Professional Documents
Culture Documents
Disusun oleh :
Nama
NIM
: 14/363972/TP/10946
Hari, tanggal
Shift
: A
Co-Asisten
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
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
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
permintaan, yaitu :
Peramalan ada beberapa jenis. Meurut Jain dan Anggarwal (2009), ada dua
jenis utama dari peramalan, yaitu,
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.
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.
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.
4.
5.
sebagai berikut :
1. Pola trend
Pola trend adalah apabila data permintaan menunjukkan kecenderungan
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
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.
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
5. Dilakukan peramalan
Diklik OK
Diisikan data yang lain sesuai dengan metode peramalan yang dipilih.
6. Kesalahan diukur :
7. Peramalan diverifikasi :
BAB IV
HASIL DAN PEMBAHASAN
A
Hasil
A.1 Grafik
1. Grafik Produk
a. Grafik Penjualan Produk 1
UCL
CL
LCL
-1
-2
-3
-4
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
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.
itu
dikuadratkan.
Metode
itu
menghasilkan
4.
5. Tracking Signal
=
=
|0|+|5|+|10.842|+0.58377
16.42577
4
= 4.1064425
2. Mean Square Error (MSE)
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.
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.
2.
3.
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
BAB V
KESIMPULAN
Berdasarkan praktikum yang telah dilakukan, dapat disimpulkan bahwa.
1.
2.
DAFTAR PUSTAKA
Anonim
1.
2016.
Peramalan
docx
Modul
4.
Dalam
2.
2016.
Finding
Your
Way
Around,
Statistics
1.
Dalam