Peramalan (1)

PERAMALAN

Adithia Nur Afriyo (34409398), Indra Maulana Yusuf (36409947), Tanu Wahyu Nugroho (33409176), Yulianto 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 : [email protected], [email protected], [email protected], [email protected], [email protected], [email protected], [email protected], [email protected] 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 berikut sampinga sampingannya nnya,, seperti seperti limbah, limbah, informasi, informasi, dan sebag sebagainya. ainya. Kegiatan Kegiatan produks produksii tidak hany hanyaa terda terdapa patt input input dan dan outp output, ut, namu namunn juga juga harus harus didu diduku kung ng oleh oleh siste sistem m untu untukk menentukan kuantitas produk yang akan dibuat selanjutnya , sistem pendukung kegiatan produksi produksi ini adalah adalah peramalan peramalan atau atau yang yang dikenal dikenal denga dengann forecasting . Forecasting Forecasting metode metode untuk untuk mempe memperkir rkiraka akann suatu suatu nilai nilai dimasa dimasa depan depan denga dengann 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 berikut tabel tabel tracking signal serta grafik dari masing-masing metode tersebut. Implementasi metode peramalan time series dapat dilakukan terhadap peramalan permintaan permintaan produk kotak kotak P3K. Berdasarka Berdasarkann hasil perhitungan, perhitungan, dapat disimpulkan disimpulkan bahwa 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 adal adalah ah meto metode de regr regres esii linea linear.r. Hal Hal ini ini dike diketa tahu huii berda berdasa sarka rkann nila nilaii Mean Absolute Deviation ( MAD MAD) dari metode regresi linear adalah yang paling kecil dibandingkan dengan nilai MAD dari metode-metode yang lain. Kata kunci: peram kunci: peramalan alan ( Forecasting), Forecasting), metode weight moving average (WMA), single exponential smoothing (SES), dan regresi linier. PENDAHULUAN

Suatu per Suatu perenc encana anaan an pro produk duksi si yan yangg mat matang ang sa sanga ngatt dib dibutu utuhka hkann per perusa usahaa haann aga agarr mampu mam pu me mengh nghasi asilka lkann pro produk duk yan yangg me memil miliki iki kua kualita litass ting tinggi gi da dann ma mampu mpu mem memenu enuhi hi kebu ke butu tuha hann da dann pe perm rmint intaa aann ko kons nsum umen en,, ha hall in inii di dise seba babk bkan an ole olehh pe pers rsai aing ngan an an anta tara ra perusahaa perus ahaann indus industri tri yang sema semakin kin mening meningkat, kat, oleh karen karenaa itu diper diperlukan lukan suatu

perancangan perancang an dan pengelola pengelolaan an proses proses produksi produksi yang baik dan dan lancar pada pada perusahaan perusahaan atau atau industri yang terkait agar suatu sistem produksi berjalan efektif dan efisien. Perusahaan yang mampu bersaing di dunia industri selalu mempunyai sistem pendukung pendukung yamg mampu mampu merencana merencanakan kan jumlah jumlah produksiny produksinyaa untuk jangka waktu waktu kedepa kedepan, n, sebaga sebagaii salah salah satu satu cara cara untuk untuk meram meramalk alkan an dan mempe memperkir rkiraka akann kebutu kebutuhan han produksi produksi yang akan datang datang dan jumlah jumlah unit produksi produksi agar dapat berjalan berjalan lancar lancar adalah adalah dengan menggunakan sistem peramalan atau yang dikenal dengan forecasting. forecasting. Metode peramalan peramalan yang dipakai dipakai dalam laporan laporan akhir ini adalah adalah metode metode Weigthed Moving Average (WMA), Metode Single Exponentia Single Exponentiall Smoothing Smoothing (SES), (SES), dan metode regresi linier . Perum Perumus usan an masa masala lahh dala dalam m pera perama mala lann prod produk uksi si kota kotakk P3 P3K K iala ialahh baga bagaima imana na meramalkan jumlah permintaan produk kotak P3K untuk diproduksi dalam periode waktu kedepan kedepan dengan dengan meng menggunak gunakan an metode metode Weigthe Weigthed d Moving Moving Average Average (WM (WMA), A), Metode Single Exponential Exponential Smoothing Smoothing (SES), dan metode regresi regresi linier linier . Berdasarkan ketiga metode tersebut selanjutnya memilih metode yang terbaik untuk menganalisa permintaan produk produk kotak P3K dan memperkira memperkirakan kan kebutuhan kebutuhan produksi produksi kotak P3K yang harus diproduksi pada jangka waktu kedepan. Pemb Pembata atasa sann masa masala lahh dala dalam m modu modull ini ini diba dibata tasi si agar agar tidak tidak meny menyim impa pang ng dari dari persoalan 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. Fung Fu ngsi si tuju tujuan an dari dari modu modull ini ini adal adalah ah untu untukk menj menjaw awab ab atau atau mena menari rikk suat suatuu 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 (WMA), Single Exponen Single Exponential tial peramalan peramalan menggunaka menggunakann metode metode Weigthed Moving Average (WMA), Smoothi Smoothing ng (SES), (SES), regresi regresi linier, dan selanj selanjutn utnya ya mengin menginde dentifi ntifikas kasii perama peramalan lan yang yang memiliki memiliki hasil akurat dari diantara diantara ketiga ketiga metode metode peramalan peramalan tersebut serta melakukan melakukan pengenda pengendalian lian hasil hasil peramal peramalan an berdasa berdasarkan rkan peta peta moving range. TINJAUAN PUSTAKA

Aktivitas peramalan merupakan suatu fungsi bisnis yang berusaha memperkirakan permintaan permintaan dan pengguna penggunaan an produk produk sehingga sehingga produk-prod produk-produk uk itu dapat dibuat 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 diha dihada dapi pi pada pada masa masa yang yang akan akan data datang ng.. Digu Diguna naka kanny nnyaa pera perala latan tan meto metode de-me -meto tode de peramalan peramalan maka akan akan memberikan memberikan hasil peramalan peramalan yang lebih dapat dapat dipercaya dipercaya keteta ketetapan pannya nya.. Oleh Oleh karena karena masing masing-ma -masin singg metode metode perama peramalan lan berbe berbeda-b da-beda eda,, maka maka penggunaa penggunaannya nnya harus hati-hati hati-hati terutama terutama dalam dalam pemilihan pemilihan metode metode untuk pengguna penggunaan an dalam kasus tertentu. Pertimbangan ini dibutuhkan karena tidak ada satupun metode dari

peramalan tersebut yang dapat dipergunakan secara universal untuk seluruh keadaan atau situasi. Hal itu perlu diperhatikan bahwa peramalan selalu salah, di mana jarang sekali terjadi apa yang diramalkan tentang permintaan misalnya sama persis dengan jumlah yang terjadi dalam permintaan nyata (Assauri, 1993). Bagian permintaan biasanya melakukan perencanaan berdasarkan hasil-hasil ramalan permintaan, 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, 2004). Menurut dua sumber utama yang berkaitan dengan informasi permintaan produk, yaitu ramalan terhadap produk independent demand yang bersifat tidak pasti dan pesanan pesanan yang bersifat pasti. Pesanan-pesanan yang bersifat pasti ini antara lain pesanan pelanggan, alokasi tertentu untuk area geografis, service or spare parts and samples, distribution center demands (or branch warehouse demands), dan lain-lain. Dalam beberapa perusahaan industri manufaktur, kebutuhan-kebutuhan untuk pusat distribusi dan operasi antar pabrik ditangani secara terpisah (Gaspersz, 2004).

b. d. e. f. g. h. i.

Aktivitas peramalan hanya boleh dilakukan terhadap material, 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 . Sedangkan untuk material, parts, atau produk yang terkait langsung terhadap atau diturunkan dari struktur bill of material untuk produk akhir atau item tertentu, dan oleh karena itu digolongkan sebagai dependent demand harus direncanakan atau dihitung, tidak boleh diramalkan. Dengan demikian item-item yang dapat diramalkan dalam industri manufaktur adalah produk-produk untuk make-to-stock, make-to-order, assemble-to-order, resource availability, kebutuhan pemeliharaan (kecuali pemeliharaan preventif periodik), service parts dan kebutuhan internal perusahaan dan independent demand lainnya (Gaspersz, 2004). Terdapat sembilan langkah yang harus diperhatikan untuk menjamin efektifitas dan efisiensi dari sistem peramalan dalam manajemen permintaan. Hal ini disebut juga sebagai konsep dasar sistem peramalan, yaitu: a. Menentukan tujuan dari peramalan. Memilih item independent demand yang akan diramalkan. c. Menentukan horizon waktu dari peramalan (jangka pendek, menengah, atau panjang). Memilih model-model peramalan. Memperoleh data yang dibutuhkan untuk melakukan peramalan. Validasi model peramalan. Membuat peramalan. Implementasi hasil-hasil peramalan. Memantau keandalan hasil peramalan. Tujuan utama dari peramalan dalam manajemen perawatan adalah untuk meramalkan permintaan dari item-item independent demand di masa yang akan datang. Tahap selanjutnya dengan mengkombinasikannya dengan pelayanan pesanan ( order service) yang bersifat pasti, kita dapat mengetahui total permintaan dari suatu item atau produk agar memudahkan manajemen produksi dan inventori. Perencanaan produksi dan inventori, termasuk kapasitas dan sumber daya lainnya dalam industri manufaktur,

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

(pendapat, keputusan) dan dapat dilakukan secara perseorangan ataupun kelompok. Berdasarkan penerapannya, peramalan kualitatif dikenal empat metode yang umum dipakai, yaitu (Eddy, 2001):

judgment

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

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

Selanjutnya menggunakan formula untuk weighted MA(n). Peramalan berdasarkan model rata-rata bergerak 4 bulan terbobot dilakukan sebagai berikut (Gaspersz, 2004): Weighted MA(4) =

( 4 ) ( A1) + ( 3) ( A 2) + ( 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), seyogianya kita membangun peta kontrol tracking signal . Untuk bisa mendapatkan nilai tracking signal harus dicari terlebih dahulu nilai MAD yang didapat dari rumus (Gaspersz, 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. Metode permalan ini bekerja hampir serupa dengan alat thermostat , dimana apabila galat ramalan ( forecast error ) adalah positif, yang berarti nilai aktual permintaan lebih tinggi daripada nilai ramalan (A–F>0), maka model pemulusan eksponensial akan secara otomatis meningkatkan nilai ramalannya. Sebaliknya apabila galat ramalan ( forecast error ) adalah negatif, yang berarti nilai aktual permintaan lebih rendah daripada nilai ramalan (A–F<0), maka metode pemulusan eksponensial akan secara otomatis menurunkan nilai ramalan. Proses penyesuaian ini berlangsung secara terus-menerus, kecuali galat ramalan telah mencapai nol. Peramalan menggunakan metode pemulusan eksponensial dilakukan berdasarkan formula seperti di bawah ini (Gaspersz, 2004):

Ft = Ft-1 + α (A t-1 - Ft-1)

Dimana : Ft

: nilai ramalan untuk periode waktu ke-t

Ft-1

: nilai ramalan untu satu periode waktu yang lalu, t-1

At-1 : nilai aktual untuk satu periode waktu yang lalu, t-1 α

: konstanta pemulusan ( smoothing constant )

Permasalahan umum yang dihadapi apabila mengunakan model pemulusan eksponensial adalah memilih konstanta pemulusan ( α) yang dikira tepat. Nilai konstanta pemulusan dapat dipilih di antara nilai 0 dan 1, karena berlaku (0< α <1). penetapan nilai α yang diperkirakan tepat, dapat digunakan panduan yaitu apabila pola historis dari data aktual permintaan sangat bergejolak atau tidak stabil dari dari waktu ke waktu, dipilih nilai α yang mendekati 1. Berdasarkan hal tersebut biasanya dipilih nilai α = 0,9 dan semakin bergejolak nilai α yang dipilih harus semakin tinggi menuju angka 1, pola historis dari data aktual permintaan tidak berfluktuasi atau relatif stabil dari waktu ke waktu, dapat dipilih nilai α yang mendekati nol. Biasanya dipilih nilia α = 0,1. Semakin stabil, 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, 2004). Berdasarkan ilmu statistika, 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, 2001). Metode regresi linier dipergunakan sebagai metode peramalan apabila pola historis dari data aktual permintaan menunjukkan adanya suatu kecenderungan menaik dari waktu ke waktu. Istilah regresi linier berarti, bahwa rataan ( µy|x) berkaitan linier dengan x dalam bentuk persamaan linier populasi (Eddy, 2001). µy|x = α + βx,

Koefisien regresi α dan β merupakan dua parameter yang akan ditaksir dari data sampel. 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, 2001). ŷ = a + bx

Dimana : ŷ : nilai ramalan permintaan pada peiode ke-t a : intersep b : slope dari garis kecenderungan,merupakan tingkat perubahan dalam permintaan. x : indeks waktu ( t = 1,2,3,...,n) ; n adalah banyaknya periode waktu. Taksiran a dan b masing-masing menyatakan perpotongan dengan sumbu y dan kenaikannya. 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. Slope dan intersep dari persamaan regresi linier dihitung dengan menggunakan formula berikut (Eddy, 2001): b =

∑ xy - ∑ x . ∑ y 2 n . ∑x2 - ( ∑x )

n.

a=

∑x - b . ∑x n

Dimana : b

: slope dari persamaan garis lurus

a

: intersep dari persamaan garis lurus

x

: index waktu

x-bar : nilai rata-rata dari x y

: variabel permintaan (data aktual permintaan)

y-bar : nilai rata-rata permintaan per periode waktu, 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, 2001). yaitu terdapat sejumlah indikator dalam pengukuran akurasi peramalan, namun yang paling umum digunakan adalah mean absolute deviation, mean absolute percentage error dan mean squared error . Akurasi peramalan akan tinggi apabila nilai-nilai MAD, MAPE, dan MSE semakin kecil. Mean absolute deviation

(MAD) merupakan nilai total absolut dari forecast error dibagi dengan data, atau yang lebih mudah adalah nilai kumulatif absolut error dibagi Mean absolute deviation

dengan periode. Diformulasikan formula untuk menghitung MAD adalah sebagai berikut (Gaspersz, 2004): MAD =

∑ ( absolut dari forecast error ) n

Mean forecast error biasa disebut juga

galat peramalan. Galat peramalan ini juga dapat berfungsi untuk menghitung nilai MAD yang telah dibahas pada sub bab sebelumnya. Galat ramalan tidak dapat dihindari dalam sistem peramalan, namun galat ramalan itu harus dikelola dengan benar. 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, 2004). Sistem peramalan, penggunaan berbagai model peramalan akan memberikan nilai ramalan yang berbeda dan derjat dari galat ramalan yang berbeda pula.Berikut adalah tabel alasan terjadi galat ramalan dan tindakan yang harus diambil (Gaspersz, 2004): No. 1

Alasan terjadi galat ramalan Perubahan dari pola data dasar Faktor eksternal (termasuk promosi, aktivitas pesaing, hari raya, cuaca, konflik internasional, dan lain-lain Variasi acak normal Kesalahan pemasukan data

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, tetapi memperkecil angka kesalahan prakiraan yang lebih kecil dari satu unit.

MSE

=

∑ ei n

rata-rata persentase kesalahan kuadrat merupakan pengukuran ketelitian dengan cara-cara persentase kesalahan absolute, Mean absolute percentage error (MAPE) adalah

(MAPE) menunjukkan rata-rata kesalahan absolut prakiraan dalam bentuk persentasenya terhadap data aktualnya (Gaspersz, 2004).

MPE

=

e ∑ x (100) i

n

dibuat untuk membandingkan nilai-nilai observasi atau data aktual dengan nilai peramalan dari kebutuhan yang sama. Moving range adalah peta kontrol statistik yang digunakan pada pengendalian kualitas. Peta moving range memiliki batasan-batasan yang terdiri dari batas kontrol atas dan batas kontrol bawah. Sebuah titik atau data yang berada di luar batas tersebut maka ada beberapa data yang harus dihilangkan atau mencari metode peramalan yang lain. Moving range digunakan untuk mengetahui sejauh mana arah pergerakan (misalnya adalah permintaan) bergerak. Perhitungan moving range menggunakan rumus (Gaspersz, 2004): Moving range

MR =

( F t −1 − At −1 ) − ( F t

− A t

)

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. Tracking signal dihitung sebagai running sum of the forecast errors dibagi dengan mean absolute deviation Menurut (Gaspersz, 2004). Tracking Signal =

Tracking signal yang

RSFE MAD

positif menunjukkan bahwa nilai aktual permintaan lebih besar daripada ramalan, sedangkan apabila negatif berarti nilai aktual permintaan lebih kecil daripada ramalan. Suatu 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, pada setiap peramalan (Gaspersz, 2004). 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).

METODELOGI PENELITIAN

Penulisan Laporan Akhir Praktikum Sistem Produksi pada modul peramalan memiliki tahap-tahap tertentu yang harus dilakukan secara berurutan. Tahap awal sebelum meramalkan permintaan kotak P3K adalah melakukan pengumpulan data penjualan kotak P3K di masa lalu sebagai parameter perhitungan peramalan. Peramalan permintaan kotak P3K membutuhkan data masa lalu sebagai tahap yang paling utama dikarenakan tanpa data tersebut peramalan tidak dapat dihitung. Hal ini yang dimaksud data tersebut merupakan data sekunder yang diperoleh dari produsen atau pembuat produk kotak P3K. Meramalkan permintaan produk kotak P3K merupakan permasalahan yang penting dikarenakan hal tersebut menyangkut dari persiapan produktivitas dimasa yang akan datang. Permasalahan yang akan diteliti adalah cara meramalkan permintaan produk kotak P3K untuk satu tahun ke depan. 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. Penulisan Laporan Akhir Praktikum Sistem Produksi pada modul peramalan memiliki tujuan yang ingin dicapai, tujuan tersebut adalah memperkirakan permintaan dari produk kotak P3K selama satu tahun ke depan berdasarkan data masa lalu dengan menggunakan metode yang ada. Selain itu penyusun juga ingin mengetahui metode yang paling tepat dan akurat dalam meramalkan permintaan kotak P3K. 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. Pengolahan data tersebut dilakukan dengan metode Weighted Moving Average (WMA), Single Exponential Smoothing (SES ), dan regresi linear. Ketepatan hasil peramalan tersebut selanjutnya diukur dengan menggunakan Mean Absolute Deviation ( MAD), Tracking Signal (TS ), dan Moving Range ( MR). Tahap kedua data yang telah diolah mendapatkan hasil peramalan dengan metode WMA, SES , dan regresi serta MAD, TS , dan MR selanjutnya dianalisis. 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. Tahap ketiga atau tahap terakhir adalah melakukan penarikan kesimpulan yang menjawab tujuan penulisan. Selain itu, penyusun juga memberikan saran-saran yang berguna bagi perbaikan untuk membangun agar lebih baik lagi kedepannya proses peramalan permintaan kotak P3K. HASIL DAN PEMBAHASAN

Pembahasan kali ini mengenai peramalan ( forcasting ). Peramalan adalah suatu metode untuk memperkirakan suatu nilai peramalan di masa depan dengan menggunakan data di masa lalu. Pembahasan tentang peramalan kali ini menggunakan beberapa metode,

adapun metode yang digunakan WMA (Weight Moving Average), SES (Single Exponential Smoothing ), dan regresi linear . 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), Tracking Signal (TS ), dan Moving Range ( MR). Berikut ini adalah data penjualan aktual dari produk kotak P3K. Tabel 1 Data Penjualan Aktual Kotak P3K

Bulan (n)

Indeks Waktu (t)

Penjualan

2 Digit NPM

Penjualan Aktual (A)

Januari 1 513 20 533 Februari 2 509 20 529 Maret 3 512 20 532 April 4 514 20 534 Mei 5 509 20 529 Juni 6 508 20 528 Juli 7 512 20 532 Agustus 8 511 20 531 September 9 513 20 533 Oktober 10 511 20 531 November 11 509 20 529 Desember 12 512 20 532 Metode WMA (Weight Moving Average) adalah suatu metode peramalan yang memperhitungkan bobot atau data di masa lalu. Metode WMA ( Weight Moving Average) digunakan untuk mengetahui peramalan penjualan kotak P3K 1 periode (bulan) berikutnya. Perhitungan metode WMA ( Weight Moving Average) ini menggunakan bobot = 3. 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. Berikut ini adalah tabel perhitungan metode WMA (Weight Moving Average). Contoh perhitungan untuk WMA:

= 531,17 Contoh perhitungan diatas telah dapat dilihat hasilnya ramalan berdasarkan MA=3 pada bulan april. Metode ini digunakan untuk meramalakan pada tiap-tiap periode kedepan. Tabel 2 Perhitungan Metode WMA

Bulan

Indeks Waktu (t)

Penjualan Aktual (A)

Ramalan Berdasarkan MA = 3

Januari 1 533 Februari 2 529 Maret 3 532 April 4 534 531,17 532 Mei 5 529 532,5 533 Juni 6 528 531,17 532 Juli 7 532 529,33 530 Agustus 8 531 530,17 531 September 9 533 530,83 531 Oktober 10 531 532,17 533 November 11 529 531,67 532 Desember 12 532 530,33 531 Januari 13 530,83 531 Perhitungan software pada peramalan metode WMA menggunakan Win_QSB. Langkah pertama adalah membuka Win_QSB lalu pilih file dan new problem. Isi problem title dengan produk yang dibuat, yaitu peramalan produk P3K. Time unit diisi dengan month (bulan) dan 12 untuk number of time units (periods), klik OK . Historical data diisi dengan data nilai penjualan aktual, kemudian pilih solve and analyze, lalu perform forecasting .

Gambar 1 Forecasting Problem Specification

Tahap selanjutnya adalah memasukan data penjualan aktual ke kotak dialog historical data. Berikut ini adalah tampilanya sebagai berikut.

Gambar 2 Historical Data

Gambar 3 Solve and Analyze

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

Gambar 4 Perform Forecasting

Tahapan selanjutnya semua sudah dilakukan, maka selanjutnya adalah berupa hasil dari peramalan untuk metode ini bisa dilihat pada kotak dialog. Berikut ini adalah tampilannya.

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 ). Contoh perhitungan periode 1:

Tabel 3 Perhitungan Tracking Signal (TS ) dari Peramalan Metode WMA

Periode (1)

Forecas t (2)

1 2 3 4 5 6 7 8 9

532 533 532 530 531 531 533 532 531

Error Kumulatif RSFE Absolut MAD Aktual E=AAbsolut Kumulatif Error (7)/(1) (3) F Error (5) (6) (8) (4) (7)

534 529 528 532 531 533 531 529 532

2 -4 -4 2 0 2 -2 -3 1

2 -2 -6 -4 -4 -1 -3 -6 -5

2 4 4 2 0 2 2 3 1 2,22

2 6 10 12 12 14 16 19 20

2 3 3,33 3 2,4 2,33 2,29 2,38 2,22

Tracking Signal (5)/(8) (9)

1 -0,67 -1,8 -1,33 -1,67 -0,43 -1,31 -2,53 -2,25

(George

plossl, dkk) seorang pakar production planing and inventory control , disarankan agar menggunakan nilai batas maksimum +4 dan batas minimum -4. Tracking Signal (TS ) dapat diketahui setelah hasil dari aktual peramalan telah didapat. Berdasarkan batasan tersebut untuk mengetahui apakah peramalan yang dilakukan sudah berada dalam batasan maka dibuatlah peta control Tracking Signal (TS ) seperti berikut.

Gambar 6 Peta Kontrol Tracking Signal (TS )

Pembahasan perhitungan manual metode WMA (Weight Moving Average) belum teruji kebenarannya, maka analis melakukan perhitungan dengan menggunakan software untuk menguji perhitungan tersebut. Berikut ini adalah hasil perhitungan dengan menggunakan software QSB. Metode SES (Single Exponential Smoothing ) juga dikenal sebagai simple exponential smoothing yang digunakan pada peramalan jangka pendek, biasanya hanya 1 bulan ke depan. Model ini mengasumsikan bahwa data berfluktuasi di sekitar nilai mean yang tetap, tanpa trend atau pola pertumbuhan konsisten. Peramalan penjualan kotak P3K dilakukan dengan menggunakan software WinQSB untuk mencari konstanta pemulusan (α) 0,1 sampai 0,9 yang memiliki nilai MAD terkecil. Berikut ini hasil perhitungan software.

Gambar 7 Output Perhitungan Software WinQSB Metode SES (α = 0,1)

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 0,2.
















Perhitungan peramalan penjualan tersebut dilakukan berdasarkan metode SES dengan nilai konstanta pemulusan (α) antara 0,1 sampai 0,9. Berikut ini adalah tabel rangkuman perhitungan software metode SES (Single Exponential Smoothing ). Tabel 4 Pengelompokan MAD α pada Software

SES α

MAD

α=0,1 1,8615 α=0,2 1,8571 α=0,3 1,9385 α=0,4 2,0820 α=0,5 2,2064 α=0,6 2,3092 α=0,7 2,3877 α=0,8 2,4876 α=0,9 2,5714 Berdasarkan pengelompokan α pada software, nilai MAD terkecil terdapat pada α = 0,2 dengan nilai sebesar 1.8571. Hasil α akan dibuat untuk perhitungan peramalan dengan metode SES (Single Exponential Smoothing ) . MAD terkecil memang biasanya selalu berada pada α = 0,2 tetapi juga tergantung pada data yang ada. . Hal ini dikarenakan nilai MAD yang terkecil merupakan peramalan yang paling akurat dengan kata lain, rata-rata harga mutlak penyimpangan hasil peramalan dengan data aktualnya adalah yang paling kecil. 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 = 0,2. Contoh perhitungan: = ,6373-12. = 531,8 ≈ 532 Ramalan indeks waktu ke 2 = 531,8 + 0,2 (533-531,8) = 532,04 Tabel 5 Perhitungan Metode SES

Bulan

Index

Aktual

Ramalan

Pembulatan

Januari 1 533 531,08 532 Februari 2 529 531,47 532 Maret 3 532 530,97 531 April 4 534 531,18 532 Mei 5 529 531,74 532 Juni 6 528 531,19 532 Juli 7 532 530,56 531 Agustus 8 531 530,84 531 September 9 533 530,88 531 Oktober 10 531 531,3 532 November 11 529 531,24 532 Desember 12 532 530,79 531 Januari 13 532,04 532 Berdasarkan hasil peramalan yang dilakukan dengan menggunakan metode SES (Single Exponential Smoothing ) kemudian dilakukan perhitungan metode Tracking Signal

(TS) untuk mencari tingkat akurasi yang tinggi dari metode SES ( Single Exponential Smoothing ). Berikut ini tabel perhitungan metode Tracking Signal (TS). Contoh perhitungan periode 1:

Tabel 6 Perhitungan Tracking Signal (TS) dari Peramalan Metode SES

Periode (1)

Forecast (2)

Aktual (3)

Error E=AF (4)

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

1 -3 1 2 -3 -4 1 0 2 -1 -3 1

RSFE Absolut Kumulatif Error (5) (6)

1 -2 -1 1 -2 -6 -5 -5 -3 -4 -7 -6

2 3 1 2 3 4 1 0 2 1 3 1

Kumulatif MAD Absolut (7)/(1) Error (8) (7)

2 5 6 8 11 15 16 16 18 19 22 23


2 2,5 2 2 2,2 2,5 2,29 2 2 1,9 2 1,92

1,92 (George

plossl, dkk) seorang pakar production planing and inventory control , disarankan agar menggunakan nilai batas maksimum +4 dan batas minimum -4. Peta Kontrol Tracking Signal (TS) α = 0,2 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. Tracking Signal (TS ) dapat diketahui setelah hasil dari aktual peramalan telah didapat. Berdasarkan batasan tersebut untuk mengetahui apakah peramalan yang dilakukan sudah berada dalam batasan maka dibuatlah peta control Tracking Signal (TS) seperti berikut.

0,5 -0,8 -0,5 0,5 -0,91 -2,40 -2,19 -2,5 -1,50 -2,11 -3,5 -3,13

Gambar 16 Peta Kontrol Tracking Signal (TS)

Perhitungan peramalan penjualan kotak obat dengan metode regresi linear dilakukan secara manual dan menggunakan software WinQSB. Berikut ini adalah peramalan penjualan kotak P3K dengan metode regresi linear yang dilakukan secara manual. Tabel 7 Perhitungan Metode Regresi Linear

Bulan (n)

Periode (X)

Penjualan Aktual

X²

X.Y

Januari Februari Maret April Mei Juni Juli Agustus September Oktober November Desember Jumlah (∑)

1 2 3 4 5 6 7 8 9 10 11 12 78

533 529 532 534 529 528 532 531 533 531 529 532 6373

1 4 9 16 25 36 49 64 81 100 121 144 650

533 1058 1596 2136 2645 3168 3724 4248 4797 5310 5819 6384 41418

Contoh perhitungan

Tabel 8 Perhitungan Peramalan

Bulan

Indeks Waktu (t)

Penjualan Aktual

Ramalan

Januari 13 523 530.79 531 Februari 14 529 530.745 531 Maret 15 532 530.7 531 April 16 534 530.655 531 Mei 17 529 530.61 531 Juni 18 528 530.565 531 Juli 19 532 530.52 531 Agustus 20 531 530.475 531 September 21 533 530.43 531 Oktober 22 531 530.385 531 November 23 529 530.34 531 Desember 24 532 530.295 531 Contoh perhitungan : = + bx = 531,375 + (-0,045) . 13 = 531.375 + (-0,585) = 530,79 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 . Tahap-tahap pengolahan data pada dasarnya sama seperti yang dilakukan pada metode WMA, namun jenis metode yang dipilih adalah metode Linear Regression with Time. Bagian Number of Periods to Forecast diisi dengan 12. Hal ini menunjukkan bahwa jumlah periode penjualan kotak P3K yang ingin diramalkan adalah selama 12 bulan ke depan. Nilai intercept (a) diisi dengan 531,375 dan slope (b) diisi dengan -0,045 nilai b disini biasanya hasinya selalu negatif tetapi juga tergantung dari nilai datanya, kedua nilai ini diketahui berdasarkan hasil perhitungan manual. Berikut ini adalah hasil perhitungan software tersebut. Berikut ini tabel perhitungan metode Tracking Signal (TS ). Contoh perhitungan periode 1:

Tabel 9

Perhitungan Tracking Signal (TS) dari Peramalan Metode Regresi Linear

Periode (1)

Forecast (2)

Aktual (3)

Error E=AF (4)

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

2 -2 1 3 -2 -3 1 0 2 0 -2 1

RSFE Absolut Kumulatif Error (5) (6)

2 0 1 4 2 -1 0 0 2 2 0 1

2 2 1 3 2 3 1 0 2 0 2 1

Kumulatif MAD Absolut (7)/(1) Error (8) (7)

2 4 5 8 10 13 14 14 16 16 18 19


2 2 1,67 2 2 2,17 2 1,75 1,78 1,6 1,64 1,58

1 0 0,6 2 1 -0,46 0 0 1,13 1,25 0 0,63

1,58 (George

plossl, dkk) seorang pakar production planing and inventory control , disarankan agar menggunakan nilai batas maksimum +4 dan batas minimum -4. Tracking Signal (TS ) dapat diketahui setelah hasil dari aktual peramalan telah didapat. Berdasarkan batasan tersebut untuk mengetahui apakah peramalan yang dilakukan sudah berada dalam batasan maka dibuatlah peta control Tracking Signal (TS) seperti berikut.

Gambar 17 Peta Kontrol Tracking Signal (TS)

Pembahasan perhitungan manual metode regresi linear belum teruji kebenarannya. 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. Nilai yang semakin mendekati garis lurus maka

hasil yang diperoleh semakin baik. Selain menggunakan perhitungan manual, peramalan penjualan kotak P3K pada metode regresi linear juga dilakukan dengan menggunakan software WinQSB. Tahap-tahap pengolahan data pada dasarnya sama seperti yang dilakukan pada metode WMA, namun jenis metode yang dipilih adalah metode Linear Regression with Time ( LR). Bagian Number of Periods to Forecast diisi dengan 12. Hal ini menunjukkan bahwa jumlah periode penjualan kotak P3K yang ingin diramalkan adalah selama 12 bulan ke depan. Nilai intercept (a) diisi dengan 531,375 dan slope (b) diisi dengan -0,045, kedua nilai ini diketahui berdasarkan hasil perhitungan manual. Berikut ini adalah hasil perhitungan software tersebut. maka analis melakukan perhitungan dengan menggunakan software untuk menguji perhitungan tersebut. Berikut ini adalah hasil perhitungan dengan menggunakan software QSB.

Gambar 18 Output Perhitungan Software Tracking Signal (TS)

Hasil perhitungan peramalan dari seluruh metode selanjutnya dibandingkan keakuratannya. Metode yang menghasilkan nilai Mean Absolute Deviation ( MAD) terendah akan diukur akurasinya dengan membuat peta kontrol Moving Range (MR). Metode yang menghasilkan nilai MAD terendah adalah metode regresi linear . MR Absolute = │(Ft-1 – At-1) - (Ft - At)│ = │(531 – 533) – (531 – 529)│ = │(-2) – (-2)│ =4 Tabel 10 Perhitungan Moving Range (MR) dari Peramalan Metode Regresi Linear

Bulan

Peramalan

Aktual

A-F

MR Absolute

Januari

531

533

2

-

Februari Maret April Mei Juni Juli Agustus September Oktober November Desember

531 531 531 531 531 531 531 531 531 531 531

529 532 534 529 528 532 531 533 531 529 532 Total

-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 , Batas Kontrol Atas (BKA), dan Batas Kontrol Bawah (BKB). Peta kontrol Moving Range dibuat untuk mengendalikan peramalan dan mengetahui kesesuaian hasil ramalan dengan penjualan aktual produk kotak P3K. 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. Perhitungan , BKA, dan BKB serta gambar peta kontrol Moving Range adalah sebagai berikut:

Gambar 19 Peta Kontrol Moving Range (MR)

KESIMPULAN DAN SARAN

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, diperoleh kesimpulan 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. 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, pada metode regresi disarankan mempertimbangkan faktor-faktor lainnya yang diduga berpengaruh besar pada permintaan konsumen, tidak hanya berdasarkan waktu saja. Hal ini dimaksudkan agar hasil peramalan dapat lebih akurat, sebab mempertimbangkan juga faktor-faktor lainnya selain itu ukuran akurasi peramalan yang digunakan tidak hanya Mean Absolute Deviation ( MAD), Tracking Signal (TS ), dan Moving Range ( MR), tetapi digunakan juga ukuran akurasi peramalan yang lain, seperti Mean Square Error ( MSE ) dan Mean Absolute Percentage Error ( MAPE ). Ukuran akurasi tersebut digunakan agar tingkat hasil peramalan dapat digunakan sebagai parameter permintaan produk kotak P3K untuk satu tahun kedepan.

DAFTAR PUSTAKA

Gasperz, Vincent. Production Planning Pustaka Utama. 2004.

And Inventory Control . Jakarta:

PT Gramedia

Eddy, Herjanto.Manajemen Produksi dan Operasi, Yogyakarta: Andi. 2001. Laboratorium Teknik Industri Lanjut. Modul 1: peramalan. Jakarta: Universitas Gunadarma. 2010. Sofjan,Assauri. Pengendalian Produksi. Jakarta: Ghalia Indonesia. 1993.

Peramalan (1)

Recommend Documents