PRAKTIKUM PERENCANAAN DAN PENGENDALIAN PRODUKSI I
20
MODUL 1
PERAMALAN PERMINTAAN
Tujuan Praktikum
Tujuan praktikum modul ini adalah sebagai berikut:
Praktikan dapat memilih metode peramalan yang tepat.
Praktikan dapat meramalkan permintaan masa mendatang.
Tugas Resmi
Permintaan bulanan sebuah produk selama tahun 2015 adalah sebagai yaitu:
Bulan
Permintaan
Januari
90
Febuari
93
Maret
99
April
83
Mei
87
Juni
83
Juli
93
Agustus
100
September
103
Oktober
105
November
103
Desember
110
Berdasarkan data tersebut, lakukan:
Plotting data permintaan dan pilih 2 metode yang paling sesuai berdasarkan hasil plotting data
Ramalkan permintaan 5 bulan berikutnya
Hitung MAPE masing-masing metode
Berdasarkan nilai MAPE, metode mana yang paling sesuai untuk meramalkan permintaan 5 bulan ke depan dan lakukan validasi dengan menggunkan tracking signal. Lakukan analisa hasil MAPE dan Tracking Signal.
PT. Jaya Abadi adalah sebuah perusahaan botol, bagian produksi menugaskan marketing untuk melakukan peramalan permintaan botol dengan data permintaan masa lalu sebagai berikut :
Bulan
Permintaan (Unit)
1
2
Januari
1203
1230
Februari
1220
1243
Maret
1243
1250
April
1260
1230
Mei
1280
1223
Juni
1293
1210
Juli
1280
1220
Agustus
1253
1233
September
1230
1240
Oktober
1200
1253
November
1193
1250
Desember
1213
1243
Berdasarkan data tersebut, lakukan:
Plotting data permintaan dan pilih 2 metode yang paling sesuai berdasarkan hasil plotting data
Ramalkan permintaan 5 bulan berikutnya
Hitung MAPE masing-masing metode
Berdasarkan nilai MAPE, metode mana yang paling sesuai untuk meramalkan permintaan 5 bulan ke depan dan lakukan validasi dengan menggunkan tracking signal. Lakukan analisa hasil MAPE dan tracking signal.
PT. Karya Abadi adalah sebuah perusahaan ban mobil, department marketing ingin mengetahui permintaan bulan berikutnya dengan melakukan peramalan permintaan data masa lalu sebagai berikut:
Bulan
Permitaan (unit)
Januari
2825
Februari
4500
Maret
6500
April
7600
Mei
8100
Juni
2800
Juli
2900
Agustus
3400
September
4500
Oktober
6000
November
3500
Desember
2800
Januari
1800
Februari
3000
Maret
4200
April
5800
Mei
3200
Juni
2500
Berdasarkan data tersebut, lakukan:
Plotting data permintaan dan pilih 2 metode yang paling sesuai berdasarkan hasil plotting data (gunakan nilai alfa = 0,3 , beta = 0,03 dan gama = 0,3 jika menggunaka winter)
Ramalkan permintaan 6 bulan (24 minggu) berikutnya
Hitung MAPE masing-masing metode
Berdasarkan nilai MAPE, metode mana yang paling sesuai untuk meramalkan permintaan 6 bulan ke depan dan lakukan validasi dengan menggunkan tracking signal. Lakukan analisa hasil MAPE dan tracking signal.
Pengolahan Data
Pengolahan Data Secara Manual Dan Software
Pengolahan Data Kasus 1
Grafik 1.1 Potting Data Permintaan
Dari plotting data yang terdapat pada grafik diketahui data tersebut termasuk data trend. Karena data permintaan cenderung naik. Dengan memperhatikan plotting data sebelumnya, metode yang digunakan adalah metode Single Exponential Smoothing (SES) dan metode Linear Regression dan metode yang kami gunakan adalah metode linear regression
Penggunaan Metode Linear Regression Secara Manual
Rumus :
Ft = ( a + ( b x t ))
Ft 1 = ( 84,363631 + ( 1,751749 x 1)
= 86,1154
Et = dt – ft
Et 1 = 90 – 86,1154
= 3,88462
APE = " et "dt
APE1 = 3,8846290
= 0,04316
RSFE = RSFE (t-1) + et
RSFE 2 = 3,88462 + 5,13287
= 9,01749
MAD = kum AEt
MAD2 = 9,017492
= 4,50875
TS = RSFEMAD
TS1 = 3,884623,88462
= 1
MAPE :
Dari perhitungan diatas dihasilkan fungsi peramalan :
D(t) = 84,363631+ 1,751749.t
Maka peramalan untuk 5 periode kedepan adalah :
Month
Forecast
Jan
107,136368
Feb
108,888117
Mar
110,639866
Apr
112,391615
Mei
114,143364
Penggunaan Metode Linear Regression Dan Single Exponential Smooting Secara Software
Gambar 1.1 Tampilan Hasil Peramalan Dengan Metode LR dan SES
Analisa Data:
Penggunaan metode ini didasarkan plotting data permintaan, peramalan yang dilakukan menggunakan metode linear programming. Dari pengolahan data tersebut, peramalan untuk bulan Januari, Februari, Maret, April dan Mei masing masing adalah 107,1364; 108,8881; 110,6399; 112,3916; dan 114,1434. Dengan menggunakan metode ini MAPE yang diperoleh yaitu sebesar 5,5690%. Sehingga sudah baik digunakan untuk menjadi acuan peramalan ini, namun dapat dicoba menggunakan metode lain apabila masih ada metode yang menghasilkan MAPE lebih kecil. MAD (Mean Absolute Deviation) merupakan rata-rata kesalahan mutlak selama periode tertentu tanpa memperhatikan apakah hasil peramalan lebih besar atau lebih kecil dibandingkan dengan kenyataannya. Berdasarkan hasil perhitungan WinQSB di atas, didapat nilai MAD sebesar 5,104313. MSE (Mean Square of Error) didapat dengan menjumlahkan kuadrat semua kesalahan peramalan pada setiap periode dan membaginya dengan jumlah periode peramalan. Dari pengolahan data tersebut dapat diketahui nilai MSE sebesar 36,11977.
Peramalan permintaan dengan menggunkan metode lain, penggunaan metode lain diharapkan nilai MAPE dapat lebih kecil. Metode yang digunakan adalah Metode Single Exponential Smoothing. Permalan ini didasarkan pada plotting data yang sebelumnya dilakukan, karena grafik yang dihasilkan trend linear lebih cocok menggunakan metode SES. Dari pengolahan data yang dilakukan, dapat diramalkan permintaan untuk bulan Januar, Februari, Maret, April dan Mei masing-masing sebesar 90. Dengan menggunakan metode regresi linier MAPE yang dihasilkan sebesar 9,41532%. MAD (Mean Absolute Deviation) merupakan rata-rata kesalahan mutlak selama periode tertentu tanpa memperhatikan apakah hasil peramalan lebih besar atau lebih kecil dibandingkan dengan kenyataannya. Berdasarkan hasil perhitungan WinQSB di atas, didapat nilai MAD sebesar 9,363636. MSE (Mean Square of Error) didapat dengan menjumlahkan kuadrat semua kesalahan peramalan pada setiap periode dan membaginya dengan jumlah periode peramalan. Dari gambar 1.2, nilai MSE untuk kasus satu adalah sebesar 115,3636.
Penentuan metode ramalan yang terbaik
Tabel perbandingan metode LR dan SES
Metode
Nilai MAPE
LR
5,5690%
SES
9,4153%
Analisa Data:
Berdasarkan gambar 1.1 Tampilan Hasil Peramalan Dengan Metode LR dan SESmerupakan metode peramalan menggunakan metode linear regression dan metode SES. Jika diperhatikan nilai MAPE untuk kedua metode tersebut berbeda. MAPE yang dihasilkan menggunakan metode SES sebesar 9,4153 % dan MAPE manggunakan metode LR sebesar 5,5690 %. MAPE merupakan presentase kesalahan hasil peramalan terhadap permintaan aktual selama periode tertentu yang akan memberikan informasi kesalahan peramalan permintaan. Dari definisi tersebut sudah jelas metode yang menghasilkan MAPE terkecil akan memberikan keakuratan dalam peramalan permintaan. Sehingga metode Linear Regression lebih tepat digunakan dalam peramalan dengan kasus ini. Hasil peramalan untuk 5 periode kedepan dengan menggunakan Metode Linear Regression adalah 107,1364, 108,8881, 110,6399, 112,3916, dan 114,1434.
Tracking signal digunakan untuk memferifikasi apakah peramalan yang dilakukan sudah sesuai atau akurat. nilai TS sebaiknya diantara -1 sampai 1. Namun dalam beberapa kasus, nilai TS yang baik bisa berada pada range –N sampai N dimana N adalah periode pengamatan. Berdasarkan nilai MAPE terkecil yang didapat dari kedua metode, maka grasfik TS yang didapatkan dari kasus satu dengan batas kendali + 3 adalah sebagai berikut:
Grafik 1.2 Batas Kendali Peramalan Permintaan
Dari grafik diatas dapat diketahui ada peramalan permintaan yang melebihi batas kendali bawah pada data ke-12. Sehingga membutuhkan peramalan permintaan dapat adikatakan permalan permintaan belum terferifikasi dan hasil peramalan belum bisa digunakan untuk membuat rencana produksi. Segingga data peramalan yang out of control harus dibuang.
Pengolahan Data Kasus 2
Grafik 1.3 Plotting Data Permintaan
Dari plotting data yang terdapat pada grafik diketahui data tersebut termasuk pola data siklis Karena data permintaan menunjukkan fluktuasi yang berulang secara periodik membentuk pola sinusoid/gelombang/siklus. Pola siklis hampir mirip dengan musiman, namun perulangan biasanya terjadi lebih dari satu tahun sehingga biasanya tidak digunakan untuk peramalan jangka pendek. Dengan memperhatikan plotting data sebelumnya, metode yang digunakan adalah metode Moving Average (MA) dan metode simple average (SA). Metode yang kami gunakan adalah metode Simple Average (SA). Karena nilai MAPEnya lebih sedikit dibandingkan dengan nilai MAPE Moving Average (MA).
Penggunaan Metode Simple Average (SA) secara Manual
Rumus:
Et = dt – ft
Et1 = 1203 – 1237,208
= - 34,208
APE = " et "dt
APE1 = 34,2081203
= 0,028435
SEE = t=1n(et2)n-f
= -34,208+-17,208+…+(5,7916)24-1 = 15031,95
Perhitungan MAPE
Maka peramalan untuk 5 bulan ke depan adalah
Ft
Forecast
Ft25
1237,208
Ft26
1237,208
Fr27
1237,208
Ft28
1237,208
Ft29
1237,208
1.3.1.2.2.1 Penggunaan Metode Simple Average Dengan Cara Software
Gambar 1.2 Tampilan Hasil Peramalan Dengan Metode SA
Analisa Data:
Permalan ini didasarkan pada plotting data yang sebelumnya dilakukan, karena grafik yang dihasilkan trend linear lebih cocok menggunakan metode Simple Average. Dari pengolahan data yang dilakukan, dapat diramalkan permintaan untuk bulan ke-25, 26, 27, 28, 29 masing-masing sebesar 1237,208. Dengan menggunakan metode Simple Average MAPE yang dihasilkan sebesar 1,803266. MAD (Mean Absolute Deviation) merupakan rata-rata kesalahan mutlak selama periode tertentu tanpa memperhatikan apakah hasil peramalan lebih besar atau lebih kecil dibandingkan dengan kenyataannya. Berdasarkan hasil perhitungan WinQSB di atas, didapat nilai MAD sebesar 22,33549. MSE (Mean Square of Error) didapat dengan menjumlahkan kuadrat semua kesalahan peramalan pada setiap periode dan membaginya dengan jumlah periode peramalan. Dari gambar 1.2, nilai MSE untuk kasus dua adalah sebesar 768,978.
1.3.1.2.2.2 Penggunaan Metode Moving Average Dengan Cara Software
Gambar 1.3 Tampilan Hasil Peramalan Dengan Metode MA
Analisa Data:
Penggunaan metode ini didasarkan plotting data permintaan, peramalan yang dilakukan menggunakan metode Moving Average dan Weight Moving Average. Dari pengolahan data tersebut, peramalan untuk bulan ke-25, 26, 27, 28, 29 masing masing adalah 1243,8. Dengan menggunakan metode ini MAPE yang diperoleh lumayan kecil yaitu sebesar 2,04 %. Sehingga sudah baik digunakan untuk menjadi acuan peramalan ini, namun dapat dicoba menggunakan metode lain apabila masih ada metode yang menghasilkan MAPE lebih kecil. MAD (Mean Absolute Deviation) merupakan rata-rata kesalahan mutlak selama periode tertentu tanpa memperhatikan apakah hasil peramalan lebih besar atau lebih kecil dibandingkan dengan kenyataannya. Berdasarkan hasil perhitungan WinQSB di atas, didapat nilai MAD sebesar 25,16841. MSE (Mean Square of Error) didapat dengan menjumlahkan kuadrat semua kesalahan peramalan pada setiap periode dan membaginya dengan jumlah periode peramalan. Dari pengolahan data tersebut dapat diketahui nilai MSE sebesar 952,6456.
Penentuan metode ramalan yang terbaik
Tabel perbandingan metode Moving Average dan Simple Average
Metode
Nilai MAPE
Moving Average
2,05%
Simple Average
1,80%
Analisa Data:
Berdasarkan gambar 1.1 dan 1.2 tampilan hasil peramalan SA dan MA diatas merupakan metode peramalan menggunakan metode Simple Average dan dengan metode Moving Average Jika diperhatikan nilai MAPE untuk kedua metode tersebut berbeda. MAPE yang dihasilkan menggunakan metode rata-rata biasa sebesar 1,80 % dan MAPE menggunakan metode moving average sebesar 2,05 %. MAPE merupakan presentase kesalahan hasil peramalan terhadap permintaan aktual selama periode tertentu yang akan memberikan informasi kesalahan peramalan permintaan. Dari definisi tersebut sudah jelas metode yang menghasilkan MAPE terkecil akan memberikan keakuratan dalam peramalan permintaan. Sehingga metode Simple Average lebih tepat digunakan dalam peramalan dengan kasus ini. Hasil peramalan untuk 5 periode kedepan menggunakan metode Simple Average adalah masing-masing sebesar 1237,208.
Tracking signal digunakan untuk memferifikasi apakah peramalan yang dilakukan sudah sesuai atau akurat. nilai TS sebaiknya diantara -1 sampai 1. Namun dalam beberapa kasus, nilai TS yang baik bisa berada pada range –N sampai N dimana N adalah periode pengamatan. Berdasarkan nilai MAPE terkecil yang didapat dari kedua metode, maka grasfik TS yang didapatkan dari kasus satu dengan batas kendali +3 adalah sebagai berikut:
Grafik 1.4 Batas Kendali Peramalan Permintaan
Dari grafik diatas dapat diketahui ada peramalan permintaan yang melebihi batas kendali atas maupun batas kendali bawah yaitu pada data ke-5,6,7,8,9,10. Sehingga dapat dikatakan permalan permintaan belum terferifikasi dan hasil peramalan belum bisa digunakan untuk membuat rencana produksi. Sehingga data peramalan yang out of control harus dibuang.
Pengolahan Kasus 3
Grafik 1.5 Potting Data permintaan
Dari plotting data yang terdapat pada grafik diketahui data tersebut memiliki pola data musiman. Karena data permintaan mengalami variasi tetapi membentuk pola secara berulang. Dengan memperhatikan plotting data sebelumnya, metode yang digunakan adalah metode Winter dan metode Moving Average. Dan metode yang kami gunakan adalah metode winter.
Penggunaan Metode Winter secara manual
α= 0.3 β = 0.03 = 0,3 dan L = 6
L = panjang seasonality
Inisialisasi :
Contoh Perhitungan :
Perhitungan MAPE
Maka peramalan untuk 6 bulan selanjutnya adalah :
Minggu
Forecast
Ke-1
1796,36
Ke-2
2851,48
Ke-3
4120,11
Ke-4
4863,02
Ke-5
5053,36
Ke-6
1825,11
1.3.1.3.2.1 Penggunaan Metode Holt-Winter Multiplicalive Algorithm Dengan Cara Software
Gambar 1.4 Tampilan Hasil Peramalan Dengan Metode Holt-Winter Multiplicative Algorthm
Analisa Data:
Penggunaan metode ini didasarkan plotting data permintaan, peramalan yang dilakukan menggunakan metode Holt-Winter Multiplicalive Algorithm. Dari pengolahan data tersebut, peramalan untuk 6 bulan berikutnya masing masing adalah 1780,945 ; 2876,969 ; 4163,948 ; 4919,813 ; 5124,597 dan 1863,659. Dengan menggunakan metode ini MAPE yang diperoleh yaitu sebesar 25,91405 %. Sehingga sudah baik digunakan untuk menjadi acuan peramalan ini, namun dapat dicoba menggunakan metode lain apabila masih ada metode yang menghasilkan MAPE lebih kecil. MAD (Mean Absolute Deviation) merupakan rata-rata kesalahan mutlak selama periode tertentu tanpa memperhatikan apakah hasil peramalan lebih besar atau lebih kecil dibandingkan dengan kenyataannya. Berdasarkan hasil perhitungan WinQSB di atas, didapat nilai MAD sebesar 905.6238. MSE (Mean Square of Error) didapat dengan menjumlahkan kuadrat semua kesalahan peramalan pada setiap periode dan membaginya dengan jumlah periode peramalan. Dari pengolahan data tersebut dapat diketahui nilai MSE sebesar 1168855.
1.3.1.3.2.2 Penggunaan Metode Weighted Moving Average Dengan Cara Software
Gambar 1.5 Tampilan Hasil Peramalan Dengan Metode Weighted Moving Average
Analisa Data:
Peramalan ini didasarkan pada plotting data yang sebelumnya dilakukan, karena grafik yang dihasilkan musiman lebih cocok menggunakan metode Weighted Moving Average. Dari pengolahan data yang dilakukan, dapat diramalkan permintaan untuk untuk 6 bulan berikutnya masing masing adalah 3416,667. Dengan menggunakan metode regresi linier MAPE yang dihasilkan sangat kecil yaitu sebesar 40,52447 %. Dengan nilai MAPE yang semakin kecil maka hasil peramalan yang diperoleh juga semakin akurat. MAD (Mean Absolute Deviation) merupakan rata-rata kesalahan mutlak selama periode tertentu tanpa memperhatikan apakah hasil peramalan lebih besar atau lebih kecil dibandingkan dengan kenyataannya. Berdasarkan hasil perhitungan WinQSB di atas, didapat nilai MAD sebesar 1278,125. MSE (Mean Square of Error) didapat dengan menjumlahkan kuadrat semua kesalahan peramalan pada setiap periode dan membaginya dengan jumlah periode peramalan. Dari gambar 1.2, nilai MSE untuk kasus satu adalah sebesar 2116819.
Penentuan metode ramalan yang terbaik
Tabel perbandingan metode 3 HWA dan WMA
Metode
Nilai MAPE
HWA
38,39544 %
HWM
25,91405 %
Analisa Data:
Gambar diatas merupakan metode peramalan menggunakan metode Winter dan dengan metode Weighted Moving Average. Jika diperhatikan nilai MAPE untuk kedua metode tersebut berbeda. MAPE yang dihasilkan menggunakan metode HWA sebesar 38,39544 % dan MAPE manggunakan metode HWM sebesar 25,91405 %. MAPE merupakan presentase kesalahan hasil peramalan terhadap permintaan aktual selama periode tertentu yang akan memberikan informasi kesalahan peramalan permintaan. Dari definisi tersebut sudah jelas metode yang menghasilkan MAPE terkecil akan memberikan keakuratan dalam peramalan permintaan. Sehingga metode Holt-Winter Multiplicalive Algorithm (HWM) lebih tepat digunakan dalam peramalan dengan kasus ini. Hasil peramalan untuk 6 periode kedepan dengan menggunakan metode WMA secara manual adalah masing-masing sebesar 3416,667. sedangkan hasil peramalan menggunakan metode HWM dengan Software WinQSB adalah sebesar 1780,945 ; 2876,969 ; 4163,948 ; 4919,813 ; 5124,597 dan 1863,659
Tracking signal digunakan untuk memferifikasi apakah peramalan yang dilakukan sudah sesuai atau akurat. nilai TS sebaiknya diantara -1 sampai 1. Namun dalam beberapa kasus, nilai TS yang baik bisa berada pada range –N sampai N dimana N adalah periode pengamatan. Berdasarkan nilai MAPE terkecil yang didapat dari kedua metode, maka grasfik TS yang didapatkan dari kasus satu dengan batas kendali + 3 adalah sebagai berikut:
Grafik 1.6 Batas Kendali Peramalan Permintaan
Dari grafik diatas dapat diketahui ada peramalan permintaan yang melebihi batas kendali bawah yaitu pada data ke-11, dan 18. Sehingga dikatakan permalan permintaan belum terferifikasi dan hasil peramalan belum bisa digunakan untuk membuat rencana produksi. Sehingga data peramalan yang out of control harus dibuang.
Kesimpulan
Pola data historis pada kasus 1 adalah pola data trend, maka metode yang tepat untuk melakukan peramalan yaitu dengan metode Linear Regression (LR) dan Single Exponential Smoothing (SES). Pola data historis pada kasus 2 adalah pola data konstan atau , maka metode yang tepat untuk melakukan peramalan yaitu dengan metode Simple Average (SA) dan Moving Average (SMA). Pola data historis pada kasus 3 adalah pola data musiman, maka metode yang tepat untuk melakukan peramalan yaitu dengan metode Winter dan Holt-Winter Multiplicalive Algorithm (HWM).
Hasil peramalan pada kasus 1 untuk 5 periode kedepan dengan metode LR adalah 107,1364; 108,8881; 110,6399; 112,3916; dan 114,1434. Sedangkan menggunakan metode Single Exponential Smoothing adalah masing-masing sebesar 115,3636. Hasil peramalan pada kasus 2 untuk 5 periode kedepan dengan metode Simple Average adalah masing-masing sebesar 1237,208. Sedangkan menggunakan metode Single Moving Average adalah masing-masing sebesar 1243,8. Hasil peramalan pada kasus 3 untuk 6 periode kedepan dengan metode Holt-Winter Multiplicalive Algorithm adalah 1780,945 ; 2876,969 ; 4163,948 ; 4919,813 ; 5124,597 dan 1863,659, Sedangkan menggunakan metode Weighted Moving Average adalah masing-masing sebesar 3416,667.
Plotting
[Author]
