LAPORAN PRAKTIKUM

PERENCANAAN DAN PENGENDALIAN PRODUKSI

ACARA I
PERAMALAN

Disusun oleh :
Nama

: Widha Mutiara Rizky

NIM

: 14/363972/TP/10946

Hari, tanggal

: Kamis, 22 September 2016

Shift

: A

Co-Asisten

: Annisa Rani Nastiti

LABORATORIUM SISTEM PRODUKSI

JURUSAN TEKNOLOGI INDUSTRI PERTANIAN
FAKULTAS TEKNOLOGI PERTANIAN
UNIVERSITAS GADJAH MADA
YOGYAKARTA
2016

BAB I
PENDAHULUAN
A.

Latar Belakang
Dewasa ini, permintaan konsumen akan suatu produk barang maupun jasa
semakin beragam. Pun dalam masalah kuantitas dan jenis permintannya.
Peramalan adalah dugaan atau perkiraan mengenai terjadinya suatu kejadian
atau peristiwa diwaktu yang akan datang. Aktivitas peramalan merupakan suatu
fungsi bisnis yang berperan untuk memperkirakan penjualan dan penggunaan
produk, sehingga produk yang dibuat dapat sesuai dengan permintaan
konsumen. Selain itu juga dapat digunakan untuk memperkirakan kebutuhan
sumber daya yang akan dikeluarkan.
Banyak manfaat yang dimiliki oleh peramalan, misalnya dalam bidang
pemasaran dan keuangan. Peramalan merupakan alat bantu yang sangat penting
dalam perancangan yang efekitif dan efisien. Dalam perekonomian,
perancangan merupakan kebutuhan vital karena waktu tenggang untuk
melakukan pengambilan keputusan dapat berkisar dari beberapa tahun sampai
beberapa hari bahkan sampai beberapa jam.
Peramalan adalah kegiatan memperkirakan kejadian yang belum terjadi
berdasarkan pada data di masa lampau yang dianalisis dengan menggunakan
metode-metode

tertentu.

Peramalan

diupayakan

dibuat

agar

dapat

meminimalkan pengaruh ketidakpastian permintaan. Maka dari itu, penting bagi

mahasiswa Teknologi Industri Pertanian untuk mempelajari peramalan dengan
baik karena akan berguna dalam

peramalan produksi dan peramalan

permintaan. Selain itu diperlukan kemampuan dalam mengoperasikan software

peramalan agar proses peramalan dapat dilakukan dengan cepat dan efisien.
B.

Tujuan Praktikum
1. Mengajarkan mahasiswa untuk melakukan peramalan dengan bantuan

computer.
2. Mengajarkan mahasiswa untuk memilih metode peramalan dengan benar.
C.

Manfaat Praktikum
1. Praktikan dapat melakukan peramalan dengan menggunakan program
WinQsb.
2. Praktikan

dapat

melakukan

analisa

terhadap

hasil

peramalan

menggunakan program WinQsb.

3. Praktikan dapat melakukan pemilihan terhadap metode peramalan dengan
benar.
4. Praktikan dapat mengaplikasikan program WinQsb dengan menggunakan
data secara riil di lapangan.

BAB II
TINJAUAN PUSTAKA
Peramalan adalah seni dan ilmu pengetahuan untuk memprediksi kejadiankejadian yang akan datang. Untuk pengambilan keputusan yang efektif dalam
perencanaan produksi dan pengaturan persediaan diperlukan prediksi (ramalan) dari
permintaan periode yang akan datang. Peramalan diperlukan untuk mengatur
Standart Performance bagi pelayanan pelanggan, untuk merencanakan alokasi
investasi total persediaan, untuk penambahan kapasitas produksi, dan memilih antara
strategi operasi alternatif (Wardhani, 2010).
Menurut Makridakis(1993), peramalan merupakan alat bantu penting dalam
perencanaan yang efektif dan efisien khususnya dalam bidang bisnis. Peramalan
merupakan prediksi nilai-nilai sebuah variabel berdasarkan pada nilai yang diketahui
dari variabel tersebut atau variabel yang berhubungan, yang didasarkan pada data
historis dan pengamatan. Ramalan diperlukan untuk memberikan informasi sebagai
dasar untuk membuat suatu keputusan dalam berbagai kegiatan.
Peramalan termasuk kegiatan yang ilmiah, dasar ilmiah peramalan terletak
dalam mempelajari masa lalu, sekarang dan trend masa depan, tindakan sekatang dan
masa depan serta efek dampaknya. Apa yang terjadi dimasa lalu relevan dengan apa
yang terjadi di masa sekarang dan apa yang akan terjadi di masa depan. Dengan
demikian, meramalkan dapat membawa ke tiga dimensi, yaitu masa lalu, sekarang,
dan masa depan. Meskipun semua dilakukan dengan perhitungan, peramalan adalah
seni dalam memperkirakan. Akan selalu ada kesalahan disetiap peramalan, tetapi
peramalan masih tetap digunakan untuk perencanaan manajemen.
Menurut Rastogi(2010), peramalan adalah upaya sistematis untuk menyelidiki
masa depan dengan kesimpulan dari fakta-fakta yang diketahui. Atau dengan kata
lain, prediksi atau estimasi situasi di masa depan dengan mengingat kondisi tertentu.
Menurut

Anonim

1(2016),

terdapat

Sembilan

langkah

yang

harus

dipertimbangkan untuk menjamin efektivitas dan efisiensi dari sistem peramalan

permintaan, yaitu :

Menentukan tujuan dari peramalan

Memilih item independent demand yang diramalkan

Menentukan horizon waktu dari peramalan

Memilih model-model peramalan

Memperoleh data-data yang dibutuhkan untuk melakukan peramalan

Validasi model peramalan

Implementasi hasil-hasil peramalan

Memantau keandalan hasil peramalan

Peramalan ada beberapa jenis. Meurut Jain dan Anggarwal (2009), ada dua
jenis utama dari peramalan, yaitu,

Permalan Jangka Pendek adalah peramalan yang meramalkan jangka pendek

dengan segera. Hal ini dapat mencakup jangka waktu beberapa minggu, bulan
atau satu/dua tahun. Jangka pendek peramalan dilakukan oleh perusahaan
untuk menjaga dalam pemikiran penjadwalan produksi, persyaratan bahan
baku, kebijakan harga, persyaratan keuangan jangka pendek, kebijakan
periklanan, menargetkan penentuan, dll.

Peramalan Jangka Panjang adalah peramalan yang meramalkan masa yang

akan datang yang jauh di masa depan. Hal ini mungkin mencakup 5-15 tahun.
Peramalan jangka panjang dilakukan oleh perusahaan untuk menjaga
pemikiran perencanaan unit baru atau perluasan unit yang ada, persyaratan
keuangan jangka panjang, persyaratan tenaga manusia, perubahan kebutuhan
masyarakat dll. Peramalan jangka panjang membawa ke kegiatan fenomena
tertentu selama beberapa tahun (5-15 tahun). Sebagai contoh, Kereta Api India
membuat kebijakan mereka pada peramalan jangka panjang. Kadang-kadang
kita mempertimbangkan perkiraan jangka menengah yang melibatkan periode
2-5 tahun.

Terdapat 4 teknik peramalan kualitatif yang berbeda (Heizer and Render, 2004),
teknik peramalan tersebut adalah,

Keputusan dari pendapat juri esekutif (juri of eksekutif opinion). Dalam metode
ini, pendapat sekumpulan kecil manajer atau pakar tingkat tinggi, sering
dikombinasikan dengan model statistik, dikumpulkan untuk mendapatkan
prediksi permintaan kelompok.

Metode Delphi. Ada tiga jenis peserta dalam metode Delphi: pengambil
keputusan, karyawan, dan responden. Pengambil keputusan yang akan
melakukan peramalan, karyawan membantu dengan menyebar sampai
meringkas kuesioner dan survey, yang terakhir adalah responden kelompok ini
yang memberikan input pada pengambilan keputusan sebelum peramalan
dibuat.

Gabungan dari tenaga penjualan (sales force composite). Setiap tenaga

penjualan memperkirakan berapa penjualan yang bisa ia lakukan dalam
wilayahnya.

Survei pasar konsumen (consumer market survey). Metode ini meminta input
dari konsumen mengenai rencana pembelian mereka dimasa depan. Hal ini
membantu tidak hanya dalam menyiapkan peramalan tetapi juga memperbaiki
desain produk dan perencanaan produk dan perencanaan produk baru.
Pendekatan peramalan terbagi menjadi dua, sebagaimana ada dua cara

mengatasi semua model keputusan yaitu analisa kuantitatif dan analisa kualitatif.
Peramalan kuantitatif menggunakan model matematis yang beragam dengan data
masa lalu dan variabel sebab akibat untuk meramalkan permintaan. Peramalan
kualitatif menggabungkan faktor intuisi, emosi, pengalaman pribadi, dan sistem nilai
pengambilan keputusan untuk meramal. Beberapa perusahaan menggunakan satu
pendekatan, dan perusahaan lain menggunakan pendekatan lain. Pada kenyataannya,
kombinasi dari keduanya merupakan yang paling efektif.

Metode time series adalah metode peramalan secara kuantitatif dengan

menggunakan waktu sebagai dasar peramalan. Secara umum, permintaan pada masa
yang akan datang dipengaruhi oleh waktu. Untuk membuat suatu peramalan
diperlukan data histories (masa lalu) permintaan. Data inilah yang akan dianalisis
dengan menggunakan parameter waktu sebagai dasar analisis. Prosedur peramalan
dengan metode time series adalah sebagai berikut (Baroto, 2002).
1.

Ditentukan pola data permintaan. Dilakukan dengan cara memplot data secara
grafis dan menyimpulkan data berpola trend, musiman, siklikal, atau
eratik/random.

2.

Dicoba beberapa metode time series yang sesuai dengan pola permintaan
tersebut untuk melakukan peramalan. Metode yang dicoba semakin banyak
semakin baik. Pada setiap metode, sebaiknya dilakukan pula peramalan dengan
parameter yang berbeda.

3.

Dievaluasi tingkat kesalahan masing masing metode yang telah dicoba.

Tingkat kesalahan diukur dengan criteria MAD, MSE, MAPE, atau yang
lainnya. Sebaiknya nilai tingkat kesalahan ini ditentukan dulu. Tidak ada
ketentuan mengenai berapa tingkat kesalahan maksimal dalam peramalan.

4.

Dipilih metode peramalan terbaik di antara metode yang dicoba. Metode

terbaik adalah metode yang memberikan tingkat kesalahan terkecil
dibandingkan metode lainnya dan tingkat kesalahan tersebutdi bawah batas
tingkat kesalahan yang telah ditetapkan.

5.

Dilakukan peramalan permintaan dengan metode terbaik yang telah dipilih.

Meurut Kusuma(2004), dalam time series terdapat empat jenis pola permintaan

sebagai berikut :
1. Pola trend
Pola trend adalah apabila data permintaan menunjukkan kecenderungan

gerakan penurunan atau kenaikan jangka panjang. Data yang kelihatannya

berfluktuasi, apabila dilihat pada rentang waktu yang panjang akan dapat ditarik
suatu garis maya. Bila data berpola trend, maka metode peramalan yang sesuai
adalah metode linear regression, exponential smoothing, atau double
exponential smoothing. Pola trend dapat berupa trend positif maupun negatif.
2. Pola Musiman
Bila data yang kelihatannya berfluktuasi, namun flukatuasi tersebut akan
terlihat berulang dalam suatu interval waktu tertentu, maka data tersebut
berpola musiman. Data disebut pola data musiman karena permintaan ini
biasanya dipengaruhi oleh musim, sehingga biasanya interval perulangan data
ini adalah satu tahun. Sebagai contoh, penjualan payung dan jas hujan di musim
hujan adalah lebih besar daripada di musim kemarau. Metode peramalan yang
sesuai dengan pola musiman adalah metode winter (sangat sesuai), atau moving
average, atau weight moving average.
3. Pola Siklikal
Pola siklikal adalah bila fluktuasi permintaan secara jangka panjang
membentuk pola sinusoida atau gelombang atau siklus. Pola siklikal mirip
dengan pola musiman. Pola musiman tidak harus berbentuk gelombang,
bentuknya dapat bervariasi, namun waktunya berulang setiap tahun (umumnya).
Pola siklikal bentuknya selalu mirip gelombang sinusoid. Untuk menentukan
data berpola siklis tidak mudah. Kalau pola musiman rentang waktu satu tahun
dapat dijadikan pedoman, maka rentang waktu perulangan siklikal tidak tentu.
Metode yang sesuai bila data berpola siklikal adalah metode moving average,
weight moving average, dan exponential smoothing.
4. Pola Eratik/ Random
Pola eratik adalah bila fluktuasi data permintaan dalam jangka panjang tidak
dapat digambarkan oleh ketiga pola lainnya. Fluktuasi permintaan bersifat acak
atau tidak jelas. Tidak ada metode peramalan yang direkomendasikan untuk
pola ini. Hanya saja, tingkat kemampuan seorang analis peramalan sangat

menentukan dalam pengambilan kesimpulan mengenai pola data.

Dalam program WinQsb berkaitan dengan peramalan (Forecasting) terdapat
istilah-istilah antara lain adalah sebagai berikut (Anonim 2, 2016).
1. Cumulative of Forecast Error (CFE)
Cumulative of Forecast Error (CFE) adalah ukuran umum untuk
perkiraan bias, model yang lebih baik akan memiliki CFE mendekati nol.

2. Mean Absolute Deviation (MAD)

Metode untuk mengevaluasi metode peramalan menggunakan jumlah dari
kesalahan-kesalahan yang absolut. Mean Absolute Deviation (MAD) mengukur
ketepatan ramalan dengan merata-rata kesalahan dugaan (nilai absolut masingmasing kesalahan). MAD berguna ketika mengukur kesalahan ramalan dalam
unit yang sama sebagai deret asli. Nilai MAD dapat dihitung dengan
menggunakan rumus sebegai berikut.

3. Mean Square Error (MSE)

Mean Squared Error (MSE) adalah metode lain untuk mengevaluasi
metode peramalan. Masing-masing kesalahan atau sisa dikuadratkan. Kemudian
dijumlahkan dan ditambahkan dengan jumlah observasi. Pendekatan ini
mengatur kesalahan peramalan yang besar karena kesalahan-kesalahan itu
dikuadratkan. Metode itu menghasilkan kesalahan-kesalahan sedang yang
kemungkinan lebih baik untuk kesalahan kecil, tetapi kadang menghasilkan
perbedaan yang besar.

4. Mean Absolute Percentage Error (MAPE)

Mean Absolute Percentage Error (MAPE) dihitung dengan menggunakan
kesalahan absolut pada tiap periode dibagi dengan nilai observasi yang nyata
untuk periode itu. Kemudian, merata-rata kesalahan persentase absolut tersebut.
Pendekatan ini berguna ketika ukuran atau besar variabel ramalan itu penting
dalam mengevaluasi ketepatan ramalan. MAPE mengindikasi seberapa besar
kesalahan dalam meramal yang dibandingkan dengan nilai nyata.

5. Tracking Signal
Validasi peramalan dilakukan dengan Tracking Signal. Tracking Signal
adalah suatu ukuran bagaimana baiknya suatu peramalan memperkirakan nilainilai aktual. Nilai Tracking Signal dapat dihitung dengan menggunakan rumus
sebegai berikut.

Tracking signal yang positif menunjukan bahwa nilai aktual permintaan lebih
besar daripada ramalan, sedangkan tracking signal yang negatif berarti nilai
aktual permintaan lebih kecil daripada ramalan. Tracking signal disebut baik
apabila memiliki RSFE yang rendah, dan mempunyai positive error yang sama
banyak atau seimbang dengan negative error, sehingga pusat dari tracking
signal mendekati nol. Tracking signal yang telah dihitung dapat dibuat peta
kontrol untuk melihat kelayakkan data di dalam batas kontrol atas dan batas
kontrol bawah.

BAB III
METODE PRAKTIKUM
A.

Alat dan Bahan

Alat
1. Komputer atau laptop
2. Alat tulis
3. Mouse

Bahan
1. Data peramalan berpola konstan, trend(yang digunakan disini adalah
data peramalan negatif), dan musiman
2. Program WinQsb

B.

Prosedur Praktikum
Dibuat ramalan penjualan untuk 6 periode (bulan) ke depan dengan data
penjualan seperti di bawah ini (dalam unit). Dilakukan untuk data produk 1,
produk 2, produk 3.
Periode
1
2
3
4
5
6
7
8
9
10
11
12
13
14

Produk

Produk

Produk

1
250
250
265
245
255
250
260
250
260
255
250
260
245
255

2
260
260
255
265
265
270
275
280
286
295
300
295
290
289

3
250
255
265
270
290
280
275
270
270
265
265
260
270
275

15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36

260
265
255
250
255
255
260
255
245
250
250
265
250
248
255
250
255
245
255
260
250
260

300
310
305
315
325
350
355
365
350
350
360
355
350
368
370
375
380
384
390
400
410
425

280
285
290
298
285
290
295
280
280
270
265
275
285
289
310
320
315
310
305
298
289
270

Tahapan Peramalan
1. Tujuan peramalan ditentukan (sudah ditetapkan = ramalan penjualan).
2. Jangka waktu peramalan ditentukan (sudah ditetapkan = 6 bulan kedepan).
3. Data dikumpulkan dan dianalisis.

Data penjualan aktual selama 36 periode diplotkan dengan excel dan

diamati pola perubahannya apakah berpola konstan, trend, atau musiman.

4. Ditentukan teknik peramalan yang sesuai dengan pola data yang ada:

Untuk data konstan, pilihan yang mungkin adalah metode Simple Average,
Moving Average, Weight Moving Average, Exponential Smoothing, dan
Adaptive Exponential Smoothing.

Untuk pola data trend, pilihan yang mungkin adalah Moving Average with

Linear Trend, Exponential Smoothing with Linear Trend, and Linear

Regression.

Untuk data musiman, pilihan yang mungkin adalah metode winters.

5. Dilakukan peramalan

Dipilih Forecasting and Linear Regression

Pada menu File dipilih pilihan New Problem dan diisikan :

-

Problem type : Time Series Forecasting

Problem title : Pola Data Konstan

Time unit : Month

Number of time units (Periods) : 36

Problem type : Time Series

Diklik OK

Dimasukkan data penjualan yang ada pada baris yang tersedia

Di dalam menu Solve and Analyze diklik Perform Forecasting

Dalam Forecasting Method dipilih dua metode yang dianggap sesuai

untuk masing-masing data produk sesuai dengan jenis pola datanya.

Di dalam Method Parameters dipilih Assign Values untuk nilai yang

sudah diketahui atau pilih Search for the best untuk pencarian terbaik
oleh computer (biasanya lama untuk model yang kompleks)

Di dalam Search Criterion dipilih MAD

Di dalam Number of Periods to Forecast diisikan angka 6 untuk

meramalkan 6 periode kedepan.

Diisikan data yang lain sesuai dengan metode peramalan yang dipilih.

Diklik OK maka hasil peramalan akan diperoleh,

Untuk hasilnya disediakan 3 bentuk, yaitu summary, detail, dan grafik.

Untuk melihat gambar hasil peramalan klik Show Forecast in Graph

6. Kesalahan diukur :

Digunakan ukuran MAD (Mean Absolute Deviation) yang terkecil untuk

memilih metode peramalan yang paling baik diantara dua metode yang
telah digunakan.

7. Peramalan diverifikasi :

Diplotkan data Tracking Signal (TS) dari hasil peramalan dengan

menggunakan batas kontrol 3 untuk memverifikasi metode peramalan
yang dipilih.

8. Dilakukan analisis untuk hasil peramalan masing-masing produk, untuk

data konstan menggunakan analisis SA dan MA, untuk pola data tren
menggunakan analisis SEST dan DEST, sedangkan untuk data musiman
menggunakan analisis HWA dan HWM.

BAB IV
HASIL DAN PEMBAHASAN
A

Hasil
A.1 Grafik
1. Grafik Produk
a. Grafik Penjualan Produk 1

Gambar 1. Grafik Penjualan Produk 1

b. Grafik Penjualan Produk 2

Gambar 2. Grafik Penjualan Produk 2

c. Grafik Penjualan Produk 3

Gambar 3. Grafik Penjualan Produk 3

A.2 Tabel Forecasting

a Tabel Forecasting SA (Simple Average)

Tabel Forecasting MA (Moving Average)

c Tabel Forecasting SEST (Single Exponential Smoothing with Trend)

d Tabel Forecasting DEST (Double Exponential Smoothing with Trend)

e Tabel Forecasting HWA (Holt-Winters Additive Algorithm)

f Tabel Forecasting HWM (Holt-Winters Multiplicate Algorithm)

A.3 Grafik Verifikasi

a. Grafik Verifikasi Produk 1 (Pola Konstan)

Gambar 4. Grafik Verifikasi Produk 1

b. Grafik Verifikasi Produk 2 (Pola Trend)

Gambar 5. Grafik Verifikasi Produk 2

c. Grafik Verifikasi Produk 3 (Pola Musiman)

4
3
2
Pola data musiman

UCL

CL
LCL

-1
-2
-3
-4

Gambar 6. Grafik Verifikasi Produk 3

B.

Pembahasan
Praktikum perencanaan dan pengendalian produksi acara 1 berjudul
Peramalan. Tujuan dari praktikum ini, yaitu mengajarkan mahasiswa untuk
melakukan peramalan dengan bantuan komputer dan mengajarkan mahasiswa
untuk memilih periode peramalan dengan benar.
Peramalan adalah seni dan ilmu pengetahuan untuk memprediksi
kejadian-kejadian yang akan datang. Untuk pengambilan keputusan yang
efektif dalam perencanaan produksi dan pengaturan persediaan diperlukan
prediksi (ramalan) dari permintaan periode yang akan datang. Diperlukan
peramalan untuk mengatur Standart Performance bagi pelayanan pelanggan,
untuk merencanakan alokasi investasi total persediaan, untuk penambahan
kapasitas produksi, dan memilih antara strategi operasi alternatif.
Langkah kerja yang dilakukan untuk proses peramalan dalam praktikum
ini adalah dengan memasukkan terlebih dahulu data-data yang ada berupa data

penjualan produk 1, produk 2, dan produk 3 ke dalam Microsof excel. Datadata tersebut dicek terlebih dahulu apakah termasuk ke dalam data berpola
konstan, trend, atau musiman. Data disebut memiliki pola data konstan apabila
data berfluktuasi disekitar rata-rata secara stabil. Pola yang tersebut berupa
horizontal. Pola data seperti ini terdapat pada jangka pendek atau jangka
menengah, jarang sekali suatu variabel memiliki pola konstan dalam jangka
panjang. Disebut pola data trend apabila data dalam jangka panjang mempunyai
kecenderungan terus naik atau turun dari waktu ke waktu. Pola seperti ini
disebabkan oleh bertambahnya polasi, perubahan pendapatan, dan pengaruh
budaya. Sedangkan, pola data musiman terjadi apabila polanya merupakan
gerakan berulang-ulang secara teratur setiap periode tertentu, misalnya tahunan,
semesteran, kuartalan, bulanan, atau mingguan. Pola ini berhubungan dengan
faktor iklim, cuaca, atau faktor yang dibuat oleh manusia seperti liburan.
Pengecekan data tersebut dapat dilakukan dengan mengintepretasikan data yang
ada ke dalam bentuk grafik line. Setelah diketahui pola datanya apa, masingmasing data diolah ke dalam program WinQsb. Untuk data penjualan produk 1
diketahui memiliki pola data konstan, sehingga prosedurnya adalah dengan
memasukkan data penjualan produk 1 tersebut ke dalam program WinQsb
kemudian mengolahnya dengan cara memilih menu Solve and Analyze dan
memilih

Simple Average,

memilih

Assign

Value

pada

Method

Parameters, dan memilih MAD pada Search Criterion. Dikarenakan kita

ingin meramalkan untuk 6 periode kedepan, maka Number of Period to
Forecast diisikan angka 6 kemudian diklik OK, maka tabel hasil perhitungan
yang dilakukan oleh program WinQsb dapat dilihat. Selain dengan
menggunakan metode Simple Average (SA) data penjualan produk 1 juga
diramalkan dengan menggunakan metode Moving Average (MA). Dalam
penggunaan metode ini, Number of Period in Average diisikan angka 3 yang
berarti peramalan dilakukan setiap 3 bulan sebelumnya, lalu diklik OK.
Kemudian dibandingkan nilain MADnya. Nilai MAD yang semakin kecil

artinya peramalan yang dilakukan semakin bagus. Setelah itu dilakukan

verifikasi dengan meggunakan nilai tracking signal-nya. Verifikasi hasil
peramalan ini dilakukan dengan cara data Tracking Signal diplotkan dalam
suatu grafik dengan batas kontrol 3
Untuk data penjualan produk 2 termasuk jenis data yang berpola trend
karena pola data dalam grafik line menunjukkan pergerakan ke atas secara
simultan. Yang membedakan prosedur pengolahan data menggunakan program
WinQsb adalah pada Solve and Analyze, pada data berpola trend dipilih
Double Exponential Smoothing with Trend (DEST) dan Single Exponential
Smoothing with Trend (SEST). Pada isian Method Parameters dipilih
Search the best, isian Search Criterion dipilih MAD. Pada isian Number
of Period to Forecast diisikan angka 6 lalu dipilih OK. Setelah hasilnya keluar
dibandingkan nilai MADnya dan diambil nilai MAD yang paling kecil. Setelah
itu, juga dilakukan verifikasi dengan menggunakan nilai tracking signal-nya.
Verifikasi hasil peramalan ini dilakukan dengan cara data Tracking Signal
diplotkan dalam suatu grafik dengan batas kontrol 3.
Untuk data penjualan produk 3 menunjukkan pola data musiman, dalam
pengolahan menggunakan program WinQsb yang membedakan adalah yang
dipilih dalam Solve and Analyze adalah Holt-Winters Additive Algorithm
(HWA) dan Holt-Winters Multiplicate Algorithm (HWM). Pada isian
Method Parameters dipilih Assign Value. Pada isian Search Criterion
dipilih MAD. Pada isian Number of Period to Forecast diisikan angka 6 lalu
dipilih OK. Kemudian dari hasil yang diperoleh dilakukan verifikasi hasil
peramalan. Verifikasi hasil peramalan ini dilakukan dengan cara data Tracking
Signal diplotkan dalam suatu grafik dengan batas kontrol 3. Kemudian hasil
peramalan dan hasil verifikasi dianalisis.
Setelah itu, kemudian hasil dari Microsoft excel dipindahkan ke Microsoft
word dengan menggunakan paste special picture. Caranya adalah dengan
memblok data microsoft excel yang akan di copy-paste, lalu ctrl+c, kemudian

membuka word yang akan digunakan sebagai tempat meletakkan hasil copy-an
microsoft excel, lalu tekan alt+ctrl+v pada microsoft word, lalu pilih picture,
lalu OK.
Dalam suatu peramalan, untuk mendapatkan hasil yang terbaik, sebaiknya
digunakan metode kualitatif maupun kuantitatif. Metode kuantitatif digunakan
untuk pola data konstan, trend, dan musiman. Hal ini dikarenakan agar dapat
memperoleh peramalan yang terbaik. Peramalan yang bagus adalah peramalan
yang mempunyai nilai MAD paling kecil dan juga menunjukkan hasil
peramalan yang nilainya tidak jauh berbeda dengan data kenyataan/aktual.
Namun dalam praktikum ini, kita hanya menggunakan dua metode peramalan
secara kuantitatif dari ketiga pola tersebut. Hasilnya adalah untuk pola data
konstan, metode yang baik untuk meramalkan penjualan produk 1 adalah
metode Simple Average (SA). Untuk pola data trend, metode yang baik untuk
meramalkan data penjualan produk 2 adalah metode Single Exponential
Smoothing with Trend (SEST). Dan untuk pola data musiman, metode yang
baik untuk meramalkan data penjualan produk 3 adalah Holt-Winters Additive
Algorithm (HWA).
Dalam program WinQsb berkaitan dengan peramalan (Forecasting)
terdapat istilah-istilah antara lain adalah sebagai berikut.
1.

Cumulative of Forecast Error (CFE)

Cumulative of Forecast Error (CFE) adalah ukuran umum untuk
perkiraan bias, model yang lebih baik akan memiliki CFE mendekati nol.

2. Mean Square Error (MSE)

Mean Squared Error (MSE) adalah metode lain untuk mengevaluasi
metode peramalan. Masing-masing kesalahan atau sisa dikuadratkan.
Kemudian dijumlahkan dan ditambahkan dengan jumlah observasi.

Pendekatan ini mengatur kesalahan peramalan yang besar karena

kesalahan-kesalahan

itu

dikuadratkan.

Metode

itu

menghasilkan

kesalahan-kesalahan sedang yang kemungkinan lebih baik untuk

kesalahan kecil, tetapi kadang menghasilkan perbedaan yang besar.

3. Mean Absolute Percentage Error (MAPE)

Mean Absolute Percentage Error (MAPE) dihitung dengan
menggunakan kesalahan absolut pada tiap periode dibagi dengan nilai
observasi yang nyata untuk periode itu. Kemudian, merata-rata kesalahan
persentase absolut tersebut. Pendekatan ini berguna ketika ukuran atau
besar variabel ramalan itu penting dalam mengevaluasi ketepatan
ramalan. MAPE mengindikasi seberapa besar kesalahan dalam meramal
yang dibandingkan dengan nilai nyata.

4.

Mean Absolute Deviation (MAD)

Metode untuk mengevaluasi metode peramalan menggunakan
jumlah dari kesalahan-kesalahan yang absolut. Mean Absolute Deviation
(MAD) mengukur ketepatan ramalan dengan merata-rata kesalahan
dugaan (nilai absolut masing-masing kesalahan). MAD berguna ketika
mengukur kesalahan ramalan dalam unit yang sama sebagai deret asli.
Nilai MAD dapat dihitung dengan menggunakan rumus sebegai berikut.

5. Tracking Signal

Validasi peramalan dilakukan dengan Tracking Signal. Tracking

Signal adalah suatu ukuran bagaimana baiknya suatu peramalan
memperkirakan nilai-nilai aktual. Nilai Tracking Signal dapat dihitung
dengan menggunakan rumus sebegai berikut.

Tracking signal yang positif menunjukan bahwa nilai aktual permintaan

lebih besar daripada ramalan, sedangkan tracking signal yang negatif
berarti nilai aktual permintaan lebih kecil daripada ramalan. Tracking
signal disebut baik apabila memiliki RSFE yang rendah, dan mempunyai
positive error yang sama banyak atau seimbang dengan negative error,
sehingga pusat dari tracking signal mendekati nol. Tracking signal yang
telah dihitung dapat dibuat peta kontrol untuk melihat kelayakkan data di
dalam batas kontrol atas dan batas kontrol bawah.
Perhitungan manual dengan rumus akan diperoleh nilai yang sama
dengan menggunakan program WinQsb. Pada acara ini, perhitungan manual
dilakukan pada perhitungan SEST data kelima. Perhitungan tersebut adalah
sebagai berikut,
1. Mean Absolute Deviation (MAD)

=
=

|0|+|5|+|10.842|+0.58377

16.42577
4

= 4.1064425
2. Mean Square Error (MSE)

02+52 +10.8422 +0.583772

4

142.8897514
4

= 35.722437
3. Mean Absolute Percentage Error (MAPE)
)
=

100
4

16.42577
265

=1.549600943%
4. Cumulative of Forecast Error (CFE)
= 0+(-5)+10.842+(-0.58373)
= 5.25823
5. Tracking Signal (TS)
TS =

5.25823
4.1064425

= 1.280483046
Metode terbaik pada pola data konstan pada penjualan produk 1 adalah
metode Simple Average. Hal ini dikarenakan ketika dibandingkan nilai MADnya, metode Simple Average memiliki nilai MAD yang lebih kecil
dibandingkan dengan metode Moving Average. Dimana nilai MAD dengan
metode Simple Average sebesar 4.932213, sedangkan nilai MAD dengan
metode Moving Average sebesar 5.686868. peramalan dikatakan bagus apabila
memiliki nilai MAD yang kecil, sehingga metode Simple Average dipilih
sebagai metode terbaik. Pada data yang berpola trend positif, nilai MAD
dengan metode Single Exponential Smoothing with Trend sebesar 6.080347 dan
dengan metode Double Exponential Smoothing with Trend sebesar 6.118782.

Sehingga, metode Single Exponential Smoothing with Trend dipilih sebagai

metode terbaik. Pada data dengan pola musiman nilai MAD dengan metode
Holt-Winters Additive Algorithm sebesar 7.050997 dan dengan metode HoltWinters Multiplicate Algorithm nilai MADnya sebesar 7.051093. Sehingga,
metode Holt-Winters Additive Algorithm dipilih sebagai metode terbaik karena
nilai MAD-nya lebih kecil.
Berdasarkan pada grafik verifikasi hasil peramalan menunjukkan bahwa
pada data penjualan produk 1 dengan pola konstan terdapat 13 titik yang
melewati batas UCL dan LCL. Titik-titik tersebut terdapat pada data nomor 12
dengan nilai 3.447221, nomor 15 dengan nilai 3.193849, nomor 16 dengan nilai
4.868331, nomor 17 dengan nilai 5.231104, nomor 18 dengan nilai 4.417489,
nomor 19 dengan nilai 4.756393, nomor 20 dengan nilai 5.09878, nomor 21
dengan nilai 6.17473, nomor 22 dengan nilai 6.518066, nomor 23 dengan nilai
4.259446, nomor 24 dengan nilai 2.582775, nomor 26 dengan nilai 4.590103,
dan nomor 27 dengan nilai 3.754912. Titik yang melewati batas tersebut
mengindikasikan bahwa masih terjadi bias pada hasil peramalan tersebut, selain
itu juga data hasil peramalan tersebut tidak terdistribusi secara normal.
Berdasarkan nilai MAD, metode Simple Average lebih bagus dibandingkan
metode Moving Average namun, masih terdapat ketidak akuratan pengukuran
dengan metode ini.
Untuk data penjualan produk 2 dengan pola trend positif terdapat 15 titik
yang out of control. Titik-titik tersebut terdapat pada data nomor 7 dengan nilai
3.105934, nomor 8 dengan nilai 3.924985, nomor 9 dengan nilai 4.816402,
nomor 10 dengan nilai 5.961418, nomor 11 dengan nilai 6.603117, nomor 17
dengan nilai 1.953026, nomor 18 dengan nilai 3.206014, nomor 19 dengan nilai
4.365173, nomor 20 dengan nilai 7.069951, nomor 21 dengan nilai 6.503259,
nomor 22 dengan nilai 6.830861, nomor 33 dengan nilai 3.158132, nomor 34
dengan nilai 4.050586, nomor 35 dengan nilai 4.802917, dan nomor 36 dengan

nilai 6.097277. Titik yang melewati batas kontrol berarti masih terjadi bias pada
hasil peramalan tersebut, selain itu juga data hasil permalan tersebut tidak
terdistribusi secara normal. Berdasarkan nilai MAD, metode Single Exponential
Smoothing with Trend lebih bagus dibandingkan metode Double Exponential
Smoothing with Trend namun, masih terdapat ketidakakuratan pengukuran
dengan metode ini.
Pada data penjualan produk 3 dengan pola data musiman terdapat 3 titik
yang melewati batas control atas dan bawah. Titik-titik tersebut terdapat pada
data nomor 5 dengan nilai 3.389281, nomor 29 dengan nilai 3.212777, dan
nomor 36 dengan nilai -3.272325. Titik yang melewati batas kontrol
mengindikasikan bahwa masih terjadi bias pada hasil peramalan tersebut, selain
itu juga data hasil permalan tersebut tidak terdistribusi secara normal.
Berdasarkan nilai MAD, metode Holt-Winters Additive Algorithm lebih bagus
dibandingkan metode Holt-Winters Multiplicate Algorithm akan tetapi masih
terdapat ketidak akuratan pengukuran dengan metode ini.
Hasil yang diperoleh dari metode terbaik, yaitu pada data penjualan
produk 1 dengan pola konstan adalah metode Simple Average dengan nilai CEF
sebesar 11.90341, MAD sebesar 4.932213, MSE sebesar 37.75647, MAPE
sebesar 1.936257, Tracking Signal sebesar 2.413402, dan R-square sebesar
3.96E-02.
Pada data penjualan produk 2 dengan pola data trend positif adalah
metode Single Exponential Smoothing with Trend dengan nilai CFE sebesar
-37.07356, MAD sebesar 6.080347, MSE sebesar 68.30392, MAPE sebesar
1.858626, Tracking Signal sebesar 6.097277, Alpha=0.92, Beta=0.27,
F(0)=260, dan T(0)=0.
Untuk data penjualan produk 3 dengan pola data musiman adalah metode
Holt-Winters Additive Algorithm dengan nilai CEF sebesar -23.0732, MAD
sebesar 7.050997, MSE sebesar 88.30782, MAPE sebesar 2.48402, Tracking
Signal sebesar -3.27233, Alpha sebesar 0.76, Beta sebesar 0.92 dan gamma

sebesar 0.01.
Terdapat tiga parameter yang perlu ditetapkan, tergantung dari komponen
trend dan variasi musiman.
1.

Alpha () adalah parameter yang berfungsi mengontrol pembobotan

relatif pada pengamatan yang baru dilakukan. Jika alpha bernilai 1 maka
hanya pengamatan terbaru yang digunakan secara eksklusif. Sebaliknya,
apabila alpha bernilai 0 maka pengamatan yang lalu dihitung dengan
bobot sepadan dengan yang terbaru.

2.

Beta () adalah koefisien garis trend yang berfungsi untuk membuat

garis trend tersebut untuk meluruskannya atau mengambil garis yang
dominan. Nilai alfa semakin mendekati 1 menunjukkan pemberian
bobot yang semakin besar pada pengamatan terbaru. Parameter beta ini
digunakan pada model yang memiliki komponen trend linear atau
eksponensial dengan tidak memiliki variasi musiman.

3.

Gamma () adalah, koefisien pada model peramalan data musiman.

Nilai gamma semakin mendekati angka 1 menunjukkan pemberian
bobot yang semakin besar pada pengamatan terbaru.
R Square (R2) sering disebut dengan istilah koefisien determinasi. R

Square adalah mengukur kebaikan suai (goodness of fit) dari persamaan regresi;
yaitu memberikan proporsi atau persentase variasi total dalam variabel terikat
yang dijelaskan oleh variabel bebas. Nilai R2 terletak antara 0 1, dan
kecocokan model dikatakan lebih baik kalau R2 semakin mendekati adjusted R
Square.
Aplikasi industri dari forecasting atau peramalan ini, yaitu untuk
meramalkan order pembelian bahan baku, sehingga dengan metode peramalan
dapat

dibuat

memprediksikan

penjadwalan

order.

kapasitas

produksi.

Aplikasi
Dengan

yang

lain,

melihat

yaitu

data

untuk

peramalan

perminataan produk dapat terlihat apakah perusahaan masih mampu memenuhi

kapasitas atau tidak. Sehingga, perusahaan dapat merencanakan penambahan

kapasitas produksi. Selain itu, peramalan juga dapat berfungsi untuk

penjadwalan produksi. Dengan melihat data permintaan produk dapat dibuat
jadwal produksi. Sehingga, proses produksi dapat berjalan secara efektif dan
efisien.
Selain itu, peramalan digunakan untuk mengetahui tingkat permintaan
apel di KSU Brosem, Batu, Malang, Jawa Timur dengan menggunakan metode
Jaringan Syaraf Tiruan (JST) dan time series secara efektif serta untuk
mendapatkan model peramalan terbaik dengan JST. Peramalan permintaan
dilakukan dengan menggunakan metode time series dan JST untuk periode
Januari 2014 hingga Desember 2014, dengan input data volume penjualan dari
bulan Januari 2009 hingga Desember 2014(Sabati dkk, 2014).
Aplikasi lainnya adalah meramalkan contributor utama di Kabupaten
Simalungan. Di kabupaten Simalungan terdapat tiga Kontributor utama yang
menggerakan perekonomian. Kontributor-kontributor tersebut adalah sektor
pertanian, sektor industri, dan sektor jasa. Sektor pertanian memberikan
kontribusi sekitar 54,7 %, industri 18,86%, dan sektor jasa 10,04%. Oleh karena
itu, sangat tepat apabila salah satu dari tiga kontributor yang menggerakkan
perekonomian Kabupaten Simalungun tersebut dianalisis dan diramalkan.

BAB V
KESIMPULAN
Berdasarkan praktikum yang telah dilakukan, dapat disimpulkan bahwa.
1.

Peramalan adalah usaha untuk memprediksikan kejadian dimasa yang akan

datang berdasarkan pada data historis atau data yang sudah didapatkan, seperti
perkiraan tingkat permintaan yang diharapkan untuk produk dalam periode
waktu tertentu di masa yang akan datang. Peramalan dapat dilakukan dengan
software, salah satunya adalah dengan bantuan software WinQSB.

2.

WinQsb merupakan software yang di dalamnya terdapat beberapa metode

yang dapat diterapkan sesuai dengan pola persebaran data, yaitu pola data
konstan, trend, atau musiman. Dari hasil peramalan produk 1 dapat diketahui
bahwa metode yang memberikan nilai MAD paling kecil adalah Simple
Average sebesar 4.932213, produk 2 adalah Single Exponential Smoothing
with Linear Trend sebesar 6.080347, dan produk 3 adalah Holt-Winters
Additive Algorithm sebesar 7.050997.

DAFTAR PUSTAKA

Anonim

1.

2016.

Peramalan

docx

Modul

4.

Dalam

www.academia.edu/5660009/PERAMALAN_docx_modul_4 diakses pada 23

September 2016 pukul 17.14 WIB.
Anonim

2.

2016.

Finding

Your

Way

Around,

Statistics

1.

Dalam

http://mathbits.com/MathBits/TISection/Statistics1/MAD.html diakses pada

23 September 2016 pukul 17.52 WIB.
Baroto,Teguh. 2002. Perencanaan dan Pengendalian Produksi. Jakarta: PT Ghalia
Indonesia.
Chary, S. N. 2009. Production and Operations Management. Tata McGraw-Hill.
New Delhi.
Heizer, J. And Render, B. 2001. Principle of Operations Management Pearson.
Education Prentice Hall. Chase, Aquilano & Jacobs. New Jersey.
Jain, T. R., and S. C. Anggarwal. 2009. Business Mathematics and Statistics.
Vaibhav Printers. Delhi.
Kusuma, Hendra. 2004. Manajemen Produksi. Perencanaan dan Pengendalian
Produksi pada Industi. Yogyakarta : Kanisius.
Makridakis. 1993. Metode dan Aplikasi Peramalan. Jakarta : Bina Aksara.
Rastogi, Dr. M. K. 2010. Production and Operation Management. University
Science Press. New Delhi.
Sabati D., Wike A. P. D., & Shyntia A.P. 2014. Peramalan Permintaan Sari Apel
DenganMetode Jaringan Syaraf Tiruan (JST) di KSU Brosem, Batu. Jurusan
Teknologi Industri Pertanian - Fakultas Teknologi Pertanian, Universitas
Brawijaya.
Wardhani, Arie Restu. 2010. Perencanaan Agregat dengan Metode Transportasi
pada PT. X Pasuruan. Dalam jurnal Widya Teknika vol.18 No.1:6-10.