laporan modul 3-fix!.pdf
TRANSCRIPT
-
ii
KATA PENGANTAR
Puji syukur kami sampaikan ke hadirat Tuhan Yang Maha Esa yang telah memberikan
rahmat dan anugerah-Nya kepada kami, sehingga kami bisa menyelesaikan laporan
praktikum Perancangan Teknik Industri (PTI) Modul 3- Forecasting dengan baik.
Laporan ini disusun untuk melengkapi tugas praktikum Perancangan Teknik
Industri yang dilaksanakan pada Hari Senin, 20 Oktober 2014 di Laboratorium
Optimasi dan Perencanaan Sistem Industri (OPSI) Teknik Industri Universitas
Diponegoro.
Dibutuhkan kerjasama untuk menyelesaikan laporan ini. Baik kerjasama dari
kami (antar anggota kelompok 17) dan kerjasama dengan pihak-pihak lain yang ikut
membantu dalam menyelesaikan laporan ini. Untuk itu kami ingin mengucapkan
terimakasih kepada :
1. Ibu Sri Hartini, selaku dosen pengampu dari mata kuliah Perencanaan dan
Pengendalian Produksi yang telah menyampaikan berbagai ilmu
2. Kak Diva Permatasari, selaku asisten kelompok 17 dan segenap asisten
Laboratorium Optimasi dan Perencanaan Sistem Industri (OPSI) yang telah
membimbing kami dalam penyusunan laporan Modul 3, Praktikum PTI ini.
3. Segenap teman-teman praktikan Perancangan Teknik Industri yang telah
membantu dalam banyak hal.
4. Serta pihak-pihak yang telah membantu yang tidak bisa kami sebutkan satu per
satu.
Namun, dalam penyusunan laporan ini kami menyadari masih banyak
kekurangan. Untuk itu, kami mengharapkan kritik dan saran untuk penyusunan laporan
yang lebih baik lagi. Semoga laporan ini bermanfaat bagi penyusun maupun pembaca.
Semarang, 11 November 2014
Penyusun
-
iii
DAFTAR ISI
KATA PENGANTAR .............................................................................................. ii
DAFTAR ISI ............................................................................................................. iii
DAFTAR TABEL .................................................................................................... vi
DAFTAR GAMBAR ................................................................................................ ix
BAB I PENDAHULUAN ......................................................................................... 1
1.1 Latar Belakang ............................................................................................. 1
1.2 Perumusan Masalah ..................................................................................... 1
1.3 Tujuan Penulisan .......................................................................................... 2
1.4 Pembatasan Masalah .................................................................................... 2
1.5 Sistematika Penulisan .................................................................................. 2
BAB II TINJAUAN PUSTAKA .............................................................................. 4
2.1 Peramalan .................................................................................................... 4
2.1.1 Definisi Peramalan .............................................................................. 4
2.1.2 Macam-Macam Peramalan ................................................................. 5
2.1.3 Tahapan Dalam Peramalan ................................................................. 8
2.2 Metode-Metode Deret Waktu (Time Series) ................................................ 10
2.3 Metode-Metode Kausal ................................................................................ 15
2.4 Pemilihan Metode Peramalan ...................................................................... 16
2.5 Validasi Model Peramalan ........................................................................... 18
2.6 Ekonometrika ............................................................................................... 21
BAB III METODOLOGI PRAKTIKUM .............................................................. 23
BAB IV PENGUMPULAN DAN PENGOLAHAN DATA .................................. 25
4.1 Pengumpulan Data ......................................................................................... 25
4.2 Pengolahan Data............................................................................................. 27
4.2.1 Plot Data ................................................................................................ 27
4.2.2 Konversi Data........................................................................................ 28
4.2.3 Peramalan .............................................................................................. 33
4.2.3.1 Data Pola Konstan ................................................................ 33
-
iv
1. Metode MA (Moving Average) .......................................... 33
a. SMA (Single Moving Average) .................................... 33
b. CMA (Centered Moving Average) ............................... 54
c. DMA (Double Moving Average) ................................. 71
d. WMA (Weighted Moving Average) ............................. 89
2. Metode ES (Exponential Smoothing) ................................. 109
a. Metode SES (Single Exponential Smoothing) ............. 109
b. Metode DES (Double Exponential Smoothing) ........... 119
4.2.3.2 Data Pola Linier ................................................................... 128
1. Metode Exponential Smoothing ............................................ 128
2. Metode Linier Regression ..................................................... 157
3. Metode Box Jenkins / ARIMA .............................................. 168
4.2.4 Pemilihan Metode Peramalan Dengan Metode Terkecil .................. 182
4.2.5 Validasi ............................................................................................... 184
4.2.6 Hasil Peramalan .................................................................................. 193
BAB V ANALISIS .................................................................................................... 200
5.1 Analisis Pola Data Konstan ............................................................................ 200
5.1.1 Analisis Semua Metode Peramalan ................................................... 200
a. Metode SMA (Single Moving Average) ...................................... 200
b. Metode CMA (Centered Moving Average) ................................. 201
c. Metode DMA (Double Moving Average) ................................... 201
d. Metode WMA (Weighted Moving Average) ............................... 202
e. Metode SES (Single Exponential Smoothing) ............................. 203
f. Metode DES (Double Exponential Smoothing) .......................... 204
5.1.2 Analisis Metode Terbaik .................................................................. 204
5.1.3 Analisis Validasi ............................................................................. 205
5.2 Analisis Pola Data Linier ............................................................................... 206
5.2.1 Analisis Semua Metode Terbaik ........................................................ 206
a. Metode SEST (Single Exponential Smoothing with Trend) ........ 206
b. Metode DEST (Double Exponential Smoothing with Trend) ..... 206
c. Metode Linier Regression ........................................................... 207
-
v
d. Metode Box-Jenkins / ARIMA .................................................. 207
5.2.2 Analisis Metode Terbaik .................................................................... 208
5.2.3 Analisis Validasi ................................................................................. 208
BAB VI PENUTUP .................................................................................................. 210
6.1 Kesimpulan .................................................................................................... 210
6.2 Saran ............................................................................................................... 211
DAFTAR PUSTAKA
-
vi
DAFTAR TABEL
Tabel 2. 1 Rentang Waktu dalam Peramalan .................................................................... 6
Tabel 4. 1 Jumlah Demand Setiap Produk ..................................................................... 25
Tabel 4. 2 Jumlah Demand Pada Data Konstan .............................................................. 28
Tabel 4. 3 Jumlah Data Pada Data Linier ....................................................................... 30
Tabel 4. 4 Perhitungan Forecasting Manual Metode 3-SMA ......................................... 34
Tabel 4. 5 Perhitungan error Forecasting Metode 3-SMA ........................................... 39
Tabel 4. 6 Output Software WinQSB Metode 3-SMA ................................................... 39
Tabel 4. 7 Perhitungan Manual Forecasting Metode 5-SMA ......................................... 44
Tabel 4. 8 Perhitungan error Forecasting Metode 5-SMA ............................................. 49
Tabel 4. 9 Output Software WinQSB Metode 5-SMA ................................................... 50
Tabel 4. 10 Perhitungan Manual Forecasting Metode 3-CMA ....................................... 55
Tabel 4. 11 Perhitungan error Forecasting Metode 3-CMA .......................................... 60
Tabel 4. 12 Output Software SPSS Metode 3-CMA....................................................... 60
Tabel 4. 13 Perhitungan Manual Forecasting Metode 5-CMA ....................................... 63
Tabel 4. 14 Perhitungan error Forecasting Metode 5-CMA .......................................... 68
Tabel 4. 15 Output Software SPSS Metode 5-CMA....................................................... 69
Tabel 4. 16 Perhitungan Manual Forecasting Metode 3-DMA....................................... 72
Tabel 4. 17 Perhitungan error Forecasting Metode 3-DMA .......................................... 77
Tabel 4. 18 Output Software SPSS Metode 3-DMA ...................................................... 77
Tabel 4. 19 Perhitungan Manual Forecasting Metode 5-DMA....................................... 81
Tabel 4. 20 Perhitungan error Forecasting Metode 5-DMA .......................................... 86
Tabel 4. 21 Output Software SPSS Metode 5-DMA ...................................................... 86
Tabel 4. 22 Perhitungan Manual Forecasting Metode 3-WMA ...................................... 90
Tabel 4. 23 Perhitungan error Forecasting Metode 3-WMA ......................................... 95
Tabel 4. 24 Output Software WinQSB Metode 3-WMA ................................................ 95
Tabel 4. 25 Perhitungan Manual Forecasting Metode 5-WMA .................................... 100
Tabel 4. 26 Perhitungan error Forecasting Metode 5-WMA ....................................... 105
Tabel 4. 27 Output Software WinQSB Metode 5-WMA .............................................. 105
Tabel 4. 28 Perhitungan Manual Forecasting Metode SES .......................................... 110
-
vii
Tabel 4. 29 Perhitungan error Forecasting Metode SES .............................................. 115
Tabel 4. 30 Output Software WinQSB Metode SES .................................................... 115
Tabel 4. 31 Perhitungan Manual Forecasting Metode DES .......................................... 120
Tabel 4. 32 Perhitungan error Forecasting Metode DES ............................................. 125
Tabel 4. 33 Output Software WinQSB Metode DES .................................................... 125
Tabel 4. 34 Perhitungan Manual Forecasting Metode SEST ........................................ 130
Tabel 4. 35 Perhitungan error Forecasting Metode SEST ........................................... 141
Tabel 4. 36 Output Software WinQSB Metode SEST .................................................. 142
Tabel 4. 37 Perhitungan error Forecasting WinQSB Metode SEST ............................ 145
Tabel 4. 38 Perhitungan Manual Forecasting Metode DEST ....................................... 148
Tabel 4. 39 Perhitungan error Forecasting Metode DEST ........................................... 153
Tabel 4. 40 Output Software WinQSB Metode DEST ................................................. 153
Tabel 4. 41 Perhitungan Manual Forecasting Metode Regresi Linier .......................... 158
Tabel 4. 42 Perhitungan error Forecasting Metode Regresi Linier .............................. 163
Tabel 4. 43 Output Software WinQSB Metode Regresi Linier .................................... 163
Tabel 4. 44 Rekap Perbandingan Model ARIMA ......................................................... 171
Tabel 4. 45 Residual Test of Histogram Normality Test AR 2 ..................................... 172
Tabel 4. 46 Correlogram of Residuals AR 1 ................................................................. 173
Tabel 4. 47 Hasil Forecasting Output Software E-views .............................................. 173
Tabel 4. 48 Grafik Hasil Forcasting dengan Software E-views ................................... 176
Tabel 4. 49 Perhitungan Manual Forecasting Metode ARIMA .................................... 177
Tabel 4. 50 Perhitungan error Forecasting Metode ARIMA ....................................... 182
Tabel 4. 51 Rekapan U-theil Setiap Metode Pola Data Konstan .................................. 182
Tabel 4. 52 Rekapan U-theil Setiap Metode Pola Data Linier ...................................... 183
Tabel 4. 53 Perhitungan Validasi Konstan dengan Metode Peta Kendali .................... 184
Tabel 4. 54 Rekap Perhitungan Validasi Konstan dengan Metode Peta Kendali ......... 185
Tabel 4. 55 Uji T Data Konstan .................................................................................... 187
Tabel 4. 56 Uji F Data Konstan .................................................................................... 188
Tabel 4. 57 Perhitungan Validasi Linier dengan Metode Peta Kendali ........................ 188
Tabel 4. 58 Rekap Perhitungan Validasi Linier dengan Metode Peta Kendali ............. 190
Tabel 4. 59 Uji F Data Linier ........................................................................................ 193
-
viii
Tabel 4. 60 Hasil Peramalan Data Pola Konstan (Metode 3-CMA) ............................. 193
Tabel 4. 61 Hasil Peramalan Data Pola Linier (Metode Linier Regresi) ..................... 196
-
ix
DAFTAR GAMBAR
Gambar 2. 1 Bagan Teknik Peramalan ............................................................................. 6
Gambar 2. 2 Pola data konstan .......................................................................................... 9
Gambar 2. 3 Pola Data Linier ........................................................................................... 9
Gambar 2. 4 Pola data Musiman ....................................................................................... 9
Gambar 2. 5 Pola data Siklus .......................................................................................... 10
Gambar 2. 6 Pola data random ........................................................................................ 10
Gambar 3. 1 Flowchart Metodologi Praktikum ............................................................. 23
Gambar 4. 1 Plot Data Romelu ...................................................................................... 27
Gambar 4. 2 Plot Data Verona ........................................................................................ 27
Gambar 4. 3 Plot Data Angelo ........................................................................................ 28
Gambar 4. 4 Grafik X(t) dan F(t) Metode 3SMA dengan Perhitungan Manual ............. 37
Gambar 4. 5 Output WinQSB-Grafik X(t) dan F(t) Metode 3SMA ............................... 43
Gambar 4. 6 Grafik X(t) dan F(t) Metode 5 SMA dengan Perhitungan Manual ............ 47
Gambar 4. 7 Output WinQSB-Grafik X(t) dan F(t) Metode 5-SMA .............................. 53
Gambar 4. 8 Grafik X(t) dan F(t) Metode 3 CMA dengan Perhitungan Manual............ 58
Gambar 4. 9 Grafik X(t) dan F(t) Metode 5 CMA dengan Perhitungan Manual............ 66
Gambar 4. 10 Grafik X(t) dan F(t) Metode 3-DMA dengan Perhitungan Manual ......... 75
Gambar 4. 11 Grafik X(t) dan F(t) Metode 5-DMA dengan Perhitungan Manual ......... 84
Gambar 4. 12 Grafik X(t) dan F(t) Metode 3-WMA dengan Perhitungan Manual ........ 93
Gambar 4. 13 Output WinQSB-Grafik X(t) dan F(t) Metode 3-WMA .......................... 98
Gambar 4. 14 Grafik X(t) dan F(t) Metode 5-WMA dengan Perhitungan Manual ...... 103
Gambar 4. 15 Output WinQSB-Grafik X(t) dan F(t) Metode 5-WMA ........................ 108
Gambar 4. 16 Grafik X(t) dan F(t) Metode SES dengan Perhitungan Manual ............. 113
Gambar 4. 17 Grafik X(t) dan F(t) Metode DES dengan Perhitungan Manual ............ 123
Gambar 4. 18 Output WinQSB-Grafik X(t) dan F(t) Metode DES .............................. 128
Gambar 4. 19 Grafik X(t) dan F(t) Metode SEST dengan Perhitungan Manual .......... 139
Gambar 4. 20 Output WinQSB-Grafik X(t) dan F(t) Metode SEST ............................ 146
Gambar 4. 21 Output WinQSB-Grafik X(t) dan F(t) Metode DEST ............................ 157
Gambar 4. 22 Grafik X(t) dan F(t) Metode Regresi Linier dengan Perhitungan Manual
....................................................................................................................................... 161
-
x
Gambar 4. 23 Output WinQSB-Grafik X(t) dan F(t) Metode Regresi Linier ............... 167
Gambar 4. 24 Output Software Eviews Linier Regression ........................................... 167
Gambar 4. 25 Output E-views untuk Uji Stasioneritas ................................................. 168
Gambar 4. 26 Correlogram of Demand......................................................................... 169
Gambar 4. 27 Kotak Dialog EquationAR 1 .................................................................. 170
Gambar 4. 28 Kotak Dialog EquationAR 2 .................................................................. 171
Gambar 4. 29 Peta Moving Range Konstan .................................................................. 186
Gambar 4. 30 Peta Moving Range Linier ..................................................................... 191
Gambar 4. 31 Uji T Data Linier .................................................................................... 192
-
Laporan Praktikum Perancangan Teknik Industri
Modul 3: Forecasting
Kelompok 17
Program Studi Teknik Industri
Universitas Diponegoro 1
BAB I
PENDAHULUAN
1.1 Latar Belakang
Forecasting atau peramalan sangatlah penting dalam melakukan perancangan
proses produksi.peramalan dapat didefinisikan sebagai perkiraan terhadap sesuatu yang
akan terjadi di masa yang akan datang.
Forecasting atau peramalan merupakan aktivitas pertama dalam penentuan jadwal
produksi di masa depan. Peramalan yang dilakukan didasarkan pada jumlah
permnintaan (demand) terhadap suatu produk yang kemudian akan dijadikan sebagai
target produksi untuk masa yang akan datang. Hasil dari peramalan yang diperoleh
dapat digunakan sebagai dasar untuk membuat keputusan-keputusan dalam suatu proses
produksi.
Perusahaan Honmada Tamiya yang merupakan perusahaan multinasional yang
bergerak di bidang manufaktur yakni proses produksi mainan akan membuka cabang di
Indonesia yang bernama PT.Tamiya Racing Indonesia, dengan menggunakan supplier
lokal. Aktivitas utama produksi PT.Racing Tamiya Indonesia direncanakan pada sistem
perakitan / assembly dengan 3 jenis produk yakni Romelu, Verona, dan Angelo. Dengan
pangsa pasar yang sangat luas, produksi Tamiya 4WD ini ditargetkan untuk dapat
memenuhi demand lokal dan nasional. Untuk dapat mengetahui demand di masa yang
akan datang PT. Tamiya Racing Indonesia perlu melakukan forecasting yang
didasarkan demand masa lalu. Dengan melakukan forecasting, PT.Tamiya Racing
Indonesia dapat menentukan banyaknya produk yang harus dihproduksi serta
menentukan jadwal produksi yang tepat.
1.2 Perumusan Masalah
Pada Modul 3 forecasting ini akan dibahas tentang manfaat serta posisi
forecasting dalam memproduksi tamiya. Di dalam modul ini juga dilakukan proses
forecasting untuk mngetahui demand di masa yang akan datang. Hasil ramalan yang
diperoleh akan dapat membantu proses perencanaan dan pengendalian produksi
tamiya oleh PT.Racing Indonesia.
-
Laporan Praktikum Perancangan Teknik Industri
Modul 3: Forecasting
Kelompok 17
Program Studi Teknik Industri
Universitas Diponegoro 2
1.3 Tujuan Penulisan
Adapun tujuan penulisan laporan modul 3 adalah sebagai berikut :
1. Agar praktikan mampu mengetahui manfaat dan posisi forecasting dalam
sistem industri.
2. Agar praktikan mampu memahami metode-metode dan teknik dalam proses
forecasting.
3. Agar praktikan mampu mengiplementasikan metode dan teknik forecasting
dalam bidang industri.
1.4 PembatasanMmasalah
PT.Tamiya Racing Indonesia akan membuat peramalan terhadap demand yang
akan datang yang didasarkan oleh demand masa lalu. Dalam melakukan
peramalan ini digunakan beberapa metode, seperti Moving Average (MA),
Exponential Smoothing (ES), dan Box Jenkins(ARIMA), Linier Regression yang
disesuaikan dengan pola data masa lalu baik konstan maupun linier. Dalam
melakukan perhitungan peramalan, dapat digunakan beberapa software, seperti
Microsoft Excel, WinQSB, dan E-views.
1.5 Sistematika Penulisan
Adapun sistematika penulisan laporan praktikum modul 3 adalah sebagai berikut:
BAB I PENDAHULUAN
Berisi tentang latar belakang, perumusan masalah, tujuan penelitian,
pembatasan masalah dan sistematika penulisan.
BAB II TINJAUAN PUSTAKA
Berisi tentang definisi peramalan, macam-macam peramalan, tahapan
dalam peramalan, metode-metode deret waktu (time series), metode-
metode kausal, pemilihan metode peramalan, validasi model peramalan
dan ekonometrika.
BAB III METODOLOGI PRAKTIKUM
Berisi tentang flowchart metodologi praktikum.
BAB IV PENGUMPULAN DAN PENGOLAHAN DATA
-
Laporan Praktikum Perancangan Teknik Industri
Modul 3: Forecasting
Kelompok 17
Program Studi Teknik Industri
Universitas Diponegoro 3
Berisi tentang data-data yang akan diolah dan dilakukan peramalan, plot
data, perhitungan dengan berbagai metode peramalan, serta hasil
peramalan.
BAB V ANALISIS
Berisi tentang analisis dari hasil pengolahan data yang telah dilakukan.
BAB VI PENUTUP
Berisi tentang kesimpulan dan saran.
-
Laporan Praktikum Perancangan Teknik Industri
Modul 3: Forecasting
Kelompok 17
Program Studi Teknik Industri
Universitas Diponegoro 4
BAB II
TINJAUAN PUSTAKA
2.1 Peramalan
2.1.1 Definisi Peramalan
Peramalan adalah suatu perkiraan tingkat permintaan yang diharapkan untuk
suatu produk atau beberapa produk dalam periode waktu tertentu di masa yang akan
datang. Oleh karena itu, peramalan pada dasarnya merupakan suatu taksiran, tetapi
dengan menggunakan cara-cara tertentu peramalan dapat lebih daripada hanya satu
taksiran. Dapat dikatakan bahwa peramalan adalah suatu taksiran yang ilmiah meskipun
akan terdapat sedikit kesalahan yang disebabkan oleh adanya keterbatasan kemampuan
manusia. Berikut merupakan definisi peramalan menurut para ahli
Menurut John E. Biegel (1999) ,Peramalan adalah kegiatan memperkirakan
tingkat permintaan produk yang diharapkan untuk suatu produk atau beberapa produk
dalam periode waktu tertentu di masa yang akan datang
Dalam peramalan (forecasting) tidak jarang terjadi kesalahan misalnya saja penjualan
sering tidak sama dengan nilai eksak yang diperkirakan. Sedikit variasi dari perkiraan
sering dapat diserap oleh kapasitas tambahan, sediaan penjadwalan permintaan.Tetapi,
variasi perkiraan yang besar dapat merusak operasi. Ada tiga cara untuk
mengakomodasi perkiraan, yaitu: yang pertama adalah mencoba mengurangi kesalahan
melakukan pemerakiraan yang lebih baik. Yang kedua adalah, membuat fleksibilitas
pada operasi dan yang terakhir adalah mengurangi waktu tunggu yang dibutuhkan
dalam prakiraan.Tetapi kemungkinan kesalahan terkecil adalah tujuan yang konsisten
dengan biaya prakiraan yang masuk akal.
Menurut Buffa (1996), peramalan atau forecasting diartikan sebagai penggunaan
teknik-teknik statistikdalam bentuk gambaran masa depan berdasarkan pengolahan
angka-angka historis. (Buffa S. Elwood, 1996)
Menurut Makridakis (1988), peramalan merupakan bagian integral dari kegiatan
pengambilan keputusanmanajemen.
Organisasi selalu menentukan sasaran dan tujuan, berusaha menduga faktor-faktor
lingkungan, lalu memilih tindakan yang diharapkan akan menghasilkan pencapaian
sasaran dan tujuan tersebut. Kebutuhan akan peramalan meningkat sejalan dengan usaha
-
Laporan Praktikum Perancangan Teknik Industri
Modul 3: Forecasting
Kelompok 17
Program Studi Teknik Industri
Universitas Diponegoro 5
manajemen untuk mengurangi ketergantungannya pada hal-hal yang belum pasti.
Peramalan menjadi lebih ilmiah sifatnya dalam menghadapi lingkungan
manajemen.Karena setiap organisasi berkaitan satu sama lain, baik buruknya ramalan
dapat mempengaruhi seluruh bagian organisasi. (Makridakis, 1988)
(Kusuma, 1999)
2.1.2 Macam-macam Peramalan
Pada umumnya peramalan dapat dibedakan dari beberapa segi tergantung dari
cara melihatnya. Apabila dilihat dari sifat penyusunannya,maka peramalan dapat
dibedakan atas dua macam, yaitu :
1. Dilihat dari Sifat Penyusunannya
a. Peramalan yang subjektif, yaitu peramalan yang didasarkan atas perasaan atau
intuisi dari orang yang menyusunnya. Dalam hal ini pandangan orang yang
menyusunnya sangat menentukan baik tidaknya hasil ramalan tersebut.
b. Peramalan yang objektif, yaitu peramalan yang didasarkan atas data yang relevan
pada masa lalu, dengan menggunakan teknik teknikdan metode metode dalam
penganalisaannya.
2. Dilihat dari Jangka Waktu Ramalan yang Disusun
a. Peramalan jangka pendek, yaitu peramalan yang dilakukan untuk
penyusunan hasil ramalan yang jangka waktunya satu tahun atau kurang. Peramalan
ini digunakan untuk mengambil keputusan dalam hal perlu tidaknya lembur,
penjadwalan kerja, dan lain-lain keputusan kontrol jangka pendek.
b. Peramalan jangka menengah, yaitu peramalan yang dilakukan
untukpenyusunan hasil ramalan yang jangka waktunya satu hingga lima tahun ke
depan Peramalan ini lebih mengkhususkan dibandingkan peramalan jangka
panjang, biasanya digunakan untuk menentukanaliran kas, perencanaan produksi,
dan penentuan anggaran.
c. Peramalan jangka panjang, yaitu peramalan yang dilakukan untuk
penyusunan hasil ramalan yang jangka waktunya lebih dari lima tahunyang akan
datang. Peramalan jangka panjang digunakan untuk pengambilan keputusan
mengenai perencanaan produk dan perencanaanpasar, pengeluaran biaya
perusahaan, studi kelayakan pabrik, anggaran,purchase order, perencanaan tenaga
-
Laporan Praktikum Perancangan Teknik Industri
Modul 3: Forecasting
Kelompok 17
Program Studi Teknik Industri
Universitas Diponegoro 6
kerja serta perencanaan kapasitaskerja.
(Kusuma, 1999)
Tabel 2. 1 Rentang Waktu dalam Peramalan
Rentang Waktu Tipe Keputusan Contoh
Jangka Pendek
( 3 6 bulan)
Operasional
Perencanaan Produksi,
Distribusi
Jangka Menengah
( 2 tahun)
Taktis
Penyewaan Lokasi dan
Peralatan
Jangka Panjang
(Lebih dari 2 tahun)
Strategis
Penelitian dan
Pengembangan untuk
akuisisi dan merger
Atau pembuatan produk
baru
3. Berdasarkan sifat ramalan yang telah disusun
Gambar 2. 1 Bagan Teknik Peramalan
(Render dan Stair, 2000)
-
Laporan Praktikum Perancangan Teknik Industri
Modul 3: Forecasting
Kelompok 17
Program Studi Teknik Industri
Universitas Diponegoro 7
1. Metode Kualitatif
Teknik ini digunakan apabila data masa lalu tidak tersedia atau walaupun tersedia
namun jumlahnya tidak mencukupi. Teknik kualitatif mengkombinasikan informasi
dengan pengalaman, penilaian, dan intuisi untuk menghasilkan pola-pola dan
hubungan yang mungkin dapat diterapkan dalam memprediksi masa yang akan
datang. Teknik-teknik kualitatif didasarkan atas pendekatan akal sehat (common
sense) dalam menyaring informasi ke dalam bentuk yang bermanfaat. Beberapa
metode yang tercakup dalam teknik-teknik kualitatif antara lain visionary, panel
consensus, brainstorming, antipatory survey, role playing, dan lain-lain.
Teknik kualitatif paling sesuai diterapkan dalam dua kondisi berikut :
1) Tidak terdapat atau kurangnya data kuantitatif yang berkualitas.
Misalnya, dalam peramalan peluang bagi produk atau pasar yang baru.
2) Terdapat data kuantitatif yang cukup, namun terdapat faktor-faktor
tertentu yang menyebabkan teknik kualitatif lebih sesuai untuk
diterapkan. Misalnya, meskipun terdapat data yang cukup mengenai
kondisi historis ekonomi Indonesia, kondisi-kondisi non ekonomi
(politik dan sebagainya) sangat mempengaruhi keadaan di masa depan.
Sedangkan keterbatasan-keterbatasannya antara lain :
1) Bukti-bukti empiris menunjukkan bahwa hasil yang berbeda dapat
timbul jika digunakan metode pengumpulan informasi yang berbeda.
2) Terdapat kemungkinan timbulnya penilaian-penilaian yang
overconfidence.
3) Adanya fenomena groupthink dimana pemikiran yang menyimpang
dari konsensus kelompok akan ditekan. Efek dari groupthink ini adalah
berkurangnya pendapat-pendapat kritis.
Beberapa model peramalan yang termasuk dalam peramalan kualitatif adalah sebagai
berikut:
1. Metode delphi
Sekelompok pakar mengisi kuesioner, Moderator menyimpulkan hasilnya dan
memformulasikan menjadi suatu kuesioner baru yang diisi kembali oleh kelompok
-
Laporan Praktikum Perancangan Teknik Industri
Modul 3: Forecasting
Kelompok 17
Program Studi Teknik Industri
Universitas Diponegoro 8
tersebut, demikian seterusnya. Hal ini merupakan proses pembelajaran dari
kelompok tanpa adanya tekanan atau intimidasi individu.
2. Market research
Merupakan metode peramalan berdasarkan hasil hasil dari survei pasar yang
dilakukan oleh tenaga-tenaga pemasar produk atau yang mewakilinya. Metode
ini akan menjaring informasi dari pelanggan atau pelanggan potensial
(konsumen) berkaitan dengan rencana pembelian mereka di masa mendatang.
Riset pasar tidak hanya akan membantu peramalan, tetapi juga untuk
meningkatkan desain produk dan perencanaan untuk produk-produk baru.
3. Life cycle analogy
Secara umum, hampir semua produk akan mengikuti product life cycle (PLC)
yang meliputi introduction, growth, maturity, dan decline. Berdasar pada
pengalaman produk yang sama pada periode yang lalu, seseorang dapat
membuat model yang sama dengan produk tersebut.
4. Panel consensus
Peramalan semata-mata berdasarkan pertimbangan manajemen, umumnya oleh
manajemen senior. Metode ini akan cocok dalam situasi yang sangat sensitif
terhadap intuisi dari suatu atau sekelompok kecil orang yang karena
pengalamannya mampu memberikan opini yang kritis dan relevan. Teknik akan
dipergunakan dalam situasi dimana tidak ada situasi dimana tidak ada alternatif
lain dari model peramalan yang dapat diterapkan. Bagaimanapun metode ini
mempunyai banyak keterbatasan, sehingga perlu dikombinasikan dengan metode
peramalan yang lain.
2. Metode Kuantitatif
Dalam teknik ini, pola historis data digunakan untuk mengekstrapolasi (meramalkan)
masa datang. Terdapat dua teknik kuantitatif yang utama : analisis deret waktu (time
series analysis) dan model struktural (structural model) atau model kausal
(Diktat kuliah Production planning and control, 2004)
2.1.3 Tahapan dalam Peramalan
Dalam peramalan, tahap-tahap yang harus dilakukan adalah :
1. Mengkonversikan data.
-
Laporan Praktikum Perancangan Teknik Industri
Modul 3: Forecasting
Kelompok 17
Program Studi Teknik Industri
Universitas Diponegoro 9
2. Plot data.
Ploting data harus dilakukan sebelum melakukan metode peramalan untuk
menentukan pola data yang terjadi. Dengan data yang ada diperoleh diagram
pencarnya. Ada beberapa tipe pola data :
Constant
Adalah pola data dimana fluktuasi random berharga konstan.
Gambar 2. 2 Pola data konstan
Trend(Linier)
Adalah gerakan ke atas atau ke bawah secara berangsur-angsur dari data.
Gambar 2. 3 Pola Data Linier
Seasonal (Musiman)
Adalah fluktuasi permintaan suatu produk dapat naik turun di sekitar garis trend
dan biasanya berulang tiap tahun.
Gambar 2. 4 Pola data Musiman
(Diktat kuliah Production planning and control, 2004)
-
Laporan Praktikum Perancangan Teknik Industri
Modul 3: Forecasting
Kelompok 17
Program Studi Teknik Industri
Universitas Diponegoro 10
Cyclical (Siklus)
Adalah pola permintaan suatu produkyang mempunyai siklus berulang secara
periodik biasanya lebih dari satu tahun, sehingga pola ini untuk peramalan
jangka menengah dan panjang.
Gambar 2. 5 Pola data Siklus
Random (acak)
Adalah tanda dalam data yang disebabkan peluang dan situasi yang tidak biasa,
variabel acak mengikuti pola yang tidak dapat dilihat.
Gambar 2. 6 Pola data random
(Diktat kuliah Production planning and control, 2004)
2.2 Metode-Metode Deret Waktu (Time Series)
Analisis data deret waktu didasarkan pada deret yang menggambarkan pola-pola
yang bervariasi sepanjang waktu, yang dapat dimodelkan untuk menentukan bagaimana
pola yang akan terjadi di masa yang akan datang. Beberapa metode analisis deret waktu
antara lain:
1. Metode Averaging
Digunakan dalam kondisi dimana setiap data pada waktu yang berbeda
memiliki bobot yang sama sehingga fluktuasi keacakan data dapat direndam
dengan rata-ratanya. Biasanya dipakai untuk peramalan jangka pendek.
Adapun metode-metode yang termasuk kedalam averaging adalah sebagai
berikut:
-
Laporan Praktikum Perancangan Teknik Industri
Modul 3: Forecasting
Kelompok 17
Program Studi Teknik Industri
Universitas Diponegoro 11
a. Simple Average
Rumus yang digunakan:
.........................................................................(1)
Dimana:
Xbar = F = Hasil ramalan
T = Periode
Xi = Demand pada periode t
b. Single Moving Average
Apabila data yang diperoleh stastioner, metode ini cukup baik untuk
meramalkan keadaan.
Rumus yang digunakan:
N
)x......xx(F Ntttt
111
t
1Ntt
txN
1
............................(2)
Dimana:
Xbar = F = Hasil ramalan
T = Periode
Xi = Demand pada periode t
c. Double Moving Average
Jika data tidak stasioner serta mengandung pola trend, maka dilakukan
moving average terhadap hasil dari single moving average.
Rumus yang digunakan:
N
X
'S
Nt
i
i
t
1
1
.........................................................................(3)
N
S
S
Nt
i
i
t
1
1
'
".........................................................................(4)
-
Laporan Praktikum Perancangan Teknik Industri
Modul 3: Forecasting
Kelompok 17
Program Studi Teknik Industri
Universitas Diponegoro 12
tttttt "S'S)"S'S('Sa 2 .....................................................(5)
)"S'S(N
b ttt
1
2
.................................................................(6)
m.baF ttmt .......................................................................(7)
d. Centered Moving Average
Perbedaan utama antara Single Moving Average dan Centered Moving
Average terletak pada pemilihan observasi yang digunakan. Single
Moving Average menggunakan data yang sedang diobservasi tambah
data sebelum observasi. Misalnya, menggunakan 6 periode moving
average, maka untuk SMA menggunakan data periode ke-6 dan 5 data
periode sebelumnya.
Sebaliknya untuk CMA, Center berarti rataan antara data sekarang
dengan menggunakan data sebelumnya dan data sesudahnya. Misalnya
untuk 4 periode moving average, maka SMA menggunakan data periode
4 ditambah data sebelumnya dan data sesudahnya(Makridakis, 1988).
L
YYYCMA
LttLt
t
2/)1(()2/1(( ................
...............................(8)
(Makridakis, 1988)
e. Weighted Moving Average
Formula untuk Weighted Moving Average (WMA):
ntnttt AwAwAwF .......2211 ............................. (9)
n
i
iw1
1
.......................................................................................... (10)
(Makridakis, 1988)
-
Laporan Praktikum Perancangan Teknik Industri
Modul 3: Forecasting
Kelompok 17
Program Studi Teknik Industri
Universitas Diponegoro 13
2. Metode Smoothing
Metode smoothing atau pemulusan digunakan pada kondisi dimana bobot
data pada periode yang satu tidak sama dengan data pada periode sebelumnya dan
membentuk fungsi eksponensial yang disebut exponential smoothing. Adapun
metode yang termasuk kedalam exponential smoothing adalah sebagai berikut:
a. Single Exponential Smoothing
Metode ini banyak memgurangi masalah penyimpangan data karena
kita tidak perlu lagi menyimpan data historis/masa lalu.Pengaruh besar
kecilnya a berlawanan arah dengan pengaruh memasukkan jumlah data
pengamatan. Metode ini selalu mengikuti trend dalam data yang asli jarena
yang dapat dilakukan tidak lebih dari mengatur ramalan di masa yang akan
datang dengan auatu persentase dari kesalahan terakhir. Untuk menentukan
agar a mendekati optimal maka memerlukan beberapa kali percobaan.
Rumus yang digunakan:
Ft+1 = Ft + x................................................................(11)
Dimana:
Ft+1 = Hasil peramalan untuk periode t + 1
a = Konstanta pemulusan
Xt = Data demand pada periode t
Ft = Periode sebelumnya.
b. Double Exponential Smoothing satu parameter dari Browns.
Dasarnya mirip dengan rata-rata bergerak linier, karena kedua nilai
pemulusan tunggal dan ganda tertinggal dari data yang sebenarnya jika
terdapat unsur trend. Rumus yang digunakan:
St = Xt + (1- )St-1 ..............................................................(12)
St = St + (1- )St-1 ............................................................(13)
ta = St + (St St) = 2 St - St ............................................(14)
-
Laporan Praktikum Perancangan Teknik Industri
Modul 3: Forecasting
Kelompok 17
Program Studi Teknik Industri
Universitas Diponegoro 14
ttt "S'S)(
b
1m.baF ttmt ..........................................(15)
c. Double Exponential Smoothing dua parameter dari Holt
Metode pemulusan eksponensial linier dari Holt pada dasarnya mirip
dengan Browns kecuali bahwa Holt tidak menggunakan rumus pemulusan
berganda secara langsung. Sebagai gantinya Holt memutuskan nilai trend
dengan parameter yang berbeda dari dua parameter yang digunakan dalam
deret yang asli. Ramalan dari pemulusan eksponensial linier Holt didapat
dengan menggunakan dua konstanta pemulusan dari 3 persamaan berikut:
St = aXt + (1-a)(St-1 + bt-1) ....................................(16)
b = (St St-1) + (1-)bt-1 ....................................(17)
Ft+m = St + btm .........................................................(18)
(Hartini, 2010)
3. Metode Holts Winters
Metode Holts Winters termasuk dalam metode Eksponensial Smoothing.
Metode ini sesuai untuk deret waktu dengan variasi trend dan musiman. Metode
ini bekerja dengan jalan mengestimasi secara terpisah smoothed everage, trend
dan faktor musiman. Ketiga komponen tersebut selanjutnya dikombinasikan
untuk menghasilkan nilai peramalan. Terdapat dua model multikatif dan adiktif.
Metode multikatif sesuai untuk deret waktu yang amplitudo pola musimannya
proporsional denagn tingkat rata-rata deret. Metode aditif sesuai digunakan
untuk pola musiman yang independen dari tingkat rataan deret. Kedua metode
ini menggunakan prosedur yang sama.
(Subagyo, 1986)
4. Metode Box-Jenkins (ARIMA)
ARIMA sering juga disebut metode runtun waktu Box-Jenkins.ARIMA
sangat baik ketepatannya untuk peramalan jangka pendek, sedangkan untuk
peramalan jangka panjang ketepatan peramalannya kurang baik. Biasanya akan
cenderung flat (mendatar/konstan) untuk periode yang cukup panjang. Model
-
Laporan Praktikum Perancangan Teknik Industri
Modul 3: Forecasting
Kelompok 17
Program Studi Teknik Industri
Universitas Diponegoro 15
Autoregresif Integrated Moving Average (ARIMA) adalah model yang secara
penuh mengabaikan independen variabel dalam membuat peramalan. ARIMA
menggunakan nilai masa lalu dan sekarang dari variabel dependen untuk
menghasilkan peramalan jangka pendek yang akurat. ARIMA cocok jika
observasi dari deret waktu (time series) secara statistik berhubungan satu sama
lain (dependent).Tujuan model ini adalah untuk menentukan hubungan statistik
yang baik antar variabel yang diramal dengan nilai historis variabel tersebut
sehingga peramalan dapat dilakukan dengan model tersebut.
Model time series yang sangat terkenal adalah model Autoregessive
Integrated Moving Average (ARIMA) yang dikembangkan oleh George E. P. Box
dan Gwilym M. Jenkins. Model time series ARIMA menggunakan teknik
korelasi. Identifikasi model bisa dilihat dari ACF dan PACF suatu deret waktu.
ARIMA sering juga disebut metode runtun waktu Box-Jenkins.ARIMA
sangat baik ketepatannya untuk peramalan jangka pendek, sedangkan untuk
peramalan jangka panjang ketepatan peramalannya kurang baik. Biasanya akan
cenderung flat (mendatar/konstan) untuk periode yang cukup panjang.
Model Autoregresif Integrated Moving Average (ARIMA) adalah model
yang secara penuh mengabaikan independen variabel dalam membuat peramalan.
ARIMA menggunakan nilai masa lalu dan sekarang dari variabel dependen untuk
menghasilkan peramalan jangka pendek yang akurat. ARIMA cocok jika
observasi dari deret waktu (time series) secara statistik berhubungan satu sama
lain (dependent)
(Subagyo, 1986)
2.3 Metode-Metode Kausal
Metode kausal adalam metode peramalan yang didasarkan atas penggunaan analisa
pola hubungan antara variabel-variabel lain yang mempengaruhinya selain waktu
(disebut koefisien korelasi sebab akibat).
Metode kausal terdiri atas:
-
Laporan Praktikum Perancangan Teknik Industri
Modul 3: Forecasting
Kelompok 17
Program Studi Teknik Industri
Universitas Diponegoro 16
a. Metode regresi dan korelasi
Adalah metode yang digunakan baik untuk jangka panjang maupun
untuk jangka pendek yang didasarkan atas persamaan dengan
menggunakan teknik least squares yang dianalisa secara statis.
b. Metode Ekonometri
Merupakan peramalan yang digunakan dalam jangka waktu panjang dan
jangka waktu pendek
c. Metode input dan output
Merupakan metode yang digunakan untuk peramalan jangka
panjang.Biasanya digunakan untuk menyusun trend ekonomi jangka
panjang.
(Subagyo, 1986)
2.4 Pemilihan Metode Peramalan
Dalam memilih metode peramalan yang akan digunakan didasarkan pada uji
verifikasi. Dimana uji verifikasi ini bertujuan untuk menghitung error dari metode yang
akan kita gunakan. Metode peramalan yang akan dipilih yakni petode peramalan yang
menghasilkan nilai error yang paling kecil. Adapun beberapa cara dalam
memperhitungkan error dalam metode peramalan antara lain :
Mean Absolute Deviation (MAD)
MAD merupakan rata rata kesalahan mutlak selama periode tertentu tanpa
memperhatikan apakah hasil permalan lebih besar atau lebih kecil juka
dibandingkan kenyataannya. MAD paling berguna ketika orang yang menganalisa
ingin mengukur kesalahan ramalan dalam unit yang sama sebagai deret asli. Secara
sistematik, MAD dirumuskan sebagai berikut :
.......................................................(19)
Kelebihan dalam MAD adalah ukuran kesalahan permalan yang digunakan lebih
sederhana dengan hanya menggunakan rata rata kesalahan mutlak selama periode
tertentu. Kekurangan yang diperoleh dari MAD yakni akurasi hasil peramalan
-
Laporan Praktikum Perancangan Teknik Industri
Modul 3: Forecasting
Kelompok 17
Program Studi Teknik Industri
Universitas Diponegoro 17
sangat kecil karena tidak memperhatikan apakah hasil peramalan lebih besar atau
lebih kecil dibandingkan kenyataannya.
Mean Squared Error (MSE)
Mean Squared Error (MSE) adalah metode ini digunakan untuk menghitung
kesalahan atau error peramalan pada setiap periode dan kemudian membaginya
dengan jumlah periode permalan. Kesalahan atau error merupakan selisih antara
data aktual dengan hasil peramalan. Kelebihan MSE yaitu sederhana dalam
perhitungan. Sedangkan kelemahan yang dimiliki MSE adalah akurasi hasil
peramalan sangat kecil karena tidak memperhatikan apakah hasil peramalan lebih
besar atau lebih kecil dibandingkan kenyataannya. MSE dirumuskan sebagai
berikut :
..............................(20)
Mean Absolute Percentage Error (MAPE)
Mean Absolute Percentage Error (MAPE) dihitung dengan menggunakan
kesalahan absolute pada tiap periode dibagi dengan nilai observasi yang nyata
untuk periode itu. Kemudian, merata-rata kesalahan persentase absolute tersebut.
Pendekatan ini berguna ketika ukuran atau besar variabel ramalan itu penting dalam
mengevaluasi ketepatan ramalan. MAPE mengindikasi seberapa besar kesalahan
dalam meramal yang dibandingkan dengan nilai nyata. Kelebihan dari MAPE yakni
menyatakan presentase kesalahan hasil peramalan terhadap permintaan aktual
selama periode tertentu yang akan memberikan informasi presentase kesalahan
terlalu tinggi atau terlalu rendah, sehingga akan lebih akurat. Sedangkan kelemahan
MAPE merupakan ukuran kesalahan relatif. MAPE dirumuskan sebagai berikut :
......................................(21)
-
Laporan Praktikum Perancangan Teknik Industri
Modul 3: Forecasting
Kelompok 17
Program Studi Teknik Industri
Universitas Diponegoro 18
Mean Percentage Error (MPE)
Mean Percentage Error (MPE) digunakan untuk menentukan apakah suatu
metode peramalan bias (peramalan tinggi atau rendah secara konsisten). MPE
dihitung dengan mencari kesalahan pada tiap periode dibagi dengan nilai nyata
untuk periode itu. Kemudian, merata-rata kesalahan persentase ini. Jika pendekatan
peramalan tak bias, MPE akan menghasilkan angka yang mendekati nol. Jika
hasilnya mempunyai presentase negatif yang besar, metode peramalannya dapat
dihitung. Jika hasilnya mempunyai persentase positif yang besar, metode peramalan
tidak dapat dihitung. MPE dapat dihitung dengan rumus sebagai berikut:
................................................(22)
Bagian dari keputusan untuk menggunakan teknik peramalan tertentu melibatkan
penentuan apakah teknik ini akan menghasilkan kesalahan peramalan yang dinilai
cukup kecil. Metode khusus yang digunakan dalam peramalan meliputi perbandingan
metode mana yang akan menghasilkan kesalahan-kesalahan ramalan yang cukup kecil.
Metode ini baik untuk memprediksi metode peramalan sehingga menghasilkan
kesalahan ramalan yang relatif kecil dalam dasar konsisten. Semakin kecil nilai-nilai
MAPE, MAD, MSE, MPE maka semakin kecil nilai kesalahannya. Oleh karena itu,
dalam menetapkan model yang akan digunakan dalam peramalan, pilihlah model
dengan nilai MAPE, MAD, MSE, MPE yang paling kecil.
(Hartini, 2011)
2.5 Validasi Model Peramalan
Langkah selanjutnya setelah dilakukannya peramalan yaitu untuk validasi
peramalan, yaitu untuk memvalidasikan bahwa data tersebut dapat dianggap layak
sebagai ramalan yang akan datang. Validasi adalah suatu langkah yang dilakukan untuk
membuktikan bahwa suatu proses atau metode dapat memberikan hasil yang konsisten
sesuai dengan yang diharapkan. Terdapat beberapa metode yang dapat digunakan dalam
validasi peramalan, antara lain :
-
Laporan Praktikum Perancangan Teknik Industri
Modul 3: Forecasting
Kelompok 17
Program Studi Teknik Industri
Universitas Diponegoro 19
Peta Moving Range
Menurut Hartini (2011:39) Peta moving dapat digunakan sebagai alat untuk
memperhatikan kestabilan suatu sistem akibat yang melatar belakangi fungsi
peramalan.
1n
MR
MR
n
1i
. ................................................(23)
n-1 = jumlah MR
UCL = + 2.66 MR
CL = 0
LCL = - 2.66 MR
Region A = + 1.77 MR
Region B = + 0.89 MR
Region C = CL = 0
Uji kondisi di luar kendali
Uji kondisi di luar kendali adalah :
1. Dari tiga titik berturut-turut. ada dua atau lebih titik yang berada di region A.
2. Dari lima titik berturut-turut. ada empat atau lebih titik yang berada di region
B.
3. Ada delapan titik berturut-turut titik yang berda di salah satu sisi (di atas atau
di bawah garis tengah).
4. Ada satu titik yang berada di luar UCL atau LCL.
Apabila terjadi kondisi di luar kendali, tindakan terhadap peramalan harus
dilakukan :
a. Merevisi peramalan dengan memasukkan data dan sistem sebab akibat baru.
b. Menunggu bukti lebih lengkap
Kedua tindakan di atas harus diambil hanya setelah mempertimbangkan
seluruh segi sistem sebab akibat. Tindakan yang diambil untuk mempengaruhi
sistem sebab akibat yang mempengaruhi permintaan adalah perubahan dalam
-
Laporan Praktikum Perancangan Teknik Industri
Modul 3: Forecasting
Kelompok 17
Program Studi Teknik Industri
Universitas Diponegoro 20
kebijaksanan pemasaran, misalnya perubahan kebijaksanaan periklanan, promosi
penjualan, tenaga penjualan, atau harga jual produk.
Tujuan moving range adalah untuk menguji kestabilan sistem sebab
akibatyang mempengaruhi permintaan. Jadi kegunaan moving range adalah :
a. Untuk melakukan verifikasi hasil peramalan terdahulu.
b. Untuk mengetahui apakah terjadiperubahan sistem sebab akibat yang
melatarbelakangi permintaan
(Hartini, 2011)
Peta Tracking Signal
Berkaitan dengan validasi peramalan, kita dapat menggunakan tracking
signal. Tracking signal adalah suatu ukuran bagaimana baiknya suatu ramalan
memperkirakan nilai nilai actual tracking signal dihitung sebagai Running
Sum Of The Forecast Errors (RSFE) dibagi dengan Mean Absolute Deviation
(MAD). Dengan rumus sebai berikut :
Tracking signal = MAD
RSFE
....................................................................(24)
Dimana,
MAD = n
errorsForecastdariabsolute(
.............................(25)
n = banyaknya periode data
Tracking signal yang positif menunjukan bahwa nilai aktual permintaan
lebih besar dari pada ramalan, sedangkan tracking signal yang negative 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. Apabila tracking signal telah dihitung, kita dapat
membangun peta control tracking signal sebagaimana halnya dengan petapeta
-
Laporan Praktikum Perancangan Teknik Industri
Modul 3: Forecasting
Kelompok 17
Program Studi Teknik Industri
Universitas Diponegoro 21
control dalam pengendalian proses statistical, yang memiliki batas control atau
(Upper Control Limit) dan batas control bawah (Lower control Limit).
Beberapa ahli dalam sistem peramalan seperti George Plossl dan Oliver
Wight, dua pakar production planning dan inventory control, menyarankan
untuk menggunakan nilai tracking signal maksimum 4, sebagai batas batas
pengendalian untuk tracking signal. Dengan demikian apabila tracking signal
telah berada diluar batasbatas pengendalian, model peramalan perlu ditinjau
kembali, karena akurasi peramalan tidak dapat diterima. Dan apabila tracking
signal berada didalam batasbatas pengendalian maka perhitungan dapat
dilanjutkan.
(Gasperz, 1998)
2.6 Ekonometrika
Ekonometrika merupakan ilmu yang membahas masalah pengukuran hubugan
ekonomi. Ekonometrika juga mencakup teori ekonomi, dan statistika dalam satu
kesatuan sistem yang bulat, menjadi suatu ilmu yang berdiri sendiri dan berlainan
dengan ilmu ekonomi, matematika , maupun statistika.
Ekonometrika terdiri dari 2 hal berikut :
Perumusan matematis mengenia teori ekonomi
Penggunaan prosedur statistika dan menerima atau menolak teori. Pada
dasarnya, berkenaan dengan ramalan secara kuantitatif, pengukuran, dan
pengujian hipotesis secara statistik
Ekonometri digunakan sebagai alat analisis yang bertujuan untuk menguji
kebenaran teorema-teorema teori ekonomi yang berupa hubungan antarvariabel
ekonomi dengan data empiri teorema-teorema yang bersifat apriori pada ilmu
ekonomi dinyatakan terlebih dahulu dalam bentuk matematik sehingga dapat
dilakukan pengujian terhadap teorema-teorema itu. Pembuatan model ekonometri
merupakan salah satu sumbangan ekonometrika disamping pembuatan prediksi
(peramalan atau forecasting) dan pembuatan berbagai keputusan alternatif yang
-
Laporan Praktikum Perancangan Teknik Industri
Modul 3: Forecasting
Kelompok 17
Program Studi Teknik Industri
Universitas Diponegoro 22
bersifat kuantitatif sehingga dapat mempermudah para pengambil keputusan untuk
menentukan kebijakan yang tepat.
(Yulianti,2010)
-
Laporan Praktikum Perancangan Teknik Industri
Modul 3: Forecasting
Kelompok 17
Program Studi Teknik Industri
Universitas Diponegoro 23
BAB III
METODOLOGI PRAKTIKUM
Mulai
Membuat Plot Data
Historis
Data Historis
Permintaan
Mengkonversi Data
Memilih Metode
Peramalan
Melakukan Peramalan
Data Waktu
Baku (Modul II)
Menghitung Error Tiap
Metode Peramalan
Memilih satu Metode
Peramalan dengan error
Terkecil
Melakukan Validasi Hasil
Peramalan
Valid?
Selesai
Gambar 3. 1 Flowchart Metodologi Praktikum
-
Laporan Praktikum Perancangan Teknik Industri
Modul 3: Forecasting
Kelompok 17
Program Studi Teknik Industri
Universitas Diponegoro 24
Praktikum modul 3 ini berjudul forecasting, hal yang dilakukan dalam praktikum
ini adalah melakukan forecasting dengan menggunakan data historis permintaan. Dari
data historis permintaan tersebut kita dapat melakukan plot data historis pemintaan.
Data historis yang digunakan harus mempunyai satuan yang sama. Untuk
mendapatkannya data dikalikan dengan faktor konversi yang representatif. Dalam
praktikum modul 3 ini kita menggunakan waktu baku, sehingga satuannya adalah jam
produksi. Setelah mengkonversikan data kita memilih metode peramalan sesuai dengan
pola datanya. Ada banyak metode peramalan yang bisa digunakan dalam meramal data
historis. Metode yang digunakan tergantung dari pola datanya. Dari tiap metode yang
digunakan kita menghitung error dari tiap metode peramalan tersebut. Perhitungan
dilakukan untuk melihat apakah errornya berada dalam batas kontrol atau tidak. Jika
nilai error berada dalam batas kontrol, maka metode dinyatakan valid. Tetapi jika ada
nilai error yang melewati batas dan tidak bisa dikendalikan, maka harus dicari metode
lainnya yang lebih tepat.
-
Laporan Praktikum Perancangan Teknik Industri
Modul 3: Forecasting
Kelompok 17
Program Studi Teknik Industri
Universitas Diponegoro 25
BAB IV
PENGUMPULAN DAN PENGOLAHAN DATA
4.1 Pengumpulan Data
Dalam Modul 3 Forecasting ini data yang digunakan adalah data
historis dari permintaan yang terdapat pada bagian Departemen Logistic.
Data yang digunakan merupakan data pada permintaan periode Juli 2010
sampai dengan Juni 2014 yang ditampilkan pada tabel berikut ini :
Tabel 4. 1 Jumlah Demand Setiap Produk
Tahun Periode Jenis Produk
Total Romelu Verona Angelo
2010
Juli 4794 5900 7013 17707
Agustus 4768 5885 7036 17689
September 4826 5900 7152 17878
Oktober 4836 5930 7198 17964
November 4826 5869 7625 18320
Desember 4812 5902 7205 17919
2011
Januari 4813 5872 7654 18339
Februari 4814 5886 7708 18408
Maret 4786 5924 7722 18432
April 4811 5927 7743 18481
Mei 4811 5908 7766 18485
Juni 4792 5906 7784 18482
Juli 4768 5870 7814 18452
Agustus 4788 5923 7849 18560
September 4791 5936 7939 18666
Oktober 4827 5855 7954 18636
November 4821 5890 7956 18667
Desember 4779 5881 8064 18724
-
Laporan Praktikum Perancangan Teknik Industri
Modul 3: Forecasting
Kelompok 17
Program Studi Teknik Industri
Universitas Diponegoro 26
Lanjutan Tabel 4. 1 Jumlah Demand Setiap Produk
Tahun Periode Jenis Produk
Total Romelu Verona Angelo
2012
Januari 4775 5895 8006 18676
Februari 4833 5843 8127 18803
Maret 4848 5901 8132 18881
April 4851 5872 8176 18899
Mei 4790 5919 8334 19043
Juni 4798 5867 8466 19131
Juli 4814 5925 8523 19262
Agustus 4816 5898 8590 19304
September 4759 5885 8630 19274
Oktober 4803 5853 8689 19345
November 4809 5862 8785 19456
Desember 4807 5900 8790 19497
2013
Januari 4804 5963 8929 19696
Februari 4812 5878 8885 19575
Maret 4769 5919 8947 19635
April 4806 5971 8960 19737
Mei 4839 5940 8963 19742
Juni 4838 5904 9001 19743
Juli 4839 5893 9079 19811
Agustus 4780 5957 9122 19859
September 4788 5858 9124 19770
Oktober 4800 5896 9207 19903
November 4772 5889 9230 19891
Desember 4827 5945 9276 20048
2014 Januari 4814 5932 9261 20007
Februari 4836 5924 9378 20138
-
Laporan Praktikum Perancangan Teknik Industri
Modul 3: Forecasting
Kelompok 17
Program Studi Teknik Industri
Universitas Diponegoro 27
Lanjutan Tabel 4. 1 Jumlah Demand Setiap Produk
Tahun Periode Jenis Produk
Total Romelu Verona Angelo
2014
Maret 4822 5891 9514 20227
April 4811 5893 9518 20222
Mei 4836 5891 9705 20432
Juni 4766 5891 9797 20454
4.2 Pengolahan data
4.2.1 Plot Data
1. Romelu
Gambar 4. 1 Plot Data Romelu
2. Verona
Gambar 4. 2 Plot Data Verona
4700
4750
4800
4850
4900
1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46
De
man
d
Periode
Plot Data Romelu
Romelu
5750
5800
5850
5900
5950
6000
1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46
De
man
d
Periode
Plot Data Verona
Verona
-
Laporan Praktikum Perancangan Teknik Industri
Modul 3: Forecasting
Kelompok 17
Program Studi Teknik Industri
Universitas Diponegoro 28
3. Angelo
Gambar 4. 3 Plot Data Angelo
4.2.2 Konversi Data
Konversi data dilakukan untuk mengagregasi data agar dapat menghemat
waktu dan biaya peramalan. Dalam mengagregasi data pola data dari tiap-tiap
jenis produk harus sama atau setipe. Teknik dalam melakukan agregesi
forecasting ini adalah menjumlahkan semua data menjadi satu data yang akan
mewakili data tersebut. Ketiga produk Tamiya ini, yakni Romelu, Verona dan
Angeloi memiliki perbandingan waktu baku yang sama yaitu 1:1:1:1, oleh karena
itu untuk mengkonversi data tersebut dapat dilihat pada tabel berikut :
Plot data konstan
Tabel 4. 2 Jumlah Demand Pada Data Konstan
Tahun Periode Jenis Produk
Total Romelu Verona
2010
Juli 4794 5900 10694
Agustus 4768 5885 10653
September 4826 5900 10726
Oktober 4836 5930 10766
November 4826 5869 10695
0
2000
4000
6000
8000
10000
12000
1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46
De
man
d
Periode
Plot Data Angelo
Angelo
-
Laporan Praktikum Perancangan Teknik Industri
Modul 3: Forecasting
Kelompok 17
Program Studi Teknik Industri
Universitas Diponegoro 29
Lanjutan Tabel 4. 2 Jumlah Demand Pada Data Konstan
Tahun Periode Jenis Produk
Total Romelu Verona
2010 Desember 4812 5902 10714
2011
Januari 4813 5872 10685
Februari 4814 5886 10700
Maret 4786 5924 10710
April 4811 5927 10738
Mei 4811 5908 10719
Juni 4792 5906 10698
Juli 4768 5870 10638
Agustus 4788 5923 10711
September 4791 5936 10727
Oktober 4827 5855 10682
November 4821 5890 10711
Desember 4779 5881 10660
2012
Januari 4775 5895 10670
Februari 4833 5843 10676
Maret 4848 5901 10749
April 4851 5872 10723
Mei 4790 5919 10709
Juni 4798 5867 10665
Juli 4814 5925 10739
Agustus 4816 5898 10714
September 4759 5885 10644
Oktober 4803 5853 10656
November 4809 5862 10671
Desember 4807 5900 10707
-
Laporan Praktikum Perancangan Teknik Industri
Modul 3: Forecasting
Kelompok 17
Program Studi Teknik Industri
Universitas Diponegoro 30
Lanjutan Tabel 4. 2 Jumlah Demand Pada Data Konstan
Tahun Periode Jenis Produk
Total Romelu Verona
2013
2013
Januari 4804 5963 10767
Februari 4812 5878 10690
Maret 4769 5919 10688
April 4806 5971 10777
Mei 4839 5940 10779
Juni 4838 5904 10742
Juli 4839 5893 10732
Agustus 4780 5957 10737
September 4788 5858 10646
Oktober 4800 5896 10696
November 4772 5889 10661
Desember 4827 5945 10772
2014
Januari 4814 5932 10746
Februari 4836 5924 10760
Maret 4822 5891 10713
April 4811 5893 10704
Mei 4836 5891 10727
Juni 4766 5891 10657
Plot data linier
Tabel 4. 3 Jumlah Data Pada Data Linier
Data Purchasing Departemen Logistik
Tahun Periode
Jenis
Produk Total
Angelo
2010 Juli 7013 7013
Agustus 7036 7036
-
Laporan Praktikum Perancangan Teknik Industri
Modul 3: Forecasting
Kelompok 17
Program Studi Teknik Industri
Universitas Diponegoro 31
Lanjutan Tabel 4. 3 Jumlah Data Pada Data Linier
Tahun Periode
Jenis
Produk Tahun
Angelo
2010
September 7152 7152
Oktober 7198 7198
November 7625 7625
Desember 7205 7205
2011
Januari 7654 7654
Februari 7708 7708
Maret 7722 7722
April 7743 7743
Mei 7766 7766
Juni 7784 7784
Juli 7814 7814
Agustus 7849 7849
September 7939 7939
Oktober 7954 7954
November 7956 7956
Desember 8064 8064
2012
Januari 8006 8006
Februari 8127 8127
Maret 8132 8132
April 8176 8176
Mei 8334 8334
Juni 8466 8466
Juli 8523 8523
Agustus 8590 8590
2012 September 8630 8630
-
Laporan Praktikum Perancangan Teknik Industri
Modul 3: Forecasting
Kelompok 17
Program Studi Teknik Industri
Universitas Diponegoro 32
Lanjutan Tabel 4. 3 Jumlah Data Pada Data Linier
Tahun Periode
Jenis
Produk Total
Angelo
2012
Oktober 8689 8689
November 8785 8785
Desember 8790 8790
2013
Januari 8929 8929
Februari 8885 8885
Maret 8947 8947
April 8960 8960
Mei 8963 8963
Juni 9001 9001
Juli 9079 9079
Agustus 9122 9122
September 9124 9124
Oktober 9207 9207
November 9230 9230
Desember 9276 9276
2014
Januari 9261 9261
Februari 9378 9378
Maret 9514 9514
April 9518 9518
Mei 9705 9705
Juni 9797 9797
-
Laporan Praktikum Perancangan Teknik Industri
Modul 3: Forecasting
Kelompok 17
Program Studi Teknik Industri
Universitas Diponegoro 33
4.2.3 Peramalan
4.2.3.1 Data Pola Konstan
1. Metode MA (Moving Average)
a. SMA (Single Moving Average)
3 SMA
o Manual
F(t) = 1+++1
3
F(4) = 10694+10653 +10726
3
= 10691
Error = X(t) F(t)
Error (4) = 10766 10691
= 75
|Error| = 75
PE =
x 100 %
= 75
10766x 100 %
= 0.697
|PE| = 0.697
Pembilang = +1+1
2
= 1069110766
10726
2
= 0.000049
Penyebut = +1
2
= 1076610726
10726
2
= 0.0000139
Galat Relatif = 1
= 1065310694
10653
= -0.0385
Absolut Galat Relatif = 0.00385
-
Laporan Praktikum Perancangan Teknik Industri
Modul 3: Forecasting
Kelompok 17
Program Studi Teknik Industri
Universitas Diponegoro 34
Tabel 4. 4 Perhitungan Forecasting Manual Metode 3-SMA
T X(t) F(t) Error Error^2 | Error| PE |PE| Pembilang Penyebut Galat
Relatif
| Galat
Relatif |
1 10694
2 10653 -0.00385 0.0038487
3 10726 0.000049 0.0000139 0.00681 0.0068059
4 10766 10691 75.00 5625.00 75.00 0.697 0.697 0.000003 0.0000435 0.00372 0.0037154
5 10695 10715 -20.00 400.00 20.00 -0.187 0.187 0.000002 0.0000032 -0.00664 0.0066386
6 10714 10729.0 -15.00 225.00 15.00 -0.140 0.140 0.000014 0.0000073 0.00177 0.0017734
7 10685 10725.0 -40.00 1600.00 40.00 -0.374 0.374 0.000000 0.0000020 -0.00271 0.0027141
8 10700 10698.0 2.00 4.00 2.00 0.019 0.019 0.000001 0.0000009 0.00140 0.0014019
9 10710 10699.67 10.33 106.78 10.33 0.096 0.096 0.000014 0.0000068 0.00093 0.0009337
10 10738 10698.33 39.67 1573.44 39.67 0.369 0.369 0.000000 0.0000031 0.00261 0.0026076
11 10719 10716.00 3.00 9.00 3.00 0.028 0.028 0.000005 0.0000038 -0.00177 0.0017726
12 10698 10722.33 -24.33 592.11 24.33 -0.227 0.227 0.000056 0.0000315 -0.00196 0.001963
13 10638 10718.33 -80.33 6453.44 80.33 -0.755 0.755 0.000006 0.0000471 -0.00564 0.0056402
14 10711 10685.00 26.00 676.00 26.00 0.243 0.243 0.000017 0.0000022 0.00682 0.0068154
15 10727 10682.33 44.67 1995.11 44.67 0.416 0.416 0.000001 0.0000176 0.00149 0.0014916
16 10682 10692.00 -10.00 100.00 10.00 -0.094 0.094 0.000000 0.0000074 -0.00421 0.0042127
17 10711 10706.67 4.33 18.78 4.33 0.040 0.040 0.000019 0.0000227 0.00271 0.0027075
18 10660 10706.67 -46.67 2177.78 46.67 -0.438 0.438 0.000002 0.0000009 -0.00478 0.0047842
19 10670 10684.33 -14.33 205.44 14.33 -0.134 0.134 0.000000 0.0000003 0.00094 0.0009372
20 10676 10680.33 -4.33 18.78 4.33 -0.041 0.041 0.000057 0.0000468 0.00056 0.000562
21 10749 10668.67 80.33 6453.44 80.33 0.747 0.747 0.000005 0.0000059 0.00679 0.0067913
22 10723 10698.33 24.67 608.44 24.67 0.230 0.230 0.000000 0.0000017 -0.00242 0.0024247
23 10709 10716.00 -7.00 49.00 7.00 -0.065 0.065 0.000034 0.0000169 -0.00131 0.0013073
24 10665 10727.00 -62.00 3844.00 62.00 -0.581 0.581 0.000014 0.0000481 -0.00413 0.0041256
25 10739 10699.00 40.00 1600.00 40.00 0.372 0.372 0.000001 0.0000054 0.00689 0.0068908
26 10714 10704.33 9.67 93.44 9.67 0.090 0.090 0.000033 0.0000427 -0.00233 0.0023334
27 10644 10706.00 -62.00 3844.00 62.00 -0.582 0.582 0.000016 0.0000013 -0.00658 0.0065765
28 10656 10699.00 -43.00 1849.00 43.00 -0.404 0.404 0.000000 0.0000020 0.00113 0.0011261
29 10671 10671.33 -0.33 0.11 0.33 -0.003 0.003 0.000022 0.0000114 0.00141 0.0014057
30 10707 10657.00 50.00 2500.00 50.00 0.467 0.467 0.000069 0.0000314 0.00336 0.0033623
31 10767 10678.00 89.00 7921.00 89.00 0.827 0.827 0.000005 0.0000511 0.00557 0.0055726
32 10690 10715.00 -25.00 625.00 25.00 -0.234 0.234 0.000010 0.0000000 -0.00720 0.007203
-
Laporan Praktikum Perancangan Teknik Industri
Modul 3: Forecasting
Kelompok 17
Program Studi Teknik Industri
Universitas Diponegoro 35
Lanjutan Tabel 4. 4 Perhitungan Forecasting Manual Metode 3-SMA
T X(t) F(t) Error Error^2 | Error| PE |PE| Pembilang Penyebut Galat
Relatif
| Galat
Relatif |
33 10688 10721.33 -33.33 1111.11 33.33 -0.312 0.312 0.000034 0.0000693 -0.00019 0.0001871
34 10777 10715.00 62.00 3844.00 62.00 0.575 0.575 0.000032 0.0000000 0.00826 0.0082583
35 10779 10718.33 60.67 3680.44 60.67 0.563 0.563 0.000000 0.0000118 0.00019 0.0001855
36 10742 10748.00 -6.00 36.00 6.00 -0.056 0.056 0.000010 0.0000009 -0.00344 0.0034444
37 10732 10766.00 -34.00 1156.00 34.00 -0.317 0.317 0.000002 0.0000002 -0.00093 0.0009318
38 10737 10751.00 -14.00 196.00 14.00 -0.130 0.130 0.000072 0.0000718 0.00047 0.0004657
39 10646 10737.00 -91.00 8281.00 91.00 -0.855 0.855 0.000001 0.0000221 -0.00855 0.0085478
40 10696 10705.00 -9.00 81.00 9.00 -0.084 0.084 0.000009 0.0000107 0.00467 0.0046746
41 10661 10693.00 -32.00 1024.00 32.00 -0.300 0.300 0.000096 0.0001084 -0.00328 0.003283
42 10772 10667.67 104.33 10885.44 104.33 0.969 0.969 0.000011 0.0000058 0.01030 0.0103045
43 10746 10709.67 36.33 1320.11 36.33 0.338 0.338 0.000010 0.0000017 -0.00242 0.0024195
44 10760 10726.33 33.67 1133.44 33.67 0.313 0.313 0.000019 0.0000191 0.00130 0.0013011
45 10713 10759.33 -46.33 2146.78 46.33 -0.432 0.432 0.000011 0.0000007 -0.00439 0.0043872
46 10704 10739.67 -35.67 1272.11 35.67 -0.333 0.333 0.000000 0.0000046 -0.00084 0.0008408
47 10727 10725.67 1.33 1.78 1.33 0.012 0.012 0.000029 0.0000426 0.00214 0.0021441
48 10657 10714.67 -57.67 3325.44 57.67 -0.541 0.541
-0.00657 0.0065685
49 10696.00
50 10696.00
51 10696.00
52 10696.00
53 10696.00
54 10696.00
55 10696.00
56 10696.00
57 10696.00
58 10696.00
59 10696.00
60 10696.00
61 10696.00
62 10696.00
63 10696.00
64 10696.00
-
Laporan Praktikum Perancangan Teknik Industri
Modul 3: Forecasting
Kelompok 17
Program Studi Teknik Industri
Universitas Diponegoro 36
Lanjutan Tabel 4. 4 Perhitungan Forecasting Manual Metode 3-SMA
T X(t) F(t) Error Error^2 | Error| PE |PE| Pembilang Penyebut Galat
Relatif
| Galat
Relatif |
65 10696.00
66 10696.00
67 10696.00
68 10696.00
69 10696.00
70 10696.00
71 10696.00
72 10696.00
73 10696.00
74 10696.00
75 10696.00
76 10696.00
77 10696.00
78 10696.00
79 10696.00
80 10696.00
81 10696.00
82 10696.00
83 10696.00
84 10696.00
85 10696.00
86 10696.00
87 10696.00
88 10696.00
89 10696.00
90 10696.00
91 10696.00
92 10696.00
93 10696.00
94 10696.00
95 10696.00
96 10696.00
-
Laporan Praktikum Perancangan Teknik Industri
Modul 3: Forecasting
Kelompok 17
Program Studi Teknik Industri
Universitas Diponegoro 37
Gambar 4. 4 Grafik X(t) dan F(t) Metode 3SMA dengan Perhitungan Manual
Uji Kesalahan Peramalan
= -16.33
2 = 90662.78
|| = 1610.33
Uji Kesalahan Peramalan
MSE =
2=1
= 90662.78
45
= 2014.728
MAD =
=1
= 1610.33
45
= 35.79
CFE = =1
= -16.33
MAPE = ||
= 15,033
45
10550
10600
10650
10700
10750
10800
1 6 11 16 21 26 31 36 41 46 51 56 61 66 71 76 81 86 91 96
De
man
d
Periode
Grafik X(t) dan F(t) Metode 3SMA dengan Perhitungan Manual
X(t)
F(t)
-
Laporan Praktikum Perancangan Teknik Industri
Modul 3: Forecasting
Kelompok 17
Program Studi Teknik Industri
Universitas Diponegoro 38
= 0.334
ME = =1
= 16.33
45
= -0.36
MAE =
=1
= 1610.33
45
= 35.79
SSE = 2
= 90662,78
SDE = 2
= 90662,78
45
= 44,89
MPE =
= 0.208
45
= -0.0046
NF1 = Galat R
x 100%
= 0.16839
47
= 0.358274
U-theil =
= 0.000742
0.0008346
= 0.94291
-
Laporan Praktikum Perancangan Teknik Industri
Modul 3: Forecasting
Kelompok 17
Program Studi Teknik Industri
Universitas Diponegoro 39
Tabel 4. 5 Perhitungan error Forecasting Metode 3-SMA
Metode Eror
CFE -16.33
MAD 35.79
MSE 2014.73
MPE -0.0046
MAPE 0.334
ME -0.36
MAE 35.79
SSE 90662.78
SDE 44.89
NF1 0.3583
U-theil 0.94291
o Software WinQSB
Tabel 4. 6 Output Software WinQSB Metode 3-SMA
10-22-
2014 Actual
Data
Forecast by
3 SMA
Forecast
Error CFE MAD MSE
MAPE
(%)
Tracking
Signal R-sqaure
Month
1 10694
2 10653
3 10726
4 10766 10691 75 75 75 5625 0,7 1 1
5 10695 10715 -20 55 47,5 3012,5 0,44 1,16 0,71
6 10714 10729 -15 40 36,67 2083,33 0,34 1,09 0,47
7 10685 10725 -40 0 37,5 1962,5 0,35 0 0,22
8 10700 10698 2 2 30,4 1570,8 0,28 0,07 0,27
9 10710 10699,67 10,33 12,33 27,06 1326,8 0,25 0,46 0,31
10 10738 10698,33 39,67 52 28,86 1362,03 0,27 1,8 0,37
11 10719 10716 3 55 25,63 1192,91 0,24 2,15 0,38
12 10698 10722,33 -24,33 30,67 25,48 1126,15 0,24 1,2 0,33
13 10638 10718,33 -80,33 -49,67 30,97 1658,87 0,29 -1,6 0,18
-
Laporan Praktikum Perancangan Teknik Industri
Modul 3: Forecasting
Kelompok 17
Program Studi Teknik Industri
Universitas Diponegoro 40
Lanjutan Tabel 4.6 Output Software WinQSB Metode 3-SMA
10-22-
2014 Actual
Data
Forecast by
3 SMA
Forecast
Error CFE MAD MSE
MAPE
(%)
Tracking
Signal R-sqaure
Month
14 10711 10685 26 -23,67 30,52 1569,52 0,29 -0,78 0,22
15 10727 10682,33 44,67 21 31,69 1604,99 0,3 0,66 0,28
16 10682 10692 -10 11 30,03 1489,22 0,28 0,37 0,28
17 10711 10706,67 4,33 15,33 28,19 1384,19 0,26 0,54 0,28
18 10660 10706,67 -46,67 -31,33 29,42 1437,1 0,27 -1,06 0,24
19 10670 10684,33 -14,33 -45,67 28,48 1360,12 0,27 -1,6 0,25
20 10676 10680,33 -4,33 -50 27,06 1281,22 0,25 -1,85 0,28
21 10749 10668,67 80,33 30,33 30,02 1568,56 0,28 1,01 0,3
22 10723 10698,33 24,67 55 29,74 1518,03 0,28 1,85 0,3
23 10709 10716 -7 48 28,6 1444,58 0,27 1,68 0,31
24 10665 10727 -62 -14 30,19 1558,83 0,28 -0,46 0,31
25 10739 10699 40 26 30,64 1560,71 0,29 0,85 0,3
26 10714 10704,33 9,67 35,67 29,72 1496,91 0,28 1,2 0,3
27 10644 10706 -62 -26,33 31,07 1594,71 0,29 -0,85 0,25
28 10656 10699 -43 -69,33 31,55 1604,88 0,29 -2,2 0,24
29 10671 10671,33 -0,33 -69,67 30,35 1543,16 0,28 -2,3 0,27
30 10707 10657 50 -19,67 31,07 1578,6 0,29 -0,63 0,33
31 10767 10678 89 69,33 33,14 1805,11 0,31 2,09 0,3
32 10690 10715 -25 44,33 32,86 1764,42 0,31 1,35 0,31
33 10688 10721,33 -33,33 11 32,88 1742,64 0,31 0,33 0,32
34 10777 10715 62 73 33,82 1810,42 0,32 2,16 0,28
35 10779 10718,33 60,67 133,67 34,66 1868,86 0,32 3,86 0,26
36 10742 10748 -6 127,67 33,79 1813,32 0,32 3,78 0,3
37 10732 10766 -34 93,67 33,79 1793,99 0,32 2,77 0,38
38 10737 10751 -14 79,67 33,23 1748,33 0,31 2,4 0,41
39 10646 10737 -91 -11,33 34,83 1929,8 0,33 -0,33 0,4
40 10696 10705 -9 -20,33 34,14 1879,83 0,32 -0,6 0,4
41 10661 10693 -32 -52,33 34,08 1857,31 0,32 -1,54 0,39
42 10772 10667,67 104,33 52 35,88 2088,8 0,33 1,45 0,38
43 10746 10709,67 36,33 88,33 35,89 2069,58 0,34 2,46 0,37
44 10760 10726,33 33,67 122 35,84 2046,75 0,33 3,4 0,37
-
Laporan Praktikum Perancangan Teknik Industri
Modul 3: Forecasting
Kelompok 17
Program Studi Teknik Industri
Universitas Diponegoro 41
Lanjutan Tabel 4.6 Output Software WinQSB Metode 3-SMA
10-22-
2014 Actual
Data
Forecast by
3 SMA
Forecast
Error CFE MAD MSE
MAPE
(%)
Tracking
Signal R-sqaure
Month
45 10713 10759,33 -46,33 75,67 36,09 2049,13 0,34 2,1 0,41
46 10704 10739,67 -35,67 40 36,08 2031,06 0,34 1,11 0,43
47 10727 10725,67 1,33 41,33 35,29 1984,94 0,33 1,17 0,43
48 10657 10714,67 -57,67 -16,33 35,79 2014,73 0,33 -0,46 0,41
49
10696
50
10696
51
10696
52
10696
53
10696
54
10696
55
10696
56
10696
57
10696
58
10696
59
10696
60
10696
61
10696
62
10696
63
10696
64
10696
65
10696
66
10696
67
10696
68
10696
69
10696
70
10696
71
10696
72
10696
73
10696
74
10696
75
10696
-
Laporan Praktikum Perancangan Teknik Industri
Modul 3: Forecasting
Kelompok 17
Program Studi Teknik Industri
Universitas Diponegoro 42
Lanjutan Tabel 4.6 Output Software WinQSB Metode 3-SMA
10-22-
2014 Actual
Data
Forecast by
3 SMA
Forecast
Error CFE MAD MSE
MAPE
(%)
Tracking
Signal R-sqaure
Month
76
10696
77
10696
78
10696
79
10696
80
10696
81
10696
82
10696
83
10696
84
10696
85
10696
86
10696
87
10696
88
10696
89
10696
90
10696
91
10696
92
10696
93
10696
94
10696
95
10696
96
10696
CFE
-16,33
MAD
35,79
MSE
2014,73
MAPE
0,33
Trk.Signal
-0,46
R-sqaure
0,41
m=3
-
Laporan Praktikum Perancangan Teknik Industri
Modul 3: Forecasting
Kelompok 17
Program Studi Teknik Industri
Universitas Diponegoro 43
Gambar 4. 5 Output WinQSB-Grafik X(t) dan F(t) Metode 3SMA
5 SMA
o Manual
F(t) = 2+ 1+++1+ +2
5
F(6) = 10694+10653 +10726 +10766 +10695
5
= 10706.8
Eror = X(t) F(t)
Eror (4) = 10714 10706,8
= 7.2
|Error| = 7.2
PE =
x 100 %
= 7.2
10714x 100 %
= 0.067
|PE| = 0.0672
Pembilang = +1+1
2
= 10706 .810714
10695
2
= 0.00000045
Penyebut = +1
2
= 1071410695
10695
2
= 0.00000316
Galat Relatif = 1
-
Laporan Praktikum Perancangan Teknik Industri
Modul 3: Forecasting
Kelompok 17
Program Studi Teknik Industri
Universitas Diponegoro 44
= 1065310694
10653
= -0.038
Absolut Galat Relatif = 0.0038
Tabel 4. 7 Perhitungan Manual Forecasting Metode 5-SMA
T X(t) F(t) Error Error^2 | Error| PE |PE| Pembilang Penyebut Galat
Relatif
| Galat
Relatif |
1 10694
2 10653 -0.0038 0.0038
3 10726 0.0068 0.0068
4 10766 0.0037 0.0037
5 10695
-0.0066 0.0066
6 10714 10706.8 7.20 51.84 7.20 0.0672 0.067 0.00000580 0.00000733 0.0018 0.0018
7 10685 10710.8 -25.80 665.64 25.80 -0.2415 0.241 0.00000259 0.00000197 -0.0027 0.0027
8 10700 10717.2 -17.20 295.84 17.20 -0.1607 0.161 0.00000003 0.00000087 0.0014 0.0014
9 10710 10712.0 -2.00 4.00 2.00 -0.0187 0.019 0.00001206 0.00000683 0.0009 0.0009
10 10738 10700.8 37.20 1383.84 37.20 0.3464 0.346 0.00000080 0.00000313 0.0026 0.0026
11 10719 10709.4 9.60 92.16 9.60 0.0896 0.090 0.00000134 0.00000384 -0.0018 0.0018
12 10698 10710.4 -12.40 153.76 12.40 -0.1159 0.116 0.00004915 0.00003146 -0.0020 0.0020
13 10638 10713.0 -75.00 5625.00 75.00 -0.7050 0.705 0.00000096 0.00004709 -0.0056 0.0056
14 10711 10700.6 10.40 108.16 10.40 0.0971 0.097 0.00000598 0.00000223 0.0068 0.0068
15 10727 10700.8 26.20 686.44 26.20 0.2442 0.244 0.00000239 0.00001760 0.0015 0.0015
16 10682 10698.6 -16.60 275.56 16.60 -0.1554 0.155 0.00000344 0.00000737 -0.0042 0.0042
17 10711 10691.2 19.80 392.04 19.80 0.1849 0.185 0.00000996 0.00002267 0.0027 0.0027
18 10660 10693.8 -33.80 1142.44 33.80 -0.3171 0.317 .00000700 0.00000088 -0.0048 0.0048
19 10670 10698.2 -28.20 795.24 28.20 -0.2643 0.264 0.00000172 0.00000032 0.0009 0.0009
20 10676 10690.0 -14.00 196.00 14.00 -0.1311 0.131 0.00004201 0.00004676 0.0006 0.0006
21 10749 10679.8 69.20 4788.64 69.20 0.6438 0.644 0.00000769 0.00000585 0.0068 0.0068
22 10723 10693.2 29.80 888.04 29.80 0.2779 0.278 0.00000156 0.00000170 -0.0024 0.0024
23 10709 10695.6 13.40 179.56 13.40 0.1251 0.125 0.00001423 0.00001688 -0.0013 0.0013
24 10665 10705.4 -40.40 1632.16 40.40 -0.3788 0.379 0.00001053 0.00004814 -0.0041 0.0041
25 10739 10704.4 34.60 1197.16 34.60 0.3222 0.322 0.00000008 0.00000542 0.0069 0.0069
-
Laporan Praktikum Perancangan Teknik Industri
Modul 3: Forecasting
Kelompok 17
Program Studi Teknik Industri
Universitas Diponegoro 45
Lanjutan Tabel 4.7 Perhitungan Manual Forecasting Metode 5-SMA
T X(t) F(t) Error Error^2 | Error| PE |PE| Pembilang Penyebut Galat
Relatif
| Galat
Relatif |
26 10714 10717.0 -3.00 9.00 3.00 -0.0280 0.028 0.00003795 0.00004269 -0.0023 0.0023
27 10644 10710.0 -66.00 4356.00 66.00 -0.6201 0.620 0.00001288 0.00000127 -0.0066 0.0066
28 10656 10694.2 -38.20 1459.24 38.20 -0.3585 0.358 0.00000140 0.00000198 0.0011 0.0011
29 10671 10683.6 -12.60 158.76 12.60 -0.1181 0.118 0.00000433 0.00001138 0.0014 0.0014
30 10707 10684.8 22.20 492.84 22.20 0.2073 0.207 0.00006847 0.00003140 0.0034 0.0034
31 10767 10678.4 88.60 7849.96 88.60 0.8229 0.823 0.00