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 tersebut kita dapat memperkirakan kebutuhan yang akan datang baik dalam hal jumlah, waktu, kualitas dan lokasi dalam memenuhi permintaan akan barang maupun jasa tersebut. Spryros, Markidakis dan Stepen C, Wheel Rigde (1994) mendefinisikan peramalan adalah suatu proses untuk memperkirakan suatu peristiwa yang akan datang berdasarkan data yang lampau. Data-data yang dikumpulkan dihubungkan secara sistematis dalam suatu cara yang ditetapkan untuk mendapatkan nilai perkiraan (exception value) pada periode yang akan datang. Peramalan merupakan usaha melihat kedepan menentukan arah tindakan yang terlebih dahulu menatap lingkungan luar, menilai kekuatan dan kelemahan 22

23 baik masa lalu maupun sekarang, mengkaji kesempatan dan hambatan, sebagai dasar penentuan tujuan, strategi, kebijakan dan taktik dalam bidang pemasaran, produksi dan keuangan (Dr, sukanto reksohadiprojo, M.com, 1995). Kapan saja kebijakan dibuat mengenai masa yang akan datang, maka setidak-tidaknya peramalan termasuk mendasari kebijakan tersebut. Hal ini dapat ditetapkan dan dipastikan bahwa peramalan yang direncanakan lebih berharga dan lebih teliti daripada peramalan berdasarkan intuisi atau tanpa adanya peramalan. (Biegel, E. John, Pengendalian Produksi Suatu Pendekatan Kuantitatif, AkademiaPresindo, Jakarta, 1992). Peramalan mungkin tidak selalu dibutuhkan dalam kondisi permintaan pasar yang stabil, karena perubahan permintaannya relatif kecil. Tetapi peramalan akan sangat dibutuhkan bila kondisi keadaan pasar bersifat kompleks dan dinamis. Karena dengan peramalan permintaan kita dapat menentukan berapa kira-kira permintaan dimasa yang akan datang dengan data yang ada sebelumnya. Walaupun hasil dari peramalan permintaan itu sendiri tidak pasti, tetapi dapat digunakan sebagai usaha untuk mengurangi kemungkinan terburuk terhadap fluktuatif permintaan pada waktu yang akan datang. Dalam kondisi pasar bebas, permintaan pasar lebih banyak bersifat kompleks dan dinamis karena permintaan tersebut akan bergantung kepada keadaan sosial, ekonomi, politik, aspek teknologi, produk pesaing dan produk substitusi. Oleh karena itu, peramalan yang akurat merupakan informasi yang sangat dibutuhkan dalam pengambilan keputusan untuk waktu yang akan datang.

24 3.1.1 Fungsi dan Tujuan Peramalan Bila peramalan telah dibuat dan hal ini menjadi suatu kesimpulan terdahulu yang akan menjadi kenyataan, maka suatu manfaat dan tujuan harus dapat diperoleh dan dipersiapkan, sehingga dapat mempengaruhi sifat dari ramalan tersebut. Dalam hal ini terdapat tiga tujuan dari peramalan yaitu : a. Menentukan apa yang dibutuhan untuk masa mendatang. b. Menentukan perencanaan jangka menengah untuk produk yang akan diproduksi. c. Menentukan penjadwalan jangka pendek dari produk yang akan diproduksi. 3.1.2 Jenis-Jenis Peramalan Dalam hubunganya dengan rentang waktu, peramalan dapat diklasifikasikan ke dalam tiga kelompok, yaitu : a. Peramalan Jangka Panjang, umumnya 1 sampai 10 tahun. Peramalan ini digunakan untuk perencanaan produk dan perencanaan sumber daya.

25 b. Peramalan Jangka Menengah, umumnya 1 sampai 24 bulan. Peramalan ini lebih khusus dibandingkan peramalan jangka panjang, biasanya digunakan untuk menentukan aliran kas, perencanaan produksi, dan penentuan anggaran. c. Peramalan Jangka Pendek, umumnya 1 sampai 5 minggu. Peramalan ini digunakan untuk mengambil keputusan dalam hal perlu tidaknya lembur, penjadwalan kerja, dan keputusan kontrol jangka pendek lainnya. 3.1.3 Metode Peramalan Dalam sistem peramalan, penggunaan berbagai metode peramalan akan memberikan nilai ramalan yang berbeda dan derajat dari galat peramalan (Forecast Error) yang berbeda pula. Salah satu seni dalam melakukan peramalan adalah memilih metode peramalan terbaik yang mampu mengidentifikasi dan menanggapi pola aktivitas historis data. Pada dasarnya semua metode peramalan memiliki ide yang sama, yaitu menggunakan data-data masa lalu untuk memperkirakan atau memproyeksikan data di masa yang akan datang. Secara umum, peramalan diklasifikasikan menjadi beberapa macam, yaitu : a. Metode Kualitatif b. Metode Kuantitatif

26 Selanjutnya untuk metode kuantitatif dibedakan menjadi dua bagian utama yaitu : a. Intrinsik b. Ekstrinsik. A. Metode kualitatif. Metode peramalan kualitatif lebih menekankan pada keputusan-keputusan hasil diskusi, pendapat pribadi seseorang, dan intuisi dari orang-orang yang ahli dalam bidang pekerjaannya dalam meramalkan sebuah permintaan. Meskipun kelihatanya kurang ilmiah tetapi metode ini dapat memberikan hasil yang baik. Karena metode kualitatif ini digunakan apabila tidak ada data historis permintaan yang ada, metode statistiknya tidak jelas dan data terdahulu tidak mencerminkan kondisi yang akan datang. Untuk metode kualitatif ini sendiri dibedakan menjadi beberapa jenis yaitu : 1. Metode Delphi Metode ini merupakan cara sistematis, untuk mendapatkan keputusan bersama dari suatu kelompok yang terdiri dari para ahli yang berasal dari disiplin ilmu yang berbeda. Kelompok ini tidak bertemu secara bersama

27 dalam suatu forum untuk berdiskusi, tetapi mereka diminta pendapatnya secara terpisah dan tidak boleh saling berunding. Hal ini dilakukan untuk menghindari pendapat yang bias karena pengaruh kelompok lainnya. Pendapat yang berbeda secara signifikan dari ahli yang lain dalam kelompok tersebut akan ditanyakan lagi kepada yang bersangkutan, sehingga diperoleh angka estimasi pada interval tertentu yang dapat diterima. Metode delphi ini dipakai untuk peramalan jangka panjang dalam rangka menentukan rencana penjualan produk, kapasitas produksi, fasilitas perusahaan dan teknologi proses yang akan dipakai. 2. Metode Nominal Group Metode ini sama dengan metode Delphi, hanya saja para pakar diberikan kesempatan untuk berdiskusi satu dengan yang lainnya dalam melakukan peramalan. 3. Analogi Sejarah (Historical Analogy) Metode ini digunakan untuk meramal dalam periode waktu jangka pendek dan panjang. Hasil yang diperoleh mempunyai tingkat ketelitian yang cukup baik dan biaya yang dikeluarkan cukup tinggi. Metode ini dilakukan dengan cara membandingkan, mempelajari, dan menganalisis dari produk yang akan diramalkan. 4. Metode Penelitian Pasar (Market Research) Metode ini dilakukan dengan cara melakukan survey langsung pada konsumen melalui questioner mengenai keinginan konsumen terhadap

28 produk yang akan dihasilkan. Penelitian pasar sering digunakan dalam merencanakan produk baru, sistem periklanan, dan promosi yang tepat. Hasil dari penelitian pasar ini kadang-kadang juga dipakai sebagai dasar peramalan permintaan produk baru terutama pada bagian pemasaran. B. Metode Kuantitatif Pada metode ini, suatu set data historis permintaan masa lalu digunakan untuk meramalkan permintaan masa depan. Peramalan kuantitatif merupakan prosedur peramalan yang mengikuti aturan matematis dan statistik dalam menunjukan hubungan antara permintaan dengan satu atau lebih variable yang mempengaruhinya. Peramalan kuantitatif terdiri dari dua metode, yaitu metode intristik dan metode ektrinsik. 1. Metode Intrinsik (Time Series) Metode ini hanya membuat peramalan berdasarkan proyeksi permintaan historis tanpa mempertimbangkan faktor-faktor eksternal yang mempengaruhi besarnya permintaan. Metode ini cocok untuk peramalan jangka pendek pada kegiatan produksi, dimana dalam mengendalikan produksi dan persediaan bahan baku perusahaan harus melibatkan banyak item yang berbeda. Hal ini tentu membosankan sehingga membutuhkan metode-metode peramalan yang mudah dan murah. Metode intrinsik diwakili oleh analisis deret waktu.

29 Analisis deret waktu sangat tepat dipakai untuk meramalkan permintaan yang pola permintaan di masa lalunya cukup konsisten dalam periode waktu yang lama. Analisis deret waktu didasarkan pada asumsi bahwa deret waktu terdiri dari komponen-komponen Trend (T), Siklus/Cycle (C), Pola Musiman/Season (S), Variasi Acak/Random (R) yang menunjukkan suatu pola tertentu. Komponen-komponen tersebut dipakai sebagai dasar dalam membuat persamaan matematis. a. Pola Kecenderungan/Trend (T) Trend merupakan sifat dari permintaan di masa lalu terhadap waktu terjadinya, apakah permintaan tersebut cenderung naik, turun atau konstan. Pola trend adalah apabila data permintaan menunjukan pola kecenderungan gerakan penurunan atau kenaikan jangka panjang. Data yang kelihatannya berfluktuasi, apabila dilihat pada rentang waktu yang panjang akan dapat ditarik suatu garis maya yang menunjukan kenaikan atau penurunan. Peramalan yang sesuai adalah metode trend linier, exponential smoothing atau doubleexponential smoothing. Gambar 3.1. Fluktuasi Permintaan Berpola Trend

30 b. Pola Siklis/Cycle (C) Pola ini berguna untuk peramalan jangka menengah dan jangka panjang, dimana permintaan suatu produk dapat memiliki siklus yang berulang secara periodik, biasanya lebih dari satu tahun sehingga tidak perlu dimasukkan dalam peramalan jangka pendek. Pola data yang dihasilkan oleh data siklis akan membentuk pola sinusoid atau gelombang. Peramalan yang sesuai adalah metode moving average, weight moving average, dan exponential smoothing. Gambar 2.2. Fluktuasi Permintaan Berpola Siklis c. Pola Musiman/Season (S) Pola ini mengalami fluktuasi permintaan dimana suatu produk dapat naik turun disekitar garis trend dan biasanya berulang dalam interval waktu satu tahun. Pola ini biasanya disebabkan oleh faktor cuaca, musim libur panjang, dan hari raya keagamaan yang berulang setiap periodik. Peramalan yang sesuai adalah metode winter, moving average, atau weight moving average.

31 Gambar 2.3. Fluktuasi Permintaan Berpola Musiman d. Pola Acak/Random (R) Pola ini terjadi bila fluktuasi data permintaan dalam jangka panjang tidak dapat digambarkan oleh ketiga macam pola lainnya. Variasi acak diperlukan dalam rangka menentukan persediaan pengaman untuk mengantisipasi kekurangan persediaan bila terjadi lonjakan permintaan, biasanya dipengaruhi karena faktor-faktor bencana alam, bangkrutnya perusahaan pesaing dan kejadian lainnya yang tidak mempunyai pola tertentu. Tidak ada metode peramalan yang direkomendasikan untuk pola ini. Hanya saja, tingkat kemampuan seorang analis peramalan sangat menentukan dalam pengambilan keputusan mengenai pola data. Gambar 2.4. Fluktuasi Permintaan Berpola Acak

32 2. Metode Ekstrinsik Metode ini mempertimbangkan faktor-faktor eksternal yang mungkin dapat mempengaruhi besarnya permintaan di masa yang akan datang dalam model peramalannya. Metode ini lebih cocok untuk peramalan jangka panjang karena dapat menunjukan hubungan sebab akibat yang jelas dalam hasil peramalanya sehingga disebut metode kausal dan dapat memprediksi titik-titik perubahan. Kelemahan dari metode ini adalah mahalnya biaya aplikasi dan frekuensi perbaikan hasil peramalan yang rendah karena sulitnya menyediakan informasi perubahan faktor-faktor eksternal yang terukur. Metode ekstrinsik banyak dipakai untuk peramalan pada tingkat agregat. Metode ini akan diwakili oleh metode regresi. 3.1.4 Teknik-Teknik Peramalan Metode Time Series A. Metode Peramalan Konstan Jika peramalan cenderung konstan tetapi memiliki variasi acak maka fungsi peramalan konstan sangat cocok untuk digunakan. Fungsi peramalan untuk fungsi konstan (John E. Biegle, Pengendalian Produksi: 1992) adalah : y = y = dimana : y = y = Permintaan rata-rata n = Jumlah periode

33 B. Metode Peramalan Trend Linier Pola pada persamaan linier diestimasi dengan menggunakan persamaan regresi (John E. Biegle, Pengendalian Produksi: 1992) adalah : y'= a + b.t a dan b di dapat dari : a dan b = Koefisien n = Periode y = Permintaan nyata t = Waktu

34 C. Metode Peramalan Siklus Jika kita mengaggap permintaan menjadi suatu siklus dan bervariasi secara musiman kita dapat menyusun suatu fungsi trigonometrik (John E. Biegle, Pengendalian Produksi: 1992) dalam bentuk sebagai berikut : Dimana N adalah jumlah periode per siklus, sedangkan determinan untuk menentukan konstanta-konstanta adalah : Dalam hal ini, kita ingin membatasi pertimbangan kita kepada suatu jumlah siklus dengan bilangan bulat. Jadi, kita mempunyai n = IN (I adalah bilangan bulat > 1). Hal ini dapat dilihat bahwa beberapa elemen dalam persamaan determinan diatas akan selalu mempunyai nilai yang sama (tanpa memperhatikan N dan n). Elemen tersebut adalah :

35 Jika nilai-nilai dari elemen-elemen tersebut dimasukkan dalam determinasi diatas kita mendapatkan : Perhitungan standart error of estimate pada metode siklus dengan derajat kebebasan f sama dengan tiga.

36 D. Metode Rata-rata Bergerak (Moving Average) Metode ini menggunakan sejumlah data aktual permintaan yang baru untuk membangkitkan nilai ramalan untuk permintaan di masa mendatang. Metode ratarata bergerak akan efektif diterapkan apabila diasumsikan bahwa permintaan pasar terhadap produk akan tetap stabil sepanjang waktu. Tujuan utama teknik Moving Average adalah untuk mengurangi atau menghilangkan varisai acak permintaan dalam hubungannya dengan waktu. Disebut rata-rata bergerak karena begitu setiap data aktual permintaan baru deret waktu tersedia, maka data waktu aktual permintaan yang paling terdahulu akan dikeluarkan dalam perhitungan, kemudian nilai suatu rata-rata baru akan dihitung. Bentuk umum persamaan dari metode rata-rata bergerak : dimana : MA = Moving Average A t = Permintaan aktual pada periode t N = Jumlah data permintaan yang dilibatkan dalam perhitungan MA

37 E. Metode Pemulusan Eksponensial (Exponential Smoothing) Kelemahan teknik moving average dalam kebutuhan akan data-data masa lalu yang cukup banyak dapat diatasi dengan teknik pemulusan eksponensial. Metode peramalan pemulusan eksponensial bekerja hampir serupa dengan alat thermostat, di mana apabila galat ramalan (forecast error) adalah positif, yang berarti nilai aktual permintaan lebih tinggi dari pada nilai ramalan (A-F>0), maka model pemulusan eksponensialakan secara otomatis meningkatkan nilai ramalan. Sebaliknya apabila galat ramalan (forecast error) adalah negatif, yang berarti nilai aktual permintaan lebih rendah dari pada nilai ramalan (A-F<0), maka pemulusan eksponensialakan secara otomatis menurunkan nilai ramalan. Proses penyesuaian ini berlangsung terus menerus kecuali galat ramalan telah mencapai nol. Kenyataan inilah yang mendorong peramal (forecaster) lebih suka menggunakan model pemulusan eksponensial. Apabila pola historis dari aktual permintaan bergejolak atau tidak stabil dari waktu ke waktu. Peramalan menggunakan model pemulusan eksponensial dilakukan berdasarkan formula sebagai berikut : Ft + 1 = Ft + α(x t F t ) Dimana F t+1 adalah ramalan untuk periode berikutnya, α adalah faktor perataan (0<α<1), dan X t adalah permintaan berdasarkan pengalaman sebelumnya pada periode ke t.

38 Permasalahan umum yang dihadapi apabila menggunakan model pemulusan eksponensial adalah memilih konstanta pemulusan, α, yang diperkirakan tepat. Nilai konstanta pemulusan α dapat dipilih di antara nilai 0 dan 1, karena berlaku : 0<α<1. Bagaimanapun juga untuk penetapan nilai α yang diperkitakan tepat, dapat menggunakan panduan berikut : - Apabila pola historis dari data aktual permintaan sangat bergejolak atau tidak stabil dari waktu ke waktu, dapat memilih nilai α yang mendekati satu. Biasanya dipilh nilai α = 0.9 ; namun kita dapat pula mencoba nilainilai α yang lain yang mendekati satu, katakanlah : α = 0.85; 0.95; 0.99, dan lain-lain, tergantung pada sejauh mana gejolak dari nilai data itu. Semakin bergejolak, nilai α yang dipilih harus semakin tinggi menuju ke nilai satu. - Apabila nilai historis dari data aktual permintaan tidak berfluktuasi atau relatif stabil dari waktu ke waktu, kita memilih nilai α yang mendekati nol. Biasanya dipilih nilai α = 0.1; namum dapat pula mencoba nilainilai α yang mendekati nol, katakanlah : α = 0.2; 0.15; 0.05, dan lainlain, tergantung pada sejauh mana kestabilan dari data tersebut. Semakin stabil nilai α yang dipilih harus semakin kecil menuju ke nilai nol. - Metode lain yang dapat dipakai adalah memilih nilai α berdasarkan nilai n yang dilibatkan dalam teknik MA. Metode ini hanya dapat diterapkan oleh perusahaan yang telah lama menggunakan teknik MA dengan nilai n yang cukup memadai. Rata-rata usia data dengan teknik MA = n-½, sedangkan rata-rata usia data dengan teknik ES = 1-α/α. Untuk

39 menghitung nilai α dalam hubungannya dengan n adalah dengan membuat persamaan sebagai berikut : F. Metode Pemulusan Eksponensial dengan Unsur Musiman Dalam situasi tertentu sering kali permintaan terhadap suatu produk industri dipengaruhi oleh faktor musiman yang berkaitan dengan fluktuasi periodik serta bersifat relatif konstan. Fluktuasi periodik ini biasanya dipengaruhi oleh faktorfaktor seperti: temperatur, curah hujan, hari raya keagamaan dan lainlain. Sebagai misal, permintaan untuk produk payung mungkin akan meningkat pada saat musim hujan, dan relatif menurun pada saat musim kemarau dan sebagainya. Proses umum dari permintaan musiman ini dapat dinyatakan dalam persamaan matematis sebagai berikut : A t = F t = T t = I t =

40 f t = (F t + T t ). I t+1-m dimana: Ft = Nilai ramalan untuk dengan pemulusan periode t T t = Trend untuk periode t f t = Nilai peramalan periode t A t = Nilai data aktual periode t α = Konstanta pemulusan untuk rata-rata β = Konstanta pemulusan untuk tren F t-1 = Nilai pemulusan sebelum periode t pemulusan T t-1 = Tren sebelum periode t pemulusan d t = Faktor musiman µ = Tingkat permintaan rata-rata ε t = Distribusi permintaan normal dengan mean nol I t = Indeks pada periode t Dt = Permintaan pada periode t γ = Konstanta pemulusan

41 3.1.5 Ukuran Akurasi Hasil Peramalan Ketelitian peramalan adalah suatu hal yang pokok dan perlu sekali. Ketelitian dan mengurangi kesalahan dalam ramalan dapat menghasilkan kebijakan yang menguntungkan perusahaan. Metode peramalan time-series digunakan untuk peramalan yang realistik untuk masa datang, perlu dilakukan hal-hal sebagai berikut : a. Membuat suatu gambaran permintaan dan waktu. (permintaan sebagai Y dan waktu sebagai X). b. Menentukan teknik yang digunakan. c. Menilai kesalahan perkiraan. d. Membuat suatu keputusan untuk menggunakan teknik tertentu berdasarkan pertimbangan yang ada. Perbandingan kesalahan standart perkiraan dari semua bentuk peramalan telah dibuat lalu dipilih kesalahan standart yang terkecil. Kesalahan standart perkiraan didefinisikan sebagai berikut : SEE = dimana : SEE = Kesalahan standar perkiraan

42 y = Jumlah permintaan y = Jumlah permintaan hasilperamalan n = Jumlah periode f = derajat kebebasan Ukuran ketepatan perlu digariskan seberapa baik metode peramalan dapat memproduksi data yang telah diketahui. Karena lingkungan berubah model mungkin menyimpang, penyimpangan metode hendaknya dapat ditenggang, bila penyimpangan terlalu besar metode lain perlu dicari dari perbendaharaan yang ada. Metode yang digunakan untuk menguji keakuratan metode peramalan (Dr. Sukanto Reksohadiprojo, M.Kom, 1995) adalah : a. Rata-rata Deviasi Mutlak (Mean Absolute Deviation = MAD). MAD merupakan rata-rata kesalahan mutlak selama periode tertentu tanpa memperhatikan apakah hasil peramalan lebih besar atau lebih kecil dibandingkan kenyataannya. Secara matematis, MAD dirumuskan sebagai berikut : MAD = dimana : y = Permintaan aktual pada periode t y = Peramalan permintaan pada periode t n = Jumlah periode peramalan yang terlibat

43 b. Rata-rata Kuadrat Kesalahan (Mean Square Error = MSE). MSE dihitung dengan menjumlahkan kuadrat semua kesalahan peramalan pada setiap perioda dan membaginya dengan jumlah periode peramalan. Secara matematis, MSE dirumuskan sebagai berikut : MSE = c. Rata-rata Kesalahan Peramalan (Mean Forecast Error = MFE). MFE sangat efektif untuk mengetahui apakah suatu hasil peramalan selama periode tertentu terlalu tinggi atau terlalu rendah. MFE dihitung dengan menjumlahkan semua kesalahan peramalan selama periode peramalan dan membaginya dengan jumlah periode peramalan. Secara matematis, MFE dinyatakan sebagai berikut : MFE = d. Rata-rata Persen Kesalahan Absolut (Mean Absolute Percentage Error = MAPE). MAPE merupakan ukuran kesalahan relative, MAPE biasanya lebih berarti dibandingkan MAD karena MAPE menyatakan persentase kesalahan hasil peramalan terhadap permintaan aktual selama periode tertentu yang akan memberikan informasi persentase

44 kesalahan terlalu tinggi atau terlalu rendah. Secara matematis, MAPE dinyatakan sebagai berikut : MAPE = ( ) 3.1.6 Pemeriksaan dan Pengendalian Peramalan Bentuk sederhana dari cara pengendali adalah peta pengendali secara statistik yang digunakan dalam pengendalian kualitas, yang dapat digunakan di mana terdapat suatu jumlah data yang minimum adalah peta rentang bergerak. A. Peta Rentang Bergerak (Moving Range) Peta rentang bergerak dirancang untuk membandingkan nilai yang diamati dengan yang diramalkan dari suatu permintaan. Selama periode dasar (periode yang dibuat untuk peramalan) peta rentang bergerak digunakan untuk memeriksa teknik peramalan dengan parameter-parameternya. Adapun parameter yang digunakan adalah sebagai berikut : a. Rentang bergerak didefinisikan sebagai : MR = b. Rata-rata rentang bergerak didefinisikan sebagai :

45 c. Batas-batas kontrol didefinisikan sebagai : UCL = + 2.66 UCL = - 2.66 Perubahan atau perbedaan yang digambarkan pada rentang bergerak adalah delta dari peramalan dan permintaan : y t =y' t y t Jika semua titik-titik MR yang diplot (digambarkan) masuk dalam batasbatas kendali, dapat dianggap bahwa persamaan peramalan tersebut benar dan aman. Peta kendali dapat digunakan untuk mengetahui perubahan yang terjadi dan dapat menentukan suatu persamaan peramalan dari data yang sesuai dengan sistem penyebab permintaan yang ada. B. Pengujian Kondisi Tak Terkendali Pengujian yang lebih meyakinkan untuk suatu kondisi tak terkendali adalah suatu titik diluar batas-batas tak terkendali. Terdapat pengujian lainnya yang kirakira sama dengan kemungkinan. Salah satu yang ingin kita gunakan adalah rancangan yang menjadi jawaban terhadap suatu jumlah data yang minimum (ini adalah suatu hal yang pokok, oleh karena itu kita membuat data sangat lamban, dengan mempertimbangkan suasana yang dinamis sewaktu kita mengerjakannya). Pengujian-pengujian tersebut menghendaki agar kita membagi peta kendali tersebut ke dalam enam daerah dengan lebar yang sama.

46 Gambar 2.5. Kriteria Tak terkendali Daerah A terdiri dari bagian sebelah luar kurang lebih 2/3(2,66 ) = 1,77 (di atas +1,77 atau di bawah 1,77 ). Daerah B terdiri dari bagian sebelah luar 1/3(2,66 ) = 0,89 (di atas + 0,89 atau dibawah 0,89 ). Daerah C terdiri dari bagian di atas atau di bawah garis tengah. Pengujian untuk suatu kondisi tak terkendali adalah : 1. Dari tiga titik yang berturutan, apakah dua atau lebih terdapat dalam satu daerah A? 2. Dari lima titik berturutan, apakah empat atau lebih terdapat dalam satu daerah B?

47 3. Apakah terdapat delapan titik-titik yang berturutan pada salah satu sisi dari garis tengah? Pengujian ini ditunjukan dalam gambar 2.5, dimana suatu kondisi tak terkendali dengan kriteria yang terakhir ini menghendaki kegiatan yang sama sebagai suatu titik di sebelah luar batas-batas control. Bila kondisi out-of-control terjadi, maka tindakan yang bisa diambil adalah : a. Perbaiki ramalan dengan mencakup data baru (sistem sebab baru). b. Tunggu evidence selanjutnya.