adalah hasil dari perhitungan software tersebut dengan konstanta pemulusan (α) yang bernilai 0. Berikut ini adalah hasil dari perhitungan software tersebut dengan konstanta pemulusan (α) yang bernilai 0. Gambar 13 Output Perhitungan Software WinQSB Metode SES (α = 0.6) Peramalan penjualan kotak P3K dilakukan dengan metode SES menggunakan software WinQSB.8. .

8) Peramalan penjualan kotak P3K dilakukan dengan metode SES menggunakan software WinQSB. Berikut ini adalah hasil dari perhitungan software tersebut dengan konstanta pemulusan (α) yang bernilai 0. Tabel 4 Pengelompokan MAD α pada Software .1 sampai 0.9) Perhitungan peramalan penjualan tersebut dilakukan berdasarkan metode SES dengan nilai konstanta pemulusan (α) antara 0.9. Gambar 15 Output Perhitungan Software WinQSB Metode SES (α = 0.9.Gambar 14 Output Perhitungan Software WinQSB Metode SES (α = 0. Berikut ini adalah tabel rangkuman perhitungan software metode SES (Single Exponential Smoothing).

nilai MAD terkecil terdapat pada α = 0. Hasil α akan dibuat untuk perhitungan peramalan dengan metode SES (Single Exponential Smoothing) . Contoh perhitungan: = .8571 1.2 dengan nilai sebesar 1.2064 2.8615 1.6 α=0.84 530.3092 2.8571.18 531.74 531.1 α=0.9 MAD 1.0820 2. .9385 2.8 + 0.SES α α=0.2 tetapi juga tergantung pada data yang ada.79 532.4 α=0.8 α=0.08 531.24 530.56 530.2.04 Pembulatan 532 532 531 532 532 532 531 531 531 532 532 531 532 Berdasarkan hasil peramalan yang dilakukan dengan menggunakan metode SES (Single Exponential Smoothing) kemudian dilakukan perhitungan metode Tracking Signal .2 α=0.3877 2.3 α=0. = 531.5 α=0.8 ≈ 532 Ramalan indeks waktu ke 2 = 531. Hal ini dikarenakan nilai MAD yang terkecil merupakan peramalan yang paling akurat dengan kata lain.97 531. Dipilihnya MAD yang paling kecil karena MAD merupakan tingkat kesalahan sehingga dipilihlah MAD yang paling kecil agar tingkat peramalan yang dihasilkan menjadi lebih akurat atau mendekati kebenaran tidak lepas dari pengertian dari peramalan yang hasilnya belum tentu pasti tetapi dapat digunakan sebagai parameter permintaan dimasa yang akan datang. Berikut ini adalah contoh perhitungan manual peramalan α = 0.6373-12.5714 Berdasarkan pengelompokan α pada software.47 530. rata-rata harga mutlak penyimpangan hasil peramalan dengan data aktualnya adalah yang paling kecil.88 531.04 Tabel 5 Perhitungan Metode SES Bulan Januari Februari Maret April Mei Juni Juli Agustus September Oktober November Desember Januari Index 1 2 3 4 5 6 7 8 9 10 11 12 13 Aktual 533 529 532 534 529 528 532 531 533 531 529 532 Ramalan 531.8) = 532.2 (533-531.7 α=0. MAD terkecil memang biasanya selalu berada pada α = 0.4876 2.3 531.19 530.

2 dapat diketahui bahwa data yang digunakan tidak ada yang keluar dari batas kontrol antara batas kontrol atas dan batas kontrol bawah bhwa data yang digunakan layak digunakan.13 1.91 -4 -6 4 15 2.19 0 -5 0 16 2 -2. Tracking Signal (TS) dapat diketahui setelah hasil dari aktual peramalan telah didapat.8 1 -1 1 6 2 -0.92 (George plossl. Berdasarkan batasan tersebut untuk mengetahui apakah peramalan yang dilakukan sudah berada dalam batasan maka dibuatlah peta control Tracking Signal (TS) seperti berikut. Peta Kontrol Tracking Signal (TS) α = 0.5 2 1 2 8 2 0.5 -3 -2 3 11 2.5 1 -6 1 23 1.(TS) untuk mencari tingkat akurasi yang tinggi dari metode SES (Single Exponential Smoothing).92 -3.5 -2. dkk) seorang pakar production planing and inventory control.50 -1 -4 1 19 1.5 -0.9 -2. Berikut ini tabel perhitungan metode Tracking Signal (TS).5 -3 -2 3 5 2.40 1 -5 1 16 2.5 2 -3 2 18 2 -1.11 -3 -7 3 22 2 -3.2 -0.29 -2. . disarankan agar menggunakan nilai batas maksimum +4 dan batas minimum -4. Contoh perhitungan periode 1: Tabel 6 Perhitungan Tracking Signal (TS) dari Peramalan Metode SES Periode Forecast Aktual (1) (2) (3) 1 2 3 4 5 6 7 8 9 10 11 12 532 532 531 532 532 532 531 531 531 532 532 531 533 529 532 534 529 528 532 531 533 531 529 532 Error Kumulatif Tracking RSFE Absolut MAD E=AAbsolut Signal Kumulatif Error (7)/(1) F Error (5)/(8) (5) (6) (8) (4) (7) (9) 1 1 2 2 2 0.

Berikut ini adalah peramalan penjualan kotak P3K dengan metode regresi linear yang dilakukan secara manual. Tabel 7 Perhitungan Metode Regresi Linear Bulan (n) Januari Februari Maret April Mei Juni Juli Agustus September Oktober November Desember Jumlah (∑) Contoh perhitungan Periode (X) 1 2 3 4 5 6 7 8 9 10 11 12 78 Penjualan Aktual 533 529 532 534 529 528 532 531 533 531 529 532 6373 X² 1 4 9 16 25 36 49 64 81 100 121 144 650 X.Gambar 16 Peta Kontrol Tracking Signal (TS) Perhitungan peramalan penjualan kotak obat dengan metode regresi linear dilakukan secara manual dan menggunakan software WinQSB.Y 533 1058 1596 2136 2645 3168 3724 4248 4797 5310 5819 6384 41418 .

79 530.34 530.295 531 531 531 531 531 531 531 531 531 531 531 531 Contoh perhitungan : = + bx = 531. 13 = 531.79 Berdasarkan hasil peramalan yang dilakukan dengan menggunakan metode regresi linear kemudian dilakukan perhitungan metode Tracking Signal (TS) untuk mencari tingkat akurasi yang tinggi dari metode regresi linear. Berikut ini adalah hasil perhitungan software tersebut. Berikut ini tabel perhitungan metode Tracking Signal (TS). Tahap-tahap pengolahan data pada dasarnya sama seperti yang dilakukan pada metode WMA. Nilai intercept (a) diisi dengan 531.565 530.43 530.375 + (-0.475 530.7 530. kedua nilai ini diketahui berdasarkan hasil perhitungan manual.375 + (-0.52 530.045 nilai b disini biasanya hasinya selalu negatif tetapi juga tergantung dari nilai datanya.61 530.Tabel 8 Perhitungan Peramalan Bulan Januari Februari Maret April Mei Juni Juli Agustus September Oktober November Desember Indeks Waktu (t) 13 14 15 16 17 18 19 20 21 22 23 24 Penjualan Aktual 523 529 532 534 529 528 532 531 533 531 529 532 Ramalan 530.385 530.585) = 530. Bagian Number of Periods to Forecast diisi dengan 12.745 530.375 dan slope (b) diisi dengan -0.655 530.045) . Contoh perhitungan periode 1: Tabel 9 . Hal ini menunjukkan bahwa jumlah periode penjualan kotak P3K yang ingin diramalkan adalah selama 12 bulan ke depan. namun jenis metode yang dipilih adalah metode Linear Regression with Time.

13 0 2 0 16 1.46 1 0 1 14 2 0 0 0 0 14 1. Gambar 17 Peta Kontrol Tracking Signal (TS) Pembahasan perhitungan manual metode regresi linear belum teruji kebenarannya.Perhitungan Tracking Signal (TS) dari Peramalan Metode Regresi Linear Periode Forecast Aktual (1) (2) (3) 1 2 3 4 5 6 7 8 9 10 11 12 531 531 531 531 531 531 531 531 531 531 531 531 533 529 532 534 529 528 532 531 533 531 529 532 Error Kumulatif Tracking RSFE Absolut MAD E=AAbsolut Signal Kumulatif Error (7)/(1) F Error (5)/(8) (5) (6) (8) (4) (7) (9) 2 2 2 2 2 1 -2 0 2 4 2 0 1 1 1 5 1.58 0. Peta Kontrol Tracking Signal (TS) dapat diketahui bahwa data yang digunakan tidak ada yang keluar dari batas kontrol antara batas kontrol atas dan batas kontrol bawah bhwa data yang digunakan layak digunakan.67 0. Nilai yang semakin mendekati garis lurus maka . disarankan agar menggunakan nilai batas maksimum +4 dan batas minimum -4.6 1. Berdasarkan batasan tersebut untuk mengetahui apakah peramalan yang dilakukan sudah berada dalam batasan maka dibuatlah peta control Tracking Signal (TS) seperti berikut. dkk) seorang pakar production planing and inventory control.17 -0.25 -2 0 2 18 1.6 3 4 3 8 2 2 -2 2 2 10 2 1 -3 -1 3 13 2.58 (George plossl.64 0 1 1 1 19 1.75 0 2 2 2 16 1.63 1.78 1. Tracking Signal (TS) dapat diketahui setelah hasil dari aktual peramalan telah didapat.

Nilai intercept (a) diisi dengan 531. Hal ini menunjukkan bahwa jumlah periode penjualan kotak P3K yang ingin diramalkan adalah selama 12 bulan ke depan.375 dan slope (b) diisi dengan -0. Gambar 18 Output Perhitungan Software Tracking Signal (TS) Hasil perhitungan peramalan dari seluruh metode selanjutnya dibandingkan keakuratannya. namun jenis metode yang dipilih adalah metode Linear Regression with Time (LR). Selain menggunakan perhitungan manual. Berikut ini adalah hasil perhitungan dengan menggunakan software QSB. Metode yang menghasilkan nilai Mean Absolute Deviation (MAD) terendah akan diukur akurasinya dengan membuat peta kontrol Moving Range (MR). peramalan penjualan kotak P3K pada metode regresi linear juga dilakukan dengan menggunakan software WinQSB. maka analis melakukan perhitungan dengan menggunakan software untuk menguji perhitungan tersebut. Tahap-tahap pengolahan data pada dasarnya sama seperti yang dilakukan pada metode WMA.hasil yang diperoleh semakin baik. MR Absolute = │(Ft-1 – At-1) .At)│ = │(531 – 533) – (531 – 529)│ = │(-2) – (-2)│ =4 Tabel 10 Perhitungan Moving Range (MR) dari Peramalan Metode Regresi Linear Bulan Januari Peramalan 531 Aktual 533 A-F 2 MR Absolute - . Metode yang menghasilkan nilai MAD terendah adalah metode regresi linear.(Ft . kedua nilai ini diketahui berdasarkan hasil perhitungan manual.045. Berikut ini adalah hasil perhitungan software tersebut. Bagian Number of Periods to Forecast diisi dengan 12.

Februari Maret April Mei Juni Juli Agustus September Oktober November Desember 531 531 531 531 531 531 531 531 531 531 531 Total 529 532 534 529 528 532 531 533 531 529 532 -2 1 3 -2 -3 1 0 2 0 -2 1 4 3 2 5 1 4 1 2 2 2 3 29 Pembuatan peta kontrol Moving Range memerlukan nilai rata-rata Moving Range . dan Batas Kontrol Bawah (BKB). Peta Kontrol Moving Range (MR) dapat diketahui bahwa data yang digunakan tidak ada yang keluar dari batas kontrol antara batas kontrol atas dan batas kontrol bawah bhwa data yang digunakan layak digunakan. Batas Kontrol Atas (BKA). dan BKB serta gambar peta kontrol Moving Range adalah sebagai berikut: Gambar 19 Peta Kontrol Moving Range (MR) KESIMPULAN DAN SARAN . Perhitungan . Peta kontrol Moving Range dibuat untuk mengendalikan peramalan dan mengetahui kesesuaian hasil ramalan dengan penjualan aktual produk kotak P3K. BKA.

2001. Vincent. 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. Ukuran akurasi tersebut digunakan agar tingkat hasil peramalan dapat digunakan sebagai parameter permintaan produk kotak P3K untuk satu tahun kedepan. Hal ini dimaksudkan agar hasil peramalan dapat lebih akurat.Berdasarkan pengolahan data yang telah dilakukan dari awal pengumpulan data hingga menyajikannya dilakukannya perhitungan dengan berbagai metode didapatkan hasil dan dapat dianalisis dari hasil pengolahan tersebut. Metode yang paling akurat dalam meramalkan permintaan kotak P3K adalah metode regresi linear. Laboratorium Teknik Industri Lanjut. 2004. . Sofjan. 2010. DAFTAR PUSTAKA Gasperz. Production Planning And Inventory Control. Modul 1: peramalan. Pengendalian Produksi. sebab mempertimbangkan juga faktor-faktor lainnya selain itu ukuran akurasi peramalan yang digunakan tidak hanya Mean Absolute Deviation (MAD).Assauri. Eddy. Herjanto. Yogyakarta: Andi. diperoleh kesimpulan bahwa hasil peramalan permintaan kotak P3K untuk satu tahun ke depan adalah sebanyak 531 unit per bulan. tetapi digunakan juga ukuran akurasi peramalan yang lain. dan Moving Range (MR). pada metode regresi disarankan mempertimbangkan faktor-faktor lainnya yang diduga berpengaruh besar pada permintaan konsumen. Saran yang diberikan bagi penyusunan laporan akhir ini untuk membangun lebih baik lagi kedepannya yaitu sebaiknya data yang digunakan benar-benar nyata sehingga praktikan mampu menganalisa hasil data yang benar-benar akurat. tidak hanya berdasarkan waktu saja.Manajemen Produksi dan Operasi. Jakarta: Ghalia Indonesia. Jakarta: Universitas Gunadarma. Tracking Signal (TS). 1993. Jakarta: PT Gramedia Pustaka Utama. seperti Mean Square Error (MSE) dan Mean Absolute Percentage Error (MAPE).

Sign up to vote on this title
UsefulNot useful