laporan perancangan sistem industri terpadu modul forecasting
Post on 30-Nov-2015
329 Views
Preview:
TRANSCRIPT
LAPORAN PRAKTIKUM
PSIT 1
MODUL 3
PERAMALAN
Kelompok : D-21 Tgl. Praktikum : 9 April 2013
Nama : 1. Yuliana Rachmawaty Hari Praktikum : Selasa
2. Ari Kurniawan Dikumpulkan tgl : 16 April 2013
Kelas : D Yogyakarta,.........................................2013
Asisten : P-33
Kriteria Penilaian Asisten
(....................................)
Format
Laporan :
(maks 20)
Isi : (maks 40)
Analisa : (maks 40)
TOTAL :
LABORATORIUM PSIT
JURUSAN TEKNIK INDUSTRI
FAKULTAS TEKONOLOGI INDUSTRI
UNIVERSITAS ISLAM INDONESIA
2013
BAB III
PERAMALAN
3.1 Tujuan Praktikum
1. Mampu memprediksi kebutuhan/permintaan yang akan diperlukan dalam
proses produksi.
2. Memahami tahapan dalam berbagai metode peramalan.
3. Mampu menentukan metode peramalan yang tepat.
3.2 Tugas Praktikum
1. Lakukan peramalan untuk produk yang akan dikembangankan untuk 5 periode
kedepan dengan berbagai metode.
2. Pilih hasil peramalan yang terbaik sebagai input untuk praktikum selanjutnya.
3.3 Output
1.3.1 Deskripsi Pasar dan Data Permintaan yang di dapatkan
Berdasarkan Product Innovation Center (PIC) yang telah dibuat di bab 2
perencanaan produk baru, target pasar yang akan dituju yaitu adalah feature
(fungsi tambahan) dari city car Diamond Athar. Sebagai informasi, kami ingin
mengembangkan sebuah produk dari salah satu part yang ada di mobil yaitu
sunroof dengan tipe panoramic sunroof.
Panoramic sunroof yang biasanya berukuran panjang kurang lebih 1,2
meter dan lebar kurang lebih 1,12 meter (ukuran panel kami yaitu 1150 x 1100
x 0,5) kembali pada dua rel dan memiliki kurva lembut yang meniru bentuk
bagian belakang mobil itu sendiri. Pada ekstensi penuh, sunroof akan
membuka jarak 1150 x 1100 x 0,5 meter yang menutupi penumpang depan dan
belakang. Kaca yang digunakan pun memiliki ketebalan 5 mm dan merupakan
kaca SPF 100 yang memberi perlindungan lengkap pada penumpang dari sinar
matahari saat tertutup. Selain itu, saat dikendarai dengan kecepatan tinggi,
penangkis angin yang ada di depan sunroof bisa berfungsi menghentikan angin
dan membuat mobil menjadi stabil. Sunroof itu sendiri juga secara otomatis
akan menutup sebagian ketika pengemudi mencapai kecepatan di atas
65km/jam.
Melalui pasaran utama kami yaitu anak muda kisaran umur 17 – 30 tahun,
dengan menambahkan langsung accessories sunroof pada city car konsumen
kami yakin akan menambahkan minat serta nilai jual yang tinggi pada
Diamond “Athar”. Dengan menggunakan tipe panoramic sunroof yang
memberi perlindungan lengkap pada penumpang melalui fungsi UV protection
nya disaat tertutup dan saat dikendarai dengan kecepatan tinggi, penangkis
angin yang ada di depan sunroof bisa berfungsi menghentikan angin dan
membuat mobil menjadi stabil sehingga desain Diamond “Athar” sebagai city
car menjadi lebih elegan. Ketika malam hari, konsumen dapat dimanjakan
fungsi lain dari sunroof, karena ini merupaka tipe panoramic sunroof,
konsumen dapat dengan langsung melihat pemandangan di malam hari
disesuaikan dengan keadaan cuaca juga tentunya.
Oleh karena itu, untuk memenuhi sasaran yang telah ditentukan oleh
perusahaan, maka perusahaan harus mewujudkan produk yang telah
dirancangnya. Perusahaan tidak bisa sembarangan dalam menentukan seberapa
banyak produk sunroof yang harus dibuat. Perusahaan harus memperhitungkan
beberapa aspek seperti penentuan jumlah sunroof yang harus diproduksi. Salah
satu metode untuk menentukan berapa jumlah mobil yang harus diproduksi
adalah peramalan (forecasting).
Peramalan disini adalah menghitung seberapa banyak jumlah sunroof yang
harus diproduksi berdasarkan jumlah sunroof yang telah diproduksi pada
periode-periode sebelumnya. Berikut ini adalah tabel jumlah produksi per
bulan yang telah dilakukan oleh perusahaan dalam kurun waktu 2 tahun.
Tabel 3.1 Data Historis
NO Tahun Periode Data
1 2011 1 9900
2 2011 2 7700
3 2011 3 7400
4 2011 4 5000
5 2011 5 6700
NO Tahun Periode Data
6 2011 6 8500
7 2011 7 7700
8 2011 8 6900
9 2011 9 7400
10 2011 10 9200
11 2012 11 8400
12 2012 12 7400
13 2012 13 6500
14 2012 14 9700
15 2012 15 6700
16 2012 16 6500
17 2012 17 9500
18 2012 18 7900
19 2012 19 6200
20 2012 20 7300
21 2012 21 8400
22 2012 22 8900
23 2013 23 5500
24 2013 24 6600
1.3.2 Metode Konstan
Persamaan garis yang menggambarkan pola konstan adalah:
Y‟ (t) = a
Nilai a dapat dhitung dengan rumus:
∑
Dimana:
a : Nilai konstan
n : jumlah periode peramalan
Y (t) : Data ke-t
Untuk mendapatkan nilai (a) maka dapat didekati melaui turunan kuadrat
terkecilnya (least square) terhadap (a) sebagai berikut:
E = ∑
0da
dE
diperoleh
n
i
atY1
0])([2
n
i
n
i
atY1 1
0)(
; maka
n
i
natY1
0)(
Sehingga, ∑
dimana n = jumlah periode peramalan
Jadi, apabila pola data berbentuk konstan, maka peramalannya dapat didekati
dengan harga rata-rata dari data tersebut. Berikut dibawah ini adalah perhitungan
peramalan menggunakan metode konstan sperti yang telah dijabarkan di atas.
Tabel 3.2 Hasil Peramalan Data Historis dengan Metode Konstan
NO Tahun Periode Data Peramalan
1 2011 1 9900 7579,167
2 2011 2 7700 7579,167
3 2011 3 7400 7579,167
4 2011 4 5000 7579,167
5 2011 5 6700 7579,167
6 2011 6 8500 7579,167
7 2011 7 7700 7579,167
8 2011 8 6900 7579,167
9 2011 9 7400 7579,167
10 2011 10 9200 7579,167
11 2012 11 8400 7579,167
12 2012 12 7400 7579,167
13 2012 13 6500 7579,167
14 2012 14 9700 7579,167
15 2012 15 6700 7579,167
16 2012 16 6500 7579,167
17 2012 17 9500 7579,167
18 2012 18 7900 7579,167
19 2012 19 6200 7579,167
20 2012 20 7300 7579,167
21 2012 21 8400 7579,167
22 2012 22 8900 7579,167
23 2013 23 5500 7579,167
24 2013 24 6600 7579,167
Tabel 3.3 Data Perhitungan Peramalan 5 Periode Ke-depan
Periode Forecast
25 7579,167
26 7579,167
27 7579,167
28 7579,167
29 7579,167
Pada peramalan menggunakan metode konstan ini hasil yang didapat yaitu 7579,167.
Karena ini menggunakan metode konstan, maka hasil prediksi untuk 10 periode ke
depannya adalah sama.
1.3.3 Metode Regresi Linear
Persamaan garis yang mendekati bentuk data linier adalah:
Y‟(t) = a + b (t)
Konstanta a dan b ditentukan dari data mentah berdasarkan Kriteria
Kuadrat Terkecil (least square criterion). Perhitungannya sebagai berikut:
Anggaplah data mentah diwakili dengan (Yi,ti), dimana Yi adalah
permintaan aktual di saat ti, dimana i = 1,2, .....,n. Definisikan:
E = ∑
Turunkan persamaan tersebut terhadap a dan b:
0da
dE yaitu
n
i
btatY1
0])([2 diperoleh (1)
n
i
n
i
tbnatY1 1
0)(
0db
dEyaitu
n
i
btatYt1
0])([2 diperoleh (2)
Dengan mengeliminasi persamaan (1) dan (2) diperoleh nilai a dan b :
∑ ∑ ∑
∑ ∑
∑ ∑
Dari rumus rumus yang telah dijabarkan di atas, maka dapat dihitung peramalan
terhadap data historis tersebut. Hasil dari perhitungan dengan metode regresi
dapat dilihat pada tabel dibawah ini
a = 7834,058
b = -20,391
Y‟t = -20,391 + 7834,058 t
Tabel 3.4 Hasil Perhitungan Peramalan Data Historis
Periode Aktual Forecast
1 9900 9900
2 7700 15400
3 7400 22200
4 5000 20000
5 6700 33500
6 8500 51000
7 7700 53900
8 6900 55200
9 7400 66600
10 9200 92000
11 8400 92400
12 7400 88800
13 6500 84500
14 9700 135800
15 6700 100500
16 6500 104000
n
i
n
i
n
i
tbtattY1 1
2
1
0)(
Periode Aktual Forecast
17 9500 161500
18 7900 142200
19 6200 117800
20 7300 146000
21 8400 176400
22 8900 195800
23 5500 126500
24 6600 158400
Tabel 3.5 Data Perhitungan Peramalan 5 Periode Ke-depan
Periode Forecast
25 7324,275
26 7303,884
27 7283,493
28 7263,101
29 7242,710
Pada perhitungan dengan metode regresi ini pertama-tama yang dilakukan
adalah menghitung menentukan nilai konstantanya sehingga dapat terbentuk rumus
untuk mencari nilai peramalannya. Rumus yang terbentuk dari perhitungan tersebut
adalah Y„t = -20,391 + 7834,058 t. Kemudian dengan menggunakan rumus yang
telah terbentuk tersebut dapat dihitung atau diramalakan jumlah sunroof yang akan
diproduksi. Hasil untuk 10 periode ke depan adalah 7324,275; 7303,884; 7283,493;
7263,101; dan 7242,710.
1.3.4 Metode Moving Average Forecasting
Metode moving average banyak digunakan untuk menentukan trend dari suatu
deret waktu. Dengan menggunakan metode rata-rata bergerak ini, deret berkala dari
data asli diubah menjadi deret rata-rata bergerak yang lebih mulus. Metode ini
digunakan untuk data yang perubahannya tidak cepat, dan tidak mempunyai
karakteristik musiman atau seasonal. Metode rata-rata bergerak mengestimasi
permintaan periode berikutnya sebagai rata-rata data permintaan aktual dari n periode
terakhir. Terdapat tiga macam Metode rata-rata bergerak, yaitu:
a. Simple Moving Average
Simple Moving Average (SMAt)= n
YYYY ntttt 121 ....
Seperti pada rumus yang telah dijelaskan di atas, maka perhitungan untuk
forecast pada data historis yang telah tersedia dapat dilihat pada tabel di bawah
ini.
Tabel 3.6 Hasil Perhitungan Data Historis
Dengan Metode Simple Moving Average 3 Periode
Tahun Periode Demand SMA
2011 1 9900
2011 2 7700
2011 3 7400
2011 4 5000 8333,333
2011 5 6700 6700
2011 6 8500 6366,667
2011 7 7700 6733,333
2011 8 6900 7633,333
2011 9 7400 7700
2011 10 9200 7333,333
2012 11 8400 7833,333
2012 12 7400 8333,333
2012 13 6500 8333,333
2012 14 9700 7433,333
2012 15 6700 7866,667
2012 16 6500 7633,333
2012 17 9500 7633,333
2012 18 7900 7566,667
2012 19 6200 7966,667
2012 20 7300 7866,667
2012 21 8400 7133,333
Tahun Periode Demand SMA
2012 22 8900 7300
2013 23 5500 8200
2013 24 6600 7600
Tabel 3.7 Data Perhitungan Peramalan dengan Metode
Simple Moving Average 5 Periode Ke-depan
Periode Forecast
25 7000
26 7000
27 7000
28 7000
29 7000
Data di atas merupakan hasil perhitungan menggunakan metode Simple
Moving Average dengan menggunakan 3 periode. Data hasil forecast di atas sama
semua karena pada metode moving average ini untuk perhitungan forecast nya
menggunakan 3 data terakhir dari data historis yang telah tersedia.
Tabel 3.8 Hasil Perhitungan Data Historis
dengan Metode Simple Moving Average 4 Periode
Tahun Periode Demand SMA
2011 1 9900
2011 2 7700
2011 3 7400
2011 4 5000
2011 5 6700 7500
2011 6 8500 6700
2011 7 7700 6900
2011 8 6900 6975
2011 9 7400 7450
2011 10 9200 7625
Tahun Periode Demand SMA
2012 11 8400 7800
2012 12 7400 7975
2012 13 6500 8100
2012 14 9700 7875
2012 15 6700 8000
2012 16 6500 7575
2012 17 9500 7350
2012 18 7900 8100
2012 19 6200 7650
2012 20 7300 7525
2012 21 8400 7725
2012 22 8900 7450
2013 23 5500 7700
2013 24 6600 7525
Tabel 3.9 Data Perhitungan Peramalan dengan Metode
Simple Moving Average 5 Periode Ke-depan
Periode Forecast
25 7350
26 7350
27 7350
28 7350
29 7350
b. Centered Moving Average (CMA)
Perbedaan utama antara Simple Moving Average dan Centered Moving
Average terletak pada observasi yang digunakan. “Center” berarti antara data
sekarang dengan menggunakan data sebelumnya dan data sesudahnya.
Misalnya untuk 3 periode moving average, maka SMA menggunakan data
periode 3 ditambah data sebelumnya dan data sesudahnya.
Centered Moving Average (CMAt) = (
)
Tabel 3.10 Hasil Perhitungan Data Historis
Dengan Metode Centered Moving Average 3 Periode
Tahun Periode Demand CMA
2011 1 9900
2011 2 7700 8333,333
2011 3 7400 6700
2011 4 5000 6366,667
2011 5 6700 6733,333
2011 6 8500 7633,333
2011 7 7700 7700
2011 8 6900 7333,333
2011 9 7400 7833,333
2011 10 9200 8333,333
2012 11 8400 8333,333
2012 12 7400 7433,333
2012 13 6500 7866,667
2012 14 9700 7633,333
2012 15 6700 7633,333
2012 16 6500 7566,667
2012 17 9500 7966,667
2012 18 7900 7866,667
2012 19 6200 7133,333
2012 20 7300 7300
2012 21 8400 8200
2012 22 8900 7600
2013 23 5500 7000
2013 24 6600 7000
Tabel 3.11 Data Perhitungan Peramalan dengan Metode
Centered Moving Average 5 Periode Ke-depan
Periode Forecast
25 7000
26 7000
27 7000
28 7000
29 7000
Tabel 3.12 Hasil Perhitungan Data Historis
Dengan Metode Centered Moving Average 5 Periode
Tahun Periode Demand CMA
2011 1 9900
2011 2 7700
2011 3 7400 7340
2011 4 5000 7060
2011 5 6700 7060
2011 6 8500 6960
2011 7 7700 7440
2011 8 6900 7940
2011 9 7400 7920
2011 10 9200 7860
2012 11 8400 7780
2012 12 7400 8240
2012 13 6500 7740
2012 14 9700 7360
2012 15 6700 7780
2012 16 6500 8060
2012 17 9500 7360
2012 18 7900 7480
2012 19 6200 7860
2012 20 7300 7740
Tahun Periode Demand CMA
2012 21 8400 7260
2012 22 8900 7340
2013 23 5500 7340
2013 24 6600 7340
Tabel 3.13 Data Perhitungan Peramalan dengan Metode
Centered Moving Average 5 Periode Ke-depan
Periode Forecast
25 7340
26 7340
27 7340
28 7340
29 7340
1.3.5 Metode Exponential Smoothing Forecasting
Dalam Metode rata-rata bergerak (Moving Average) dapat dilihat bahwa untuk
semua data observasi memiliki bobot yang sama yang membentuk rata-ratanya.
Padahal, data observasi terbaru seharusnya memiliki bobot yang lebih besar
dibandingkan dengan data observasi di masa yang lalu. Hal ini dipandang sebagai
kelemahan Metode peramalan Moving Average. Untuk itu, digunakanlah metode
Exponential Smoothing agar kelemahan tersebut dapat diatasi didasarkan pada alasan
sebagai berikut:
Metode exponential smoothing mempertimbangkan bobot data-data
sebelumnya dengan estimasi untuk Y‟(t+1) dengan periode (t+1) dihitung sebagai:
Dimana disebut konstanta pelicinan dalam interval 0 < < 1. Rumus ini
memperlihatkan bahwa data yang lalu memiliki bobot lebih kecil dibandingkan
dengan data yang terbaru. Rumus tersebut dapat disederhanakan sebagai berikut:
......)1()1(' )2(
2
)1(1)1( ttt YYYY
Dengan nilai Y‟(1) untuk inisial ramalan didekati dengan nilai rata-ratanya (Y ) atau
Perlu diperhatikan bahwa penetapan nilai konstanta memiliki andil yang
penting dalam menghasilkan hasil ramalan yang “andal”. Metode Exponential
Smoothing digunakan untuk peramalan jangka pendek.
Tabel 3.14 Hasil Perhitungan Data Historis dengan Metode Exponential Smoothing
Tahun Periode Demand Forecast
2011 1 9900
2011 2 7700 9900
2011 3 7400 8140
2011 4 5000 7548
2011 5 6700 5509,6
2011 6 8500 6461,92
2011 7 7700 8092,384
2011 8 6900 7778,477
2011 9 7400 7075,695
2011 10 9200 7335,139
2012 11 8400 8827,028
2012 12 7400 8485,406
2012 13 6500 7617,081
2012 14 9700 6723,416
2012 15 6700 9104,683
2012 16 6500 7180,937
2012 17 9500 6636,187
2012 18 7900 8927,237
2012 19 6200 8105,447
2012 20 7300 6581,089
)'('' )1()1()1()( tttt YYYY
) ( 1 ) 1 ( ' ) 1 ( ' t t Y Y Y
Tahun Periode Demand Forecast
2012 21 8400 7156,218
2012 22 8900 8151,244
2013 23 5500 8750,249
2013 24 6600 6150,050
Tabel 3.15 Data Perhitungan Peramalan dengan Metode
Exponential Smoothing 5 Periode Ke-depan
Setelah didapat hasil perhitungan peramalan dengan metode exponensial
smoothing didapat bahwa peramalan 5 periode ke depan hasil yang diperoleh adalah
sama dengan permintaan pada periode terakhir karena pada metode ini untuk
perhitungan forecastnya menggunakan perkalian konstanta dengan data forecast
terakhir dari data historis yang telah tersedia.
1.3.6 Perbandingan Metode Perhitungan
Perhitungan dengan 4 Metode yang telah dilakukan diatas menggunakan
Metode time series yang terdiri dari Metode Konstan, Metode Regresi Linear, Metode
Moving Average (Simple Moving Average dan Centered Moving Average), dan
Metode Exponential Smoothing. Tiap Metode perhitungan dengan data permintaan
(demand) yang ada didapatkan peramalan (forecasting) untuk periode selanjutnya.
Dalam meramalkan suatu permintaan kita juga perlu menghitung besar kesalahan
(error) dari perbedaan atau selisih antara nilai aktual dan nilai ramalan. Keakuratan
suatu Metode peramalan bergantung pada seberapa dekat nilai hasil peramalan
terhadap nilai data yang sebenarnya. Dimana kesalahan (error) nantinya dijumlahkan
guna untuk membandingkan tiap hasil dari perhitungan 4 Metode diatas. Jumlah
kesalahan (error) disebut dengan CFE (Cumulatif Forecast Error). Selain
Periode Forecast
25 6150,05
26 6150,05
27 6150,05
28 6150,05
29 6150,05
menjumlahkan kesalahan-kesalahan absolute kita perlu menghitung Rerata Simpangan
Absolut (Mean Absolute Deviation (MAD) mengukur keakuratan peramalan dengan
mererata besaran dari kesalahan meramal atau nilai absolut dari masing-masing
kesalahan. Pembagian dari CFE dan MAD yang didapat disebut dengan Tracking
Signal (TS). Berikut tabel dari perhitungannya:
Tabel 3.16 Hasil Perhitungan dengan Metode Konstan
Periode Demand Forecast FE CFE AD CAD MAD TS UCL LCL
1 9900 7579,167 2320,833 2320,833 2320,833 2320,833 2320,833 1 4 -4
2 7700 7579,167 120,833 2441,667 120,833 2441,667 1220,833 2 4 -4
3 7400 7579,167 -179,167 2262,500 179,167 300 100 22,625 4 -4
4 5000 7579,167 -2579,167 -316,667 2579,167 2758,333 689,583 -0,459 4 -4
5 6700 7579,167 -879,167 -1195,833 879,167 3458,333 691,667 -1,729 4 -4
6 8500 7579,167 920,833 -275,000 920,833 1800 300 -0,917 4 -4
7 7700 7579,167 120,833 -154,167 120,833 1041,667 148,810 -1,036 4 -4
8 6900 7579,167 -679,167 -833,333 679,167 800 100 -8,333 4 -4
9 7400 7579,167 -179,167 -1012,500 179,167 858,333 95,370 -10,617 4 -4
10 9200 7579,167 1620,833 608,333 1620,833 1800 180 3,380 4 -4
11 8400 7579,167 820,833 1429,167 820,833 2441,667 221,970 6,439 4 -4
12 7400 7579,167 -179,167 1250,000 179,167 1000 83,333 15 4 -4
13 6500 7579,167 -1079,167 170,833 1079,167 1258,333 96,795 1,765 4 -4
14 9700 7579,167 2120,833 2291,667 2120,833 3200 228,571 10,026 4 -4
15 6700 7579,167 -879,167 1412,500 879,167 3000 200 7,0625 4 -4
16 6500 7579,167 -1079,167 333,333 1079,167 1958,333 122,396 2,72E+00 4 -4
17 9500 7579,167 1920,833 2254,167 1920,833 3000 176,471 1,28E+01 4 -4
18 7900 7579,167 320,833 2575,000 320,833 2241,667 124,537 2,07E+01 4 -4
19 6200 7579,167 -1379,167 1195,833 1379,167 1700 89,474 1,34E+01 4 -4
20 7300 7579,167 -279,167 916,667 279,167 1658,333 82,917 1,11E+01 4 -4
21 8400 7579,167 820,833 1737,500 820,833 1100 52,381 3,32E+01 4 -4
22 8900 7579,167 1320,833 3058,333 1320,833 2141,667 97,348 3,14E+01 4 -4
23 5500 7579,167 -2079,167 979,167 2079,167 3400 147,827 6,62E+00 4 -4
24 6600 7579,167 -979,167 0,000 979,167 3058,333 127,431 -5,71E-14 4 -4
TOTAL 24858,333
MAD 1035,764
TS -7,02E-15
Gambar 3.1 Grafik Tracking Signal Metode Konstan
Tabel 3.17 Hasil Perhitugan Metode Regresi Linear
Periode Demand Forecast FE CFE AD CAD MAD TS UCL LCL
1 9900 7813,667 2086,333 2086,333 2086,333 2086,333 2086,333 1 4 -4
2 7700 7793,275 -93,275 1993,058 93,275 2179,609 1089,804 1,829 4 -4
3 7400 7772,884 -372,884 1620,174 372,884 2552,493 850,831 1,904 4 -4
4 5000 7752,493 -2752,493 -1132,319 2752,493 5304,986 1326,246 -0,854 4 -4
Periode Demand Forecast FE CFE AD CAD MAD TS UCL LCL
5 6700 7732,101 -1032,101 -2164,420 1032,101 6337,087 1267,417 -1,708 4 -4
6 8500 7711,710 788,290 -1376,130 788,290 7125,377 1187,563 -1,159 4 -4
7 7700 7691,319 8,681 -1367,449 8,681 7134,058 1019,151 -1,342 4 -4
8 6900 7670,928 -770,928 -2138,377 770,928 7904,986 988,123 -2,164 4 -4
9 7400 7650,536 -250,536 -2388,913 250,536 8155,522 906,169 -2,636 4 -4
10 9200 7630,145 1569,855 -819,058 1569,855 9725,377 972,538 -0,842 4 -4
11 8400 7609,754 790,246 -28,812 790,246 10515,623 955,966 -0,030 4 -4
12 7400 7589,362 -189,362 -218,174 189,362 10704,986 892,082 -0,245 4 -4
13 6500 7568,971 -1068,971 -1287,145 1068,971 11773,957 905,689 -1,421 4 -4
14 9700 7548,580 2151,420 864,275 2151,420 13925,377 994,670 0,869 4 -4
15 6700 7528,188 -828,188 36,087 828,188 14753,565 983,571 0,037 4 -4
16 6500 7507,797 -1007,797 -971,710 1007,797 15761,362 985,085 -0,986 4 -4
17 9500 7487,406 2012,594 1040,884 2012,594 17773,957 1045,527 0,996 4 -4
18 7900 7467,014 432,986 1473,870 432,986 18206,942 1011,497 1,457 4 -4
19 6200 7446,623 -1246,623 227,246 1246,623 19453,565 1023,872 0,222 4 -4
20 7300 7426,232 -126,232 101,014 126,232 19579,797 978,990 0,103 4 -4
21 8400 7405,841 994,159 1095,174 994,159 20573,957 979,712 1,118 4 -4
22 8900 7385,449 1514,551 2609,725 1514,551 22088,507 1004,023 2,599 4 -4
Periode Demand Forecast FE CFE AD CAD MAD TS UCL LCL
23 5500 7365,058 -1865,058 744,667 1865,058 23953,565 1041,459 0,715 4 -4
24 6600 7344,667 -744,667 -5,46E-12 744,667 24698,232 1029,093 -5,30E-15 4 -4
TOTAL 24698,232
MAD 1029,093
TS -5,30E-15
Gambar 3.2 Grafik Tracking Signal Metode Regresi Linea
Tabel 3.18 Hasil Perhitungan Metode Moving Average Simple Moving Average 3 Periode
Periode Demand Forecast FE CFE AD CAD MAD TS UCL LCL
1 9900
4 -4
2 7700
4 -4
3 7400
4 -4
4 5000 8333,333 -3333,333 -3333,333 3333,333 3333,333 3333,3 -1 4 -4
5 6700 6700 0 -3333,333 0 3333,333 1666,7 -2 4 -4
6 8500 6366,667 2133,333 -1200 2133,333 5466,667 1822,2 -0,658 4 -4
7 7700 6733,333 966,6667 -233,333 966,667 6433,333 1608,3 -0,145 4 -4
8 6900 7633,333 -733,333 -966,667 733,333 7166,667 1433,3 -0,674 4 -4
9 7400 7700 -300 -1266,667 300,000 7466,667 1244,4 -1,018 4 -4
10 9200 7333,333 1866,667 600 1866,667 9333,333 1333,3 0,45 4 -4
11 8400 7833,333 566,667 1166,667 566,667 9900 1237,5 0,943 4 -4
12 7400 8333,333 -933,333 233,333 933,333 10833,333 1203,7 0,194 4 -4
13 6500 8333,333 -1833,33 -1600,000 1833,333 12666,667 1266,7 -1,263 4 -4
14 9700 7433,333 2266,667 666,667 2266,667 14933,333 1357,6 0,492 4 -4
15 6700 7866,667 -1166,67 -500 1166,667 16100 1341,7 -0,373 4 -4
16 6500 7633,333 -1133,33 -1633,333 1133,333 17233,333 1325,6 -1,232 4 -4
17 9500 7633,333 1866,667 233,333 1866,667 19100 1364,3 0,171 4 -4
Periode Demand Forecast FE CFE AD CAD MAD TS UCL LCL
18 7900 7566,667 333,333 566,667 333,333 19433,333 1295,6 0,438 4 -4
19 6200 7966,667 -1766,67 -1200,000 1766,667 21200 1325 -0,906 4 -4
20 7300 7866,667 -566,667 -1766,667 566,667 21766,667 1280,4 -1,380 4 -4
21 8400 7133,333 1266,667 -500 1266,667 23033,333 1279,6 -0,391 4 -4
22 8900 7300 1600 1100 1600 24633,333 1296,5 0,849 4 -4
23 5500 8200 -2700 -1600 2700 27333,333 1366,7 -1,171 4 -4
24 6600 7600 -1000 -2600 1000 28333,333 1349,2 -1,927 4 -4
TOTAL 28333,333
MAD 1349,206
TS -1,927
Gambar 3.3 Grafik Tracking Signal Metode Simple Moving Average 3 Periode
Tabel 3.19 Hasil Perhitungan Metode Moving Average Simple Moving Average 4 Periode
Periode Demand Forecast FE CFE AD CAD MAD TS UCL LCL
1 9900 4 -4
2 7700 4 -4
3 7400 4 -4
4 5000 4 -4
5 6700 7500 -800 -800 800 800 800 -1 4 -4
Periode Demand Forecast FE CFE AD CAD MAD TS UCL LCL
6 8500 6700 1800 1000 1800 2600 1300 0,769 4 -4
7 7700 6900 800 1800 800 3400 1133,3 1,588 4 -4
8 6900 6975 -75 1725 75 3475 868,75 1,986 4 -4
9 7400 7450 -50 1675 50 3525 705 2,376 4 -4
10 9200 7625 1575 3250 1575 5100 850 3,824 4 -4
11 8400 7800 600 3850 600 5700 814,29 4,729 4 -4
12 7400 7975 -575 3275 575 6275 784,38 4,175 4 -4
13 6500 8100 -1600 1675 1600 7875 875 1,915 4 -4
14 9700 7875 1825 3500 1825 9700 970 3,609 4 -4
15 6700 8000 -1300 2200 1300 11000 1000 2,2 4 -4
16 6500 7575 -1075 1125 1075 12075 1006,3 1,118 4 -4
17 9500 7350 2150 3275 2150 14225 1094,2 2,993 4 -4
18 7900 8100 -200 3075 200 14425 1030,4 2,984 4 -4
19 6200 7650 -1450 1625 1450 15875 1058,3 1,535 4 -4
20 7300 7525 -225 1400 225 16100 1006,3 1,391 4 -4
21 8400 7725 675 2075 675 16775 986,76 2,103 4 -4
22 8900 7450 1450 3525 1450 18225 1012,5 3,482 4 -4
23 5500 7700 -2200 1325 2200 20425 1075 1,233 4 -4
Periode Demand Forecast FE CFE AD CAD MAD TS UCL LCL
24 6600 7525 -925 400 925 21350 1067,5 0,375 4 -4
TOTAL 21350
MAD 1067,5
TS 0,375
Gambar 3.4 Grafik Tracking Signal Metode Simple Moving Average 4 Periode
Tabel 3.20 Hasil Perhitungan Metode Moving Average Centered Moving Average 3 Periode
Periode Demand Forecast FE CFE AD CAD MAD TS UCL LCL
1 9900 633,333 633,333 -1 4 -4
2 7700 8333,333 -633,333 -633,333 633,333 1333,333 666,667 0,1 4 -4
3 7400 6700 700 66,667 700 2700 900 -1,444 4 -4
4 5000 6366,667 -1366,667 -1300 1366,667 2733,333 683,333 -1,951 4 -4
5 6700 6733,333 -33,333 -1333,333 33,333 3600 720 -0,648 4 -4
6 8500 7633,333 866,667 -466,667 866,667 3600 600 -0,778 4 -4
7 7700 7700 0 -466,667 0 4033,333 576,190 -1,562 4 -4
8 6900 7333,333 -433,333 -900 433,333 4466,667 558,333 -2,388 4 -4
9 7400 7833,333 -433,333 -1333,333 433,333 5333,333 592,593 -0,7875 4 -4
10 9200 8333,333 866,667 -466,667 866,667 5400 540 -0,741 4 -4
11 8400 8333,333 66,667 -400 66,667 5433,333 493,939 -0,877 4 -4
12 7400 7433,333 -33,333 -433,333 33,333 6800 566,667 -3,176 4 -4
13 6500 7866,667 -1366,667 -1800 1366,667 8866,667 682,051 0,391 4 -4
14 9700 7633,333 2066,667 266,667 2066,667 9800 700 -0,952 4 -4
15 6700 7633,333 -933,333 -666,667 933,333 10866,667 724,444 -2,393 4 -4
16 6500 7566,667 -1066,667 -1733,333 1066,667 12400 775 -0,258 4 -4
17 9500 7966,667 1533,333 -200 1533,333 12433,333 731,373 -0,228 4 -4
Periode Demand Forecast FE CFE AD CAD MAD TS UCL LCL
18 7900 7866,667 33,333 -166,667 33,333 13366,667 742,593 -1,481 4 -4
19 6200 7133,333 -933,333 -1100 933,333 13366,667 703,509 -1,564 4 -4
20 7300 7300 0 -1100 0 13566,667 678,333 -1,327 4 -4
21 8400 8200 200 -900 200 14866,667 707,937 0,565 4 -4
22 8900 7600 1300 400 1300 16366,667 743,939 -1,479 4 -4
23 5500 7000 -1500 -1100 1500 18933,333 823,188 1,782 4 -4
24 6600 4033,333 2566,667 1466,667 2566,667 633,333 633,333 -1 4 -4
TOTAL 18933,333
MAD 823,188
TS 1,782
Gambar 3.5 Grafik Tracking Signal Metode Centered Moving Average 3 Periode
Tabel 3.21 Hasil Perhitungan Metode Moving Average Centered Moving Average 5 Periode
Periode Demand Forecast FE CFE AD CAD MAD TS UCL LCL
1 9900 60 60 1 4 -4
2 7700 2120 1060 -1,887 4 -4
3 7400 7340 60 60 60 2480 826,667 -2,855 4 -4
4 5000 7060 -2060 -2000 2060 4020 1005 -0,816 4 -4
Periode Demand Forecast FE CFE AD CAD MAD TS UCL LCL
5 6700 7060 -360 -2360 360 4280 856 -0,654 4 -4
6 8500 6960 1540 -820 1540 5320 886,667 -1,805 4 -4
7 7700 7440 260 -560 260 5840 834,286 -2,541 4 -4
8 6900 7940 -1040 -1600 1040 7180 897,5 -0,869 4 -4
9 7400 7920 -520 -2120 520 7800 866,667 -0,185 4 -4
10 9200 7860 1340 -780 1340 8640 864 -1,157 4 -4
11 8400 7780 620 -160 620 9880 898,182 -2,494 4 -4
12 7400 8240 -840 -1000 840 12220 1018,333 0,098 4 -4
13 6500 7740 -1240 -2240 1240 13300 1023,077 -0,958 4 -4
14 9700 7360 2340 100 2340 14860 1061,429 -2,393 4 -4
15 6700 7780 -1080 -980 1080 17000 1133,333 -0,353 4 -4
16 6500 8060 -1560 -2540 1560 17420 1088,75 0,018 4 -4
17 9500 7360 2140 -400 2140 19080 1122,353 -1,461 4 -4
18 7900 7480 420 20 420 19520 1084,444 -1,918 4 -4
19 6200 7860 -1660 -1640 1660 20660 1087,368 -0,864 4 -4
20 7300 7740 -440 -2080 440 22220 1111 0,558 4 -4
21 8400 7260 1140 -940 1140 24060 1145,714 -1,065 4 -4
22 8900 7340 1560 620 1560 24800 1127,273 -1,739 4 -4
Periode Demand Forecast FE CFE AD CAD MAD TS UCL LCL
23 5500 7340 -1840 -1220 1840 60 60 1 4 -4
24 6600 7340 -740 -1960 740 2120 1060 -1,887 4 -4
TOTAL 24800
MAD 1127,27
TS -1,74
Gambar 3.5 Grafik Tracking Signal Metode Centered Moving Average 5 Periode
Tabel 3.22 Hasil Perhitungan Metode Exponential Smoothing Forecasting (α = 0,2)
Periode Demand Forecast FE CFE AD CAD MAD TS UCL LCL
1 9900 4 -4
2 7700 9900 -2200 -2200 2200 2200 2200 -1 4 -4
3 7400 9460 -2060 -4260 2060 4260 2130 -2 4 -4
4 5000 9048 -4048 -8308 4048 8308 2769,333 -3 4 -4
5 6700 8238,4 -1538,4 -9846,4 1538,4 9846,4 2461,6 -4 4 -4
6 8500 7930,72 569,28 -9277,12 569,28 10415,68 2083,136 -4,453 4 -4
7 7700 8044,576 -344,576 -9621,696 344,576 10760,256 1793,376 -5,365 4 -4
8 6900 7975,661 -1075,661 -10697,357 1075,661 11835,917 1690,845 -6,327 4 -4
9 7400 7760,529 -360,529 -11057,885 360,529 12196,445 1524,556 -7,253 4 -4
10 9200 7688,423 1511,577 -9546,308 1511,577 13708,023 1523,114 -6,268 4 -4
11 8400 7990,738 409,262 -9137,047 409,262 14117,284 1411,728 -6,472 4 -4
12 7400 8072,591 -672,591 -9809,637 672,591 14789,875 1344,534 -7,296 4 -4
13 6500 7938,073 -1438,073 -11247,710 1438,073 16227,947 1352,329 -8,317 4 -4
14 9700 7650,458 2049,542 -9198,168 2049,542 18277,489 1405,961 -6,542 4 -4
15 6700 8060,366 -1360,366 -10558,534 1360,366 19637,856 1402,704 -7,527 4 -4
16 6500 7788,293 -1288,293 -11846,827 1288,293 20926,149 1395,077 -8,492 4 -4
17 9500 7530,635 1969,365 -9877,462 1969,365 22895,514 1430,97 -6,903 4 -4
Periode Demand Forecast FE CFE AD CAD MAD TS UCL LCL
18 7900 7924,508 -24,508 -9901,970 24,508 22920,022 1348,237 -7,344 4 -4
19 6200 7919,606 -1719,606 -11621,576 1719,606 24639,628 1368,868 -8,490 4 -4
20 7300 7575,685 -275,685 -11897,261 275,685 24915,313 1311,332 -9,073 4 -4
21 8400 7520,548 879,452 -11017,808 879,452 25794,765 1289,738 -8,543 4 -4
22 8900 7696,438 1203,562 -9814,247 1203,562 26998,327 1285,635 -7,634 4 -4
23 5500 7937,151 -2437,151 -12251,397 2437,151 29435,477 1337,976 -9,157 4 -4
24 6600 7449,721 -849,721 -13101,118 849,721 30285,198 1316,748 -9,950 4 -4
TOTAL 30285,20
MAD 1316,75
TS -9,95
Gambar 3.6 Grafik Tracking Signal Metode Exponential Smoothing Forecasting (α = 0,2)
Tabel 3.23 Hasil Perhitungan Metode Exponential Smoothing Forecasting (α = 0,8)
Periode Demand Forecast FE CFE AD CAD MAD TS UCL LCL
1 9900 2200 2200 -1 4 -4
2 7700 9900 -2200 -2200 2200 2940 1470 -2 4 -4
3 7400 8140 -740 -2940 740 5488 1829,333 -3 4 -4
4 5000 7548 -2548 -5488 2548 6678,4 1669,6 -2,574 4 -4
Periode Demand Forecast FE CFE AD CAD MAD TS UCL LCL
5 6700 5509,6 1190,4 -4297,6 1190,4 8716,48 1743,296 -1,296 4 -4
6 8500 6461,92 2038,08 -2259,52 2038,08 9108,864 1518,144 -1,747 4 -4
7 7700 8092,384 -392,384 -2651,904 392,384 9987,341 1426,763 -2,474 4 -4
8 6900 7778,4768 -878,48 -3530,381 878,477 10311,645 1288,956 -2,487 4 -4
9 7400 7075,695 324,30 -3206,076 324,305 12176,506 1352,945 -0,991 4 -4
10 9200 7335,139 1864,86 -1341,215 1864,861 12603,534 1260,353 -1,403 4 -4
11 8400 8827,027 -427,03 -1768,243 427,028 13688,940 1244,449 -2,293 4 -4
12 7400 8485,405 -1085,41 -2853,649 1085,406 14806,021 1233,835 -3,218 4 -4
13 6500 7617,081 -1117,08 -3970,730 1117,081 17782,605 1367,893 -0,727 4 -4
14 9700 6723,416 2976,58 -994,146 2976,584 20187,288 1441,949 -2,357 4 -4
15 6700 9104,683 -2404,68 -3398,829 2404,683 20868,225 1391,215 -2,933 4 -4
16 6500 7180,937 -680,94 -4079,766 680,937 23732,037 1483,252 -0,820 4 -4
17 9500 6636,187 2863,81 -1215,953 2863,813 24759,275 1456,428 -1,540 4 -4
18 7900 8927,238 -1027,24 -2243,191 1027,237 26664,722 1481,373 -2,801 4 -4
19 6200 8105,448 -1905,45 -4148,638 1905,447 27383,633 1441,244 -2,380 4 -4
20 7300 6581,090 718,91 -3429,728 718,911 28627,415 1431,371 -1,527 4 -4
21 8400 7156,218 1243,78 -2185,946 1243,782 29376,171 1398,865 -1,027 4 -4
22 8900 8151,244 748,76 -1437,189 748,756 32626,420 1483,019 -3,161 4 -4
Periode Demand Forecast FE CFE AD CAD MAD TS UCL LCL
23 5500 8750,249 -3250,25 -4687,438 3250,249 33076,370 1438,103 -2,947 4 -4
24 6600 6150,050 449,95 -4237,488 449,950 2200 2200 -1 4 -4
TOTAL 33076,37
MAD 1438,10
TS -2,95
Gambar 3.7 Grafik Tracking Signal Metode
Exponential Smoothing Forecasting (α = 0,8)
Rincian perhitungan dari setiap metode diatas dapat dirangkum hanya melihat pada
hasil prediksi dari MAD dan Tracking Signal agar dalam pembandingan antar metode
mudah dibaca adalah sebagai berikut:
Tabel 3.24 Hasil Perbandingan MAD dan Tracking Signal (TS) Antar Metode
NO Metode Prediksi MAD TS
1 Konstan
7579,17
1035,76 -7,02E-15
7579,17
7579,17
7579,17
7579,17
2 Regresi Linear
7324,28
1029,09 -5,30E-15
7303,88
7283,49
7263,1
7242,71
3 SMA 3 Periode
7000
1349,206 -1,927
7000
7000
7000
7000
4 SMA 4 Periode
7350
1067,5 0,375
7350
7350
7350
7350
NO Metode Prediksi MAD TS
5 CMA 3 Periode
7000
823,188 1,782
7000
7000
7000
7000
6 CMA 5 Periode
7340
1127,27 -1,74
7340
7340
7340
7340
7 Exponential
Smoothing
6150,05
1438,1 -2,95
6150,05
6150,05
6150,05
6150,05
Dengan melakukan peramalan dan perhitungan untuk produk city car
Diamond “Athar” yang dikembangkan yaitu sunroof (tipe panoramic sunroof) dalam
kurun waktu 5 periode dengan menggunakan Metode Konstan dimana prediksi untuk
5 periode (25, 26, 27, 28, dan 29) adalah 7579,17 dengan nilai MAD 1035,76 dan
Tracking Signal (TS) nya adalah -7,02E-15. Dengan Metode Regresi Linear dimana
prediksi untuk 5 periode (25, 26, 27, 28, dan 29) adalah 7324,28; 7303,88; 7283,49;
7263,1; dan 7242,71 dengan nilai MAD 1029,09 dan Tracking Signal (TS) nya adalah
-5,30E-15. Untuk Metode Moving Average Forecasting Simple Moving Average
(SMA) dimana pada metode SMA 3 periode, hasil peramalan untuk 5 periode
berikutnya (25, 26, 27, 28, dan 29) adalah 7000 dengan nilai MAD 1349,206 dan
Tracking Signal (TS) nya adalah -1,927 dan pada metode SMA 4 periode, hasil
peramalan untuk 5 periode berikutnya (25, 26, 27, 28, dan 29) adalah 7350 dengan
nilai MAD 1067,5 dan Tracking Signal (TS) nya adalah 0,375. Perhitungan
menggunakan Metode Moving Average lainnya yaitu Centered Moving Average
(CMA) dimana pada metode CMA 3 periode, hasil peramalan untuk 5 periode
berikutnya (25, 26, 27, 28, dan 29) adalah 7000 dengan nilai MAD 823,188 dan
Tracking Signal (TS) nya adalah 1,782 dan pada metode CMA 5 periode, hasil
peramalan untuk 5 periode berikutnya (25, 26, 27, 28, dan 29) adalah 7340 dengan
nilai MAD 1127,27 dan Tracking Signal (TS) nya adalah -1,74. Dan perhitungan pada
Metode Exponential Smoothing Forecasting kami melakukan dua peramalan, yaitu
dengan (α = 0,2 dan α = 0,8). Ketika (α = 0,2) dimana prediksi untuk 5 periode (25,
26, 27, 28, dan 29) adalah 6150,05 dengan nilai MAD 1438,1 dan Tracking Signal
(TS) nya adalah -2,95. Seperti yang terlihat pada Gambar 3.6 pada grafik (TS),
banyak nilai peramalan yang keluar dari batas LCL. Oleh karena itu, kami
menggunakan perhitungan ulang dengan dengan menggunakan (α = 0,8) dimana
prediksi untuk 5 periode (25, 26, 27, 28, dan 29) adalah 7449,72 dengan nilai MAD
1319,748 dan Tracking Signal (TS) nya adalah –9,95. Ketika penggunaan (α = 0,8)
grafik dari Tracking Signal (TS) nya cukup beraturan seperti yang terlihat pada
Gambar 3.7 dimana tidak adanya nilai perhitungan peramalan yang melebihi batas
baik UCL maupun LCL.
Dari hasil perhitungan diatas, dapat dilihat dari nilai MAD dan Tracking
Signal (TS) nya bahwa menggunakan Metode Centered Moving Average (CMA) 3
periode lah yang paling baik peramalannya untuk menangani kasus di atas dimana
nilai MAD 823,188 dan Tracking Signal -1,74. Sehingga Metode Centered Moving
Average (CMA) 3 periode lah yang memiliki kemungkinan kecil untuk mengalami
error.
1.3.7 Kesimpulan
Perbandingan dari beberapa metode yang telah dilakukan dengan melihat nilai
MAD dan Tracking Signal (TS) yang paling mendekati nilai nol. Setelah melalui
tahapan perbandingan dari Metode Konstan, Metode Moving Average (Simple Moving
Average dan Centered Moving Average), Metode Analisis Regresi, dan Metode
Exponential Smoothing Forecasting.
Pada Metode Exponential Smoothing Forecasting kami melakukan dua
peramalan, yaitu dengan (α = 0,2 dan α = 0,8). Ketika (α = 0,2) dimana prediksi untuk
5 periode (25, 26, 27, 28, dan 29) adalah 6150,05 dengan nilai MAD 1438,1 dan
Tracking Signal (TS) nya adalah -2,95. Seperti yang terlihat pada Gambar 3.6 pada
grafik (TS), banyak nilai peramalan yang keluar dari batas LCL. Oleh karena itu,
kami menggunakan perhitungan ulang dengan dengan menggunakan (α = 0,8) dimana
prediksi untuk 5 periode (25, 26, 27, 28, dan 29) adalah 7449,72 dengan nilai MAD
1319,748 dan Tracking Signal (TS) nya adalah –9,95. Ketika penggunaan (α = 0,8)
grafik dari Tracking Signal (TS) nya cukup beraturan seperti yang terlihat pada
Gambar 3.7 dimana tidak adanya nilai perhitungan peramalan yang melebihi batas
baik UCL maupun LCL.
Dan setelah melalui berbagai macam perhitungan dengan menggunakan
beragam metode, maka metode yang paling baik untuk meramalkan kasus diatas
adalah Metode Centered Moving Average (CMA) 3 periode lah yang paling baik
peramalannya untuk menangani kasus di atas dimana nilai MAD 823,188 dan
Tracking Signal (TS) -1,74. Sehingga Metode Centered Moving Average (CMA) 3
periode lah yang memiliki kemungkinan kecil untuk mengalami error.
top related