Вы находитесь на странице: 1из 45

LAPORAN PRAKTIKUM MODUL I PERAMALAN

Disusun oleh: Kelompok II 1. Ari Handayani 2. Caecilia Eka A.W.S. 3. Dwi Darmawan Saputra (4409216094) (4409216097) (4409216100)

LABORATORIUM SISTEM PRODUKSI FAKULTAS TEKNIK UNIVERSITAS PANCASILA 2012

DAFTAR ISI
Halaman DAFTAR ISI ........................................................................................................................ i DAFTAR GAMBAR ............................................................................................................ ii DAFTAR TABEL ............................................................................................................... iii DAFTAR LAMPIRAN ........................................................................................................ iv BAB I PENDAHULUAN..................................................................................................... 1 1.1. Latar Belakang .................................................................................................... 1 1.2. Perumusan Masalah ........................................................................................... 2 1.3. Tujuan Praktikum ................................................................................................ 2 1.4. Pembatasan Masalah.......................................................................................... 3 BAB II LANDASAN TEORI................................................................................................ 4 2.1. Pengertian Peramalan Permintaan ..................................................................... 4 2.2. Kegunaan Peramalan ......................................................................................... 4 2.3. Metode Peramalan .............................................................................................. 5 2.4. Prosedur Peramalan ........................................................................................... 6 2.5. Definisi Peramalan Time Series .......................................................................... 6 2.6. Verifikasi dan Pengendalian Peramalan .............................................................. 9 2.7. Prosedur Peramalan Menggunakan Software WinQSB......................................10 BAB III PENGUMPULAN DAN PENGOLAHAN DATA .....................................................12 3.1. Pengumpulan Data ............................................................................................12 3.2. Pengolahan Data ...............................................................................................13 BAB IV KESIMPULAN DAN SARAN ................................................................................29 4.1. Kesimpulan ........................................................................................................29 4.2. Saran .................................................................................................................30 DAFTAR PUSTAKA .........................................................................................................31

DAFTAR GAMBAR
Halaman Gambar 2. 1 Tampilan WinQSB Problem Specification .................................................10 Gambar 2. 2 Tampilan WinQSB Historical Data ............................................................10 Gambar 2. 3 Tampilan WinQSB Forecasting Setup ......................................................11 Gambar 2. 4 Tampilan WinQSB Forecasting Result .....................................................11 Gambar 3. 1 Grafik peramalan metode Moving Average ................................................ 15 Gambar 3. 2 Grafik Peramalan Metode Double Moving Average .....................................18 Gambar 3. 3 Grafik peramalan metode Weighted Moving Average..................................21 Gambar 3. 4 Grafik Peramalan Metode Single Exponential Smoothing ...........................24 Gambar 3. 5 Grafik Peramalan Metode Double Exponential Smoothing ..........................28

ii

DAFTAR TABEL
Halaman Tabel 3. 1 Data permintaan tahun lalu .............................................................................12 Tabel 3. 2 Penghitungan peramalan Moving Average ......................................................13 Tabel 3. 3 Verifikasi Peramalan Metode Moving Average ................................................14 Tabel 3. 4 Penghitungan Peramalan Metode Double Moving Average ............................16 Tabel 3. 5 Verifikasi peramalan Metode Double Moving Average ....................................17 Tabel 3. 6 Penghitungan Peramalan Metode Weighted Moving Average .........................19 Tabel 3. 7 Verifikasi Peramalan Metode Weighted Moving Average ................................20 Tabel 3. 8 Penghitungan peramalan metode Single Exponential Smoothing ...................22 Tabel 3. 9 Verifikasi Peramalan Metode Single Exponential Smoothing ..........................23 Tabel 3. 10 Penghitungan peramalan metode Single Exponential Smoothing untuk 12 bulan berikutnya ............................................................................................25 Tabel 3. 11 Penghitungan Peramalan Metode Double Exponential Smoothing ................26 Tabel 3. 12 Verifikasi Peramalan Metode Double Exponential Smoothing .......................27 Tabel 4. 1 Rekapitulasi Hasil Peramalan Permintaan AADC Chair ................................. 29 Tabel 4. 2 Data permintaan yang akan datang menggunakan SES .................................29

iii

DAFTAR LAMPIRAN
Lampiran 1. 1 Peramalan Metode Simple Average menggunakan Software WinQSB Lampiran 1. 2 Peramalan Metode Moving Average menggunakan Software WinQSB Lampiran 1. 3 Peramalan Metode Weighted Moving Average menggunakan Software WinQSB Lampiran 1. 4 Peramalan Metode Moving Average With Linear Trend menggunakan Software WinQSB Lampiran 1. 5 Peramalan Metode Single Exponential Smoothing (SES) menggunakan Software WinQSB Lampiran 1. 6 Peramalan Metode Single Exponential Smoothing With Trend menggunakan Software WinQSB Lampiran 1. 7 Peramalan Metode Double Exponential Smoothing menggunakan Software WinQSB Lampiran 1. 8 Peramalan Metode Double Exponential Smoothing With Trend menggunakan Software WinQSB Lampiran 1. 9 Peta Proses Operasi Pembuatan AADC Chair

iv

BAB I PENDAHULUAN
1.1. Latar Belakang Peramalan permintaan dibutuhkan agar tidak terjadi kesenjangan yang cukup tinggi antara permintaan pasar dengan tingkat produksi dan stok barang di pabrik. Peramalan adalah suatu perkiraan tingkat permintaan yang diharapkan untuk suatu produk atau beberapa prodk dalam periode waktu tertentu di masa yang akan datang. Sehingga peramalan merupakan suatu taksiran yang ilmiah. Peramalan permintaan akan menjadi masukan dalam keputusan perencaan dan pengendalian produksi. Karakteristik peramalan yang baik didasarkan oleh: a. Akurasi Akurasi dari hasil peramalan diukur dengan kebiasaan dan kekonsistensian peramalan tersebut. Hasil peramalan dikatakan bias bila peramalan tersebut terlalu tinggi atau terlalu rendah dibandingnkan dengan kenyataan. Hasil peramalan dikatakan konsisten bila besarnya kesalahan peramalan relatif kecil.Peramalan yang terlalu rendah mengakibatkan kekurangan persediaan sehingga permintaan konsumen tidak dapat dipenuhi dengan segera, akibatnya adalah perusahaan akan kehilangan pelangaan dan kehilangan keuntungan penjualan. Peramalan yang terlalu tinggi akan mengakibatkan terjadinya penumpukan persediaan. Keakuratan dari hasil peramalan berperan penting dalam menyeimbangkan persediaan yang ideal (meminimasi persediaan dan memaksimalkan tingkat pelayanan) b. Biaya Biaya yang diperlukan dalam pembuatan suatu peramalan tergantung dari jumlah item yang diramalkan, lamanya periode peramalan dan metode peramalan yang dipakai. c. Kemudahan Penggunaan metode peramalan yang sederhana, mudah dibuat, dan mudah diaplikasikan akan memberikan keuntungan bagi perusahaan. Peramalan pasti mengandung kesalahan, artinya peramal hanya bisa mengurangi ketidakpastian yang akan terjadi tetapi tidak dapat menghilangkan ketidakpastian tersebut. Peramalan seharusnya memberikan informasi tentang berapa ukuran kesalahan, artinya karena peramalan pasti mengandung kesalahan

2 maka penting bagi peramal untuk menginformasikan seberapa besar kesalahan yang mungkin terjadi. Hal-hal yang diperlukan dalam membuat peramalan secara statistik: a. Membuat suatu gambaran permintaan dan waktu (ploting data permintaan), dimana permintaan sebagai ordinat (x) dan waktu sebagai absis (y) b. c. d. e. f. Menentukan model peramalan yang akan digunakan Menilai kesalahan peramalan yang akan digunakan Menilai kesalahan peramalan yang diperkirakan (MAD, MSE, MAPE) Membuat verifikasi dan pengendalian peramalan (MR chart) Membuat suatu keputusan untuk menggunakan teknik/model peramalan tertentu berdasarkan pertimbangan yang ada (perkiraan nilai kesalahan peramalan yang terkecil dan hasil verifikasi model peramalan) Kursi kerja merupakan jenis kursi yang memiliki banyak model atau variasi. Permintaan akan kursi kantor bersifat fluktuatif dan bergantung atas desain dari penggunaan pekerjaan suatu perusahaan. Kursi yang didesain disesuaikan dengan kebutuhan pekerjaan, dengan rancangan yang ergonomis dan nyaman digunakan. 1.2. Perumusan Masalah Dalam praktikum Sistem Produksi Modul 1, PT Furniture Mesindo memproduksi kursi kantor dengan rumusan masalah sebagai berikut : 1. 2. Membuat peramalan permintaan untuk periode waktu tertentu. Memilih metode peramalan terbaik dilihat dari biaya yang dikeluarkan menggunakan software WinQSB 1.3. Tujuan Praktikum Tujuan praktikum Sistem Produksi Modul 1 (Peramalan) sebagai berikut : 1. 2. 3. Memahami manfaat dan posisi peramalan dalam sistem produksi Memahami metode dan teknik peramalan. Mampu memilih metode peramalan terbaik untuk memecahkan masalah peramalan. 4. Dapat menggunakan metode dan teknik peramalan untuk menentukan kebutuhan pasar sebagai dasar penyususnan rencana produksi.

3 1.4. Pembatasan Masalah Fokus masalah yang diamati pada modul 1 : 1. Peramalan dihitung dengan menggunakan software WINQSB sub aplikasi FC (Forecasting) 2. Peramalan terhadap produk kursi dilakukan hanya untuk jangka waktu 12 bulan ke depan. 3. Metode peramalan yang digunakan adalah Simple Average, Moving Average, Weighted Moving Average, Moving Average with Linear Trend, Single Exponential Smoothing, Single Exponential Smoothing With Trend, Double Exponential Smoothing, Double Exponential Smoothing With Trend, Adaptive Exponential Smoothing, dan Linear Regresion With Time.

BAB II LANDASAN TEORI


2.1. Pengertian Peramalan Permintaan Peramalan permintaan merupakan tingkat permintaan produk-produk yang diharapkan akan terealisasi untuk jangka waktu tertentu pada masa yang akan datang. Peramalan permintaan adalah masukan yang sangat penting dalam membuat keputusan perencanaan dan pengendalian perusahaan. Keputusan operasional produksi juga sangat dipengaruhi oleh hasil peramalan permintaan. Karena bagian operasional produksi bertanggung jawab terhadap pembuatan produk yang dibutuhkan konsumen. Permintaan akan suatu produk dari suatu perusahaan merupakan hasil dari berbagai faktor yang saling berinteraksi dalam pasar. Faktor ini kadang kala berada diluar kendali perusahaan. Faktor-faktor tersebut antara lain: 1. Siklus Bisnis Permintaan akan suatu produk di pengaruhi oleh kondisi ekonomi yang membentuk siklus bisnis dengan fase-fase inflasi, resesi, depresi dan masa pemulihan. 2. Siklus hidup produk Siklus hidup suatu produk biasanya mengikuti suatu pola yang disebut kurva S. Kurva S menggambarkan besarnya permintaan terhadap waktu, dimana sikus hidup suatu produk akan dibagi menjadi fase pengenalan, fase pertumbuhan, fase kematangan dan akhirnya fase penurunan. Untuk menjaga kelangsungan usaha, maka perlu dilakukan inovasi disaat yang tepat. 3. Faktor-faktor lain Faktor lain yang mempengaruhi permintaan adalah reaksi balik dari pesaing, perilaku konsumen yang berubah, dan usaha-usaha yang dilakukan sendiri oleh perusahaan seperti meningkatkan kualitas, pelayanan, anggaran iklan, dan kebijaksanaan pembayaran secara kredit. 2.2. Kegunaan Peramalan Dalam hubungan dengan waktu, peramalan dapat digunakan dalam 3 hal, yaitu sebagai berikut: 1. Peramalan jangka panjang Digunakan untuk perencanaan produk dan perencanaan sumber daya.

5 2. Peramalan jangka menengah Digunakan untuk menentukan aliran kas, perencanaan produksi, dan penentuan anggaran. 3. Peramalan jangka pendek Digunakan untuk mengambil keputusan dalam hal perlu tidaknya lembur, penjadwalan kerja, dan keputusan control jangka pendek lainnya. 2.3. Metode Peramalan Secara umum peramalan diklasifikasikan menjadi 2 macam, yaitu peramalan yang bersifat subyektif dan peramalan yang bersifat objektif. Perbedaannya adalah dalam cara mendapatkan hasil ramalan. Peramalan subyektif lebih menekankan pada keputusan-keputusan hasil diskusi, pendapat pribadi, dan intuisi. Sedangkan peramalan obyektif meruapak prosedur peramalan yang mengikuti aturan matematis dan statistic dalam menunjukkan hubungan antara permintaan dengan satu atau lebih variable yang mempengaruhinya. 2.3.1 Metode Peramalan Subyektif 1. Metode Delphi, cara yang digunakan dalam metode ini adalah dengan mengumpulkan pendapat ahli dari bidang yang berbeda secara terpisah. Hal ini bertujuan untuk menghindari pengaruh kelompok. Jika terdapat perbedaan pendapat yang signifikan maka akan dinyatakan lagi kepada yang bersangkutan hingga akhirnya diperoleh angka estimasi tertentu pada interval yang dapat diterima. 2. Metode Penelitian Pasar, cara yang dilakukan adalah dengan mengumpulkan dan menganalisa fakta secara sistematis yang

berhubungan dengan pemasaran. Yang paling biasa dilakukan adalah dengan mengadakan survey konsumen. 2.3.2 Metode Peramalan Obyektif 1. Metode Intrinsik, metode ini membuat peramalan hanya berdasarkan pada proyeksi permintaan historis tanpa mempertimbangkan factorfaktor eksternal yang mempengaruhinya. Metode ini hanya cocok digunakan untuk peramalan jangka pendek pada kegiatan produksi. Metode peramalan intrinsic diwakili oleh analisis deret waktu atau Time series. 2. Metode Ekstriksik, metode ini mempertimbangkan faktor-faktor eksternal yang mungkin mempengaruhi besarnya permintaan dimasa yang akan

6 datang. Metode ini digunakan untuk peramalan jangka panjang yang dapat menunjukkan hubungan sebab akibat yang jelas dalam hasil peramalannya. Metode ekstrinsik banyak digunakan untuk peramalan pada tingkat agregat. Kelemahan dari metode ini adalah dalam hal mahalnya biaya aplikasinya dan frekuensi perbaikan hasil peramalan yang rendah kerana sulitnya mengumpulkan informasi perubahan faktorfaktor eksternal yang terukur. Metode ini diwakili oleh metode regresi. 2.4. Prosedur Peramalan Berikut adalah langkah-langkah yang dilakukan dalam perencanaan jangka pendek : 1. 2. Agresikan data permintaan masa lalu itemitem yang sama per periode. Buat diagram pencar data permintaan agregat masa lalu untuk family yang akan diramalkan kebutuhan pasarnya. 3. Tentukan model-model peramalan deret waktu yang sesuai dengan pola data permintaan masa lalu. 4. Hitung parameter-parameter untuk setiap model peramalan yang telah ditentukan. 5. Tentukan ukuran error yang akan digunakan untuk mengevaluasi model peramalan. 6. 7. Hitung error yang dihasilkan setiap model peramalan. Evaluasi model peramalan dengan membandingkan error yang dihasilkan oleh setiap model peramalan. 8. 9. Pilih metode peramalan yang memiliki error terkecil Dengan menggunakan metode peramalan terbaik, ramalkan permintaan agrerat untuk periode kedepan yang telah ditentukan. 2.5. Definisi Peramalan Time Series Analisa Deret Waktu didasarkan pada asumsi bahwa deret waktu tersebut terdiri dari komponen-kompenen trend, siklus, pola musiman, dan variasi acak yang akan menunjuk pada pola tertentu. Kompenen diatas akan dipakai sebagai dasar dalam membuat persamaan matematis. Metode ini digunakan untuk meramalkan permintaan yang dimasa lalunya cukup konsisten dalam periode waktu yang lama, sehingga diharapkan pola tersebut akan berlanjut. Trend merupakan sifat dari permintaan dimasa lalu terhadap waktu., apakah permintaan tersebut cenderung naik, turun atau konstan. Jika permintaan suatu

7 produk berulang secara periodic maka ini di sebut siklus. Pola siklus sangat berguna untuk peramalan jangka menengah dan jangka panjang. Pola musiman merupakan fluktuasi permintaan suatu produk yang dapat naik atau turun disekitar garis trend dan biasanya berulang setiap tahun. Pola ini biasanya di pengaruhi oleh faktor cuaca, musim liburan dan sebagainya. Variasi acak biasanya terjadi untuk kejadian yang tidak mempunyai pola tertentu, seperti bencana alam. Berikut adalah beberapa metode yang digunakan dalam meramalkan permintaan secara time series. 2.5.1. Rata-rata Bergerak / Moving Average (MA) Moving Average diperoleh dengan merata-rata permintaan

berdasarkan beberapa data permintaan masa lalu terbaru. Tujuannya adalah untuk menghindari atau menghilangkan variasi acak permintaan dalam hubungannya dengan waktu. Disebut rata-rata bergerak karena jika ada data permintaan aktual terbaru, maka data terdahulu akan dikeluarkan dari perhitungan. Metode MA dapat ditulis dengan persamaan :

A A .... A t t 1 t ( N 1) MA N ........................................... (2.5.1)


Dimana : A N = Permintaan aktual pada periode t = Jumlah data permintaan yang dilibatkan dalam perhitungan

Kelemahan dari metode MA adalah sebagai berikut : 1. Peramalan selalu berdasarkan data terbaru tanpa mempertimbangkan data-data sebelumnya. 2. 3. Setiap data dianggap memiliki bobot yang sama. Diperlukan dana yang cukup besar dalam penyimpanan dan proses data karena membutuhkan memori yang besar. 2.5.2. Rata Rata Bergerak dengan Bobot / Weighted Moving Average (WMA) Metode WMA merupakan solusi untuk mengatasi kelemahan kedua dari metode MA. Secara matematis dapat ditulis sebagai berikut:

WMA W A t ...................................................................... (2.5.2)


Dimana :

8 Wt = Bobot permintaan aktual pada periode t At = Permintaan aktual pada periode 2.5.3. Pemulusan Exponential / Exponential Smoothing (ES) Kelemahan teknik MA dalam kebutuhan akan datadata masa lalu yang cukup banyak bias diatasi dengan menggunakan teknis ES. Persamaan matematisnya adalah sebagai berikut:
F F t t 1 A A t tN N ......................................................... (2.5.3)

2.5.4. Metode Winter Teknik MA dan ES hanya cocok digunakan bila data yang ada bersifat stasioner. Bila data permintaan bersifat musiman dan mempunyai trend, maka dapat diselesaikan dengan metode Winter. Salah satu masalah dalam penggunaan metode Winter adalah penentuan nilai , dan yang akan meminimumkan MSE dan MAPE. Pendekatan untuk menentukan nilai parameter tersebut biasanya dilakukan secara trial and error. 2.5.5. Metode Winter dengan trend Model Winter menggunakan model trend dari Holt, dimana model ini dimulai dengan perkiraan trend sebagai berikut:

T b( F F ) (1 b)T t t t 1 t 1 .............................................. (2.5.4)


Dimana merupakan konstanta pecahan, Tt adalah perkiraan trend pada periode-t, dan Ft adalah rata-rata eksponential, maka peramalan baru akan melibatkan rata-rata eksponential ditambah trend. 2.5.6. Metode Winter dengan faktor musiman Pola dari permintaan musiman merupakan karakteristik dari beberapa rangkaian permintaan. Proses umum dari permintaan musiman dapat dinyatakan dalam persamaan matematis berikut:

A . t t t ........................................................................... (2.5.6)
Dimana adalah tingkat permintaan rata-rata, adalah faktor musiman, dan t adalah distribusi permintaan normal dengan mean nol.

9 2.5.7. Metode Winter Lengkap Metode Winter yang lengkap merupakan kombinasi dari metode Winter sebelumnya. 2.6. Verifikasi dan Pengendalian Peramalan Dalam membuat peramalan atau menerapkan hasil suatu peramalan, maka pasti ada beberapa hal yang harus dipertimbangkan, yaitu: 1. Peramalan pasti mengandung kesalahan, artinya peramal hanya bias mengurangi ketidakpastian yang akan terjadi, tetapi tidak dapat menghilangkan ketidakpastian yang akan terjadi, tetapi tidak dapat menghilangkan

ketidakpastian tersebut. 2. Peramalan seharusnya memberikan informasi tentang berapa ukuran

kesalahan, artinya karena peramalan pasti mengandung kesalahan, maka penting bagi peramal untuk menginformasikan seberapa besar kesalahan yang mungkin terjadi. 3. Peramalan jangka pendek lebih akurat dibandingkan permalan jangka panjang. Hal ini disebabkan karena peramalan jangka pendek dipengaruhi oleh faktorfaktor permintaan yang bersifat konstan. Ukuran akurasi hasil peramalan yang merupakan ukuran kesalahan peramalan merupakan ukuran tentang tingkat perbedaan antara hasil peramalan dengan permintaan yang sebenarnya terjadi. Ada 4 ukuran yang biasanya digunakan, yaitu: 1. Rata-rata Deviasi Mutlak (Mean Absolut Deviation = MAD) MAD merupakan rata-rata kesalahan mutlak selama periode tertentu tanpa memperhatikan apakan hasil peramalan lebih besar atau lebih kecil dibandingkan kenyataannya. 2. Rata-rata Kuadrat Kesalahan (Mean Square Error = MSE) MSE dihitung dengan menjumlahkan kuadrat semua kesalahan peramalan pasa setiap periode dan membaginya dengan jumlah periode peramalan. 3. Rata-rata kesalahan peramalan (Mean Forecast Error = MFE) MFE sangat efektif untuk mengetahui apakah suatu hasil peramalan selama periode tertentu terlalu tinggi atau rendah. MFE dihitung dengan menjumlahkan semua kesalahan peramalan selama periode peramalan dan membaginya dengan jumlah periode peramalan. 4. Rata-rata persentase Kesalahan Absolut (Mean Absolute Percentage Error = MAPE)

10 MAPE merupakan ukuran kesalahan relative dan biasanya dibandingkan dengan MAD, karena MAPE menyatakan persentase kesalahan hasil peramalan terhadap permintaan aktual selama periode tertentu yang akan memberikan informasi persentase kesalahan terlalu tinggi atau terlalu rendah. 2.7. Prosedur Peramalan Menggunakan Software WinQSB Praktikum peramalan dilakukan dengan menggunakan software WinQSB, dengan langkah-langkah sebagai berikut: 1. 2. Buka program WinQSB dan pilih modul Forecasting. Muncul tampilan sebagai berikut:

Gambar 2. 1 Tampilan WinQSB Problem Specification

3.

Pilih problem type Time Series Forecasting periode peramalan lalu klik OK

dan isi judul peramalan dan

4.

Muncul tampilan seperti berikut, isi jumlah permintaan tiap periode masa lalu.

Gambar 2. 2 Tampilan WinQSB Historical Data

11

5.

Klik gambar

, sehingga muncul tampilan sebagai berikut;

Gambar 2. 3 Tampilan WinQSB Forecasting Setup

6.

Pilih metode yang akan digunakan lalu klik OK, maka akan muncul hasil peramalan untuk periode yang akan datang, seperti berikut:

Gambar 2. 4 Tampilan WinQSB Forecasting Result

Untuk memunculkan grafik, klik tanda

BAB III PENGUMPULAN DAN PENGOLAHAN DATA


3.1. Pengumpulan Data 3.1.1. Alat Dalam praktikum ini digunakan : Perangkat keras Komputer Perangkat Lunak o o o 3.1.2. Bahan Bahan yang digunakan dalam praktikum ini adalah data permintaan satu tahun lalu. Tabel berikut merupakan data permintaan tahun lalu yang akan digunakan dalam pengolahan data.
Tabel 3. 1 Data permintaan tahun lalu

Worksheet (Microsoft Excel) Work Processor (Microsoft Word) WinQSB Program

No 1 2 3 4 5 6 7 8 9 10 11 12

Bulan Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec

Permintaan 450 440 460 510 520 495 475 560 510 520 540 550

12

3.2. Pengolahan Data 3.2.1. Metode Moving Average


t 1 2 3 4 5 6 7 8 9 10 11 12 Bulan Jan Feb Mar Apr Mei Jun Jul Agust Sep Okt Nop Des Jumlah MAPE 14.37240832 at 1000 1200 1100 1300 1400 1500 1200 1300 1150 1000 1500 1200 1100 1200 1267 1400 1367 1333 1217 1150 1217 200 200 233 -200 -67 -183 -217 350 -17 300 200 200 233 200 67 183 217 350 17 1667 40000 40000 54444 40000 4444 33611 46944 122500 278 382222 0.1538 0.1429 0.1556 0.1667 0.0513 0.1594 0.2167 0.2333 0.0139 1.29351675 -200 -200 -233 200 67 183 217 -350 17 0 -33 433 -133 117 33 -567 367 0 33 433 133 117 33 567 367 1683 ft Tabel 3. 2 Penghitungan peramalan Moving Average (at-ft) |at- ft| (at - ft)^2 |(at-ft)/at| (ft-at) n=3 MR |MR| MR bar UCL LCL A +/B +/210.417 559.708 -559.708 372.438 187.271

13

Tabel 3. 3 Verifikasi Peramalan Metode Moving Average Bulan Apr Mei Jun Jul Agust Sep Okt Nop Des ft-at -200 -200 -233 200 67 183 217 -350 17 UCL 559.708 559.708 559.708 559.708 559.708 559.708 559.708 559.708 559.708 LCL -559.708 -559.708 -559.708 -559.708 -559.708 -559.708 -559.708 -559.708 -559.708 A(+) 372.438 372.438 372.438 372.438 372.438 372.438 372.438 372.438 372.438 A(-) -372.438 -372.438 -372.438 -372.438 -372.438 -372.438 -372.438 -372.438 -372.438 B(+) 187.271 187.271 187.271 187.271 187.271 187.271 187.271 187.271 187.271 B(-) -187.271 -187.271 -187.271 -187.271 -187.271 -187.271 -187.271 -187.271 -187.271

14

MA
800 600

400 ft-at 200 ucl lcl 0 1 -200 2 3 4 5 6 7 8 9 A(+) A(-) B(+) B(-) -400

-600

-800 Gambar 3. 1 Grafik peramalan metode Moving Average

15

3.2.2. Metode Double Moving Average


Tabel 3. 4 Penghitungan Peramalan Metode Double Moving Average n= 3 t 1 2 3 4 5 6 7 8 9 10 11 12 Bulan Jan Feb Mar Apr Mei Jun Jul Agust Sep Okt Nop Des Jumlah MAPE 14.64118 MR bar 337.963 W1 = 0,2 at 1000 1200 1100 1300 1400 1500 1200 1300 1150 1000 1500 1200 1100 1200 1266.667 1400 1366.667 1333.333 1216.667 1150 1216.667 1233.333 1188.889 1288.889 1344.444 1366.667 1305.556 1233.333 1194.444 1200 1422.222 1622.222 1411.111 1266.667 1038.889 983.333 1261.111 77.778 -422.222 -111.111 -116.667 -38.889 516.667 -61.111 -155.556 77.778 422.222 111.111 116.667 38.889 516.667 61.111 1344.444 6049.383 178271.605 12345.679 13611.111 1512.346 266944.444 3734.568 482469.136 0.052 0.352 0.085 0.101 0.039 0.344 0.051 1.025 -77.778 422.222 111.111 116.667 38.889 -516.667 61.111 500 -311.111 5.556 -77.778 -555.556 577.778 500 311.111 5.556 77.778 555.556 577.778 2027.778 W2 = 0,3 s' W2 = 0,5 s'' ft (at-ft) |at-ft| (at - ft)^2 |(atft)/at| (ft-at) n=3 MR |MR|

16

Tabel 3. 5 Verifikasi peramalan Metode Double Moving Average Bulan jun jul agust sep okt nop des ft-at -77.778 422.222 111.111 116.667 38.889 -516.667 61.111 UCL 898.981 898.981 898.981 898.981 898.981 898.981 898.981 LCL -898.981 -898.981 -898.981 -898.981 -898.981 -898.981 -898.981 A(+) 598.194 598.194 598.194 598.194 598.194 598.194 598.194 A(-) -598.194 -598.194 -598.194 -598.194 -598.194 -598.194 -598.194 B(+) 300.787 300.787 300.787 300.787 300.787 300.787 300.787 B(-) -300.787 -300.787 -300.787 -300.787 -300.787 -300.787 -300.787

17

DMA
1000.000 800.000 600.000

400.000
200.000 0.000 jun -200.000 -400.000 -600.000 -800.000 -1000.000 Gambar 3. 2 Grafik Peramalan Metode Double Moving Average jul agust sep okt nop des

ft-at ucl lcl A(+) A(-) B(+) B(-)

18

3.2.3. Metode Weighted Moving Average


Tabel 3. 6 Penghitungan Peramalan Metode Weighted Moving Average t 1 2 3 4 5 6 7 8 9 10 11 12 n= 3 Bulan Jan Feb Mar Apr Mei Jun Jul Agust Sep Okt Nop Des Jumlah MAPE 14.3362885 W1 = 0,2 at 1000 1200 1100 1300 1400 1500 1200 1300 1150 1000 1500 1200 1110 1220 1310 1430 1330 1310 1205 1105 1280 11300 MR bar 190 180 190 -230 -30 -160 -205 395 -80 250 236.25 190 180 190 230 30 160 205 395 80 1660 36100 32400 36100 52900 900 25600 42025 156025 6400 388450 0.146153846 0.128571429 0.126666667 0.191666667 0.023076923 0.139130435 0.205 0.263333333 0.066666667 1.290265966 -190 -180 -190 230 30 160 205 -395 80 10 -10 420 -200 130 45 -600 475 10 10 420 200 130 45 600 475 1890 W2 = 0,3 ft W2 = 0,5 (at - ft) | at- ft | (at - ft)^2 |(at - ft)/at| (ft-at) n=3 MR |MR|

19

Tabel 3. 7 Verifikasi Peramalan Metode Weighted Moving Average

Bulan Apr Mei Jun Jul Agust Sep Okt Nop Des

ft-at -190 -180 -190 230 30 160 205 -395 80

UCL 628.425 628.425 628.425 628.425 628.425 628.425 628.425 628.425 628.425

LCL -628.43 -628.43 -628.43 -628.43 -628.43 -628.43 -628.43 -628.43 -628.43

A(+) 418.163 418.163 418.163 418.163 418.163 418.163 418.163 418.163 418.163

A(-) -418.163 -418.163 -418.163 -418.163 -418.163 -418.163 -418.163 -418.163 -418.163

B(+) 210.263 210.263 210.263 210.263 210.263 210.263 210.263 210.263 210.263

B(-) -210.263 -210.263 -210.263 -210.263 -210.263 -210.263 -210.263 -210.263 -210.263

20

WMA
800 600

400 ft-at 200 ucl lcl 0 Apr -200 Mei Jun Jul Agust Sep Okt Nop Des A(+) A(-) B(+) B(-) -400

-600

-800 Gambar 3. 3 Grafik peramalan metode Weighted Moving Average

21

3.2.4. Metode Single Exponential Smoothing


Tabel 3. 8 Penghitungan peramalan metode Single Exponential Smoothing

t 1 2 3 4 5 6 7 8 9 10 11 12 Jumlah

n= 3 Bulan Jan
Feb Mar Apr Mei Jun Jul Agust Sep Okt Nop Des

= 0,5 Data historis (at) 1000 1200 1100 1300 1400 1500 1200 1300 1150 1000 1500 1200 14,43347866

peramalan (ft) 1000 1100 1100 1200 1300 1400 1300 1300 1225 1113 1306 12344 MR bar

(at - ft) 200 0 200 200 200 -200 0 -150 -225 388 -106 306 291,406

| at- ft | 200 0 200 200 200 200 0 150 225 388 106 1669

(at - ft)^2 40000 0 40000 40000 40000 40000 0 22500 50625 150156 11289 394570

|(at - ft)/at| 0,1667 0 0,1538 0,1429 0,1333 0,1667 0 0,1304 0,2250 0,2583 0,0885 1,2990

(ft-at) n=3 -200 0 -200 -200 -200 200 0 150 225 -388 106

MR

|MR|

200 -200 0 0 400 -200 150 75 -613 494

200 200 0 0 400 200 150 75 613 494 2331

MAPE

22

Tabel 3. 9 Verifikasi Peramalan Metode Single Exponential Smoothing Bulan Feb Mar Apr Mei Jun Jul Agust Sep Okt Nop Des ft-at -200 0 -200 -200 -200 200 0 150 225 -388 106 UCL 775.141 775.141 775.141 775.141 775.141 775.141 775.141 775.141 775.141 775.141 775.141 LCL -775.141 -775.141 -775.141 -775.141 -775.141 -775.141 -775.141 -775.141 -775.141 -775.141 -775.141 A(+) 515.789 515.789 515.789 515.789 515.789 515.789 515.789 515.789 515.789 515.789 515.789 A(-) -515.789 -515.789 -515.789 -515.789 -515.789 -515.789 -515.789 -515.789 -515.789 -515.789 -515.789 B(+) 259.352 259.352 259.352 259.352 259.352 259.352 259.352 259.352 259.352 259.352 259.352 B(-) -259.352 -259.352 -259.352 -259.352 -259.352 -259.352 -259.352 -259.352 -259.352 -259.352 -259.352

23

SES
1000 800 600

400
200 0 Feb -200 -400 -600 -800 -1000 Gambar 3. 4 Grafik Peramalan Metode Single Exponential Smoothing Mar Apr Mei Jun Jul Agust Sep Okt Nop Des

ft-at ucl lcl A(+) A(-) B(+) B(-)

Berdasarkan grafik peramalan, didapatkan data bahwa peramalan dengan metode SES lebih ketat dibanding metode lainnya. Karena hasil peramalan metode SES berada pada 3 sigma yaitu A(-), B(-) dan B(+), sedangkan metode lainnya berada pada 4 sigma A(+), A(-), B(+) dan B(-) 24

Tabel 3. 10

Penghitungan peramalan metode Single Exponential Smoothing untuk 12 bulan berikutnya

t 12 13 14 15 16 17 18 19 20 21 22 23 24 Jumlah

n= 3 Bulan Des Jan Feb Mar Apr Mei Jun Jul Agust Sep Okt Nop Des MAPE

= 0,5 Data historis (at) 1200 1253 1253 1253 1253 1253 1253 1253 1253 1253 1253 1253 1253 0,981481481

peramalan (ft) 1306 1253 1253 1253 1253 1253 1253 1253 1253 1253 1253 1253 1253 16342 MR bar

(at - ft) -106 0 0 0 0 0 0 0 0 0 0 0 0 -106 13,250

| at- ft | 106 0 0 0 0 0 0 0 0 0 0 0 0 106

(at - ft)^2 11236 0 0 0 0 0 0 0 0 0 0 0 0 11236

|(at - ft)/at| 0,08833 0,00000 0,00000 0,00000 0,00000 0,00000 0,00000 0,00000 0,00000 0,00000 0,00000 0,00000 0,00000 0

(ft-at) n=3 106 0 0 0 0 0 0 0 0 0 0 0 0

MR -106 0 0 0 0 0 0 0 0 0 0 0

|MR| 106 0 0 0 0 0 0 0 0 0 0 0 106

Data peramalan 12 bulan berikutnya kurang valid karena data historis yang ada hanya data bulan ke-12, sehingga harus selalu diperbarui pada bulan-bulan berikutnya.

25

3.2.5. Metode Double Exponential Smoothing


Tabel 3. 11 Penghitungan Peramalan Metode Double Exponential Smoothing t 1 2 3 4 5 6 7 8 9 10 11 12 Bulan Jan Feb Mar Apr Mei Jun Jul Agust Sep Okt Nop Des MAPE at 1000 1200 1100 1300 1400 1500 1200 1300 1150 1000 1500 1200 12.9993 S'(SES) 1000 1100 1100 1200 1300 1400 1300 1300 1225 1113 1306 1253 MR bar S"(DES) 1000 1050 1075 1137.5 1218.8 1309.4 1304.7 1302.3 1263.7 1188.1 1247.2 1250.1 384.79 a1 1000 1150 1125 1262.5 1381.3 1490.6 1295.3 1297.7 1186.3 1036.9 1365.3 1256.1 b1 0 50 25 63 81 91 -5 -2 -39 -76 59 3 1000 1200 1150 1325 1463 1581 1291 1295 1148 961 1424 12838 200 -100 150 75 38 -381 9 -145 -148 539 -224 -188 200 100 150 75 38 381 9 145 148 539 224 1809 40000 10000 22500 5625 1406 145352 88 21116 21802 290167 50362 568418 0.166667 0.090909 0.115385 0.053571 0.025 0.317708 0.007212 0.126359 0.147656 0.359115 0.187012 1.429926 -200 100 -150 -75 -38 381 -9 145 148 -539 224 300 -250 75 38 419 -391 155 2 -686 763 300 250 75 38 419 391 155 2 686 763 3078 ft/a+bm (at - ft) | at- ft | (at - ft)^2 |(at-ft)/at| (ft-at) n=3 MR |MR|

Jumlah

26

Tabel 3. 12 Verifikasi Peramalan Metode Double Exponential Smoothing Bulan Feb Mar Apr Mei Jun Jul Agust Sep Okt Nop Des ft-at -200 100 -150 -75 -38 381 -9 145 148 -539 224 UCL 1023.542 1023.542 1023.542 1023.542 1023.542 1023.542 1023.542 1023.542 1023.542 1023.542 1023.542 LCL -1023.542 -1023.542 -1023.542 -1023.542 -1023.542 -1023.542 -1023.542 -1023.542 -1023.542 -1023.542 -1023.542 A(+) 681.078 681.078 681.078 681.078 681.078 681.078 681.078 681.078 681.078 681.078 681.078 A(-) -681.078 -681.078 -681.078 -681.078 -681.078 -681.078 -681.078 -681.078 -681.078 -681.078 -681.078 B(+) 342.463 342.463 342.463 342.463 342.463 342.463 342.463 342.463 342.463 342.463 342.463 B(-) -342.463 -342.463 -342.463 -342.463 -342.463 -342.463 -342.463 -342.463 -342.463 -342.463 -342.463

27

DES
1500

1000

500

ft-at ucl lcl

0 Feb Mar Apr Mei Jun Jul Agust Sep Okt Nop Des

A(+) A(-) B(+)

-500

B(-)

-1000

-1500 Gambar 3. 5 Grafik Peramalan Metode Double Exponential Smoothing

28

BAB IV KESIMPULAN DAN SARAN


4.1. Kesimpulan Berikut adalah rekapitulasi hasil peramalan permintaan AADC Chair yang diproduksi oleh PT Furniture Mesindo dengan menggunakan beberapa metode
Tabel 4. 1 Rekapitulasi Hasil Peramalan Permintaan AADC Chair

METODE PERAMALAN Moving Average Double Moving Average Weighted Moving Average Single Exponential Smoothing Double Exponential Smoothing

MAPE 14,3724 14,6412 14,3363 14,4335 12,9993

Berdasarkan hasil verifikasi peramalan setiap metode, didapatkan hasil bahwa peramalan dengan metode SES lebih ketat dibanding metode lainnya. Karena hasil peramalan metode SES berada pada 3 sigma yaitu A(-), B(-) dan B(+), sedangkan metode lainnya berada pada 4 sigma A(+), A(-), B(+) dan B(-) Berikut adalah hasil peramalan permintaan kursi AADC Chair untuk 12 bulan ke depan menggunakan metode SES
Tabel 4. 2 Data permintaan 12 bulan yang akan datang menggunakan SES

t 12 13 14 15 16 17 18 19 20 21 22 23 24

Bulan Des Jan Feb Mar Apr Mei Jun Jul Agust Sep Okt Nop Des

Data Historis 1200 1253 1253 1253 1253 1253 1253 1253 1253 1253 1253 1253 1253

Peramalan 1306 1253 1253 1253 1253 1253 1253 1253 1253 1253 1253 1253 1253

29

30 4.2. Saran 1. Dilakukan uji validasi terhadap hasil yang diperoleh menggunakan aplikasi WIN-QSB 2. Untuk mengetahui efektifitas dan validitas dari data peramalan dapat menggunakan WIN-QSB sebaiknya menggunakan software statistik lainnya seperti POM-QM for Windows sebagai pembanding 3. Pemilihan metode peramalan juga harus didasarkan pada jenis barang/produk yang dijual, terutama bila produk yang dijual ada produk musiman maka harus menggunakan metode yang sesuai 4. Hasil peramalan harus di-perbarui setiap bulannya menggunakan data aktual bulan-bulan sebelumnya agar peramalan bulan berikutnya dapat lebih akurat.

DAFTAR PUSTAKA
Herjanto, Edy. 2007. Manajemen Operasi (Edisi 3). Jakarta. Penerbit: Grasindo Maarif, Mohamad Syamsul dan Hendri Tanjung. 2003. Manajemen Operasi. Jakarta. Penerbit: Grasindo Prasetya, Hery dan Fitri Lukiastuti. 2009. Manajemen Operasi. Yogyakarta. Penerbit: MedPress

Lampiran 1. 1 Peramalan Metode Simple Average menggunakan Software WinQSB

Hasil peramalan permintaan metode Simple Average

Grafik peramalan permintaan dengan metode Simple Average

Lampiran 1. 2 Peramalan Metode Moving Average menggunakan Software WinQSB

Hasil peramalan permintaan metode Moving Average

Grafik peramalan permintaan dengan metode Moving Average

Lampiran 1. 3 Peramalan Metode Weighted Moving Average menggunakan Software WinQSB

Hasil peramalan permintaan metode Weighted Moving Average

Grafik peramalan permintaan dengan metode Weighted Moving Average

Lampiran 1. 4 Peramalan Metode Moving Average With Linear Trend menggunakan Software WinQSB

Hasil Peramalan Permintaan Metode Moving Average With Linear Trend

Grafik.Peramalan Permintaan Metode Moving Average with Linear Trend

Lampiran 1. 5 Peramalan Metode Single Exponential Smoothing (SES) menggunakan Software WinQSB

Hasil Peramalan Permintaan Metode Single Exponential Smoothing (SES)

Peramalan Permintaan Metode Single Exponential Smoothing (SES)

Lampiran 1. 6 Peramalan Metode Single Exponential Smoothing With Trend menggunakan Software WinQSB

Hasil Peramalan Permintaan Metode Single Exponential Smoothing with Trend

Peramalan Permintaan Metode Single Exponential Smoothing with Trend

Lampiran 1. 7 Peramalan Metode Double Exponential Smoothing menggunakan Software WinQSB

Hasil Peramalan Permintaan Metode Double Exponential Smoothing

Peramalan Permintaan Metode Double Exponential Smoothing

Lampiran 1. 8 Peramalan Metode Double Exponential Smoothing With Trend menggunakan Software WinQSB

Hasil Peramalan Permintaan Metode Double Exponential Smoothing With Trend

Peramalan Permintaan Metode Double Exponential Smoothing With Trend

Lampiran 1. 9 Peta Proses Operasi Pembuatan AADC Chair

PETA PROSES OPERASI


Nama Objek Nomor Peta Dipetakan Oleh Tanggal : Kursi Kerja :1 : Kelompok 2 : 3 November 2012
Jok Kursi Rangka Jok Kaki Kursi

Sandaran Tangan

O-13

Pengukuran bahan

O-9

Pengukuran bahan

O-5

Pengukuran bahan

O-1

Pengukuran bahan

O-14

Pemotongan bahan

O-10

Pemotongan bahan

O-6

Pemotongan bahan

O-2

Pemotongan bahan

O-15

Penghalusan Bahan

O-11

Penghalusan Bahan

O-7

Penghalusan Bahan

0-3

Penghalusan Bahan

I-4

Inspeksi

I-3

Inspeksi

I-2

Inspeksi

I-1

Inspeksi

O-16

Penyambungan

O-12

Penyambungan

O-8

Penyambungan

0-4

Penyambungan

O-17

Penyambungan

I-5

Inspeksi

O-18

Penyambungan

O-19

Penyambungan

O-20

Finishing (Cat)

I-6 RINGKASAN Kegiatan Jumlah 20 6 Total 26

Inspeksi

Storage