BAB III PERAMALAN 3.1 Landasan Teori Peramalan

Ukuran: px
Mulai penontonan dengan halaman:

Download "BAB III PERAMALAN 3.1 Landasan Teori Peramalan"

Transkripsi

1 BAB III PERAMALAN 3.1 Landasan Teori Peramalan Menurut Gaspersz (2004), aktivitas peramalan merupakan suatu fungsi bisnis yang berusaha memperkirakan permintaan dan penggunaan produk sehingga produk-produk itu dapat dibuat dalam kuantitas yang tepat. Dengan demikian peramalan merupakan suatu dugaan terhadap permintaan yang akan datang berdasarkan pada beberapa variabel peramal, sering berdasarkan data deret waktu historis. Menurut Supranto (1984), forecasting atau peramalan adalah memperkirakan sesuatu pada waktu-waktu yang akan datang berdasarkan data masa lampau yang dianalisis secara ilmiah, khususnya menggunakan metode statistika. Menurut Sofjan Assauri (1993), peramalan merupakan seni dan ilmu dalam memprediksikan kejadian yang mungkin dihadapi pada masa yang akan datang. Dengan digunakannya peralatan metode-metode peramalan maka akan memberikan hasil peramalan yang lebih dapat dipercaya ketetapannya. Oleh karena masing-masing metode peramalan berbeda-beda, maka penggunaannya harus hati-hati terutama dalam pemilihan metode untuk penggunaan dalam kasus tertentu. Peramalan dapat menggunakan teknik-teknik peramalan yang bersifat formal maupun informal. Aktivitas peramalan ini biasa dilakukan oleh departemen pemasaran dan hasil-hasil dari peramalan ini sering disebut sebagai ramalan permintaan. Bagian permintaan biasanya melakukan perencanaan berdasarkan hasilhasil ramalan permintaan, sehingga informasi yang dikirim dari III-1

2 III-2 bagian permintaan ke bagian Production Planning and Inventory Control (PPIC) semestinya memisahkan antara permintaan yang dikembangkan berdasarkan rencana permintaan yang umumnya masih bersifat tidak pasti dan pesanan-pesanan yang bersifat pasti. Sistem peramalan memiliki sembilan langkah yang harus diperhatikan untuk menjamin efektifitas dan efisiensi. Langkahlangkah tersebut termasuk dalam manajemen permintaan yang disebut juga sebagai konsep dasar sistem peramalan, yaitu (Gaspersz 2004): a. Menentukan tujuan dari peramalan. b. Memilih item independent demand yang akan diramalkan. c. Menentukan horison waktu dari peramalan (jangka pendek, menengah, dan panjang). d. Memilih model-model peramalan. e. Memperoleh data yang dibutuhkan untuk melakukan peramalan. f. Validasi model peramalan. g. Membuat peramalan. h. Implementasi hasil-hasil peramalan. i. Memantau keandalan hasil peramalan. 3.2 Metode Peramalan Yang Digunakan Penyelesaian peramalan memiliki beberapa metode yang umum seperti metode weight moving average, exponential smoothing, dan regresi linier. Berikut ini adalah penjelasan dari metode tersebut (Gaspersz, 2004). a. Metode Weight Moving Average (WMA) Model rata-rata begerak terbobot lebih responsif terhadap perubahan, karena data dari periode yang baru biasanya diberi

3 III-3 bobot lebih besar. Suatu model rata-rata bergerak n-periode terbobot, weighted MA(n), dinyatakan sebagai berikut: Weighted MA(n) = pembobot untuk periode n permintaan aktual dalam periode n pembobot Selanjutnya untuk mengetahui sejauh mana keandalan dari model peramalan weighted moving average (WMA), maka diharuskan untuk membuat peta kontrol tracking signal. Cara untuk bisa mendapatkan nilai tracking signal harus dicari terlebih dahulu nilai MAD yang didapat dari rumus matematis adalah sebagai berikut (Gaspersz, 2004). MAD = absolut dari forecast errors n RSFE Tracking Signal = MAD b. Metode Exponential Smoothing (ES) Metode peramalan dengan pemulusan eksponensial biasanya digunakan untuk pola data yang tidak stabil atau perubahannya besar dan bergejolak. Metode permalan ini bekerja hampir serupa dengan alat thermostat. Apabila galat ramalan (forecast error) adalah positif, yang berarti nilai aktual permintaan lebih tinggi daripada nilai ramalan (A F>0), maka model pemulusan eksponensial akan secara otomatis meningkatkan nilai ramalannya. Sebaliknya, apabila galat ramalan (forecast error) adalah negatif, yang berarti nilai aktual permintaan lebih rendah daripada nilai ramalan (A F < 0), maka metode pemulusan eksponensial akan secara otomatis menurunkan nilai ramalan.

4 III-4 Proses penyesuaian ini berlangsung secara terus-menerus, kecuali galat ramalan telah mencapai nol. Peramalan menggunakan metode pemulusan eksponensial dilakukan berdasarkan formula seperti di bawah ini (Gaspersz, 2004). Keterangan Ft : nilai ramalan untuk periode waktu ke-t Ft-1 : nilai ramalan untu satu periode waktu yang lalu, t-1 At-1 : nilai aktual untuk satu periode waktu yang lalu, t-1 : konstanta pemulusan (smoothing constant) Cara yang digunakan untuk mengetahui sejauh mana keandalan dari model peramalan berdasarkan pemulusan eksponensial harus menggunakan peta kontrol tracking signal dan membandingkan apakah nilai-nilai ramalan itu telah menggambarkan atau sesuai dengan pola historis dari data aktual permintaan (Gaspersz, 2004). c. Metode Regresi Linier Metode regresi linier sering sekali dipakai untuk memecahkan masalah-masalah dalam penaksiran tentunya hal ini berlaku juga dalam peramalan sehingga metode regresi linier menjadi suatu metode yang mempunyai taksiran terbaik diantara metode-metode yang lain. Metode regresi linier dipergunakan sebagai metode peramalan apabila pola historis dari data aktual permintaan menunjukkan adanya suatu kecenderungan menaik dari waktu ke waktu. Istilah regresi linier berarti, bahwa rataan ( y x) berkaitan linier dengan x dalam bentuk persamaan linier populasi (Hasan, 1999). F t = F t-1 + (A t-1 - F t-1)

5 III-5 y x = + x, Koefisien regresi dan merupakan dua parameter yang akan ditaksir dari data sampel. Bila taksiran untuk kedua parameter itu masing-masing dinyatakan dengan a dan b maka y x dapat ditaksir dengan ŷ dari bentuk garis regresi berdasarkan sampel atau garis kecocokan regresi (Hasan, 1999). ŷ = a + bx Keterangan Ŷ : nilai ramalan permintaan pada peiode ke-t a : intersept b :slope dari garis kecenderungan,merupakan tingkat perubahan dalam permintaan. x : indeks waktu ( t = 1,2,3,...,n) ; n adalah banyaknya periode waktu Dengan taksiran a dan b masing-masing menyatakan perpotongan dengan sumbu y dan kenaikannya. Lambang ŷ digunakan di sini untuk membedakan antara taksiran atau nilai prediksi yang diberikan oleh garis regresi sampel dan nilai y amatan percobaan yang sesungguhnya untuk suatu nilai x. Slope dan intersept dari persamaan regresi linier dihitung dengan menggunakan formula berikut (Hasan, 1999): b = 2 2 n. xy - x. y n. x - x a = x - b. n x Keterangan b : slope dari persamaan garis lurus a : intersept dari persamaan garis lurus x : index waktu

6 III-6 x-bar : nilai rata-rata dari x y : variabel permintaan (data aktual permintaan) y-bar : nilai rata-rata permintaan per periode waktu, rata-rata dari y Menurut Pangestu (1986), forecasting adalah peramalan (perkiraan) mengenai sesuatu yang belum terjadi. Metode peramalan terdiri atas metode peramalan kualitatif dan metode peramalan kuantitatif. Peramalan kualitatif bersifat subjektif dipengaruhi oleh intuisi, emosi, pendidikan, dan pengalaman seseorang. Oleh karena itu hasil peramalan dari satu orang dengan orang lain dapat berbeda. Meskipun demikian, peramalan dengan metode kualitatif tidak berarti hanya menggunakan intuisi melainkan mengikutsertakan model statistik sebagai bahan masukan dalam melakukan judgment (pendapat, keputusan) dan dapat dilakukan secara perseorangan ataupun kelompok. Peramalan kualitatif menggunakan empat metode yang umum dipakai, yaitu (Herjanto, 1999): 1. Juri Opini Eksekutif Metode ini cukup banyak digunakan. Pendekatan ini merupakan pendekatan peramalan yang paling sederhana dan banyak digunakan dalam peramalan bisnis. 2. Metode Delphi Metode ini, serangkaian kuesioner disebarkan kepada responden. Langkah berikut jawabannya diringkas dan diberikan ke panel ahli untuk dibuat perkiraan. 3. Gabungan Tenaga Penjualan Metode ini cukup banyak digunakan, karena tenaga penjualan (sales force) merupakan sumber informasi yang baik mengenai permintaan konsumen. Setiap tenaga penjualan meramalkan tingkat penjualan di daerahnya, kemudian

7 III-7 digabungkan pada tingkat provinsi dan seterunya sampai ke tingkat nasional untuk mencapai peramalan yang menyeluruh. 4. Survei Pasar Masukan diperoleh dari konsumen atau konsumen potensial terhadap rencana pembelian di masa datang. Survei dapat dilakukan dengan kuesioner, telepon, atau wawancara langsung. Pendekatan ini membantu tidak hanya dalam menyiapkan peramalan, tetapi juga dalam meningkatkan desain produk dan perencanaan untuk suatu produk baru. Metode ini memiliki kekurangan, yaitu memerlukan waktu yang cukup lama, metode ini juga mahal dan sulit. Metode kuantitatif yang digunakan dalam memperkirakan atau meramalkan dapat dikelompokkan dalam dua jenis, yaitu metode serial waktu dan kausal. Berikut ini akan diuraikan dari jenis-jenis metode kuantitatif (Herjanto, 1999). a. Metode Serial Waktu Metode serial waktu (deret berkala, time series) adalah metode yang digunakan untuk menganalisis serangkaian data yang merupakan fungsi dari waktu. Analisis serial waktu dimulai dengan memplotkan data pada suatu skala waktu, mempelajari pola tersebut, dan akhirnya mencari suatu bentuk atau pola yang konsisten atas data. b. Metode Kausal Metode Kausal atau disebut juga dengan metode eksplanatori mengasumsikan adanya hubungan sebab akibat antara variabel bebas dan variabel tidak bebas yang dipengaruhinya, atau dalam bentuk lain antara input dan output dari suatu sistem. Sistem itu dapat berbentuk makro (seperti perekonomian nasional) atau mikro (seperti dalam perusahaan atau rumah tangga).

8 III Ukuran Akurasi Peramalan Validasi metode peramalan terutama dengan menggunakan metode-metode di atas tidak dapat lepas dari indikator-indikator dalam pengukuran akurasi peramalan. Bagaimanapun juga terdapat sejumlah indikator dalam pengukuran akurasi peramalan, tetapi yang paling umum digunakan adalah mean absolute deviation, mean absolute percentage error, dan mean squared error. a. Mean Absolute Deviation (MAD) Akurasi peramalan akan tinggi apabila nilai-nilai MAD, mean absolute percentage error, dan mean squared error semakin kecil. MAD merupakan nilai total absolut dari forecast error dibagi dengan data. Atau yang lebih mudah adalah nilai kumulatif absolut error dibagi dengan periode. Jika diformulasikan maka formula untuk menghitung MAD adalah sebagai berikut: MAD = absolut dari forecast error n b. Mean Squared Error (MSE) Menurut Gaspersz (2004), mean squared error biasa disebut juga galat peramalan. Galat peramalan ini juga dapat berfungsi untuk menghitung nilai MAD yang telah dibahas pada sub bab sebelumnya. Galat ramalan tidak dapat dihindari dalam sistem peramalan, namun galat ramalan itu harus dikelola dengan benar. Pengelolaan terhadap galat ramalan akan menjadi lebih efektif apabila peramal mampu mengambil tindakan mengambil tindakan yang tepat berkaitan dengan alasan-alasan terjadinya galat ramalan itu. Dalam sistem peramalan, penggunaan berbagai

9 III-9 model peramalan akan memberikan nilai ramalan yang berbeda dan derajat dari galat ramalan yang berbeda pula. Rata-rata kesalahan kuadrat memperkuat pengaruh angkaangka kesalahan besar, tetapi memperkecil angka kesalahan prakiraan yang lebih kecil dari satu unit. MSE ei n c. Mean Absolute Percentage Error (MAPE) Rata-rata persentase kesalahan kuadrat merupakan pengukuran ketelitian dengan cara persentase kesalahan absolute. MAPE menunjukkan rata-rata kesalahan absolut prakiraan dalam bentuk persentasenya terhadap data aktualnya. d. Tracking Signal MAPE e 100 xi n Menurut Gaspersz (2004), suatu ukuran bagaimana baiknya suatu ramalan memperkirakan nilai-nilai aktual suatu ramalan diperbaharui setiap minggu, bulan atau triwulan, sehingga data permintaan yang baru dibandingkan terhadap nilai-nilai ramalan. Tracking signal dihitung sebagai running sum of the forecast errors dibagi dengan mean absolute deviation. RSFE Tracking Signal = MAD Tracking signal yang positif menunjukkan bahwa nilai aktual permintaan lebih besar daripada ramalan, sedangkan apabila negatif berarti nilai aktual permintaan lebih kecil daripada ramalan. Pada setiap peramalan, tracking signal terkadang

10 III-10 digunakan untuk melihat apakah nilai-nilai yang dihasilkan berada di dalam atau di luar batas-batas pengendalian dimana nilai-nilai tracking signal itu bergerak antara -4 sampai +4. e. Moving Range (MR) Moving range dibuat untuk membandingkan nilai-nilai observasi atau data aktual dengan nilai peramalan dari kebutuhan yang sama. Dapat dikatakan bahwa moving range adalah peta kontrol statistik yang digunakan pada pengendalian kualitas. Peta moving range memiliki batasan-batasan yang terdiri dari batas kontrol atas dan batas kontrol bawah. Jika ada sebuah titik atau data yang berada di luar batas tersebut maka ada beberapa data yang harus dihilangkan atau mencari metode peramalan yang lain. Moving Range digunakan untuk mengetahui sejauh mana arah pergerakan (misal: permintaan) bergerak. Perhitungan Moving Range menggunakan rumus: MR = F A F t 1 t 1 t A t 3.4. Pembahasan Peramalan Pembahasan pada modul peramalan ini dimana akan melakukan perhitungan atas ketiga metode, yaitu metode Weighted Moving Average (WMA), Single Exponential Smoothing (SES), dan metode regresi linier. Masing-masing dari metodemetode tersebut dapat meramalkan penjualan lemari tas untuk periode yang telah ditentukan peramalan. Data penjualan aktual ini merupakan syarat digunakan sebagai peramalan, karena untuk ketiga metode tersebut merupakan metode yang bersifat kuantitatif sehingga data yang akan digunakan untuk meramalkan penjualan di periode selanjutnya ialah data historis. Data penjualan aktual lemari tas dapat dilihat pada tabel 3.1.

11 III-11 Tabel 3.1 Data Penjualan Aktual Lemari Tas Bulan Indeks Waktu (t) Penjualan Aktual (A) Januari Februari Maret April Mei Juni Juli Agustus September Oktober November Desember Perhitungan Metode Weighted Moving Averages (WMA) Perhitungan pada metode Weighted Moving Averages (WMA) dimana suatu nilai bobot tersebut telah ditentukan ialah 3. Nilai tersebut dapat meramalkan berdasarkan indeks waktu yang diramalkan dengan syarat minimal untuk nilai bobot tersebut ialah 2. Hasil peramalan penjualan lemari tas dengan metode WMA dapat dilihat pada tabel 3.2. Tabel 3.2 Peramalan Penjualan Lemari Tas Metode Weight Moving Averages Bulan Indeks Waktu Penjualan (t) Aktual (A) Ramalan Berdasarkan MA = 3 Januari Februari Maret April , Mei ,5 542 Juni , Juli , Agustus , September ,83 540

12 III-12 Tabel 3.2 Peramalan Penjualan Lemari Tas Metode Weight Moving Averages (lanjutan) Bulan Indeks Waktu Penjualan (t) Aktual (A) Ramalan Berdasarkan MA = 3 Oktober , November , Desember , Januari , Contoh perhitungan untuk WMA: Ft = Σ(Timbangan untuk periode-n)(penjualan dalam periode-n) ΣTimbangan = [(3 541)+(2 538)+(1 542)] 6 = 540,16 = Perhitungan metode Single Exponential Smoothing (SES) Berdasarkan hasil perhitungan software, maka diketahui hasil MAD terkecil adalah sebesar 1,857 pada perhitungan metode SES dengan konstanta pemulusan (α) 0,2. Rangkuman hasil perhitungan dapat dilihat pada tabel 3.3. Tabel 3.3 Hasil Peramalan dengan Software WinQSB (Metode SES) MAD 0,1 1,862 0,2 1,857 0,3 1,939 0,4 2,082 0,5 2,206 0,6 2,309 0,7 2,388 0,8 2,488 0,9 2,571

13 III-13 Perhitungan manual terhadap peramalan penjualan lemari tas akan dilakukan pada nilai α sebesar 0,2. Data dapat dilihat pada tabel 3.4 untuk perhitungan SES dengan α sebesar 0,2. Tabel 3.4 Peramalan Lemari Tas (Metode SES = 0,2) Bulan Indeks Waktu Penjualan Aktual (t) (A) Ramalan Januari , Februari , Maret , April , Mei , Juni , Juli , Agustus , September , Oktober , November , Desember , Januari , Ramalan indeks waktu ke-1 = A n = = 540, Ramalan indeks waktu ke-2 = 540,08 + 0,2 ( ,08) = 540,08 + 0,2 (1,92) = 540, Perhitungan Metode Regresi Linier Pembahasan pada motode regresi linier dilakukan dua perhitungan peramalan penjualan lemari tas, yaitu dengan metode regresi linier dilakukan secara manual dan menggunakan software WinQSB. Perhitungan regresi linier secara manual untuk lemari tas ini dapat dilihat pada tabel 3.5.

14 III-14 Tabel 3.5 Peramalan Metode Regresi Linier Bulan Periode (X) PenjualanAktual (Y) X 2 X.Y Januari Februari Maret April Mei Juni Juli Agustus September Oktober November Desember Jumlah( ) b = = = n. XY - X. Y n. X 2 - ( X) (78) = -0,045 a = = Y b. X n (-0,045) = 540,37 Hasil yang didapat dari perhitungan yang telah dilakukan tersebut dilakukan pembulatan ke atas. Pembulatan bilangan tersebut dapat dimaksudkan dimana dalam sebuah permintaan lemari tas tidak ada dalam bentuk koma. Perhitungan untuk regresi linier secara keseluruhan dapat dilihat rangkumannya pada tabel 3.6.

15 III-15 Tabel 3.6 Hasil Peramalan dengan Metode Regresi Linier Bulan Indeks Waktu (t) Ramalan Januari 1 539, Februari 2 539, Maret 3 539, April 4 539, Mei 5 539,6 540 Juni 6 539, Juli 7 539, Agustus 8 539, September 9 539, Oktober , November , Desember , Januari , Februari , Maret , April , Mei ,6 540 Juni , Juli , Agustus , September , Oktober , November , Desember , Berikut ini adalah contoh perhitungan nilai Y dengan metode regresi linier. Y = a + bx = 540,37 + (-0,045). 13 = 539,78 = 540

16 III Perhitungan Akurasi Hasil Peramalan Hasil-hasil peramalan dapat dihitung dengan metodemetode akurasi peramalan. Metode-metode tersebut terdiri dari tracking signal dan moving range. Periode Perhitungan Tracking Signal Hasil-hasil peramalan dengan metode WMA, SES, dan regresi linier dapat diukur ketepatannya dengan menggunakan Tracking signal (TS). Perhitungan tracking signal dapat dilihat pada tabel 3.7 untuk metode WMA. Forecast (f) Tabel 3.7 Tracking Signal Metode WMA (Bobot = 3) Aktual (A) Error (e=a-f) RSFE Kumulatif Absolute Error Kumulatif Absolute Error MAD Tracking Signal , ,33-1, , ,4-1, ,33-0, ,28-1, ,37-2, ,22-2,70 Berdasarkan tabel di atas merupakan rangkuman untuk menghitung tracking signal. Perhitungan itu termasuk secara keseluruhan dari metode Weighted Moving Averages (WMA). Berikut ini adalah contoh perhitungan MAD dan tracking signal untuk periode pertama. Contoh Perhitungan untuk Tracking Signal: Forecast Errors MAD = = 2 n 1 = 2 Tracking Signal = RSFE MAD = 2 2 = 2

17 III-17 Perhitungan hasil tracking signal metode Weighted Moving Averages (WMA) ditampilkan juga dalam bentuk grafik. Perhitungan yang telah dilakukan tersebut, hasil dalam bentuk grafik dimana grafik ini akan menunjukan keakuratan sebuah peramalan permintaan pada lemari tas. Grafik tracking signal dari metode WMA dengan bobot = 3 dapat dilihat pada gambar 3.1. Tracking Signal Peta Kontrol Tracking Signal Metode WMA BKA Tracking SIgnal -4 BKB -6 Periode Periode Gambar 3.1 Grafik Tracking Signal dengan Metode WMA (Bobot = 3) Hasil perhitungan peramalan metode SES dapat diukur ketepatannya dengan menggunakan tracking signal. Berikut ini adalah tabel yang dirangkum pada tabel 3.8 metode single exponential smoothing (SES). Forecast (f) Tabel 3.8 Tracking Signal Metode SES dengan α = 0,2 Aktual Error RSFE Absolute Kumulatif MAD (A) (e=a-f) Kumulatif Error Absolute Error Tracking Signal ,00 1, ,00-1, ,67-0, ,75 0, , ,33-2, ,14-2, ,88-2, ,89-1, ,80-2, ,91-3, ,83-3,28

18 III-18 Perhitungan tersebut dapat dilihat pada contoh perhitungan untuk tracking signal pertama. MAD = Forecast Errors n = 1 1 = 1 Tracking Signal = RSFE MAD = 1 1 = 1 Perhitungan hasil tracking signal metode SES ditampilkan juga dalam bentuk grafik. Berikut ini adalah grafik tracking signal dari metode SES dengan konstanta pemulusan (α) 0,2. Peta Kontrol Tracking Signal SES α = 0,2 6 Tracking Signal Periode BKA Tracking SIgnal BKB Gambar 3.2 Grafik Tracking Signal dengan Metode SES (α = 0,2) Hasil perhitungan peramalan dengan metode regresi linier dapat diukur ketepatannya dengan menggunakan tracking signal. Berikut ini adalah tabel yang merangkum perhitungan tracking signal metode regresi linier. Tabel 3.9 Tracking Signal dengan Metode Regresi Linier Periode Forecast Aktual Error RSFE Absolute Kumulatif MAD Tracking (f) (A) (e=a-f) Kumulatif Error Absolute Signal Error ,67 0,

19 III-19 Tabel 3.9 Tracking Signal dengan Metode Regresi Linier (lanjutan) Periode Forecast (f) Aktual (A) Error (e=a-f) RSFE Kumulatif Absolute Error Kumulatif Absolute MAD Tracking Signal Error ,17-0, , ,78 1, ,6 1, , ,58 0,63 Gambar 3.3 Peta Kontrol Tracking Signal Metode Regresi Linier Perhitungan peta Moving Range dan Grafik dari metode dengan MAD terkecil. Hasil perhitungan peramalan dari seluruh metode selanjutnya dibandingkan keakuratannya. Metode yang menghasilkan nilai Mean Absolute Deviation (MAD) terendah akan diukur akurasinya dengan membuat peta kontrol moving range (MR). Metode yang menghasilkan nilai MAD terendah adalah metode regresi linier.

20 III-20 Tabel 3.10 Tabulasi Perhitungan Moving Range dengan Metode Regresi Linier Bulan Peramalan Penjualan Aktual A-F MR Absolute Januari Februari Maret April Mei Juni Juli Agustus September Oktober November Desember Total 29 Pembuatan peta kontrol moving range memerlukan nilai rata-rata Moving Range (MR ), Batas Kontrol Atas (BKA), dan Batas Kontrol Bawah (BKB). Perhitungan MR, BKA, dan BKB serta gambar peta kontrol moving range adalah sebagai berikut: MR = MR = 2,64 Perhitungan hasil dari keseluruhan tracking signal dapat diketahui pula untuk metode moving range. Moving range ini juga menampilkan juga dalam bentuk grafik. Grafik yang ditunjukkan dalam moving range dimana ditunjukkan dengan besaran A-f. A-f menunjukan selisih antara penjualan actual dengan peramalan regresi linier. Berikut ini adalah grafik moving range.

21 III-21 Gambar 3.4 Grafik Moving Range Berdasarkan Metode Regresi Linier Perhitungan dengan metode Weight Moving Averages dengan WinQSB. Hasil dari pengolahan software WinQSB untuk metode weighted moving average (WMA) pada forecasting method. Hasil tersebut dapat dilihat pada gambar 3.5. Software ini juga dapat menunjukkan grafik hasil peramalan yang dapat dilihat pada Gambar 3.6. Gambar 3.5 Output Software WinQSB Metode WMA

22 III-22 Gambar 3.6 Output Grafik Weight Moving Average Perhitungan dengan metode Single Exponential dengan WinQSB. Hasil dari pengolahan software WinQSB untuk metode single exponential smoothing (SES) pada forecasting method. Hasil tersebut dapat dilihat pada gambar 3.7. Software ini juga dapat menunjukkan grafik hasil peramalan yang dapat dilihat pada Gambar 3.8. Gambar 3.7 Perhitungan Software WinQSB Metode SES (α = 0,2)

23 III-23 Gambar 3.8 Output Grafik Single Exponential Smoothing α = 0, Perhitungan dengan metode Regresi Linier dengan WinQSB. Hasil dari pengolahan software WinQSB untuk metode regresi linier pada forecasting method. Hasil tersebut dapat dilihat pada gambar 3.9. Software ini juga dapat menunjukkan grafik hasil peramalan yang dapat dilihat pada Gambar Gambar 3.9 Perhitungan Software WinQSB Metode Regresi Linier

24 III-24 Gambar 3.10 Output Grafik Regresi Linier Analisis Peramalan Peramalan suatu produk diharuskan menggunakan data produksi terdahulu. Peramalan untuk produk lemari tas ini dilakukan selama 12 periode atau satu tahun. Perhitungan peramalan dilakukan dengan cara manual dan software. Metode yang digunakan ada 3, yaitu metode weight moving average, single exponential smoothing, dan regresi linier. Metode Weight Moving Average (WMA) memakai rata-rata bobot sebesar 3 untuk peramalan produk lemari tas. Nilai tersebut dapat meramalkan berdasarkan indeks waktu yang diramalkan dengan syarat minimal untuk nilai bobot tersebut ialah 2 dan menunjukkan bahwa peramalan pada bulan 1 sampai dengan bulan 3 telah dilakukan peramalan di tahun sebelumnya. Hasil peramalan untuk periode ke 4 dilakukan pertama kali karena memakai rata-rata bobot 3, yaitu sebesar 540,16 atau dibulatkan menjadi 541 unit yang berarti produksi lemari tas pada periode 4 adalah sebesar 541 unit. Periode berikutnya sampai periode ke 12 dapat dilihat pada Tabel 3.2. Pada tracking signal metode WMA ada 9 periode yang digunakan perhitungannya karena WMA

25 III-25 memiliki bobot 3 bulan maka 3 bulan awal tidak ada peramalan. Mean Absolute Deviation (MAD) atau rata-rata penyimpangan absolut pada metode WMA yang dilakukan dengan pengolahan data secara manual didapat hasil sebesar 2,22. Nilai MAD 2,22 diperoleh dari nilai absolut error dari nilai error. Nilai error sendiri merupakan nilai aktual dikurangi nilai peramalan. Gambar 3.1 peta kontrol tracking signal metode WMA menunjukkan bahwa data-data hasil peramalan tersebut dapat dikatakan baik karena tidak ada yang melewati ketetapan nilai BKA dan BKB, yaitu 4 dan -4. Berdasarkan perhitungan software nilai MAD dengan metode WMA didapatkan hasil sebesar 2,14. Jika dibandingkan dengan perhitungan manual terdapat selisih 0,08. Perbedaan 0,08 tidak terlalu signifikan bagi peramalan. Perbedaan nilai tersebut dikarenakan pembulatan angka dibelakang koma yang dilakukan pada perhitungan manual dan perhitungan software berbeda. Peramalan dengan menggunakan metode single exponential smoothing atau lebih singkatnya SES menggunakan nilai = 0,2. Nilai tersebut didapat dari perhitungan dengan menggunakan software WinQSB yang mencari nilai MAD paling kecil diantara nilai = 0,1 sampai = 0,9. Peramalan dengan menggunakan metode SES ini dilakukan dengan menggunakan nilai aktual data penjualan satu tahun sebelumnya. Hasil peramalan untuk periode 4 dengan menggunakan metode SES didapat hasil sebesar 540,18 atau dibulatkan menjadi 541 unit yang berarti produksi lemari tas pada periode 4 adalah sebesar 541 unit. Selengkapnya untuk peramalan dengan menggunakan metode SES dapat dilihat pada tabel 3.4. Metode SES juga dibuat tracking signal untuk mengetahui nilai MAD. Nilai MAD untuk = 0,2 adalah sebesar 1,83 merupakan MAD dengan nilai terkecil. Nilai MAD 1,83 diperoleh dari nilai absolut error dari nilai error. Nilai error sendiri

26 III-26 merupakan nilai aktual dikurangi nilai peramalan. Gambar 3.2 peta kontrol tracking signal metode SES menunjukkan bahwa data-data hasil peramalan tersebut dapat dikatakan baik karena tidak ada yang melewati ketetapan nilai BKA dan BKB yaitu 4 dan -4. Berdasarkan perhitungan software nilai MAD dengan metode SES = 0,2 didapatkan hasil sebesar 1,85. Jika dibandingkan dengan perhitungan manual terdapat selisih 0,02. Perbedaan 0,02 tidak terlalu signifikan bagi peramalan. Perbedaan nilai tersebut dikarenakan pembulatan angka di belakang koma yang dilakukan pada perhitungan manual dan perhitungan software berbeda. Hasil perhitungan manual dengan menggunakan metode regresi linier digunakan untuk mengetahui nilai peramalan untuk 24 periode secara langsung. Hasil peramalan untuk periode 16 adalah sebesar 539,65 unit yang dibulatkan menjadi 540 unit yang berarti produksi lemari tas pada periode 16 adalah sebesar 540 unit. Selengkapnya untuk peramalan dengan menggunakan metode regresi linier dapat dilihat pada tabel 3.5. Metode regresi linier juga dibuat tracking signal untuk mengetahui nilai MAD. Nilai MAD untuk metode regresi linier adalah sebesar 1,58. Nilai MAD 1,58 diperoleh dari nilai absolut error dari nilai error. Nilai error sendiri merupakan nilai aktual dikurangi nilai peramalan. Gambar 3.3 peta kontrol tracking signal metode regresi linier menunjukkan bahwa tidak ada data yang melewati batas kontrol baik atas maupun bawah. Berdasarkan perhitungan software nilai MAD dengan metode regresi linier didapatkan hasil sebesar 1,57. Jika dibandingkan dengan perhitungan manual terdapat selisih 0,01. Perbedaan 0,01 tidak terlalu signifikan bagi peramalan. Perbedaan nilai tersebut dikarenakan pembulatan angka di belakang koma yang dilakukan pada perhitungan manual dan perhitungan software berbeda.

27 III-27 Moving range merupakan suatu ukuran akurasi peramalan. Data-data yang digunakan untuk perhitungan moving range berdasarkan data peramalan dengan nilai MAD terkecil. Hasil peramalan berdasarkan tiga metode yang sebelumnya telah dihitung dan didapatkan hasil MAD terkecil yang terdapat pada metode regresi linier, yaitu sebesar 1,58. Tabel 3.10 moving range menunjukkan nilai peramalan berdasarkan metode regresi linier dengan data penjualan aktual. Kolom A-F merupakan kolom pengurangan nilai aktual dengan nilai peramalannya. Mencari nilai MR absolute setiap periodenya dengan perhitungan selisih forecasting t-1 dengan aktual t-1 dikurangi selisih forecasting t dengan aktual t. Lalu MR absolute dijumlahkan keseluruhnya didapat nilai sebesar 29, dari nilai tersebut dicari nilai BKA dan BKB yang masing-masing bernilai 7,02 dan -7,02. Grafik moving range digunakan agar memperjelas dan mempertegas hasil peramalan yang diplotkan pada grafik. Berdasarkan grafik moving range dapat disimpulkan bahwa tidak ada nilai yang keluar dari BKA dan BKB yang artinya data hasil peramalan yang dibuat antara data aktual dan data peramalan tidak ada perbedaan yang signifikan. Perhitungan pun memiliki hasil yang berbeda dari hasil grafik yang dibentuk berdasarkan hasil perhitungan dari masingmasing metode, seperti metode weight moving average, single exponential smoothing, dan regresi linier. Hasil yang ditunjukkan dalam grafik untuk metode weight moving average, yaitu bersifat fluktuatif dimana peramalan akan diprediksi atau diramalkan untuk bulan ke 4 sampai ke bulan yang 13 karena memiliki bobot 3. Bobot 3 tersebut menunjukkan bahwa peramalan pada bulan 1 sampai dengan bulan 3 telah dilakukan peramalan di tahun sebelumnya. Hal ini menunjukkan bahwa peramalan dalam

28 III-28 metode weight moving average di bulan-bulan tertentu pun diramalkan atau diprediksi akan mengalami penurunan di bulan ke 8 dan kenaikan di bulan ke 10. Penyebab terjadinya penurunan pada bulan ke 8 disebabkan oleh faktor lain, seperti permintaan pasar akan menurun sehingga dalam hal ini permintaan pasar akan menurun 2 unit dari data aktual yang 8 bulan yang lalu dimana berjumlah 540 unit, sedangkan kenaikan yang terjadi pada bulan ke 10 dimana permintaan naik sebanyak 1 unit dari data aktual yang berjumlah 541 unit. Hasil yang ditunjukkan dalam grafik dengan metode single exponential smoothing, yaitu bersifat fluktuatif dimana data peramalan untuk bulan ke 2 sampai ke bulan yang 12 tidak selalu sama dengan data peramalan sebelumnya (data aktual). Hal ini menyatakan bahwa peramalan yang ditunjukkan di bulan 1 telah dilakukan peramalan di tahun sebelumnya. Hal ini menunjukkan bahwa peramalan dalam metode single exponential smoothing di bulan-bulan tertentu pun diramalkan atau diprediksi akan mengalami penurunan di bulan yang ditentukan grafik metode single exponential smoothing. Penurunan permintaan yang akan diramalkan tersebut sebanyak 2 unit sedangkan permintaan akan menaikkan sampai 3 unit, sehingga peramalan yang dilakukan dalam metode single exponential smoothing sangat bersifat fluktuatif atau kejadian ini memiliki persentase yang cukup besar, yaitu 0,3% maka dalam hal ini masih belum dapat ditentukan. Hasil yang ditunjukkan dalam grafik dengan metode regresi linier, yaitu bersifat linier dimana data peramalan untuk bulan ke 1 sampai ke bulan yang 12 merata atau linier dengan data peramalan sebelumnya (data aktual). Hal ini menyatakan bahwa peramalan dilakukan selama 12 bulan penuh. Grafik untuk peramalan regresi linier di bulan tertentu bersifat merata sehingga

29 III-29 menunjukkan bahwa ramalan tidak jauh dari permintaan 12 bulan lalu (data aktual). Peramalan untuk metode regresi linier dimana permintaan sebanyak 540 unit, dengan persentase peramalan sebesar, yaitu 0,2%. Hal ini dalam suatu peramalan dapat dikatakan metode yang terbaik, yaitu jika memiliki persentase yang lebih kecil, maka metode yang terpilih adalah metode regresi linier. Peramalan untuk lemari tas ini dimana metode yang terpilih adalah regresi linier, karena regresi linier merupakan peramalan yang dilakukan selama 12 bulan penuh. Perbandingan dengan metode lain pun dimana peramalan hanya dilakukan di bulan tertentu atau bulan yang sudah ditentukan dalam peramalan sehingga dalam keakuratannya untuk metode regresi linier cukup baik, yaitu bernilai 0,2%.

BAB III PERAMALAN. Praktikum Sistem Produksi ATA 2014/2015

BAB III PERAMALAN. Praktikum Sistem Produksi ATA 2014/2015 BAB III PERAMALAN 3.1 Landasan Teori Peramalan merupakan suatu bentuk usaha untuk meramalkan keadaan di masa mendatang melalui pengujian keadaan di masa lalu. Esensi peramalan adalah perkiraan peristiwa-peristiwa

Lebih terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI BAB II LANDASAN TEORI 2.1 Konsep Peramalan Peramalan ( forecasting) merupakan alat bantu yang penting dalam perencanaan yang efektif dan efisien khususnya dalam bidang ekonomi. Dalam organisasi modern

Lebih terperinci

BAB III TINJAUAN PUSTAKA

BAB III TINJAUAN PUSTAKA BAB III TINJAUAN PUSTAKA 3.1 Teori Dunia industri biasanya tak lepas dari suatu peramalan, hal ini disebabkan bahwa peramalan dapat memprediksi kejadian di masa yang akan datang untuk mengambil keputusan

Lebih terperinci

Team project 2017 Dony Pratidana S. Hum Bima Agus Setyawan S. IIP

Team project 2017 Dony Pratidana S. Hum Bima Agus Setyawan S. IIP Hak cipta dan penggunaan kembali: Lisensi ini mengizinkan setiap orang untuk menggubah, memperbaiki, dan membuat ciptaan turunan bukan untuk kepentingan komersial, selama anda mencantumkan nama penulis

Lebih terperinci

Pembahasan Materi #7

Pembahasan Materi #7 1 EMA402 Manajemen Rantai Pasokan Pembahasan 2 Pengertian Moving Average Alasan Tujuan Jenis Validitas Taksonomi Metode Kualitatif Metode Kuantitatif Time Series Metode Peramalan Permintaan Weighted Woving

Lebih terperinci

METODE KUANTITATIF, MENGGUNAKAN BERBAGAI MODEL MATEMATIS YANG MENGGUNAKAN DATA HISTORIES DAN ATAU VARIABLE-VARIABEL KAUSAL UNTUK MERAMALKAN

METODE KUANTITATIF, MENGGUNAKAN BERBAGAI MODEL MATEMATIS YANG MENGGUNAKAN DATA HISTORIES DAN ATAU VARIABLE-VARIABEL KAUSAL UNTUK MERAMALKAN METODE KUANTITATIF, MENGGUNAKAN BERBAGAI MODEL MATEMATIS YANG MENGGUNAKAN DATA HISTORIES DAN ATAU VARIABLE-VARIABEL KAUSAL UNTUK MERAMALKAN Peramalan kuantitatif hanya dapat digunakan apabila terdapat

Lebih terperinci

Matakuliah : Ekonomi Produksi Peternakan Tahun : Oleh. Suhardi, S.Pt.,MP

Matakuliah : Ekonomi Produksi Peternakan Tahun : Oleh. Suhardi, S.Pt.,MP Matakuliah : Ekonomi Produksi Peternakan Tahun : 2014 Oleh. Suhardi, S.Pt.,MP 1 Pada akhir pertemuan ini, diharapkan mahasiswa akan mampu : Menunjukkan jenis Peramalan Menggunakan Metode Peramalan Kuantitatif

Lebih terperinci

PERAMALAN (FORECASTING)

PERAMALAN (FORECASTING) #3 - Peramalan (Forecasting) #1 1 PERAMALAN (FORECASTING) EMA302 Manajemen Operasional Pengertian (1) 2 Oxford Dictionary, Forecast is a statement about what will happen in the future, based on information

Lebih terperinci

BAB 3 LANGKAH PEMECAHAN MASALAH

BAB 3 LANGKAH PEMECAHAN MASALAH 49 BAB 3 LANGKAH PEMECAHAN MASALAH 3.1 Penetapan Standar Optimasi Dasar evaluasi untuk mengoptimalkan supply chain management pada Honda Tebet (PT. Setianita Megah Motor) dari proses bisnis perusahaan

Lebih terperinci

BAB 2 TINJAUAN TEORITIS

BAB 2 TINJAUAN TEORITIS BAB 2 TINJAUAN TEORITIS 2.1. Peramalan 2.1.1. Pengertian dan Kegunaan Peramalan Peramalan (forecasting) menurut Sofjan Assauri (1984) adalah kegiatan memperkirakan apa yang akan terjadi pada masa yang

Lebih terperinci

PERENCANAAN PRODUKSI MINYAK TELON UKURAN 100 ML DENGAN METODE TIME SERIES DI PT. MERPATI MAHARDIKA

PERENCANAAN PRODUKSI MINYAK TELON UKURAN 100 ML DENGAN METODE TIME SERIES DI PT. MERPATI MAHARDIKA Teknologi ISSN 1858-4993 JURNAL ILMIAH DAN TEKNOLOGI PERENCANAAN PRODUKSI MINYAK TELON UKURAN 100 ML DENGAN METODE TIME SERIES DI PT. MERPATI MAHARDIKA Dosen Program Studi Teknik Industri Universitas Pamulang

Lebih terperinci

BAB III LANDASAN TEORI

BAB III LANDASAN TEORI BAB III LANDASAN TEORI 3.1 Definisi Peramalan Peramalan adalah suatu proses dalam menggunakan data historis yang telah dimiliki untuk diproyeksikan ke dalam suatu model peramalan. Dengan model peramalan

Lebih terperinci

2.4 Pemilihan Metode Peramalan

2.4 Pemilihan Metode Peramalan 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.

Lebih terperinci

Manajemen Operasional. PERAMALAN (Forecasting)

Manajemen Operasional. PERAMALAN (Forecasting) Manajemen Operasional PERAMALAN (Forecasting) Putri Irene Kanny Putri_irene@staff.gunadarma.ac.id Sub Pokok bahasan pertemuan ke-3 Prediksi dan Peramalan Jenis-jenis Metode Peramalan Metode deret berkala

Lebih terperinci

Team project 2017 Dony Pratidana S. Hum Bima Agus Setyawan S. IIP

Team project 2017 Dony Pratidana S. Hum Bima Agus Setyawan S. IIP Hak cipta dan penggunaan kembali: Lisensi ini mengizinkan setiap orang untuk menggubah, memperbaiki, dan membuat ciptaan turunan bukan untuk kepentingan komersial, selama anda mencantumkan nama penulis

Lebih terperinci

MATERI 3 PER E AM A AL A AN

MATERI 3 PER E AM A AL A AN MATERI 3 PERAMALAN APAKAH PERAMALAN ITU? Peramalan (Forecasting) : Seni dan ilmu memprediksi peristiwa- peristiwa masa depan. Peramalan memerlukan pengambilan data historis dan memproyeksikannya ke masa

Lebih terperinci

PERAMALAN PRODUKSI SARUNG TENUN DENGAN MENGGUNAKAN METODE PEMULUSAN DATA

PERAMALAN PRODUKSI SARUNG TENUN DENGAN MENGGUNAKAN METODE PEMULUSAN DATA PERAMALAN PRODUKSI SARUNG TENUN DENGAN MENGGUNAKAN METODE PEMULUSAN DATA Weny Indah Kusumawati Program Studi Sistem Komputer, Institut Bisnis dan Informatika Stikom Surabaya email: weny@stikom.edu Abstrak

Lebih terperinci

EMA302 Manajemen Operasional

EMA302 Manajemen Operasional 1 PERAMALAN (FORECASTING) EMA302 Manajemen Operasional Pengertian (1) 2 Oxford Dictionary, Forecast is a statement about what will happen in the future, based on information that is available now. (Peramalan

Lebih terperinci

PERAMALAN (FORECASTING) #2

PERAMALAN (FORECASTING) #2 #4 - Peramalan (Forecasting) #2 1 PERAMALAN (FORECASTING) #2 EMA302 Manajemen Operasional Model Trend Linear Multiplicative 2 Kecenderungan (trend). Komponen musiman (seasonal): rasio untuk model trend.

Lebih terperinci

Universitas Gunadarma PERAMALAN

Universitas Gunadarma PERAMALAN PERAMALAN PERAMALAN Kebutuhan Peramalan dalam Manajemen Produksi dan Operasi Manajemen Operasi/produksi menggunakan hasil-hasil peramalan dalam pembuatan keputusan-keputusan yang menyangkut pemilihan proses,

Lebih terperinci

LABORATORIUM STATISTIK DAN OPTIMASI INDUSTRI MODUL VIII ( TIME SERIES FORECASTING

LABORATORIUM STATISTIK DAN OPTIMASI INDUSTRI MODUL VIII ( TIME SERIES FORECASTING FAKULTAS TEKNOLOGI INDUSTRI PROGRAM STUDI TEKNIK INDUSTRI UNIVERSITAS PEMBANGUNAN NASIONAL VETERAN JAWA TIMUR LAPORAN RESMI MODUL VIII TIME SERIES FORECASTING I. Pendahuluan A. LatarBelakang (Min. 1 halaman)

Lebih terperinci

TINJAUAN PUSTAKA. Prediksi pada dasarnya merupakan dugaan atau prediksi mengenai terjadinya

TINJAUAN PUSTAKA. Prediksi pada dasarnya merupakan dugaan atau prediksi mengenai terjadinya II. TINJAUAN PUSTAKA 2.1 Prediksi Prediksi pada dasarnya merupakan dugaan atau prediksi mengenai terjadinya suatu kejadian atau peristiwa di waktu yang akan datang. Prediksi bisa bersifat kualitatif (tidak

Lebih terperinci

BAB 2 LANDASAN TEORI. Produksi jagung merupakan hasil bercocok tanam, dimana dilakukan penanaman bibit

BAB 2 LANDASAN TEORI. Produksi jagung merupakan hasil bercocok tanam, dimana dilakukan penanaman bibit BAB 2 LANDASAN TEORI 2.1 Pengertian Produksi Produksi jagung merupakan hasil bercocok tanam, dimana dilakukan penanaman bibit tanaman pada lahan yang telah disediakan, pemupukan dan perawatan sehingga

Lebih terperinci

BAB II TINJAUAN PUSTAKA. estimasi data yang akan datang. Peramalan atau Forecasting merupakan bagian

BAB II TINJAUAN PUSTAKA. estimasi data yang akan datang. Peramalan atau Forecasting merupakan bagian BAB II TINJAUAN PUSTAKA 2.1 Landasan Teori 2.1.1 Peramalan Peramalan adalah data di masa lalu yang digunakan untuk keperluan estimasi data yang akan datang. Peramalan atau Forecasting merupakan bagian

Lebih terperinci

BAB 2 LANDASAN TEORITIS

BAB 2 LANDASAN TEORITIS BAB 2 LANDASAN TEORITIS 2.1 Pengertian Peramalan Peramalan (forecasting) adalah kegiatan memperkirakan atau memprediksikan apa yang akan terjadi pada masa yang akan datang dengan waktu yang relative lama.

Lebih terperinci

Aplikasi Sistem Informasi Forecasting pada PD. Maha Jaya. Teknik Informatika 1 Teknik Industri 2 Universitas Kristen Petra Surabaya

Aplikasi Sistem Informasi Forecasting pada PD. Maha Jaya. Teknik Informatika 1 Teknik Industri 2 Universitas Kristen Petra Surabaya Aplikasi Sistem Informasi Forecasting pada PD. Maha Jaya Rudy Adipranata 1, Tanti Octavia 2, Andi Irawan 1 Teknik Informatika 1 Teknik Industri 2 Universitas Kristen Petra Surabaya Pendahuluan Pentingnya

Lebih terperinci

KATA PENGANTAR. Malang, Mei Penyusun

KATA PENGANTAR. Malang, Mei Penyusun KATA PENGANTAR Puji syukur penyusun panjatkan kepada Tuhan Yang Maha Esa karena atas karunia-nya penyusun dapat menyelesaikan laporan Kuliah Kerja Nyata - Praktik (KKN-P) ini dengan baik. Laporan KKN-P

Lebih terperinci

SISTEM PERAMALAN PERSEDIAAN UNIT MOBIL MITSUBISHI PADA PT. SARDANA INDAH BERLIAN MOTOR DENGAN MENGGUNAKAN METODE EXPONENTIAL SMOOTHING

SISTEM PERAMALAN PERSEDIAAN UNIT MOBIL MITSUBISHI PADA PT. SARDANA INDAH BERLIAN MOTOR DENGAN MENGGUNAKAN METODE EXPONENTIAL SMOOTHING SISTEM PERAMALAN PERSEDIAAN UNIT MOBIL MITSUBISHI PADA PT. SARDANA INDAH BERLIAN MOTOR DENGAN MENGGUNAKAN METODE EXPONENTIAL SMOOTHING Afni Sahara (0911011) Mahasiswa Program Studi Teknik Informatika,

Lebih terperinci

PENGENDALIAN PERSEDIAAN BAHAN BAKU BAJA MS DI DIREKTORAT PRODUKSI ATMI CIKARANG

PENGENDALIAN PERSEDIAAN BAHAN BAKU BAJA MS DI DIREKTORAT PRODUKSI ATMI CIKARANG PENGENDALIAN PERSEDIAAN BAHAN BAKU BAJA MS DI DIREKTORAT PRODUKSI ATMI CIKARANG Siti Rohana Nasution 1, Temotius Agung Lukito 2 1,2) Jurusan Teknik Industri Fakultas Teknik Universitas Pancasila 1) nasutionana@yahoo.co.id,

Lebih terperinci

BAB 3 PRAKIRAAAN dan PERAMALAN PRODUKSI. Dalam Manajemen Operasional, mengapa perlu ada peramalan produksi?

BAB 3 PRAKIRAAAN dan PERAMALAN PRODUKSI. Dalam Manajemen Operasional, mengapa perlu ada peramalan produksi? BAB 3 PRAKIRAAAN dan PERAMALAN PRODUKSI Dalam Manajemen Operasional, mengapa perlu ada peramalan produksi? a. Ada ketidak-pastian aktivitas produksi di masa yag akan datang b. Kemampuan & sumber daya perusahaan

Lebih terperinci

SI403 Riset Operasi Suryo Widiantoro, MMSI, M.Com(IS)

SI403 Riset Operasi Suryo Widiantoro, MMSI, M.Com(IS) SI403 Riset Operasi Suryo Widiantoro, MMSI, M.Com(IS) Mahasiswa mampu melakukan perencanaan untuk memastikan kelancaran operasi rantai pasok 1. Peramalan dalam organisasi 2. Pola permintaan 3. Metode peramalan

Lebih terperinci

BAB II LANDASAN TEORI. Sistem informasi terdiri dari input, proses, dan output, seperti yang terlihat pada

BAB II LANDASAN TEORI. Sistem informasi terdiri dari input, proses, dan output, seperti yang terlihat pada BAB II LANDASAN TEORI 2.1 Konsep Sistem Informasi Sebelum merancang sistem perlu dikaji konsep dan definisi dari sistem.. Sistem informasi terdiri dari input, proses, dan output, seperti yang terlihat

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB 2 LADASA TEORI 2.1 Peramalan (forecasting) 2.1.1. Hubungan Forecast dengan Rencana Forecast adalah peramalan apa yang akan terjadi pada waktu yang akan datang, sedang rencana merupakan penentuan apa

Lebih terperinci

PENERAPAN METODE PERAMALAN SEBAGAI ALAT BANTU UNTUK MENENTUKAN PERENCANAAN PRODUKSI DI PT. SKK

PENERAPAN METODE PERAMALAN SEBAGAI ALAT BANTU UNTUK MENENTUKAN PERENCANAAN PRODUKSI DI PT. SKK PENERAPAN METODE PERAMALAN SEBAGAI ALAT BANTU UNTUK MENENTUKAN PERENCANAAN PRODUKSI DI PT. SKK Widhy Wahyani, Achmad Syaichu Jurusan Teknik Industri STT POMOSDA Nganjuk, Jawa Timur syaichu07@gmail.com

Lebih terperinci

PERAMALAN PENJUALAN TIKET PESAWAT PADA CV. VIDO JAYA TOUR DAN TRAVEL

PERAMALAN PENJUALAN TIKET PESAWAT PADA CV. VIDO JAYA TOUR DAN TRAVEL PERAMALAN PENJUALAN TIKET PESAWAT PADA CV. VIDO JAYA TOUR DAN TRAVEL Nama : Awalludin Ma rifatullah Idhofi NPM : 11212269 Jurusan : Manajemen Pembimbing : Dr. Dra. Peni Sawitri, MM PENDAHULUAN Latar Belakang

Lebih terperinci

BAB II TINJAUAN PUSTAKA. bidang manufaktur, suatu peramalan (forecasting) sangat diperlukan untuk

BAB II TINJAUAN PUSTAKA. bidang manufaktur, suatu peramalan (forecasting) sangat diperlukan untuk BAB II TINJAUAN PUSTAKA 2.1. Peramalan 2.1.1 Pengertian Peramalan Di dalam melakukan suatu kegiatan dan analisis usaha atau produksi bidang manufaktur, suatu peramalan (forecasting) sangat diperlukan untuk

Lebih terperinci

BAB III METODOLOGI PENELITIAN

BAB III METODOLOGI PENELITIAN BAB III METODOLOGI PENELITIAN 1.1 Tempat Penelitian Penelitian ini dilakukan di PT. Aetra Air Jakarta, Jl. Jend. Sudirman Ged. Sampoerna Strategic Square. 1.2 Obyek Penelitian Objek penelitian dilakukan

Lebih terperinci

BAB IV METODE PENELITIAN

BAB IV METODE PENELITIAN BAB IV METODE PENELITIAN 4.1. Desain Penelitian Dari uraian latar belakang masalah, penelitian ini dikategorikan ke dalam penelitian kasus dan penelitian lapangan. Menurut Rianse dan Abdi dalam Surip (2012:33)

Lebih terperinci

Peramalan (Forecasting)

Peramalan (Forecasting) Peramalan (Forecasting) Peramalan (forecasting) merupakan suatu proses perkiraan keadaan pada masa yang akan datang dengan menggunakan data di masa lalu (Adam dan Ebert, 1982). Awat (1990) menjelaskan

Lebih terperinci

ANALISIS PERAMALAN PENJUALAN DAN KAITANNYA DALAM PERAMALAN LABA PADA PD. RAMATEX. Nama : Desty Trisnayannis NPM :

ANALISIS PERAMALAN PENJUALAN DAN KAITANNYA DALAM PERAMALAN LABA PADA PD. RAMATEX. Nama : Desty Trisnayannis NPM : ANALISIS PERAMALAN PENJUALAN DAN KAITANNYA DALAM PERAMALAN LABA PADA PD. RAMATEX Nama : Desty Trisnayannis NPM : 21210860 Latar Belakang Dalam dunia usaha, perusahaan harus memperkirakan hal-hal yang terjadi

Lebih terperinci

BAB III METODE PENELITIAN. Indonesia yaitu PT. Indosat, Tbk yang beralamat di jalan Daan Mogot KM 11

BAB III METODE PENELITIAN. Indonesia yaitu PT. Indosat, Tbk yang beralamat di jalan Daan Mogot KM 11 BAB III METODE PENELITIAN A. Waktu dan Tempat Penelitian 3.1 Lokasi dan Waktu Penelitian Penelitian ini dilakukan di salah satu perusahaan telekomunikasi di Indonesia yaitu PT. Indosat, Tbk yang beralamat

Lebih terperinci

PERAMALAN (Forecasting)

PERAMALAN (Forecasting) Manajemen Operasional PERAMALAN (Forecasting) Putri Irene Kanny Putri_irene@staff.gunadarma.ac.id Sub Pokok bahasan pertemuan ke-3 Prediksi dan Peramalan Jenis-jenis Metode Peramalan Metode deret berkala

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB 2 LANDASAN TEORI 2.1. Uji Kecukupan Sampel Dalam melakukan penelitian terhadap populasi yang sangat besar, kita perlu melakukan suatu penarikan sampel. Hal ini dikarenakan tidak selamanya kita dapat

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB LANDASAN TEORI.1. Pengertian Peramalan Peramalan adalah kegiatan untuk memperkirakan apa yang akan terjadi di masa yang akan datang. Sedangkan ramalan adalah suatu situasi atau kondisi yang diperkirakan

Lebih terperinci

BAB III METODOLOGI. Jenis data Data Cara pengumpulan Sumber data 1. Jenis dan jumlah produk yang dihasilkan

BAB III METODOLOGI. Jenis data Data Cara pengumpulan Sumber data 1. Jenis dan jumlah produk yang dihasilkan BAB III METODOLOGI 3.1 Waktu dan Lokasi Penelitian Kegiatan penelitian ini dilaksanakan pada Bulan April 2011 sampai Mei 2011 di PT. Pindo Deli Pulp and Paper di bagian Paper machine 12. Lokasi Industri

Lebih terperinci

BAB 3 METODE PENELITIAN. Dalam skripsi yang penulis lakukan ini menggunakan analisa forecasting dari

BAB 3 METODE PENELITIAN. Dalam skripsi yang penulis lakukan ini menggunakan analisa forecasting dari BAB 3 METODE PENELITIAN 3.1 Desain Penelitan Dalam skripsi yang penulis lakukan ini menggunakan analisa forecasting dari PT. Honda Dunia Motorindo. Setelah itu dengan analisa tersebut, penulis berusaha

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB 2 LADASA TEORI 2.1 Pengertian Peramalan Peramalan adalah kegiatan mengestimasi apa yang akan terjadi pada masa yang akan datang dengan waktu yang relatif lama (assaury, 1991). Sedangkan ramalan adalah

Lebih terperinci

BAB IV METODE PERAMALAN

BAB IV METODE PERAMALAN Metode Peramalan 15 BAB METODE PERAMALAN 4.1 Model Sederhana Data deret waktu Nilai-nilai yang disusun dari waktu ke waktu tersebut disebut dengan data deret waktu (time series). Di dunia bisnis, data

Lebih terperinci

Perkapalan Negeri Surabaya, Surabaya Program Studi Teknik Otomasi, Jurusan Teknik Kelistrikan Kapal, Politeknik Perkapalan Negeri

Perkapalan Negeri Surabaya, Surabaya Program Studi Teknik Otomasi, Jurusan Teknik Kelistrikan Kapal, Politeknik Perkapalan Negeri Perbandingan Metode Autoregressive Integrated Moving Average (ARIMA) dan Exponential Smoothing pada Peramalan Penjualan Klip (Studi Kasus PT. Indoprima Gemilang Engineering) Aditia Rizki Sudrajat 1, Renanda

Lebih terperinci

BAB 2 LANDASAN TEORI. Peramalan (forecasting) adalah kegiatan memperkirakan atau memprediksi apa. situasi dan kondisi di masa yang akan datang.

BAB 2 LANDASAN TEORI. Peramalan (forecasting) adalah kegiatan memperkirakan atau memprediksi apa. situasi dan kondisi di masa yang akan datang. BAB 2 LANDASAN TEORI 2.1 Peramalan Peramalan (forecasting) adalah kegiatan memperkirakan atau memprediksi apa yang akan terjadi pada masa yang akan datang dengan waktu yang relatif lama. Sedangkan ramalan

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI 7 BAB 2 LANDASAN TEORI 2.1 Pengertian Peramalan Peramalan sering dipandang sebagai seni dan ilmu dalam memprediksikan kejadian yang mungkin dihadapi pada masa yang akan datang. Secara teoritis peramalan

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB 2 LANDASAN TEORI 2.1 Pengertian Peramalan Peramalan (forecasting) adalah kegiatan memperkirakan atau memprediksi apa yang akan terjadi pada masa yang akan datang dengan waktu yang relatif lama. Sedangkan

Lebih terperinci

BAB III METODE PEMULUSAN EKSPONENSIAL HOLT-WINTER DAN METODE DEKOMPOSISI KLASIK

BAB III METODE PEMULUSAN EKSPONENSIAL HOLT-WINTER DAN METODE DEKOMPOSISI KLASIK BAB III METODE PEMULUSAN EKSPONENSIAL HOLT-WINTER DAN METODE DEKOMPOSISI KLASIK 3.1 Metode Pemulusan Eksponensial Holt-Winter Metode rata-rata bergerak dan pemulusan Eksponensial dapat digunakan untuk

Lebih terperinci

PERAMALAN (FORECASTING)

PERAMALAN (FORECASTING) PERAMALAN (FORECASTING) Apakah Peramalan itu? Peramalan (forecasting) adalah seni dan ilmu untuk memperkirakan kejadian di masa depan. Dapat dilakukan dengan melibatkan pengambilan data historis dan memproyeksikannya

Lebih terperinci

BAB 2 LANDASAN TEORI. sama setiap hrinya. Pada bulan-bulan tertentu curah hujan sangat tinggi dan pada

BAB 2 LANDASAN TEORI. sama setiap hrinya. Pada bulan-bulan tertentu curah hujan sangat tinggi dan pada BAB 2 LANDASAN TEORI 2.1 Curah Hujan Hujan sangat diperlukan diberbagai penjuru masyarakat. Curah hujan tidak selalu sama setiap hrinya. Pada bulan-bulan tertentu curah hujan sangat tinggi dan pada bulan-bulan

Lebih terperinci

Analisis Peramalan Permintaan Kemasan Karton Box Gelombang Pada PT. Multibox Indah

Analisis Peramalan Permintaan Kemasan Karton Box Gelombang Pada PT. Multibox Indah Analisis Peramalan Permintaan Kemasan Karton Box Gelombang Pada PT. Multibox Indah Jaka Satya Bhakti 14213595 Dosen Pembimbing : Supriyo Hartadi. W., S.E., M.M. PENDAHULUAN Latar Belakang Dalam bauran

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB 2 LANDASAN TEORI 2.1 Manajemen 2.1.1 Pengertian Manajemen Manajemen berasal dari bahasa kata to manage yang artinya mengatur atau mengelola. Pengaturan dilakukan melalui proses dan diatur berdasarkan

Lebih terperinci

PERAMALAN (FORECASTING) #2

PERAMALAN (FORECASTING) #2 PERAMALAN (FORECASTING) #2 Materi #4 EMA302 Manajemen Operasional Model Simple Linear Regression (1) 2 Model simple linear regression berusaha untuk menyesuaikan garis melalui berbagai data dari waktu

Lebih terperinci

ANALISIS PERAMALAN PENJUALAN KANTOR PERCETAKAN DAN PERDAGANGAN UMUM CV AGUNG BEKASI TIMUR

ANALISIS PERAMALAN PENJUALAN KANTOR PERCETAKAN DAN PERDAGANGAN UMUM CV AGUNG BEKASI TIMUR ANALISIS PERAMALAN PENJUALAN KANTOR PERCETAKAN DAN PERDAGANGAN UMUM CV AGUNG BEKASI TIMUR NAMA : GALANG INDRAS SUWANTO NPM : 12210908 JURUSAN : MANAJEMEN PEMBIMBING : SUPRIYO HARTADI, W. SE. MM LATAR BELAKANG

Lebih terperinci

BAB VIII KESIMPULAN DAN SARAN

BAB VIII KESIMPULAN DAN SARAN BAB VIII KESIMPULAN DAN SARAN 8.1 Kesimpulan Kesimpulan merupakan jawaban dari tujuan yang telah dirumuskan sebelumnya. Kesimpulan ini diambil dari modul OPC, APC, struktur produk, dan BOM, Peramalan,

Lebih terperinci

PERAMALAN PENJUALAN OBAT MENGGUNAKAN METODE SINGLE EXPONENTIAL SMOOTHING PADA TOKO OBAT BINTANG GEURUGOK

PERAMALAN PENJUALAN OBAT MENGGUNAKAN METODE SINGLE EXPONENTIAL SMOOTHING PADA TOKO OBAT BINTANG GEURUGOK PERAMALAN PENJUALAN OBAT MENGGUNAKAN METODE SINGLE EXPONENTIAL SMOOTHING PADA TOKO OBAT BINTANG GEURUGOK Sayed Fachrurrazi, S.Si., M.Kom Program Studi Teknik Informatika, Universitas Malikussaleh Reuleut,

Lebih terperinci

Sistem Peramalan Harga Emas Antam Menggunakan Double Exponential Smoothing

Sistem Peramalan Harga Emas Antam Menggunakan Double Exponential Smoothing Sistem Peramalan Harga Emas Antam Menggunakan Double Exponential Smoothing Teguh Andriyanto Sistem Informasi Universitas Nusantara PGRI Kediri Kediri, Indonesia E-mail: teguh@ unpkediri.ac.id Abstrak Emas

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB 2 LANDASAN TEORI Pada bab ini akan dijelaskan teori-teori yang menjadi dasar dan landasan dalam penelitian sehingga membantu mempermudah pembahasan selanjutnya. Teori tersebut meliputi arti dan peranan

Lebih terperinci

Febriyanto, S.E., M.M.

Febriyanto, S.E., M.M. METODE PERAMALAN PERMINTAAN Metode bebas (freehand method) Metode setengah ratarata (semi average method) Metode ratarata bergerak (moving average method) Metode kwadrat terkecil (least quares method)

Lebih terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI 2.1 Pengertian Optimalisasi BAB II LANDASAN TEORI Menurut Kamus Besar Bahasa Indonesia (2008, p. 986), Optimalisasi adalah proses, cara dan perbuatan untuk mengoptimalkan (menjadikan paling baik, paling

Lebih terperinci

BAB IV PENGUMPULAN DAN PENGOLAHAN DATA

BAB IV PENGUMPULAN DAN PENGOLAHAN DATA BAB IV PENGUMPULAN DAN PENGOLAHAN DATA 4.1 Pengumpulan Data Pengumpulan data yang dilakukan dengan cara pengamatan dari dokumen perusahaan. Data yang di perlukan meliputi data penjualan produk Jamur Shiitake,

Lebih terperinci

Nama : Rian Surya Aji NPM : Jurusan : Manajemen Pembimbing : Martani, SE, MM.,

Nama : Rian Surya Aji NPM : Jurusan : Manajemen Pembimbing : Martani, SE, MM., ANALISIS PERAMALAN PENJUALAN TERHADAP PENJUALAN DEPOT AIR CV. RAYA AIR DENGAN MENGUNAKAN METODE MA (MOVING AVERAGE), WMA (WEIGHT MOVING AVERAGE), ES (EXPONENTIAL SMOOTHING), TREND LINEAR Nama : Rian Surya

Lebih terperinci

APLIKASI PERAMALAN PENGADAAN BARANG DENGAN METODE TREND PROJECTION DAN METODE SINGLE EXPONENTIAL SMOOTHING (STUDI KASUS DI TOKO PIONIR JAYA)

APLIKASI PERAMALAN PENGADAAN BARANG DENGAN METODE TREND PROJECTION DAN METODE SINGLE EXPONENTIAL SMOOTHING (STUDI KASUS DI TOKO PIONIR JAYA) APLIKASI PERAMALAN PENGADAAN BARANG DENGAN METODE TREND PROJECTION DAN METODE SINGLE EXPONENTIAL SMOOTHING (STUDI KASUS DI TOKO PIONIR JAYA) Evi Dewi Sri Mulyani 1, Egi Badar Sambani 2, Rian Cahyana 3

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI 20 BAB 2 LANDASAN TEORI 2.1 Peramalan 2.1.1 Pengertian Peramalan Peramalan adalah pemikiran terhadap suatu besaran, misalnya permintaan terhadap satu atau beberapa produk pada periode yang akan datang.

Lebih terperinci

BAB 2 LANDASAN TEORI. Peramalan (Forecasting) adalah suatu kegitan yang memperkirakan apa yang akan

BAB 2 LANDASAN TEORI. Peramalan (Forecasting) adalah suatu kegitan yang memperkirakan apa yang akan BAB 2 LANDASAN TEORI 2.1 Pengertian Peramalan Peramalan (Forecasting) adalah suatu kegitan yang memperkirakan apa yang akan terjadi pada masa yang akan datang dengan waktu yang relatif lama. Kegunaan peramalan

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB 2 LANDASAN TEORI 2.1. Produksi Produksi padi merupakan salah satu hasil bercocok tanam yang dilakukan dengan penanaman bibit padi dan perawatan serta pemupukan secara teratur sehingga menghasilkan

Lebih terperinci

BAB IV ANALISA DAN PEMBAHASAN. 4.1 Indentifikasi Pola Permintaan Data Historis 2011 dan Perhitungan Model

BAB IV ANALISA DAN PEMBAHASAN. 4.1 Indentifikasi Pola Permintaan Data Historis 2011 dan Perhitungan Model BAB IV ANALISA DAN PEMBAHASAN 4.1 Indentifikasi Pola Permintaan Data Historis 2011 dan Perhitungan Model Peramalan Data yang diambil untuk penelitian adalah data permintaan produk MCSet AD1 12.5kV pada

Lebih terperinci

ANALISIS KEBUTUHAN LPG 3 KG DI KECAMATAN TANAH SAREAL KOTA BOGOR

ANALISIS KEBUTUHAN LPG 3 KG DI KECAMATAN TANAH SAREAL KOTA BOGOR ANALISIS KEBUTUHAN LPG 3 KG DI KECAMATAN TANAH SAREAL KOTA BOGOR Ahmad Iqomatuddin Jurusan Teknik Industri, Fakultas Teknologi Industri, Universitas Gunadarma Depok Jalan Margonda Raya 100, Depok 16424

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB 2 LANDASAN TEORI 2.1 Peramalan Peramalan merupakan usaha yang dilakukan oleh suatu perusahaan untuk melihat dan mengkaji situasi dan kondisi di masa mendatang. Terdapat beberapa faktor yang mempengaruhi

Lebih terperinci

SEMINAR NASIONAL MESIN DAN INDUSTRI (SNMI6) 2010

SEMINAR NASIONAL MESIN DAN INDUSTRI (SNMI6) 2010 PENENTUAN JUMLAH TENAGA KERJA DAN ONGKOS PRODUKSI MINIMUM PADA PERUSAHAAN ABC Ahmad Staf Pengajar Program Studi Teknik Industri Universitas Tarumanagara, Jakarta e-mail: ahmad_industri@tarumanagara.ac.id

Lebih terperinci

BAB 3 LANGKAH PEMECAHAN MASALAH. Seiring dengan meningkatknya pangsa pasar, permintaan konsumen juga menjadi

BAB 3 LANGKAH PEMECAHAN MASALAH. Seiring dengan meningkatknya pangsa pasar, permintaan konsumen juga menjadi BAB 3 LANGKAH PEMECAHAN MASALAH 3.1 Penetapan Kriteria Optimasi Seiring dengan meningkatknya pangsa pasar, permintaan konsumen juga menjadi semakin sulit untuk diperkirakan. Selama ini, manajer PT. Focus

Lebih terperinci

SALES FORECASTING UNTUK PENGENDALIAN PERSEDIAAN

SALES FORECASTING UNTUK PENGENDALIAN PERSEDIAAN BAB IV SALES FORECASTING UNTUK PENGENDALIAN PERSEDIAAN A. Identifikasi Peramalan Penjualan oleh UD. Jaya Abadi Dari hasil wawancara yang menyebutkan bahwa setiap pengambilan keputusan untuk estimasi penjualan

Lebih terperinci

BAB III METODE PENELITIAN. untuk memahami, memecahkan dan mengantisipasi masalah. adalah penelitian secara deskriptif dan komparatif.

BAB III METODE PENELITIAN. untuk memahami, memecahkan dan mengantisipasi masalah. adalah penelitian secara deskriptif dan komparatif. BAB III METODE PENELITIAN 3.1 Metode Penelitian Metode penelitian yang digunakan dalam penelitian ini adalah metode deskriptif dan komparatif. Melalui penelitian, manusia dapat menggunakan hasilnya, secara

Lebih terperinci

BAB II TINJAUAN PUSTAKA

BAB II TINJAUAN PUSTAKA BAB II TINJAUAN PUSTAKA 2.1. Persediaan 2.1.1 Pengertian Persediaan Keberadaan persediaan dalam suatu unit usaha perlu diatur sedemikian rupa sehingga kelancaran pemenuhan kebutuhan pemakai dapat dijamin

Lebih terperinci

ANALISIS DAN PERAMALAN PRODUKSI TANAMAN TEH DENGAN MENGGUNAKAN METODE INDEKS MUSIM

ANALISIS DAN PERAMALAN PRODUKSI TANAMAN TEH DENGAN MENGGUNAKAN METODE INDEKS MUSIM ANALISIS DAN PERAMALAN PRODUKSI TANAMAN TEH DENGAN MENGGUNAKAN METODE INDEKS MUSIM Alfa Kenedi Mainassy ), Sri Yulianto Joko Prasetyo 2), Alz Danny Wowor 3),2,3) Fakultas Teknologi Informasi Universitas

Lebih terperinci

PENENTUAN METODE PERAMALAN SEBAGAI DASAR PENENTUAN TINGKAT KEBUTUHAN PERSEDIAAN PENGAMAN PADA PRODUK KARET REMAH SIR 20

PENENTUAN METODE PERAMALAN SEBAGAI DASAR PENENTUAN TINGKAT KEBUTUHAN PERSEDIAAN PENGAMAN PADA PRODUK KARET REMAH SIR 20 PENENTUAN METODE PERAMALAN SEBAGAI DASAR PENENTUAN TINGKAT KEBUTUHAN PERSEDIAAN PENGAMAN PADA PRODUK KARET REMAH SIR 20 Theresia Oshin Rosmaria Pasaribu 1 Rossi Septy Wahyuni 2 Jurusan Teknik Industri,

Lebih terperinci

PENERAPAN LEAST SQUARE METHOD UNTUK PERAMALAN PENJUALAN DI HIJABSTORY BANDUNG

PENERAPAN LEAST SQUARE METHOD UNTUK PERAMALAN PENJUALAN DI HIJABSTORY BANDUNG PENERAPAN LEAST SQUARE METHOD UNTUK PERAMALAN PENJUALAN DI HIJABSTORY BANDUNG Wendi Wirasta, Muhamad Luthfi Ashari 2 Program Studi Teknik Informatika, STMIK & Ilmu Komputer LPKIA Jl. Soekarno Hatta 456,

Lebih terperinci

Perencanaan Produksi Kotak Karton Tipe PB/GL pada PT.Guru Indonesia Ciracas, Jakarta Timur dengan Metode Transportasi.

Perencanaan Produksi Kotak Karton Tipe PB/GL pada PT.Guru Indonesia Ciracas, Jakarta Timur dengan Metode Transportasi. Perencanaan Produksi Kotak Karton Tipe PB/GL pada PT.Guru Indonesia Ciracas, Jakarta Timur dengan Metode Transportasi. Ariyanto Fakultas Teknologi Industri Jurusan Teknik Industri Universitas Gunadarma

Lebih terperinci

III. LANDASAN TEORI A. TEKNIK HEURISTIK

III. LANDASAN TEORI A. TEKNIK HEURISTIK III. LANDASAN TEORI A. TEKNIK HEURISTIK Teknik heuristik adalah suatu cara mendekati permasalahan yang kompleks ke dalam komponen-komponen yang lebih sederhana untuk mendapatkan hubungan-hubungan dalam

Lebih terperinci

BAB I PENDAHULUAN. pada waktu yang akan datang berdasarkan data empiris. Data empiris(terhitung)

BAB I PENDAHULUAN. pada waktu yang akan datang berdasarkan data empiris. Data empiris(terhitung) BAB I PENDAHULUAN 1.1 Latar Belakang Peramalan merupakan proses perkiraan tentang sesuatu yang terjadi pada waktu yang akan datang berdasarkan data empiris. Data empiris(terhitung) merupakan data yang

Lebih terperinci

PENERAPAN METODE MOVING AVERAGE DAN EXPONENTIAL SMOOTHING UNTUK PERAMALAN PENJUALAN TOPPING EXTRA CHEESE : DWI SEPTIANI NPM :

PENERAPAN METODE MOVING AVERAGE DAN EXPONENTIAL SMOOTHING UNTUK PERAMALAN PENJUALAN TOPPING EXTRA CHEESE : DWI SEPTIANI NPM : PENERAPAN METODE MOVING AVERAGE DAN EXPONENTIAL SMOOTHING UNTUK PERAMALAN PENJUALAN TOPPING EXTRA CHEESE Nama : DWI SEPTIANI NPM : 12210211 Kelas : 3EA13 Fakultas : Ekonomi Jenjang/Jurusan : S1/Manajemen

Lebih terperinci

Peramalan Permintaan Produk Perak Menggunakan Metode Simple Moving Average Dan Exponential Smoothing

Peramalan Permintaan Produk Perak Menggunakan Metode Simple Moving Average Dan Exponential Smoothing JURNAL SISTEM DAN INFORMATIKA 97 Peramalan Permintaan Produk Perak Menggunakan Metode Simple Moving Average Dan Exponential Smoothing Ni Luh Ayu Kartika Yuniastari, IGP Wirarama Wedashwara Wirawan STIKOM

Lebih terperinci

PERBANDINGAN KEEFEKTIFAN METODE MOVING AVERAGE DAN EXPONENTIAL SMOOTHING UNTUK PERAMALAN JUMLAH PENGUNJUNG HOTEL MERPATI

PERBANDINGAN KEEFEKTIFAN METODE MOVING AVERAGE DAN EXPONENTIAL SMOOTHING UNTUK PERAMALAN JUMLAH PENGUNJUNG HOTEL MERPATI Buletin Ilmiah Math. Stat. dan Terapannya (Bimaster) Volume 04, No. 3 (2015), hal 251 258. PERBANDINGAN KEEFEKTIFAN METODE MOVING AVERAGE DAN EXPONENTIAL SMOOTHING UNTUK PERAMALAN JUMLAH PENGUNJUNG HOTEL

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB 2 LANDASAN TEORI 2.1 Produksi Kedelai Dalam ketersediaan kedelai sangat diperlukan diberbagai penjuru masyarakat dimana produksi kedelai merupakan suatu hasil dari bercocok tanam dimana dilakukan dengan

Lebih terperinci

BAB II KAJIAN PUSTAKA Definisi dan Tujuan Forecasting. yang belum terjadi (Pangestu S, 1986:1). Forecasting atau peramalan

BAB II KAJIAN PUSTAKA Definisi dan Tujuan Forecasting. yang belum terjadi (Pangestu S, 1986:1). Forecasting atau peramalan BAB II KAJIAN PUSTAKA 2.1 Forecasting 2.1.1 Definisi dan Tujuan Forecasting Forecasting adalah peramalan (perkiraan) mengenai sesuatu yang belum terjadi (Pangestu S, 1986:1). Forecasting atau peramalan

Lebih terperinci

BAB 2 TINJAUAN TEORITIS. 2.1 Produk Domestik Regional Bruto

BAB 2 TINJAUAN TEORITIS. 2.1 Produk Domestik Regional Bruto 18 BAB 2 TINJAUAN TEORITIS 2.1 Produk Domestik Regional Bruto Dalam menghitung pendapatan regional, dipakai konsep domestik. Berarti seluruh nilai tambah yang ditimbulkan oleh berbagai sektor atau lapangan

Lebih terperinci

LAPORAN PRAKTIKUM MODUL I PERAMALAN

LAPORAN PRAKTIKUM MODUL I PERAMALAN LAPORAN PRAKTIKUM MODUL I PERAMALAN Disusun oleh: Kelompok II 1. Ari Handayani (4409216094) 2. Caecilia Eka A.W.S. (4409216097) 3. Dwi Darmawan Saputra (4409216100) LABORATORIUM SISTEM PRODUKSI FAKULTAS

Lebih terperinci

BAB III LANGKAH PEMECAHAN MASALAH

BAB III LANGKAH PEMECAHAN MASALAH BAB III LANGKAH PEMECAHAN MASALAH 3.1 Penetapan Kriteria Optimasi Koperasi Niaga Abadi Ridhotullah (KNAR) adalah badan usaha yang bergerak dalam bidang distributor makanan dan minuman ringan (snack). Koperasi

Lebih terperinci

BAB I PENDAHULUAN 1.1 Latar Belakang Masalah

BAB I PENDAHULUAN 1.1 Latar Belakang Masalah BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Seiring dengan perkembangan dunia industri menyebabkan terjadinya persaingan yang cukup ketat antar perusahaan. Kualitas merupakan faktor dasar konsumen terhadap

Lebih terperinci

PREDIKSI JUMLAH KUNJUNGAN PASIEN RAWAT JALAN MENGGUNAKAN METODE REGRESI LINIER

PREDIKSI JUMLAH KUNJUNGAN PASIEN RAWAT JALAN MENGGUNAKAN METODE REGRESI LINIER PREDIKSI JUMLAH KUNJUNGAN PASIEN RAWAT JALAN MENGGUNAKAN METODE REGRESI LINIER Titik Misriati Manajemen Informatika, AMIK BSI Jakarta Jalan RS Fatmawati No 24 Pondok Labu Jakarta 12450 titik.tmi@bsi.ac.id

Lebih terperinci

BAB I PENDAHULUAN. Perkembangan perekonomian dewasa ini semakin menuju pasar global, hal ini

BAB I PENDAHULUAN. Perkembangan perekonomian dewasa ini semakin menuju pasar global, hal ini BAB I PENDAHULUAN 1.1 Latar Belakang Penelitian Perkembangan perekonomian dewasa ini semakin menuju pasar global, hal ini mendorong perusahaan untuk semakin mempersiapkan diri dalam menghadapi persaingan

Lebih terperinci

PERENCANAAN PRODUKSI

PERENCANAAN PRODUKSI PERENCANAAN PRODUKSI Membuat keputusan yang baik Apakah yang dapat membuat suatu perusahaan sukses? Keputusan yang dibuat baik Bagaimana kita dapat yakin bahwa keputusan yang dibuat baik? Akurasi prediksi

Lebih terperinci

1. PENDAHULUAN 2. KAJIAN PUSTAKA

1. PENDAHULUAN 2. KAJIAN PUSTAKA 1. PENDAHULUAN Perkebunan teh menjadi salah satu sektor potensial pembangunan Jawa Barat, karena telah mampu memberikan andil besar dalam kehidupan perekonomian. Sektor perkebunan teh memiliki fungsi ekonomi

Lebih terperinci

PERAMALAN PERSEDIAAN BARANG MENGGUNAKAN METODE WEIGHTED MOVING AVERAGE DAN METODE DOUBLE EXPONENTIAL SMOOTHING

PERAMALAN PERSEDIAAN BARANG MENGGUNAKAN METODE WEIGHTED MOVING AVERAGE DAN METODE DOUBLE EXPONENTIAL SMOOTHING Jurnal PILAR Nusa Mandiri Vol. 13, No. 2, September 2017 217 PERAMALAN PERSEDIAAN BARANG MENGGUNAKAN METODE WEIGHTED MOVING AVERAGE DAN METODE DOUBLE EXPONENTIAL SMOOTHING Ratih Yulia Hayuningtyas Teknik

Lebih terperinci

PENGGUNAAN METODE SMOOTHING EKSPONENSIAL DALAM MERAMAL PERGERAKAN INFLASI KOTA PALU

PENGGUNAAN METODE SMOOTHING EKSPONENSIAL DALAM MERAMAL PERGERAKAN INFLASI KOTA PALU PENGGUNAAN METODE SMOOTHING EKSPONENSIAL DALAM MERAMAL PERGERAKAN INFLASI KOTA PALU Romy Biri ), Yohanes A.R. Langi ), Marline S. Paendong ) ) Program Studi Matematika FMIPA Universitas Sam Ratulangi Jl.

Lebih terperinci