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 TEKNIK UNIVERSITAS PANCASILA 2012

DAFTAR ISI Halaman DAFTAR ISI... i DAFTAR GAMBAR... ii DAFTAR TABEL... iii DAFTAR LAMPIRAN... iv BAB I PENDAHULUAN... 1 1.1. Latar Belakang... 1 1.2. Perumusan Masalah... 2 1.3. Tujuan Praktikum... 2 1.4. Pembatasan Masalah... 3 BAB II LANDASAN TEORI... 4 2.1. Pengertian Peramalan Permintaan... 4 2.2. Kegunaan Peramalan... 4 2.3. Metode Peramalan... 5 2.4. Prosedur Peramalan... 6 2.5. Definisi Peramalan Time Series... 6 2.6. Verifikasi dan Pengendalian Peramalan... 9 2.7. Prosedur Peramalan Menggunakan Software WinQSB...10 BAB III PENGUMPULAN DAN PENGOLAHAN DATA...12 3.1. Pengumpulan Data...12 3.2. Pengolahan Data...13 BAB IV KESIMPULAN DAN SARAN...29 4.1. Kesimpulan...29 4.2. Saran...30 DAFTAR PUSTAKA...31 i

DAFTAR GAMBAR Halaman Gambar 2. 1 Tampilan WinQSB Problem Specification...10 Gambar 2. 2 Tampilan WinQSB Historical Data...10 Gambar 2. 3 Tampilan WinQSB Forecasting Setup...11 Gambar 2. 4 Tampilan WinQSB Forecasting Result...11 Gambar 3. 1 Grafik peramalan metode Moving Average... 15 Gambar 3. 2 Grafik Peramalan Metode Double Moving Average...18 Gambar 3. 3 Grafik peramalan metode Weighted Moving Average...21 Gambar 3. 4 Grafik Peramalan Metode Single Exponential Smoothing...24 Gambar 3. 5 Grafik Peramalan Metode Double Exponential Smoothing...28. ii

DAFTAR TABEL Halaman Tabel 3. 1 Data permintaan tahun lalu...12 Tabel 3. 2 Penghitungan peramalan Moving Average...13 Tabel 3. 3 Verifikasi Peramalan Metode Moving Average...14 Tabel 3. 4 Penghitungan Peramalan Metode Double Moving Average...16 Tabel 3. 5 Verifikasi peramalan Metode Double Moving Average...17 Tabel 3. 6 Penghitungan Peramalan Metode Weighted Moving Average...19 Tabel 3. 7 Verifikasi Peramalan Metode Weighted Moving Average...20 Tabel 3. 8 Penghitungan peramalan metode Single Exponential Smoothing...22 Tabel 3. 9 Verifikasi Peramalan Metode Single Exponential Smoothing...23 Tabel 3. 10 Penghitungan peramalan metode Single Exponential Smoothing untuk 12 bulan berikutnya...25 Tabel 3. 11 Penghitungan Peramalan Metode Double Exponential Smoothing...26 Tabel 3. 12 Verifikasi Peramalan Metode Double Exponential Smoothing...27 Tabel 4. 1 Rekapitulasi Hasil Peramalan Permintaan AADC Chair... 29 Tabel 4. 2 Data permintaan yang akan datang menggunakan SES...29 iii

DAFTAR LAMPIRAN Lampiran 1. 1 Peramalan Metode Simple Average menggunakan Software WinQSB Lampiran 1. 2 Peramalan Metode Moving Average menggunakan Software WinQSB Lampiran 1. 3 Peramalan Metode Weighted Moving Average menggunakan Software WinQSB Lampiran 1. 4 Peramalan Metode Moving Average With Linear Trend menggunakan Software WinQSB Lampiran 1. 5 Peramalan Metode Single Exponential Smoothing (SES) menggunakan Software WinQSB Lampiran 1. 6 Peramalan Metode Single Exponential Smoothing With Trend menggunakan Software WinQSB Lampiran 1. 7 Peramalan Metode Double Exponential Smoothing menggunakan Software WinQSB Lampiran 1. 8 Peramalan Metode Double Exponential Smoothing With Trend menggunakan Software WinQSB Lampiran 1. 9 Peta Proses Operasi Pembuatan AADC Chair iv

BAB I PENDAHULUAN 1.1. Latar Belakang Peramalan permintaan dibutuhkan agar tidak terjadi kesenjangan yang cukup tinggi antara permintaan pasar dengan tingkat produksi dan stok barang di pabrik. Peramalan adalah suatu perkiraan tingkat permintaan yang diharapkan untuk suatu produk atau beberapa prodk dalam periode waktu tertentu di masa yang akan datang. Sehingga peramalan merupakan suatu taksiran yang ilmiah. Peramalan permintaan akan menjadi masukan dalam keputusan perencaan dan pengendalian produksi. Karakteristik peramalan yang baik didasarkan oleh: a. Akurasi Akurasi dari hasil peramalan diukur dengan kebiasaan dan kekonsistensian peramalan tersebut. Hasil peramalan dikatakan bias bila peramalan tersebut terlalu tinggi atau terlalu rendah dibandingnkan dengan kenyataan. Hasil peramalan dikatakan konsisten bila besarnya kesalahan peramalan relatif kecil.peramalan yang terlalu rendah mengakibatkan kekurangan persediaan sehingga permintaan konsumen tidak dapat dipenuhi dengan segera, akibatnya adalah perusahaan akan kehilangan pelangaan dan kehilangan keuntungan penjualan. Peramalan yang terlalu tinggi akan mengakibatkan terjadinya penumpukan persediaan. Keakuratan dari hasil peramalan berperan penting dalam menyeimbangkan persediaan yang ideal (meminimasi persediaan dan memaksimalkan tingkat pelayanan) b. Biaya Biaya yang diperlukan dalam pembuatan suatu peramalan tergantung dari jumlah item yang diramalkan, lamanya periode peramalan dan metode peramalan yang dipakai. c. Kemudahan Penggunaan metode peramalan yang sederhana, mudah dibuat, dan mudah diaplikasikan akan memberikan keuntungan bagi perusahaan. Peramalan pasti mengandung kesalahan, artinya peramal hanya bisa mengurangi ketidakpastian yang akan terjadi tetapi tidak dapat menghilangkan ketidakpastian tersebut. Peramalan seharusnya memberikan informasi tentang berapa ukuran kesalahan, artinya karena peramalan pasti mengandung kesalahan 1

2 maka penting bagi peramal untuk menginformasikan seberapa besar kesalahan yang mungkin terjadi. Hal-hal yang diperlukan dalam membuat peramalan secara statistik: a. Membuat suatu gambaran permintaan dan waktu (ploting data permintaan), dimana permintaan sebagai ordinat (x) dan waktu sebagai absis (y) b. Menentukan model peramalan yang akan digunakan c. Menilai kesalahan peramalan yang akan digunakan d. Menilai kesalahan peramalan yang diperkirakan (MAD, MSE, MAPE) e. Membuat verifikasi dan pengendalian peramalan (MR chart) f. Membuat suatu keputusan untuk menggunakan teknik/model peramalan tertentu berdasarkan pertimbangan yang ada (perkiraan nilai kesalahan peramalan yang terkecil dan hasil verifikasi model peramalan) Kursi kerja merupakan jenis kursi yang memiliki banyak model atau variasi. Permintaan akan kursi kantor bersifat fluktuatif dan bergantung atas desain dari penggunaan pekerjaan suatu perusahaan. Kursi yang didesain disesuaikan dengan kebutuhan pekerjaan, dengan rancangan yang ergonomis dan nyaman digunakan. 1.2. Perumusan Masalah Dalam praktikum Sistem Produksi Modul 1, PT Furniture Mesindo memproduksi kursi kantor dengan rumusan masalah sebagai berikut : 1. Membuat peramalan permintaan untuk periode waktu tertentu. 2. Memilih metode peramalan terbaik dilihat dari biaya yang dikeluarkan menggunakan software WinQSB 1.3. Tujuan Praktikum Tujuan praktikum Sistem Produksi Modul 1 (Peramalan) sebagai berikut : 1. Memahami manfaat dan posisi peramalan dalam sistem produksi 2. Memahami metode dan teknik peramalan. 3. Mampu memilih metode peramalan terbaik untuk memecahkan masalah peramalan. 4. Dapat menggunakan metode dan teknik peramalan untuk menentukan kebutuhan pasar sebagai dasar penyususnan rencana produksi.

3 1.4. Pembatasan Masalah Fokus masalah yang diamati pada modul 1 : 1. Peramalan dihitung dengan menggunakan software WINQSB sub aplikasi FC (Forecasting) 2. Peramalan terhadap produk kursi dilakukan hanya untuk jangka waktu 12 bulan ke depan. 3. Metode peramalan yang digunakan adalah Simple Average, Moving Average, Weighted Moving Average, Moving Average with Linear Trend, Single Exponential Smoothing, Single Exponential Smoothing With Trend, Double Exponential Smoothing, Double Exponential Smoothing With Trend, Adaptive Exponential Smoothing, dan Linear Regresion With Time.

BAB II LANDASAN TEORI 2.1. Pengertian Peramalan Permintaan Peramalan permintaan merupakan tingkat permintaan produk-produk yang diharapkan akan terealisasi untuk jangka waktu tertentu pada masa yang akan datang. Peramalan permintaan adalah masukan yang sangat penting dalam membuat keputusan perencanaan dan pengendalian perusahaan. Keputusan operasional produksi juga sangat dipengaruhi oleh hasil peramalan permintaan. Karena bagian operasional produksi bertanggung jawab terhadap pembuatan produk yang dibutuhkan konsumen. Permintaan akan suatu produk dari suatu perusahaan merupakan hasil dari berbagai faktor yang saling berinteraksi dalam pasar. Faktor ini kadang kala berada diluar kendali perusahaan. Faktor-faktor tersebut antara lain: 1. Siklus Bisnis Permintaan akan suatu produk di pengaruhi oleh kondisi ekonomi yang membentuk siklus bisnis dengan fase-fase inflasi, resesi, depresi dan masa pemulihan. 2. Siklus hidup produk Siklus hidup suatu produk biasanya mengikuti suatu pola yang disebut kurva S. Kurva S menggambarkan besarnya permintaan terhadap waktu, dimana sikus hidup suatu produk akan dibagi menjadi fase pengenalan, fase pertumbuhan, fase kematangan dan akhirnya fase penurunan. Untuk menjaga kelangsungan usaha, maka perlu dilakukan inovasi disaat yang tepat. 3. Faktor-faktor lain Faktor lain yang mempengaruhi permintaan adalah reaksi balik dari pesaing, perilaku konsumen yang berubah, dan usaha-usaha yang dilakukan sendiri oleh perusahaan seperti meningkatkan kualitas, pelayanan, anggaran iklan, dan kebijaksanaan pembayaran secara kredit. 2.2. Kegunaan Peramalan Dalam hubungan dengan waktu, peramalan dapat digunakan dalam 3 hal, yaitu sebagai berikut: 1. Peramalan jangka panjang Digunakan untuk perencanaan produk dan perencanaan sumber daya. 4

5 2. Peramalan jangka menengah Digunakan untuk menentukan aliran kas, perencanaan produksi, dan penentuan anggaran. 3. Peramalan jangka pendek Digunakan untuk mengambil keputusan dalam hal perlu tidaknya lembur, penjadwalan kerja, dan keputusan control jangka pendek lainnya. 2.3. Metode Peramalan Secara umum peramalan diklasifikasikan menjadi 2 macam, yaitu peramalan yang bersifat subyektif dan peramalan yang bersifat objektif. Perbedaannya adalah dalam cara mendapatkan hasil ramalan. Peramalan subyektif lebih menekankan pada keputusan-keputusan hasil diskusi, pendapat pribadi, dan intuisi. Sedangkan peramalan obyektif meruapak prosedur peramalan yang mengikuti aturan matematis dan statistic dalam menunjukkan hubungan antara permintaan dengan satu atau lebih variable yang mempengaruhinya. 2.3.1 Metode Peramalan Subyektif 1. Metode Delphi, cara yang digunakan dalam metode ini adalah dengan mengumpulkan pendapat ahli dari bidang yang berbeda secara terpisah. Hal ini bertujuan untuk menghindari pengaruh kelompok. Jika terdapat perbedaan pendapat yang signifikan maka akan dinyatakan lagi kepada yang bersangkutan hingga akhirnya diperoleh angka estimasi tertentu pada interval yang dapat diterima. 2. Metode Penelitian Pasar, cara yang dilakukan adalah dengan mengumpulkan dan menganalisa fakta secara sistematis yang berhubungan dengan pemasaran. Yang paling biasa dilakukan adalah dengan mengadakan survey konsumen. 2.3.2 Metode Peramalan Obyektif 1. Metode Intrinsik, metode ini membuat peramalan hanya berdasarkan pada proyeksi permintaan historis tanpa mempertimbangkan factorfaktor eksternal yang mempengaruhinya. Metode ini hanya cocok digunakan untuk peramalan jangka pendek pada kegiatan produksi. Metode peramalan intrinsic diwakili oleh analisis deret waktu atau Time series. 2. Metode Ekstriksik, metode ini mempertimbangkan faktor-faktor eksternal yang mungkin mempengaruhi besarnya permintaan dimasa yang akan

6 datang. Metode ini digunakan untuk peramalan jangka panjang yang dapat menunjukkan hubungan sebab akibat yang jelas dalam hasil peramalannya. Metode ekstrinsik banyak digunakan untuk peramalan pada tingkat agregat. Kelemahan dari metode ini adalah dalam hal mahalnya biaya aplikasinya dan frekuensi perbaikan hasil peramalan yang rendah kerana sulitnya mengumpulkan informasi perubahan faktorfaktor eksternal yang terukur. Metode ini diwakili oleh metode regresi. 2.4. Prosedur Peramalan Berikut adalah langkah-langkah yang dilakukan dalam perencanaan jangka pendek : 1. Agresikan data permintaan masa lalu item item yang sama per periode. 2. Buat diagram pencar data permintaan agregat masa lalu untuk family yang akan diramalkan kebutuhan pasarnya. 3. Tentukan model-model peramalan deret waktu yang sesuai dengan pola data permintaan masa lalu. 4. Hitung parameter-parameter untuk setiap model peramalan yang telah ditentukan. 5. Tentukan ukuran error yang akan digunakan untuk mengevaluasi model peramalan. 6. Hitung error yang dihasilkan setiap model peramalan. 7. Evaluasi model peramalan dengan membandingkan error yang dihasilkan oleh setiap model peramalan. 8. Pilih metode peramalan yang memiliki error terkecil 9. Dengan menggunakan metode peramalan terbaik, ramalkan permintaan agrerat untuk periode kedepan yang telah ditentukan. 2.5. Definisi Peramalan Time Series Analisa Deret Waktu didasarkan pada asumsi bahwa deret waktu tersebut terdiri dari komponen-kompenen trend, siklus, pola musiman, dan variasi acak yang akan menunjuk pada pola tertentu. Kompenen diatas akan dipakai sebagai dasar dalam membuat persamaan matematis. Metode ini digunakan untuk meramalkan permintaan yang dimasa lalunya cukup konsisten dalam periode waktu yang lama, sehingga diharapkan pola tersebut akan berlanjut. Trend merupakan sifat dari permintaan dimasa lalu terhadap waktu., apakah permintaan tersebut cenderung naik, turun atau konstan. Jika permintaan suatu

7 produk berulang secara periodic maka ini di sebut siklus. Pola siklus sangat berguna untuk peramalan jangka menengah dan jangka panjang. Pola musiman merupakan fluktuasi permintaan suatu produk yang dapat naik atau turun disekitar garis trend dan biasanya berulang setiap tahun. Pola ini biasanya di pengaruhi oleh faktor cuaca, musim liburan dan sebagainya. Variasi acak biasanya terjadi untuk kejadian yang tidak mempunyai pola tertentu, seperti bencana alam. Berikut adalah beberapa metode yang digunakan dalam meramalkan permintaan secara time series. 2.5.1. Rata-rata Bergerak / Moving Average (MA) Moving Average diperoleh dengan merata-rata permintaan berdasarkan beberapa data permintaan masa lalu terbaru. Tujuannya adalah untuk menghindari atau menghilangkan variasi acak permintaan dalam hubungannya dengan waktu. Disebut rata-rata bergerak karena jika ada data permintaan aktual terbaru, maka data terdahulu akan dikeluarkan dari perhitungan. Metode MA dapat ditulis dengan persamaan : A t MA Dimana : A N A t... A 1 t ( N 1) N...(2.5.1) = Permintaan aktual pada periode t = Jumlah data permintaan yang dilibatkan dalam perhitungan Kelemahan dari metode MA adalah sebagai berikut : 1. Peramalan selalu berdasarkan data terbaru tanpa mempertimbangkan data-data sebelumnya. 2. Setiap data dianggap memiliki bobot yang sama. 3. Diperlukan dana yang cukup besar dalam penyimpanan dan proses data karena membutuhkan memori yang besar. 2.5.2. Rata Rata Bergerak dengan Bobot / Weighted Moving Average (WMA) Metode WMA merupakan solusi untuk mengatasi kelemahan kedua dari metode MA. Secara matematis dapat ditulis sebagai berikut: WMA W A t...(2.5.2) Dimana :

8 Wt = Bobot permintaan aktual pada periode t At = Permintaan aktual pada periode 2.5.3. Pemulusan Exponential / Exponential Smoothing (ES) Kelemahan teknik MA dalam kebutuhan akan data data masa lalu yang cukup banyak bias diatasi dengan menggunakan teknis ES. Persamaan matematisnya adalah sebagai berikut: F t F t 1 A t A t N N... (2.5.3) 2.5.4. Metode Winter Teknik MA dan ES hanya cocok digunakan bila data yang ada bersifat stasioner. Bila data permintaan bersifat musiman dan mempunyai trend, maka dapat diselesaikan dengan metode Winter. Salah satu masalah dalam penggunaan metode Winter adalah penentuan nilai α, β dan γ yang akan meminimumkan MSE dan MAPE. Pendekatan untuk menentukan nilai parameter tersebut biasanya dilakukan secara trial and error. 2.5.5. Metode Winter dengan trend Model Winter menggunakan model trend dari Holt, dimana model ini dimulai dengan perkiraan trend sebagai berikut: T t b( F t F t ) (1 b) T 1 t 1...(2.5.4) Dimana β merupakan konstanta pecahan, Tt adalah perkiraan trend pada periode-t, dan Ft adalah rata-rata eksponential, maka peramalan baru akan melibatkan rata-rata eksponential ditambah trend. 2.5.6. Metode Winter dengan faktor musiman Pola dari permintaan musiman merupakan karakteristik dari beberapa rangkaian permintaan. Proses umum dari permintaan musiman dapat dinyatakan dalam persamaan matematis berikut: A t. t t... (2.5.6) Dimana µ adalah tingkat permintaan rata-rata, δ adalah faktor musiman, dan εt adalah distribusi permintaan normal dengan mean nol.

9 2.5.7. Metode Winter Lengkap Metode Winter yang lengkap merupakan kombinasi dari metode Winter sebelumnya. 2.6. Verifikasi dan Pengendalian Peramalan Dalam membuat peramalan atau menerapkan hasil suatu peramalan, maka pasti ada beberapa hal yang harus dipertimbangkan, yaitu: 1. Peramalan pasti mengandung kesalahan, artinya peramal hanya bias mengurangi ketidakpastian yang akan terjadi, tetapi tidak dapat menghilangkan ketidakpastian yang akan terjadi, tetapi tidak dapat menghilangkan ketidakpastian tersebut. 2. Peramalan seharusnya memberikan informasi tentang berapa ukuran kesalahan, artinya karena peramalan pasti mengandung kesalahan, maka penting bagi peramal untuk menginformasikan seberapa besar kesalahan yang mungkin terjadi. 3. Peramalan jangka pendek lebih akurat dibandingkan permalan jangka panjang. Hal ini disebabkan karena peramalan jangka pendek dipengaruhi oleh faktorfaktor permintaan yang bersifat konstan. Ukuran akurasi hasil peramalan yang merupakan ukuran kesalahan peramalan merupakan ukuran tentang tingkat perbedaan antara hasil peramalan dengan permintaan yang sebenarnya terjadi. Ada 4 ukuran yang biasanya digunakan, yaitu: 1. Rata-rata Deviasi Mutlak (Mean Absolut Deviation = MAD) MAD merupakan rata-rata kesalahan mutlak selama periode tertentu tanpa memperhatikan apakan hasil peramalan lebih besar atau lebih kecil dibandingkan kenyataannya. 2. Rata-rata Kuadrat Kesalahan (Mean Square Error = MSE) MSE dihitung dengan menjumlahkan kuadrat semua kesalahan peramalan pasa setiap periode dan membaginya dengan jumlah periode peramalan. 3. Rata-rata kesalahan peramalan (Mean Forecast Error = MFE) MFE sangat efektif untuk mengetahui apakah suatu hasil peramalan selama periode tertentu terlalu tinggi atau rendah. MFE dihitung dengan menjumlahkan semua kesalahan peramalan selama periode peramalan dan membaginya dengan jumlah periode peramalan. 4. Rata-rata persentase Kesalahan Absolut (Mean Absolute Percentage Error = MAPE)

10 MAPE merupakan ukuran kesalahan relative dan biasanya dibandingkan dengan MAD, karena MAPE menyatakan persentase kesalahan hasil peramalan terhadap permintaan aktual selama periode tertentu yang akan memberikan informasi persentase kesalahan terlalu tinggi atau terlalu rendah. 2.7. Prosedur Peramalan Menggunakan Software WinQSB Praktikum peramalan dilakukan dengan menggunakan software WinQSB, dengan langkah-langkah sebagai berikut: 1. Buka program WinQSB dan pilih modul Forecasting. 2. Muncul tampilan sebagai berikut: Gambar 2. 1 Tampilan WinQSB Problem Specification 3. Pilih problem type Time Series Forecasting dan isi judul peramalan dan periode peramalan lalu klik OK 4. Muncul tampilan seperti berikut, isi jumlah permintaan tiap periode masa lalu. Gambar 2. 2 Tampilan WinQSB Historical Data

11 5. Klik gambar, sehingga muncul tampilan sebagai berikut; Gambar 2. 3 Tampilan WinQSB Forecasting Setup 6. Pilih metode yang akan digunakan lalu klik OK, maka akan muncul hasil peramalan untuk periode yang akan datang, seperti berikut: Gambar 2. 4 Tampilan WinQSB Forecasting Result Untuk memunculkan grafik, klik tanda

BAB III PENGUMPULAN DAN PENGOLAHAN DATA 3.1. Pengumpulan Data 3.1.1. Alat Dalam praktikum ini digunakan : Perangkat keras Komputer Perangkat Lunak o o o 3.1.2. Bahan Worksheet (Microsoft Excel) Work Processor (Microsoft Word) WinQSB Program Bahan yang digunakan dalam praktikum ini adalah data permintaan satu tahun lalu. Tabel berikut merupakan data permintaan tahun lalu yang akan digunakan dalam pengolahan data. Tabel 3. 1 Data permintaan tahun lalu No Bulan Permintaan 1 Jan 450 2 Feb 440 3 Mar 460 4 Apr 510 5 May 520 6 Jun 495 7 Jul 475 8 Aug 560 9 Sep 510 10 Oct 520 11 Nov 540 12 Dec 550 12

3.2. Pengolahan Data 3.2.1. Metode Moving Average Tabel 3. 2 Penghitungan peramalan Moving Average t Bulan at ft (at-ft) at- ft (at - ft)^2 (at-ft)/at (ft-at) n=3 MR MR MR bar 210.417 1 Jan 1000 UCL 559.708 2 Feb 1200 LCL -559.708 3 Mar 1100 A +/- 372.438 4 Apr 1300 1100 200 200 40000 0.1538-200 B +/- 187.271 5 Mei 1400 1200 200 200 40000 0.1429-200 0 0 6 Jun 1500 1267 233 233 54444 0.1556-233 -33 33 7 Jul 1200 1400-200 200 40000 0.1667 200 433 433 8 Agust 1300 1367-67 67 4444 0.0513 67-133 133 9 Sep 1150 1333-183 183 33611 0.1594 183 117 117 10 Okt 1000 1217-217 217 46944 0.2167 217 33 33 11 Nop 1500 1150 350 350 122500 0.2333-350 -567 567 12 Des 1200 1217-17 17 278 0.0139 17 367 367 Jumlah 300 1667 382222 1.29351675 1683 MAPE 14.37240832 13

Tabel 3. 3 Verifikasi Peramalan Metode Moving Average Bulan ft-at UCL LCL A(+) A(-) B(+) B(-) Apr -200 559.708-559.708 372.438-372.438 187.271-187.271 Mei -200 559.708-559.708 372.438-372.438 187.271-187.271 Jun -233 559.708-559.708 372.438-372.438 187.271-187.271 Jul 200 559.708-559.708 372.438-372.438 187.271-187.271 Agust 67 559.708-559.708 372.438-372.438 187.271-187.271 Sep 183 559.708-559.708 372.438-372.438 187.271-187.271 Okt 217 559.708-559.708 372.438-372.438 187.271-187.271 Nop -350 559.708-559.708 372.438-372.438 187.271-187.271 Des 17 559.708-559.708 372.438-372.438 187.271-187.271 14

800 MA 600 400 200 0-200 -400 1 2 3 4 5 6 7 8 9 ft-at ucl lcl A(+) A(-) B(+) B(-) -600-800 Gambar 3. 1 Grafik peramalan metode Moving Average 15

3.2.2. Metode Double Moving Average n= 3 W1 = 0,2 W2 = 0,3 W2 = 0,5 Tabel 3. 4 Penghitungan Peramalan Metode Double Moving Average t Bulan at s' s'' ft (at-ft) at-ft (at - ft)^2 1 Jan 1000 2 Feb 1200 3 Mar 1100 1100 4 Apr 1300 1200 5 Mei 1400 1266.667 1188.889 6 Jun 1500 1400 1288.889 1422.222 77.778 77.778 6049.383 0.052-77.778 (atft)/at (ft-at) n=3 MR MR 7 Jul 1200 1366.667 1344.444 1622.222-422.222 422.222 178271.605 0.352 422.222 500 500 8 Agust 1300 1333.333 1366.667 1411.111-111.111 111.111 12345.679 0.085 111.111-311.111 311.111 9 Sep 1150 1216.667 1305.556 1266.667-116.667 116.667 13611.111 0.101 116.667 5.556 5.556 10 Okt 1000 1150 1233.333 1038.889-38.889 38.889 1512.346 0.039 38.889-77.778 77.778 11 Nop 1500 1216.667 1194.444 983.333 516.667 516.667 266944.444 0.344-516.667-555.556 555.556 12 Des 1200 1233.333 1200 1261.111-61.111 61.111 3734.568 0.051 61.111 577.778 577.778 Jumlah -155.556 1344.444 482469.136 1.025 2027.778 MAPE 14.64118 MR bar 337.963 16

Tabel 3. 5 Verifikasi peramalan Metode Double Moving Average Bulan ft-at UCL LCL A(+) A(-) B(+) B(-) jun -77.778 898.981-898.981 598.194-598.194 300.787-300.787 jul 422.222 898.981-898.981 598.194-598.194 300.787-300.787 agust 111.111 898.981-898.981 598.194-598.194 300.787-300.787 sep 116.667 898.981-898.981 598.194-598.194 300.787-300.787 okt 38.889 898.981-898.981 598.194-598.194 300.787-300.787 nop -516.667 898.981-898.981 598.194-598.194 300.787-300.787 des 61.111 898.981-898.981 598.194-598.194 300.787-300.787 17

1000.000 DMA 800.000 600.000 400.000 200.000 0.000-200.000-400.000 jun jul agust sep okt nop des ft-at ucl lcl A(+) A(-) B(+) B(-) -600.000-800.000-1000.000 Gambar 3. 2 Grafik Peramalan Metode Double Moving Average 18

3.2.3. Metode Weighted Moving Average Tabel 3. 6 Penghitungan Peramalan Metode Weighted Moving Average n= 3 W1 = 0,2 W2 = 0,3 W2 = 0,5 t Bulan at ft (at - ft) at- ft (at - ft)^2 (at - ft)/at (ft-at) n=3 MR MR 1 Jan 1000 2 Feb 1200 3 Mar 1100 4 Apr 1300 1110 190 190 36100 0.146153846-190 5 Mei 1400 1220 180 180 32400 0.128571429-180 10 10 6 Jun 1500 1310 190 190 36100 0.126666667-190 -10 10 7 Jul 1200 1430-230 230 52900 0.191666667 230 420 420 8 Agust 1300 1330-30 30 900 0.023076923 30-200 200 9 Sep 1150 1310-160 160 25600 0.139130435 160 130 130 10 Okt 1000 1205-205 205 42025 0.205 205 45 45 11 Nop 1500 1105 395 395 156025 0.263333333-395 -600 600 12 Des 1200 1280-80 80 6400 0.066666667 80 475 475 Jumlah 11300 250 1660 388450 1.290265966 1890 MAPE 14.3362885 MR bar 236.25 19

Tabel 3. 7 Verifikasi Peramalan Metode Weighted Moving Average Bulan ft-at UCL LCL A(+) A(-) B(+) B(-) Apr -190 628.425-628.43 418.163-418.163 210.263-210.263 Mei -180 628.425-628.43 418.163-418.163 210.263-210.263 Jun -190 628.425-628.43 418.163-418.163 210.263-210.263 Jul 230 628.425-628.43 418.163-418.163 210.263-210.263 Agust 30 628.425-628.43 418.163-418.163 210.263-210.263 Sep 160 628.425-628.43 418.163-418.163 210.263-210.263 Okt 205 628.425-628.43 418.163-418.163 210.263-210.263 Nop -395 628.425-628.43 418.163-418.163 210.263-210.263 Des 80 628.425-628.43 418.163-418.163 210.263-210.263 20

800 WMA 600 400 200 0-200 -400 Apr Mei Jun Jul Agust Sep Okt Nop Des ft-at ucl lcl A(+) A(-) B(+) B(-) -600-800 Gambar 3. 3 Grafik peramalan metode Weighted Moving Average 21

3.2.4. Metode Single Exponential Smoothing Tabel 3. 8 Penghitungan peramalan metode Single Exponential Smoothing n= 3 α= 0,5 t Bulan Data historis (at) peramalan (ft) (at - ft) at- ft (at - ft)^2 (at - ft)/at (ft-at) n=3 MR MR 1 Jan 1000 2 Feb 1200 1000 200 200 40000 0,1667-200 3 Mar 1100 1100 0 0 0 0 0 200 200 4 Apr 1300 1100 200 200 40000 0,1538-200 -200 200 5 Mei 1400 1200 200 200 40000 0,1429-200 0 0 6 Jun 1500 1300 200 200 40000 0,1333-200 0 0 7 Jul 1200 1400-200 200 40000 0,1667 200 400 400 8 Agust 1300 1300 0 0 0 0 0-200 200 9 Sep 1150 1300-150 150 22500 0,1304 150 150 150 10 Okt 1000 1225-225 225 50625 0,2250 225 75 75 11 Nop 1500 1113 388 388 150156 0,2583-388 -613 613 12 Des 1200 1306-106 106 11289 0,0885 106 494 494 Jumlah 12344 306 1669 394570 1,2990 2331 MAPE 14,43347866 MR bar 291,406 22

Tabel 3. 9 Verifikasi Peramalan Metode Single Exponential Smoothing Bulan ft-at UCL LCL A(+) A(-) B(+) B(-) Feb -200 775.141-775.141 515.789-515.789 259.352-259.352 Mar 0 775.141-775.141 515.789-515.789 259.352-259.352 Apr -200 775.141-775.141 515.789-515.789 259.352-259.352 Mei -200 775.141-775.141 515.789-515.789 259.352-259.352 Jun -200 775.141-775.141 515.789-515.789 259.352-259.352 Jul 200 775.141-775.141 515.789-515.789 259.352-259.352 Agust 0 775.141-775.141 515.789-515.789 259.352-259.352 Sep 150 775.141-775.141 515.789-515.789 259.352-259.352 Okt 225 775.141-775.141 515.789-515.789 259.352-259.352 Nop -388 775.141-775.141 515.789-515.789 259.352-259.352 Des 106 775.141-775.141 515.789-515.789 259.352-259.352 23

1000 SES 800 600 400 200 0-200 -400 Feb Mar Apr Mei Jun Jul Agust Sep Okt Nop Des ft-at ucl lcl A(+) A(-) B(+) B(-) -600-800 -1000 Gambar 3. 4 Grafik Peramalan Metode Single Exponential Smoothing Berdasarkan grafik peramalan, didapatkan data bahwa peramalan dengan metode SES lebih ketat dibanding metode lainnya. Karena hasil peramalan metode SES berada pada 3 sigma yaitu A(-), B(-) dan B(+), sedangkan metode lainnya berada pada 4 sigma A(+), A(-), B(+) dan B(-) 24

Tabel 3. 10 Penghitungan peramalan metode Single Exponential Smoothing untuk 12 bulan berikutnya n= 3 α= 0,5 t Bulan Data historis (at) peramalan (ft) (at - ft) at- ft (at - ft)^2 (at - ft)/at (ft-at) n=3 MR MR 12 Des 1200 1306-106 106 11236 0,08833 106 13 Jan 1253 1253 0 0 0 0,00000 0-106 106 14 Feb 1253 1253 0 0 0 0,00000 0 0 0 15 Mar 1253 1253 0 0 0 0,00000 0 0 0 16 Apr 1253 1253 0 0 0 0,00000 0 0 0 17 Mei 1253 1253 0 0 0 0,00000 0 0 0 18 Jun 1253 1253 0 0 0 0,00000 0 0 0 19 Jul 1253 1253 0 0 0 0,00000 0 0 0 20 Agust 1253 1253 0 0 0 0,00000 0 0 0 21 Sep 1253 1253 0 0 0 0,00000 0 0 0 22 Okt 1253 1253 0 0 0 0,00000 0 0 0 23 Nop 1253 1253 0 0 0 0,00000 0 0 0 24 Des 1253 1253 0 0 0 0,00000 0 0 0 Jumlah 16342-106 106 11236 0 106 MAPE 0,981481481 MR bar 13,250 Data peramalan 12 bulan berikutnya kurang valid karena data historis yang ada hanya data bulan ke-12, sehingga harus selalu diperbarui pada bulan-bulan berikutnya. 25

3.2.5. Metode Double Exponential Smoothing Tabel 3. 11 Penghitungan Peramalan Metode Double Exponential Smoothing t Bulan at S'(SES) S"(DES) a1 b1 ft/a+bm (at - ft) at- ft (at - ft)^2 (at-ft)/at 1 Jan 1000 1000 1000 1000 0 2 Feb 1200 1100 1050 1150 50 1000 200 200 40000 0.166667-200 (ft-at) n=3 MR MR 3 Mar 1100 1100 1075 1125 25 1200-100 100 10000 0.090909 100 300 300 4 Apr 1300 1200 1137.5 1262.5 63 1150 150 150 22500 0.115385-150 -250 250 5 Mei 1400 1300 1218.8 1381.3 81 1325 75 75 5625 0.053571-75 75 75 6 Jun 1500 1400 1309.4 1490.6 91 1463 38 38 1406 0.025-38 38 38 7 Jul 1200 1300 1304.7 1295.3-5 1581-381 381 145352 0.317708 381 419 419 8 Agust 1300 1300 1302.3 1297.7-2 1291 9 9 88 0.007212-9 -391 391 9 Sep 1150 1225 1263.7 1186.3-39 1295-145 145 21116 0.126359 145 155 155 10 Okt 1000 1113 1188.1 1036.9-76 1148-148 148 21802 0.147656 148 2 2 11 Nop 1500 1306 1247.2 1365.3 59 961 539 539 290167 0.359115-539 -686 686 12 Des 1200 1253 1250.1 1256.1 3 1424-224 224 50362 0.187012 224 763 763 Jumlah 12838-188 1809 568418 1.429926 3078 MAPE 12.9993 MR bar 384.79 26

Tabel 3. 12 Verifikasi Peramalan Metode Double Exponential Smoothing Bulan ft-at UCL LCL A(+) A(-) B(+) B(-) Feb -200 1023.542-1023.542 681.078-681.078 342.463-342.463 Mar 100 1023.542-1023.542 681.078-681.078 342.463-342.463 Apr -150 1023.542-1023.542 681.078-681.078 342.463-342.463 Mei -75 1023.542-1023.542 681.078-681.078 342.463-342.463 Jun -38 1023.542-1023.542 681.078-681.078 342.463-342.463 Jul 381 1023.542-1023.542 681.078-681.078 342.463-342.463 Agust -9 1023.542-1023.542 681.078-681.078 342.463-342.463 Sep 145 1023.542-1023.542 681.078-681.078 342.463-342.463 Okt 148 1023.542-1023.542 681.078-681.078 342.463-342.463 Nop -539 1023.542-1023.542 681.078-681.078 342.463-342.463 Des 224 1023.542-1023.542 681.078-681.078 342.463-342.463 27

1500 DES 1000 500 0-500 Feb Mar Apr Mei Jun Jul Agust Sep Okt Nop Des ft-at ucl lcl A(+) A(-) B(+) B(-) -1000-1500 Gambar 3. 5 Grafik Peramalan Metode Double Exponential Smoothing 28

BAB IV KESIMPULAN DAN SARAN 4.1. Kesimpulan Berikut adalah rekapitulasi hasil peramalan permintaan AADC Chair yang diproduksi oleh PT Furniture Mesindo dengan menggunakan beberapa metode Tabel 4. 1 Rekapitulasi Hasil Peramalan Permintaan AADC Chair METODE PERAMALAN MAPE Moving Average 14,3724 Double Moving Average 14,6412 Weighted Moving Average 14,3363 Single Exponential Smoothing 14,4335 Double Exponential Smoothing 12,9993 Berdasarkan hasil verifikasi peramalan setiap metode, didapatkan hasil bahwa peramalan dengan metode SES lebih ketat dibanding metode lainnya. Karena hasil peramalan metode SES berada pada 3 sigma yaitu A(-), B(-) dan B(+), sedangkan metode lainnya berada pada 4 sigma A(+), A(-), B(+) dan B(-) Berikut adalah hasil peramalan permintaan kursi AADC Chair untuk 12 bulan ke depan menggunakan metode SES Tabel 4. 2 Data permintaan 12 bulan yang akan datang menggunakan SES Data t Bulan Peramalan Historis 12 Des 1200 1306 13 Jan 1253 1253 14 Feb 1253 1253 15 Mar 1253 1253 16 Apr 1253 1253 17 Mei 1253 1253 18 Jun 1253 1253 19 Jul 1253 1253 20 Agust 1253 1253 21 Sep 1253 1253 22 Okt 1253 1253 23 Nop 1253 1253 24 Des 1253 1253 29

30 4.2. Saran 1. Dilakukan uji validasi terhadap hasil yang diperoleh menggunakan aplikasi WIN-QSB 2. Untuk mengetahui efektifitas dan validitas dari data peramalan dapat menggunakan WIN-QSB sebaiknya menggunakan software statistik lainnya seperti POM-QM for Windows sebagai pembanding 3. Pemilihan metode peramalan juga harus didasarkan pada jenis barang/produk yang dijual, terutama bila produk yang dijual ada produk musiman maka harus menggunakan metode yang sesuai 4. Hasil peramalan harus di-perbarui setiap bulannya menggunakan data aktual bulan-bulan sebelumnya agar peramalan bulan berikutnya dapat lebih akurat.

DAFTAR PUSTAKA Herjanto, Edy. 2007. Manajemen Operasi (Edisi 3). Jakarta. Penerbit: Grasindo Ma arif, Mohamad Syamsul dan Hendri Tanjung. 2003. Manajemen Operasi. Jakarta. Penerbit: Grasindo Prasetya, Hery dan Fitri Lukiastuti. 2009. Manajemen Operasi. Yogyakarta. Penerbit: MedPress

Lampiran 1. 1 Peramalan Metode Simple Average menggunakan Software WinQSB Hasil peramalan permintaan metode Simple Average Grafik peramalan permintaan dengan metode Simple Average

Lampiran 1. 2 Peramalan Metode Moving Average menggunakan Software WinQSB Hasil peramalan permintaan metode Moving Average Grafik peramalan permintaan dengan metode Moving Average

Lampiran 1. 3 Peramalan Metode Weighted Moving Average menggunakan Software WinQSB Hasil peramalan permintaan metode Weighted Moving Average Grafik peramalan permintaan dengan metode Weighted Moving Average

Lampiran 1. 4 Peramalan Metode Moving Average With Linear Trend menggunakan Software WinQSB Hasil Peramalan Permintaan Metode Moving Average With Linear Trend Grafik.Peramalan Permintaan Metode Moving Average with Linear Trend

Lampiran 1. 5 Peramalan Metode Single Exponential Smoothing (SES) menggunakan Software WinQSB Hasil Peramalan Permintaan Metode Single Exponential Smoothing (SES) Peramalan Permintaan Metode Single Exponential Smoothing (SES)

Lampiran 1. 6 Peramalan Metode Single Exponential Smoothing With Trend menggunakan Software WinQSB Hasil Peramalan Permintaan Metode Single Exponential Smoothing with Trend Peramalan Permintaan Metode Single Exponential Smoothing with Trend

Lampiran 1. 7 Peramalan Metode Double Exponential Smoothing menggunakan Software WinQSB Hasil Peramalan Permintaan Metode Double Exponential Smoothing Peramalan Permintaan Metode Double Exponential Smoothing

Lampiran 1. 8 Peramalan Metode Double Exponential Smoothing With Trend menggunakan Software WinQSB Hasil Peramalan Permintaan Metode Double Exponential Smoothing With Trend Peramalan Permintaan Metode Double Exponential Smoothing With Trend

Lampiran 1. 9 Peta Proses Operasi Pembuatan AADC Chair PETA PROSES OPERASI Nama Objek : Kursi Kerja Nomor Peta : 1 Dipetakan Oleh : Kelompok 2 Tanggal : 3 November 2012 Sandaran Tangan Jok Kursi Rangka Jok Kaki Kursi O-13 Pengukuran bahan O-9 Pengukuran bahan O-5 Pengukuran bahan O-1 Pengukuran bahan O-14 Pemotongan bahan O-10 Pemotongan bahan O-6 Pemotongan bahan O-2 Pemotongan bahan O-15 Penghalusan Bahan O-11 Penghalusan Bahan O-7 Penghalusan Bahan 0-3 Penghalusan Bahan I-4 Inspeksi I-3 Inspeksi I-2 Inspeksi I-1 Inspeksi O-16 Penyambungan O-12 Penyambungan O-8 Penyambungan 0-4 Penyambungan O-17 Penyambungan I-5 Inspeksi O-18 Penyambungan O-19 Penyambungan O-20 Finishing (Cat) I-6 Inspeksi Kegiatan RINGKASAN Jumlah Storage 20 6 Total 26