diajukan untuk melengkapi tugas mata kuliah praktikum scm "“forecasting,agregat planning,dan...

7/30/2019 Diajukan untuk Melengkapi Tugas Mata Kuliah Praktikum SCM "Forecasting,Agregat Planning,dan Material Regrui

1/96

November

27, 2012

Rudini Mulya,dkk 2012-Laporan Praktikum SCM Forecasting by VIIth Group Page 1

LAPORAN PRAKTIKUM

SUPPLAY CHAIN MANAGEMENTForecasting,Agregat Planning,dan Material

Regruitment Planning

Diajukan untuk Melengkapi Tugas Mata Kuliah

Praktikum SCM

Pada Program Studi Teknik Industri

Disusun Oleh :

Kelompok VII

Rudini mulya (41610010035)

Herlian Saputra (41610010037)

M.kasroniyanto (41610010009)

Eza Efriza (41610010007)

Paulus Fortunake Fake (41610010004)

PROGRAM STUDI TEKNIK INDUSTRI

FAKULTAS TEKNIK

UNIVERSITAS MERCU BUANAJAKARTA

2012

Diperiksa dan disetujui oleh :

Asisten Praktikum


2/96

November

27, 2012


BAB I

PENDAHULUAN

1.1 Latar BelakangPeramalan merupakan bagian awaldari suatu proses pengambilan suatu

keputusan.. Dalam kegiatanproduksi, peramalan dilakukan untuk menentukan

jumlahpermintaan terhadapsuatuprodukdanmerupakan langkahawaldari

prosesperencanaan danpengendalian produksi Dengan mempelajari teknik peramalan

diharapakan dapat berguna untuk penerapan di perusahaan produsen dan menjadi

acuan untuk menjalankan suatu system di perusahaan dalam produksinya untuk

dipasarkan di masyarakat umum. Dalam kesempatan kali ini praktikum mengambil

kasus sebuah perusahaan Tamiya CarCorp. yang sedang mengalami kesulitan

dalam merencanakan produksinya guna memenuhi permintaan konsumen.

Permintaan Tamiya Car Corp. berbeda beda untuk masing masing daerah. Distributor

telah memberikan laporan kepada perusahaan untuk pengadaan Tamiya Car harus

dapat tersedia mulai periode Januari 2012.

1.2 Tujuan PraktikumMelalui praktikum mata kuliah Supply Chain Management ini diharapkan pada

akhirnya kami mampu untuk memahami prosedur proses perencanaan produksi melalui

berbagai macam jenis peramalan permintaan yang ada serta dapat

mengimplementasinya secara nyata di dunia kerja nanti.

1.3 Alat dan BahanBerikut adalah alat alat yang digunakan dalam Praktikum Sistem Produksi :

1. Alat Tulis

2. Software Ms. Excel

3. Komputer


3/96

November

27, 2012


1.4 Pelaksanaan PraktikumPraktikum Sistem Produksi untuk mahasiswa Jurusan Teknik Industri Universitas

Mercu Buana dilaksanakan pada :

Waktu : Jumat, 2 Desember 2011Rutinitas : 1x Pertemuan

Tempat : Lab. Computer D-208 (Universitas Mercu Buana)

1.5 Sistematika LaporanLaporan yang berkaitan dengan Perencanaan Produksi pelanggan ini, akan

dibagi menjadi empat bab utama. Melalui pembagian ini diharapkanakan dapat

memudahkan pembaca untuk pemahaman lebih lanjut secara sistematis. Keempatbab

tersebut akan diperinci sebagai berikut:

BAB I : PENDAHULUAN

Pada bab pertama ini akan dibahas mengenai latar belakang dari

dilakukannya pembahasan terhadaptopik mengenai praktikum

Supply Chain Management. Kemudian dibahas pula mengenai tujuan

dilakukannya penyusunan terhadap laporan dengan topik terkait.

Serta penambahan sub bab sistematika pembahasan.

BAB II : LANDASAN TEORI

Kemudian pada bab kedua akan mulai dilakukan pembahasan

mengenai topik tekait Perencanaan Produksi.Materi pembahasan akan

mengacu pada pokok permasalahan yang telah dberikan.

BAB III : PENGOLAHAN DATA

Pada babketiga dalam makalah ini, penyusun akan melakukan

pengolahan data sehubungan dengan permasalahan yang telah

diberikan sebelumnya.

BAB IV : KESIMPULAN DAN SARAN

Pada babterakhir dalam makalah ini, penyusun akan menarik

kesimpulan dari penyusunan data mengenai hal hal terkait analisa

Perancangan Produks yang telah dipaparkan pada bab sebelumnya


4/96

November

27, 2012


BAB II

LANDASAN TEORI

Peramalan merupakan bagian awaldari suatu proses pengambilan suatu

keputusan.Sebelum melakukanperamalan harus diketahui terlebih

dahuluapasebenarnyapersoalandalampengambilankeputusanitu.Peramalanadalahpe

mikiranterhadapsuatubesaran,misalnya permintaan terhadap satu atau beberapa

produkpada periode yang akan datang. Pada hakekatnya peramalan hanya

merupakan suatu perkiraan(guess), tetapidenganmenggunakan teknik-teknik

tertentu, makaperamalan menjadi lebihsekedar perkiraan. Peramalan

dapatdikatakan perkiraan yang ilmiah (educated guess). Setiap

pengambilankeputusan yang menyangkut

keadaandimasayangakandatang,makapastiada peramalanyangmelandasi

pengambilankeputusantersebut(SofyanAssauri,1984,hal.1).

Dalam kegiatanproduksi, peramalan dilakukan untuk menentukan

jumlahpermintaan terhadapsuatuprodukdanmerupakan langkahawaldari

prosesperencanaan danpengendalian produksi. Dalamperamalan

ditetapkanjenisproduk apa yangdiperlukan (what), jumlahnya (howmany),

dankapan dibutuhkan (when).Tujuanperamalan dalamkegiatanproduksiadalahuntuk

meredamketidakpastian, sehingga diperoleh suatuperkiraan yangmendekati

keadaanyangsebenarnya.

Suatuperusahaanbiasanyamenggunakan prosedurtiga

tahapuntuksampaipadaperamalanpenjualan,yaitudiawalidengan

melakukanperamalan lingkungan, diikuti dengan peramalan penjualan

industri,dandiakhiridenganperamalanpenjualanperusahaan.Peramalan

lingkungan dilakukanuntuk meramalkaninflasi,pengangguran,

tingkatsukubunga,kecenderungan konsumsi danmenabung, ikliminvestasi, belanja

pemerintah, ekspor, danberbagai ukuranlingkungan yang

pentingbagiperusahaan.HasilakhirnyaadalahproyeksiProdukNasional

Bruto,yangdigunakanbersamaindikatorlingkunganlainnyauntuk

meramalkanpenjualan industri.Kemudian,perusahaanmelakukan peramalan


5/96

November

27, 2012


penjualandenganasumsitingkatpangsatertentuakantercapai.

Tujuanperamalandilihatdenganwaktu:

1. Jangkapendek(ShortTerm)Menentukan kuantitasdanwaktudariitemdijadikanproduksi. Biasanya

bersifatharianataupunmingguandanditentukanolehLowManagement.

2. JangkaMenengah(MediumTerm)

Menentukan kuantitas dan waktu dari kapasitas produksi.Biasanya

bersifatbulananataupunkuartaldanditentukanolehMiddleManagement.

3. JangkaPanjang(LongTerm)

Merencanakan kuantitas dan waktudari fasilitas produksi. Biasanya

bersifattahunan,5 tahun,10tahun,ataupun20tahun danditentukanoleh

TopManagement.

Peramalanyang baikmempunyaibeberapakriteriayang penting,antara

lainakurasi, biaya,dankemudahan. Penjelasan darikriteria-kriteria tersebut

adalahsebagaiberikut:

1. Akurasi.Akurasi dari suatu hasil peramalandiukur dengan hasil kebiasaan dan

kekonsistensian peramalan tersebut. Hasil peramalandikatakan biasbila

peramalantersebutbila terlalutinggiataurendahdibandingkandengan kenyataan

yangsebenarnya terjadi. Hasil peramalandikatakan konsisten bila besarnya

kesalahan peramalan relatif kecil.

Peramalan yangterlalu rendahakan

mengakibatkankekurangapersediaan,sehinggapermintaan

konsumentidakdapatdipenuhisegeraakibatnyaperusahaandimungkinkankehilang

anpelanggandankehilangankeuntunganpenjualan.Peramalan yangterlalu tinggi

akan mengakibatkan terjadinya penumpukan persediaan,sehingga banyak modal

yang terserap siasia. Keakuratandarihasilperamalaniniberperanpentingdalam

menyeimbangkanpersediaanyangideal.


6/96

November

27, 2012


2. Biaya.Biayayangdiperlukandalampembuatansuatuperamalanadalahtergantungdarijumlahitem yang diramalkan,lamanyaperiodeperamalan,

danmetodeperamalan yangdipakai.Ketigafactorpemicubiayatersebut

akanmempengaruhiberapabanayakdatayang dibutuhkan,bagaimana

pengolahandatanya(manualataukomputerisasi),bagaimana

penyimpanandatanyadansiapatenagaahliyang diperbantukan.Pemilihan metode

peramalan harus disesuaikandengan dana yang tersedia dan

tingkatakurasiyang ingindidapat,misalnyaitem-itemyangpentingakan diramalkan

dengan metode yang sederhana dan murah. Prinsip ini

merupakanadopsidarihukumPareto(AnalisaABC).

3. KemudahanPenggunaanmetodeperamalanyangsederhana,mudahdibuat,dan mudah

diaplikasikan akanmemberikan keuntungan bagi perusahaan. Adalah percuma

memakaimetode yangcanggih, tetapitidakdapat diaplikasikan

padasistemperusahaan karenaketerbatasandana,sumberdayamanusia,

maupunperalatanteknologi.Dalammembuatperamalanataumenerapkansuatuper

amalanmakaada beberapahalyangharusdipertimbangkanyaitu:

Ramalan pasti mengandung kesalahan, artinya peramal hanyabiasmengurangiketidakpastianyangakan terjadi,tetapitidakdapat

menghilangkanketidakpastiantersebut.

Peramalan seharusnya memberikan informasi tentang beberapaukurankesalahan, artinya karena peramalan pastimengandung kesalahan,

maka adalahpentingbagi peramaluntukmenginformasikanseberapabesar

kesalahanyangmungkinterjadi.

Peramalan jangkapendek lebih akurat dibandingkan peramalan jangka

panjang.Hal ini disebabkankarenapadaperamalanjangkapendek,faktor- faktor

yang mempengaruhi permintaan relatif masih konstan sedangkan

masihpanjangperiodeperamalan, makasemakinbesarpulakemungkinan


7/96

November

27, 2012


terjadinya perubahanfaktor-faktoryangmempengaruhipermintaan.

Peramalan sebenarnya upaya untuk memperkecil resiko yang timbul

akibatpengambilan keputusandalamsuatuperencanaan produksi.Semakin besarupayayang dikeluarkantenturesikoyang dapatdihindarisemakinbesar

pula.Namunupayamemperkecilresikotersebutdibatasioleh biayayang

dikeluarkanakibatmengupayakanhaltersebut..

Faktor-Faktoryangharusdipertimbangkan dalam peramalan :

1. HorizonPeramalanAda dua aspek dari horison waktu yang berhubungan dengan masing masing

metodaperamalanyaitu:

a. Cakupanwaktudimasayangakandating,Untuk mana perbedaan dari metoda peramalanyang

digunakansebaiknyadisesuaikan.

b. Jumlahperiodeuntukmanaramalandiinginkan

Beberapa teknikdanmetoda hanya dapatdisuaikan untukperamalan

satuatauduaperiodedi muka,sedangkanteknikdanmetodalaindapat

dipergunakanuntukperamalanbeberapaperiodedimasamendatang.

2. TingkatKetelitian

Tingkat ketelitianyang dibutuhkan sangat erat hubungannya dengan

tingkatperincianyang dibutuhkandalamsuatuperamalan.Unukbeberapa

pengambilankeputusanmengharapkanvariasiatau penyimpanganatas

ramalanyangdilakukanantara10persen sampaidengan15persenbagi maksud

maksudyangmerekaharapkan,sedangkanuntukhalataukasus

lainmungkinmenganggap bahwaadanyavariasiataupenyimpangan atas

ramalansebesar5persenadalahcukupberbahaya.

3. KetersediaanData.

Metode yangdipergunakan sangat besar manfaatnya, apabila dikaitkan

dengankeadaanatauinformasiyangadaataudatayangdipunyai.Apabila daridatayang

laludiketahuiadanyapolamusiman,makauntukperamalan satu tahun ke depan


8/96

November

27, 2012


sebaiknya digunakan metode variasi musim. Sedangkan apabila dari data yang lalu

diketahui adanya pola hubungan antaravariable

variableyangsalingmempengaruhi,makasebaiknya dipergunakanmetodeSebabAkibat

(causal)ataukorelasi(correlation).

4. BentukPolaData.

Dasarutamadarimetodaperamalan adalahanggapan bahwamacamdari pola yang

didapati didalam data yang diramalkan akan berkelanjutan. Sebagai contoh,

beberapa deret yang melukiskan sutau pola musiman,

demikianpulahalnyadengansuatupolatrend. Metodaperamalanyang lain mungkin

lebih sederhana, terdiri dari suatu nilai rata rata, dengan fluktuasi

yangacakanataurandomyangterkandung. Olehkarenaadanya perbedaankemampuan

metodaperamalan untukmengidentifikasikan polapoladata,maka perluadanya

usahapenyesuaian antarapoladatayangtelahdiperkirakan terlebih dahulu dengan

teknik danmetoda peramalan yangakandigunakan.

5. Biaya.

Umumnyaadaempatunsurbiayayangtercakupdalampenggunaan suatuprosedur

ramalan, yaitu biaya biaya pengembangan, penyimpanan (storage)

data,operasipelaksanaan dankesempatan penggunaan teknik teknik danmetoda

lainnya. Adanya perbedaan yangnyata dalam jumlah biaya, mempunyai pengaruh

atas dapat menarik tidaknya penggunaan

metodetertentuuntuksutaukeadaanyangdihadapi.

6. Jenisdarimodel

Sebagaitambahanperludiperhatikan anggapanbeberapapoladasaryang

pentingdalamdata.Banyakmetodaperamalan telahmenganggap adanya beberapa

model dari keadaan yang diramalkan . Model model ini

merupakansuatuderatdimanawaktudigambarkan sebagaiunsurpenting untuk

menentukan perubahan perubahan dalam pola, yang mungkin secara sistematik

dapat dijelaskan dengan analisis regresi atau korelasi. Modelyang lain

adalahmodelsebabakibatataucausalmodel,yang menggambarkan bahwa ramalan


9/96

November

27, 2012


yangdilakukan sangat tergantung pada

terjadinyasejumlahperistiwayanglain,atausifatnyamerupakan campurandarimodel

modelyangtelahdisebutkandiatas.Model model tersebut sangat penting

diperhatikan, karena masing masing model tersebut mempunyai kemampuanyang berbeda neda dalam analisis keadaanuntukpengambilankeputusan.

7. Mudahtidaknyapenggunaandan aplikasinya

Satu prinsipumum dalam penggunaan metoda ilmiah dari peramalan

untukmenagementdan analisisadalahmetoda metodayangdapat

dimengertidanmudahdiaplikasikanyangakan dipergunakandalam pengambilan

keputusan adan analisa. Prinsip inididasarkan padaalasan bahwa, bila seorang

manajer atau analisis bertanggung jawab atas keputusan yang diambilnya atau

hasil analisa yang dilakukan, maka ia sudahtentutidakmenggunakan

dasaryangtidakdiketahuinya

atautidakdiyakininya.Jadi,sebagaiciritambahandariteknikdan metodaperamalan

adalahbahwayangdiperlukan untukmemenuhi kebutuhan darikeadaan ialah

teknikdanmetodaperamalanyang dapatdisesuaikandengan kemampuan darimanager

atauanalisis yangakanmenggunakan metoda ramalantersebut.Pada umumnya

peramalan dapatdibedakandaribeberapa segi tergantung daricara melihatnya.

Apabila dilihatdari sifat penyusunannya,

makaperamalandapatdibedakanatasduamacam,yaitu:

1. DilihatdariSifatPenyusunannya

a. Peramalan yangsubjektif,yaitu peramalan yang didasarkan atas

perasaanatauintuisidari orangyangmenyusunnya.Dalamhalini

pandanganorangyang menyusunnyasangatmenentukanbaiktidaknya

hasilramalantersebut.

b. Peramalanyangobjektif,yaituperamalan yang didasarkan atasdatayang relevan

pada masa lalu, dengan menggunakan teknik teknik danmetodemetode

dalampenganalisaannya.


10/96

November

27, 2012


2. DilihatdariJangkaWaktuRamalanyangDisusun

a.Peramalan jangkapendek,yaituperamalan yangdilakukan untukpenyusunan

hasil ramalan yang jangka waktunya satu tahun atau kurang. Peramalaninidigunakan untuk mengambil keputusan dalam halperlutidaknya

lembur,penjadwalan kerja,danlain-lain keputusan kontroljangkapendek.

b. Peramalanjangkamenengah,yaitu peramalan yang dilakukan untukpenyusunan

hasil ramalan yang jangka waktunya satu hingga lima tahunke

depanPeramalaninilebihmengkhususkandibandingkan peramalan jangka

panjang, biasanya digunakan untuk menentukan

alirankas,perencanaanproduksi,danpenentuananggaran.

c. Peramalanjangka panjang, yaitu peramalan yang dilakukan

untukpenyusunanhasilramalanyang jangkawaktunyalebihdarilima tahun

yang akandatang.Peramalanjangkapanjangdigunakanuntuk

pengambilankeputusanmengenaiperencanaanprodukdanperencanaan

pasar,pengeluaranbiayaperusahaan,studi kelayakanpabrik,anggaran,

purchase order,perencanaan tenagakerjasertaperencanaan kapasitas kerja.

3. Berdasarkan SifatRamalan Yang Telah Disusun

a. PeramalanKualitatif, Yaituperamalanyang didasarkanatas

kwalitatifpadamasalalu.Hasil

peramalanyangdibuatsangattergantungpadaorangyang menyusunnya.

Halinipentingkarenahasilperamalantersebut

ditentukanberdasarkanpemikiranyang bersifatintuisi,judgementatau

pendapat, dan pengetahuan serta pengalaman dari

penyusunnya.Biasanyaperamalansecarakwalitatifinididasarkanatashasil

penyelidikan, seperti Delphi,S curve, analogies danpenelitian bentuk

ataumorphological research ataudidasarkan atasciricirinormative

sepertidecisionmatricesataudecisionstrees.

b. PeramalanKuantitatif, Yaituperamalanyang didasarkanatasdatakuntitatifpadamasalalu. Hasilperamalanyang dibuatsangattergantungpada

metodayang dipergunakan


11/96

November

27, 2012


dalamperamalantersebut.Denganmetodayangberbeda

akandiperolehhasilperamalanyangberbeda,adapunyang perlu

diperhatikandari penggunaanmetodatersebut,adalahbaik tidaknya

metodayangdipergunakan,sangatditentukanoleh perbedaanataupenyimpanganantarahasilramalandengankenyataanyang terjadi. Metoda yang

baikadalah metoda yang memberikan nilai nilai perbedaan atau

penyimpangan yang mungkin.

Peramalan kualitatif umumnya bersifat subjektif, dipengaruhi oleh intuisi,

emosi,pendidikan, danpengalaman seseorang. Olehkarena itu,hasil peramalan

darisatuorangdenganorangyanglaindapatberbeda. Meskipun

demikian,peramalandenganmetodekualitatiftidakberartihanya menggunakan intuisi,


12/96

November

27, 2012


tetapi juga bisa mengikutsertakan model model

statistiksebagaibahanmasukandalam melakukanjudgement(keputusan),dan

dapatdilakukansecaraperseoranganmaupunkelompok.Beberapametodeperamalan

yangdigolongkansebagaimodelkualitatifadalahsebagaiberikut:1. MetodeDelphi,Sekelompokpakarmengisikuesioner,Moderatormenyimpulkan

hasilnya danmemformulasikanmenjadi suatu kuesioner baruyangdiisikembali

olehkelompok tersebut, demikian seterusnya. Hal

inimerupakanprosespembelajaran(learningprocess)darikelompoktanpa

adanyatekanan atau intimidasi individu. Metode ini dikembangkan

pertamakaliolehRandCorporationpadatahun1950 an.Adapuntahapan

yangdilakukanadalah:

Tentukan beberapa pakar sebagai partisipan. Sebaiknya

bervariasidenganlatarbelakangdisiplinilmuyangberbeda.

Melalui kuesioner(atau email ),diperoleh peramalan dari seluruh

partisipan.

Simpulkan hasilnya, kemudian distribusikan kembali kepada seluruh

partisipandenanpertanyaanyangbaru.

Simpulkankembalirevisi

peramalandankondisi,kemudiandikembangkandenganp

ertanyaanyangbaru.

Apabiladiperlukan, ulangitahap4.Seluruhhasilakhirdidistribusikan

kepadaseluruhpartisipan.

2. Dugaan manajemen( management estimate ) atau Panel Consensus,dimana peramalansemata-mataberdasarkanpertimbanganmanajemen,

umumnyaolehmanajemensenior.Metodeiniakan cocokdalamsituasiyang

sangatsensitifterhadapintuisidarisuatuatau sekelompokkecilorangyang

karenapengalamannya mampumemberikan opiniyangkritisdanrelevan.

Teknikakandipergunakan dalamsituasidimanatidakadasituasidimana

tidakadalaternatiflain darimodelperamalanyangdapatditerapkan.

Bagaimanapunmetodeini mempunyaibanyakketerbatasan,sehinggaperlu

dikombinasikandenganmetodeperamalanyanglain.


13/96

November

27, 2012


3. RisetPasar(marketresearch),merupakanmetodeperamalan berdasarkanhasil hasil darisurveipasaryangdilakukanolehtenaga-tenagapemasar

produkatauyangmewakilinya. Metodeiniakanmenjaring informasidari

plangganataupelangganpotenbsial (konsumen)

berkaitandenganrencanapembelian mereka dimasa mendatang. Riset

pasar tidak hanya akan membantuperamalan,

tetapijugauntukmeningkatkan desainprodukdan perencanaanuntukproduk-

produkbaru.

4. Metodekelompokterstruktur(structuredgroupmethods),sepertimetodeDelphi, dan lain lain. Metode Delphi merupakan teknik peramalan

berdasarkan padaproses konvergensi dariopini beberapa orangatauahli

secarainteraktiftanpamenyebutkan identitasnya. Grupinitidakbertemu

secarabersamadalam suatuforumuntukberdiskusi,tetapimerekadiminta

pendapatnyasecaraterpisahdantidak bolehsecaraberunding.Halini dilakukan

untuk menghindari pendapat yang bias karena pengaruh kelompok.

Pendapat yang berbeda secara signifikan dari ahli yang lain dalam grup

tersebut akan dinyatakan lagi kepada yang bersangkutan, sehingga akhirnya

diperoleh angka estimasi pada interval tertentu yang

dapatditerima.MetodeDelphiinidipakaidalam peramalanteknologiyang

sudahdigunakanpadapengoperasian jangkapanjangselainitu,metodeini juga

bermanfaat dalam pengembangan produk baru, pengembangan kapasitas

produksi, penerobosan ke segmen pasar baru dan strategi

keputusanbisnislainnya.

5. Analogihistoris(HistoricalAnalogy),merupakanteknik peramalanberdasarkanpoladatamasalalu dariproduk-

produkyangdapatdisamakan secara Analogi. Misalnya peramalan untuk

pengembangan pasar televisi multi sistem menggunakan model permintaan


14/96

November

27, 2012


televisi hitam putih atau televisi berwarna biasa. Analogi historiscenderung akan

menjadi terbaik untuk penggantian produk di pasar dan apabila terdapat

hubungan substitusilangsungdariprodukdalampasaritu.

Metode PeramalanKuantitatif(StatisticalMethod)

Padadasarnya metodaperamalan kuantitatif inidapatdibedakanatas

duabagian,yaitu:

1. Metodaperamalanyangdidasarkanatas penggunaananalisapolahubungan

antaravariabelyangakandiperkirakandenganvariabelwaktu,yang

merupakanderetwaktuatautimeseries.

2. Metodaperamalanyangdidasarkanatas penggunaananalisapolahubungan

antaravariabelyangakan diperkirakandenganvariabellainyang

mempengaruhinya, yang bukan waktu yang disebut metode korelasi atau

sebabakibat(causalmethod).

Prosedur umumyang digunakan dalam peramalan secara kuantitatif adalah:

1. Definisikantujuanperamalan.

2. Pembuatandiagrampencar.

3. Pilihminimalduametodeperamalanyangdianggapsesuai.

4. Hitungparameterparameter fungsiperamalan.

5. Hitungkesalahansetiapmetodeperamalan.

6. Pilihmetodeyangterbaik,yaituyangmemilikikesalahanterkecil.

7. Lakukanverifikasiperamalan.


15/96

November

27, 2012


Metodetimeseriesadalahmetodeyang dipergunakanuntuk

menganalisisserangkaiandatayangmerupakanfungsi dari waktu.Metodeinimengasumsikan beberapapolaataukombinasipolaselaluberulangsepanjang waktu,

dan pola dasarnya dapat diidentifikasi semata-mata atas dasar data

historisdariserialitu.

Dengananalisisderetwaktudapatditunjukkan bagaimanapermintaan

terhadap suatu produk tertentu bervariasi terhadap waktu. Sifat dari

perubahan permintaandari tahun ketahundirumuskan untuk meramalkan

penjualanpadamasayangakandatang.

Adaempatkomponenutamayangmempengaruhianalisisini,yaitu:

Penjualan produk dapat memilikisiklus yang berulang secara

periodik.Banyakprodukdipengaruhipola pergerakanaktivitas ekonomi

yang terkadang memiliki kecenderungan

periodic.Komponensiklisini sangatbergunadalam

peramalanjangka menengah.


16/96

November

27, 2012


Pola dataini terjadi biladata memiliki kecendrungan untuk naik

atauturunterus-menerus.Poladatadalam bentuktrendini

digamBbiaayrakansebagaiberikut:

Waktu


17/96

November

27, 2012


Perkataan musimmenggambarkan pola penjualan yang berulang

setiapperiode.Komponen musimdapatdijabarkan kedalamfaktor cuaca,

libur, atau kecenderungan perdagangan. Pola musiman

bergunadalammeramalkanpenjualandalamjangkapendek.

Poladatainiterjadibilanilaidatasangatdipengaruhi olehmusim,

misalnya permintaan bahan baku jagung untuk makanan ternak

ayampadapabrikpakanternakselamasatutahun.Selamamusim

panenhargajagungakanmenjaditurunkarenajumlahjagungyang

dibutuhkantersediadalamjumlahyangbesar.

Poladatamusimandapatdigambarkansebagaiberikut:

Biaya

Waktu

Poladatainiterjadiapabilanilaidataberfluktuasidisekitarnilai rata-

rata. Pola inidapat digambarkan sebagai berikut (Sofyan

Assauri,1984,hal.4647):

Biaya

Waktu


18/96


Poladatainiterjadibiladatamemilikikecenderungan untuknaik atau

turunterusmenerus.Poladatadalambentuktrendinidapat

digambarkansebagaiberikut:

Biaya

Waktu

Dalam meramalkanbiaya-biaya yang termasuk didalam biaya

operasi dipergunakan Pola Trend karena biaya tersebut

cenderung naikjikamesin/peralatan semakintuaatausemakin

lamajangkawaktupemakaiannya.Ada beberapatrendyang

digunakandidalampenyelesaianmasalahini,yaitu:

Bentukpersamaanumum(SofyanAssauri,1984,hal.5356):Y=a

+bt

Sedangkanperamalannyamempunyaibentukpersamaan:

Yt=a+ bt

dimana:

Yt= Nilairamalanpadaperiodeke-t t =

Waktu/periode

Denganmenggunakan metodekuadratterkecil(LeastSquare

Method) maka harga konstanta a dan b diperoleh dari

persamaandibawahini:

bntYttYtnt2t2

aYt bt n

Bentukpersamaanumum:


19/96


Y=aebt


Yt=aebt

Dengan menggunakantransformasi logaritma natural maka

hargakonstantaadanbdiperolehdaripersamaan dibawah ini:

bntln YttlnYt

nt2t2

lnalnYt bt n


20/96


Y=a +blogt


Yt=a+ blogt

Dengan menggunakantransformasi logaritma natural maka

hargakonstantaadanbdiperolehdaripersamaan dibawah

ini:

bnlogt.YtlogtYt

nlog2tlogt2

aYt blogt n

Bentukpersamaanumumnyaadalah:

Y=atb


Yt=atb

Dengan menggunakantransformasi logaritma maka harga

konstantaadanbdiperolehdaripersamaandi bawahini:

bnlogt.logYtlogtlogYt

nlog2tlogt2

logalogY

tb

logt n

Bentukpersamaanumumnyaadalah:

Ya

bt

Peramalannyamempunyaibentukpersamaan:

Y a

tb

t

Dengan menggunakantransformasi logaritma maka harga

konstantaadanbdiperolehdaripersamaandi bawahini:

logbnt.logYttlogYt

t2nt2


21/96


logalogYt logbt n

Adapun metodeperamalan yang termasuk model time series adalah sebagai

berikut:

Metode smoothing digunakan untuk mengurangi ketidakteraturan

musimandari datayanglalu,denganmembuatrata rata tertimbangdari

sederetan datamasalalu.Ketepatan peramalan dengan metode iniakan

terdapat pada peramalan jangka pendek, sedangkan untuk peramalan

jangkapanjangkurangakurat.

Metodesmoothingterdiridaribeberapajenis,antaralain:

,terdiriatas:

-

Moving averagepada suatu periode merupakan peramalan untuk

satuperiodekedepandariperioderatarata tersebut. Persoalan yang

timbul dalam penggunaan metode ini adalah dalam

menentukan nilait(periodeperatarataan).Semakinbesarnilait

makaperamalanyangdihasilkanakansemakinmenjauhipoladata.

Secaramatematis,rumusfungsiperamalanmetodeiniadalah:

F

t1

XtN1...Xt1Xt

N

dimana:

XI = datapengamatanperiodei

N = jumlahderetwaktuyangdigunakan

Ft+1= nilaiperamalanperiodet+1

-

Dasar darimetode ini adalah penggunaan moving average kedua

untukmemperolehpenyesuaianbentukpola trend.MetodeLiniermovingAverageadalah:

a) Hitung single moving average dari data dengan periode

perata-rataantertentu; hasilnyadinotasikandenganSt.


22/96


b) SetelahsemuasingleAveragedihitung, hitungmovingaverage kedua

yaitu moving average dari St dengan periode perata-

rataanyangsama.Hasilnyadinotasikandengan:St

c) Hitungkomponenatdenganrumus:

At=St+(StSt)

d) Hitungkomponentrendbtdenganrumus:

bt=

2

N1(St 'St '')


23/96


e) Peramalan untuk periodekedepan setelah t adalah sebagai berikut:

Ft+m=at+bt.m

-

NotasiyangdiberikanadalahMA(MxN),artinyaMperiodeMA

danNperiodeMA.

-

Data padaperiodetertentudiberibobot,semakin dekat dengansaat

sekarangsemakinbesar bobotnya.Bobot ditentukanberdasarkan

pengalaman.Rumusnyaadalahsebagaiberikut:

Ftw

1A

t1w2At2 ...wnAtndimana:

w1 =bobotyangdiberikanpadaperiodet 1 w2=bobotyangdiberikanpadaperiodet 2 wn=bobotyangdiberikanpadaperiodetn n =jumlahperiode

-

Pengertian dasar dari metode ini adalah : nilai ramalan pada periode

t+1 merupakan nilai aktual pada periode t ditambah dengan

penyesuaian yang berasal dari kesalahan nilai ramalan

yangterjadipadaperiodettersebut.Nilaiperamalandapatdicaridenganmenggunakanrumusberikut:

Ft+1=.Xt+(1-).Ftdimana:

Xt = datapermintaanpadaperiodet = faktor/konstantapemulusanFt+1= peramalanuntukperiodet

Metode kecenderungan dengan regresi merupakan dasar garis

kecenderunganuntuk suatupersamaan,sehinggadengandasarpersamaantersebut dapat diproyeksikan hal-hal yang akan diteliti pada masa yang akan

datang. Untuk peramalan jangka pendek dan jangka panjang, ketepatan

peramalan dengan metode ini sangat baik. Data yang

dibutuhkan untuk metode ini adalah tahunan, minimal limatahun.

Namun, semakin banyak data yang dimiliki semakin baik hasil yang

diperoleh.

Bentukfungsidarimetodeinidapatberupa:


24/96


denganfungsiperamalan(Yt):

Yt=a,dimana a=YI/N

Yt=nilaitambah

N=jumlahperiode

denganfungsiperamalan:

Yt=a+bt

Ybt

dimana: a= n

nty(t )(y)

b= nt2t2


Yt=a+bt+ct2

dimana:

Ybtct2a

n

(t2)2nt4

cb

b

2


25/96


tYntY

t2Ynt2Y

tt2nt3


Yt=aebt

dimana:

lnalnYbtn b

ntlnYtlnYnt2(t)2


absin2

ccos2t

Yt n n

dimana:

Ynabsin2t

ccos2t

n n

Ysin2t

asin2t

bsin22t

csin2t

cos2t

n n n n n

Ycos2t

acos2t

ccos22t

bsin2t

cos2t


26/96


N

n nSeorang perencana tentu menginginkan hasil perkiraan ramalan yang

tepatataupaling tidakdapat memberikan gambaran yangpaling mendekati

sehinggarencanayang dibuatnyamerupakanrencanayang realistis.Ketepatan atau

ketelitian inilah yang menjadi kriteria performance suatu metodeperamalan.Ketepatan atau ketelitian tersebut dapat dinyatakan sebagai

kesalahandalamperamalan.Kesalahanyangkecilmemberikan artiketelitian

peramalan yangtinggi, dengan kata lainkeakuratan hasil peramalan tinggi,

begitupulasebaliknya.

Besarkesalahansuatuperamalandapat dihitungdenganbeberapacara,

antaralainadalah:

X2

Ft t

MSEt1

dimana:N

Xt =dataaktualperiodet

Ft =nilairamalanperiodet

N=banyaknyaperiode

NX F2SEE t1

t t

Nf


27/96


t

S

dimana:

f= Derajatkebebasan

UntukdataKonstan,f=1

UntukdataLinier, f=2

UntukdataKwadratis,f=3

UntukdataSiklis,f=3

XFPEt t100%

t X

dimananilaidariPEtbisapositipataupunnegatip.

N PEt

t1MAPE

N

Menghitungkesalahandari peramalanmerupakanproseduryangkelima dari

perhitungan peramalan secara kuantitatif. Setelah didapat kesalahan

(error)darimasing-masing metodeperamalan,makaakandilakukanpengujian

terhadap duametode yangmemiliki error yangterkecil, gunamendapatkan metode

peramalan yang lebih baik untuk digunakan. Pengujian dilakukan

dengantestdistribusi F.Jikadiasumsikan bahwametodeXadalahmetode

peramalanyangmemilikibesarerroryangpalingkecilpertama,dan metodeY

adalahmetodeperamalan yangmemiliki besarerroryangpalingkecilkedua, maka

langkah-langkahnya pengujiannyaadalahsebagaiberikut:

H0: MetodeXlebihbaikdaripadametodeY

H1: Metode X tidak lebih baikdaripada metode Y, atau metode Y

lebihbaikdaripadametodeX.

S2

F 12

dimana: 2

S1 = besarnyaerrormetodeperamalanX S2 =

besarnyaerrormetodeperamalanY

n n n


28/96


BAB III

PENGOLAHAN DATA

Sebuah perusahaan pembuat mobil mainan, Tamiya Car Corp. menghadapi

kesulitan di dalam merencanakan produksinya guna memenuhi permintaan konsumen.

Permintaan mobil mainan ini berbeda- beda untuk masing masing daerah. Distributor

telah memberikan laporan kepada perusahaan untuk pengadaan agar harus dapat

tersedia mulai periode Januari 2012. Berikut data permintaan yang telah diberikan :

Pertanyaan :

Tentukan peramalan yang paling mendekati demand yang telah tersedia

sebelumnya untuk Tamiya Car Corp.

Month Demand

January 13125February 14115

March 15095

April 14900

May 14250

June 13125

July 12950

August 13950

September 15025

October 14890

November 13955

December 12895


29/96


Jawab :

a. Dengan menggunakan metode Linier dengan y = 34.909x + 13916

BULAN t A FDeviasi

Deviasi

Absolut

Kuadrat

Kesalahan

Persentase

Kesalahan

Persentase

Kesalahan Absolut

A-F |A-F| (A-F)2

((A-F)/A)100 |((A-F)/A)100|

Jan 1 13125 13951 -826 826 682126 -6 6

Feb 2 14115 13986 129 129 16688 1 1

Mar 3 15095 14021 1074 1074 1154062 7 7

Apr 4 14900 14056 844 844 712951 6 6

May 5 14250 14091 159 159 25426 1 1

Jun 6 13125 14125 -1000 1000 1000908 -8 8

Jul 7 12950 14160 -1210 1210 1464979 -9 9

Aug 8 13950 14195 -245 245 60158 -2 2

Sep 9 15025 14230 795 795 631737 5 5

Oct 10 14890 14265 625 625 390513 4 4

Nov 11 1395514300 -345 345 119024 -2 2

Dec 12 12895 14335 -1440 1440 2073335 -11 11

TOTAL : 78 168275.00 169714.90 -1439.90 8693.91 8331906.87 -14.35 62.96

Tabel Demand dan Hasil Peramalan Dengan Menggunakan Metode Linier


30/96


Grafik Hasil Peramalan Dengan Menggunakan Metode Linier

1 2 3 4 5 6 7 8 9 10 11 12

Forecast Demand 13951 13986 14021 14056 14091 14125 14160 14195 14230 14265 14300 14335

13700

13800

13900

14000

14100

14200

14300

14400

TingkatPermintaan

GRAFIK HASIL PERAMALAN DENGAN METODE LINIER Y = 34.909x + 13916


31/96


b. Dengan menggunakan metode Kuadratik

2 Order : y = 1.1189x2 + 21.483x + 13945

BULAN t A FDeviasi

Deviasi

Absolut

Kuadrat

Kesalahan

Persentase

Kesalahan

Persentase Kesalahan

Absolut

A-F |A-F| (A-F)2

((A-F)/A)100 |((A-F)/A)100|

Jan 1 13125 13968 -843 843 709978 -6 6

Feb 2 14115 13992 123 123 15021 1 1

Mar 3 15095 14020 1075 1075 1156659 7 7

Apr 4 14900 14049 851 851 724483 6 6

May 5 14250 14080 170 170 28768 1 1

Jun 6 13125 14114 -989 989 978474 -8 8

Jul 7 12950 14150 -1200 1200 1440497 -9 9

Aug 8 13950 14188 -238 238 56870 -2 2

Sep 9 15025 14229 796 796 633651 5 5

Oct 10 14890 14272 618 618 382270 4 4

Nov 11 13955 14317 -362 362 130827 -3 3

Dec 12 12895 14364 -1469 1469 2157719 -11 11

TOTAL : 78 168275.0 169743.0 -1468.0 8734.2 8415216.7 -14.6 63.3

Tabel Demand dan Hasil Peramalan Dengan Menggunakan Metode Kuadratik 2 Order


32/96


Grafik Hasil Peramalan Dengan Menggunakan Metode Kuadratik 2 Order

1 2 3 4 5 6 7 8 9 10 11 12

Forecast Demand 13968 13992 14020 14049 14080 14114 14150 14188 14229 14272 14317 14364

13700

13800

13900

14000

14100

14200

14300

14400

TingkatPermintaan

GRAFIK HASIL PERAMALAN DENGAN METODE KUADRATIK (2 ORDER)

Y = 1.1189x2 + 21.483x + 13945


33/96


5 Order : y = -1.7772x5 + 43.536x4 - 336.76x3 + 742.45x2 + 844.53x + 11752

BULAN t A FDeviasi

Deviasi

Absolut

Kuadrat

Kesalahan

Persentase

Kesalahan

Persentase

Kesalahan Absolut

A-F |A-F| (A-F)2

((A-F)/A)100 |((A-F)/A)100|

Jan 1 13125 13044 81 81 6564 1 1

Feb 2 14115 14356 -241 241 58315 -2 2

Mar 3 15095 14970 125 125 15706 1 1

Apr 4 14900 14782 118 118 13914 1 1

May 5 14250 14097 153 153 23363 1 1

Jun 6 13125 13410 -285 285 81435 -2 2

Jul 7 12950 13196 -246 246 60327 -2 2

Aug 8 13950 13692 258 258 66519 2 2

Sep 9 15025 14691 334 334 111561 2 2

Oct 10 14890 15322 -432 432 186883 -3 3

Nov 11 13955 13841 114 114 12892 1 1

Dec 12 12895 7416 5479 5479 30017846 42 42

TOTAL : 78 168275.00 162818.30 5456.70 7866.24 30655325.44 42.00 59.37



34/96



1 2 3 4 5 6 7 8 9 10 11 12

Forecast Demand 13144 14037 15162 15020 14012 13134 13099 13904 14842 14943 13858 13184

12000

12500

13000

13500

14000

14500

15000

15500

TingkatPermintaan


Y = 0.6098x6 - 23.73x5 + 349.82x4 - 2419x3 + 7836.4x2 - 10233x + 17633


35/96


6 Order : y = 0.6098x6 - 23.73x5 + 349.82x4 - 2419x3 + 7836.4x2 - 10233x + 17633

BULAN t A FDeviasi

Deviasi

Absolut

Kuadrat

Kesalahan

Persentase

Kesalahan

Persentase

Kesalahan Absolut

A-F |A-F| (A-F)2

((A-F)/A)100 |((A-F)/A)100|

Jan 1 13125 13144 -19 19 365 0 0

Feb 2 14115 14037 78 78 6024 1 1

Mar 3 15095 15162 -67 67 4512 0 0

Apr 4 14900 15020 -120 120 14290 -1 1

May 5 14250 14012 238 238 56466 2 2

Jun 6 13125 13134 -9 9 90 0 0

Jul 7 12950 13099 -149 149 22103 -1 1

Aug 8 13950 13904 46 46 2108 0 0

Sep 9 15025 14842 183 183 33353 1 1

Oct 10 14890 14943 -53 53 2809 0 0

Nov 11 13955 13858 97 97 9470 1 1

Dec 12 12895 13184 -289 289 83407 -2 2

TOTAL : 78 168275.00 168339.67 -64.67 1346.84 234995.68 -0.75 8.49



36/96



1 2 3 4 5 6 7 8 9 10 11 12

Forecast Demand 13144 14037 15162 15020 14012 13134 13099 13904 14842 14943 13858 13184

12000

12500

13000

13500

14000

14500

15000

15500

TingkatPerm

intaan


Y = 0.6098x6 - 23.73x5 + 349.82x4 - 2419x3 + 7836.4x2 - 10233x + 17633


37/96


c. Dengan menggunakan metode Logaritma dengan y = 218.94ln(x) + 13777

BULAN t A FDeviasi

Deviasi

Absolut

Kuadrat

Kesalahan

Persentase

Kesalahan

Persentase

Kesalahan Absolut

A-F |A-F| (A-F)2

((A-F)/A)100 |((A-F)/A)100|

Jan 1 13125 13777 -652 652 425104 -5 5

Feb 2 14115 13929 186 186 34686 1 1

Mar 3 15095 14018 1077 1077 1160941 7 7

Apr 4 14900 14081 819 819 671555 5 5

May 5 14250 14129 121 121 14552 1 1

Jun 6 13125 14169 -1044 1044 1090537 -8 8

Jul 7 12950 14203 -1253 1253 1570103 -10 10

Aug 8 13950 14232 -282 282 79678 -2 2

Sep 9 15025 14258 767 767 588196 5 5

Oct 10 14890 14281 609 609 370725 4 4

Nov 11 13955 14302 -347 347 120406 -2 2

Dec 12 12895 14321 -1426 1426 2033606 -11 11

TOTAL : 78 168275.00 169700.00 -1425.00 8584.28 8160089.24 -14.17 62.17

Tabel Demand dan Hasil Peramalan Dengan Menggunakan Metode Logaritma


38/96


Grafik Hasil Peramalan Dengan Menggunakan Metode Logaritma

1 2 3 4 5 6 7 8 9 10 11 12

Forecast Demand 13777 13929 14018 14081 14129 14169 14203 14232 14258 14281 14302 14321

13500

13600

13700

13800

13900

14000

14100

14200

14300

14400

TingkatP

ermintaan

GRAFIK HASIL PERAMALAN DENGAN METODE LOGARITMALy = 218.94ln(x) + 13777


39/96


d. Dengan menggunakan metode Power dengan y = 13755x0.0158

BULAN t A FDeviasi Deviasi Absolut

Kuadrat

Kesalahan

Persentase

Kesalahan


Absolut

A-F |A-F| (A-F)2

((A-F)/A)100 |((A-F)/A)100|

Jan 1 13125 13755 -630 630 396900 -5 5

Feb 2 14115 13906 209 209 43485 1 1

Mar 3 15095 13996 1099 1099 1208143 7 7

Apr 4 14900 14060 840 840 706262 6 6

May 5 14250 14109 141 141 19807 1 1

Jun 6 13125 14150 -1025 1025 1050555 -8 8

Jul 7 12950 14184 -1234 1234 1523919 -10 10

Aug 8 13950 14214 -264 264 69923 -2 2

Sep 9 15025 14241 784 784 614803 5 5

Oct 10 14890 14265 625 625 391084 4 4

Nov 11 13955 14286 -331 331 109647 -2 2

Dec 12 12895 14306 -1411 1411 1990311 -11 11

TOTAL : 78 168275.00 169472.50 -1197.50 8594.06 8124838.61 -12.55 62.16

Tabel Demand dan Hasil Peramalan Dengan Menggunakan Metode Power


40/96


Grafik Hasil Peramalan Dengan Menggunakan Metode Power

1 2 3 4 5 6 7 8 9 10 11 12

Forecast Demand 13755 13906 13996 14060 14109 14150 14184 14214 14241 14265 14286 14306

13400

13500

13600

13700

13800

13900

14000

14100

14200

14300

14400

TingkatPermintaan

GRAFIK METODE PERAMALAN DENGAN METODE POWER Y = 13755x0.0158


41/96


e. Dengan menggunakan metode Eksponensial dengan y = 13892e0.0025x

BULAN t A FDeviasi Deviasi Absolut

Kuadrat

Kesalahan

Persentase

Kesalahan


Absolut

A-F |A-F| (A-F)2

((A-F)/A)100 |((A-F)/A)100|

Jan 1 13125 13927 -802 802 642835 -6 6

Feb 2 14115 13962 153 153 23523 1 1

Mar 3 15095 13997 1098 1098 1206547 7 7

Apr 4 14900 14032 868 868 754114 6 6

May 5 14250 14067 183 183 33591 1 1

Jun 6 13125 14102 -977 977 954390 -7 7

Jul 7 12950 14137 -1187 1187 1409501 -9 9

Aug 8 13950 14173 -223 223 49554 -2 2

Sep 9 15025 14208 817 817 667359 5 5

Oct 10 14890 14244 646 646 417780 4 4

Nov 11 13955 14279 -324 324 105164 -2 2

Dec 12 12895 14315 -1420 1420 2016485 -11 11

TOTAL : 78 168275.00 169441.09 -1166.09 8699.61 8280843.36 -12.40 62.91

Tabel Demand dan Hasil Peramalan Dengan Menggunakan Metode Eksponensial


42/96


Grafik Hasil Peramalan Dengan Menggunakan Metode Eksponensial

1 2 3 4 5 6 7 8 9 10 11 12

Forecast Demand 13927 13962 13997 14032 14067 14102 14137 14173 14208 14244 14279 14315

13700

13800

13900

14000

14100

14200

14300

14400

TingkatPermin

taan

GRAFIK HASIL PERAMALAN DENGAN METODE EKSPONENSIAL

Y = 13892e0.0025x


43/96


f. Dengan menggunakan metode Moving Average

MA 3 Bulanan

BULAN t A FDeviasi

Deviasi

Absolut

Kuadrat

Kesalahan

Persentase

Kesalahan


Absolut

A-F |A-F| (A-F)2

((A-F)/A)100 |((A-F)/A)100|

Jan 1 13125 - - - - - -

Feb 2 14115 - - - - - -

Mar 3 15095 - - - - - -

Apr 4 14900 14112 788 788 621469 5 5

May 5 14250 14703 -453 453 205511 -3 3

Jun 6 13125 14748 -1623 1623 2635211 -12 12

Jul 7 12950 14092 -1142 1142 1303403 -9 9

Aug 8 13950 13442 508 508 258403 4 4

Sep 9 15025 13342 1683 1683 2833611 11 11

Oct 10 14890 13975 915 915 837225 6 6

Nov 11 13955 14622 -667 667 444444 -5 5

Dec 12 12895 14623 -1728 1728 2987136 -13 13

TOTAL : 78 168275.00 127658.33 -1718.33 9508.33 12126413.89 -16.26 68.83

Tabel Demand dan Hasil Peramalan Dengan Menggunakan Metode MA 3 Bulanan


44/96


Grafik Hasil Peramalan Dengan Menggunakan Metode MA 3 - Bulanan

Apr May Jun Jul Aug Sep Oct Nov Dec

Forecast Demand 14112 14703 14748 14092 13442 13342 13975 14622 14623

12500

13000

13500

14000

14500

15000

TingkatPerm

intaan

GHASIL PERAMALAN DENGAN METODE MOVING AVERAGE 3-BULANAN


45/96


MA 4 Bulanan

BULAN t A FDeviasi

Deviasi

Absolut

Kuadrat

Kesalahan

Persentase

Kesalahan


Absolut

A-F |A-F| (A-F)2

((A-F)/A)100 |((A-F)/A)100|

Jan 1 13125 - - - - - -

Feb 2 14115 - - - - - -

Mar 3 15095 - - - - - -

Apr 4 14900 - - - - - -

May 5 14250 14309 -59 59 3452 0 0

Jun 6 13125 14590 -1465 1465 2146225 -11 11

Jul 7 12950 14343 -1393 1393 1939056 -11 11

Aug 8 13950 13806 144 144 20664 1 1

Sep 9 15025 13569 1456 1456 2120664 10 10

Oct 10 14890 13763 1128 1128 1271256 8 8

Nov 11 13955 14204 -249 249 61877 -2 2

Dec 12 12895 14455 -1560 1560 2433600 -12 12

TOTAL : 78 168275.00 113037.50 -1997.50 7452.50 9996793.75 -17.91 54.50

Tabel Demand dan Hasil Peramalan Dengan Menggunakan Metode MA 4 - Bulanan


46/96



May Jun Jul Aug Sep Oct Nov Dec

Forecast Demand 14309 14590 14343 13806 13569 13763 14204 14455

13000

13200

13400

13600

13800

14000

14200

14400

14600

14800

TingkatPermin

taan

GRAFIK HASIL PERAMALAN DENGAN METODE MOVING AVERAGE 4-BULANAN


47/96


MA 5 Bulanan

BULAN t A FDeviasi

Deviasi

Absolut

Kuadrat

Kesalahan

Persentase

Kesalahan

Persentase

Kesalahan Absolut

A-F |A-F| (A-F)2

((A-F)/A)100 |((A-F)/A)100|

Jan 1 13125 - - - - - -

Feb 2 14115 - - - - - -

Mar 3 15095 - - - - - -

Apr 4 14900 - - - - - -

May 5 14250 - - - - - -

Jun 6 13125 14297 -1172 1172 1373584 -9 9

Jul 7 12950 14297 -1347 1347 1814409 -10 10

Aug 8 13950 14064 -114 114 12996 -1 1

Sep 9 15025 13835 1190 1190 1416100 8 8

Oct 10 14890 13860 1030 1030 1060900 7 7

Nov 11 13955 13988 -33 33 1089 0 0

Dec 12 12895 14154 -1259 1259 1585081 -10 10

TOTAL : 78 168275.00 98495.00 -1705.00 6145.00 7264159.00 -15.31 44.99



48/96



Jun Jul Aug Sep Oct Nov Dec

Forecast Demand 14297 14297 14064 13835 13860 13988 14154

13600

13700

13800

13900

14000

14100

14200

14300

14400

TingkatPermintaan

GRAFIK HASIL PERAMALAN DENGAN METODE

MOVING AVERAGE 5-BULANAN


49/96


MA 6 Bulanan

BULAN t A FDeviasi

Deviasi

Absolut

Kuadrat

Kesalahan

Persentase

Kesalahan

Persentase

Kesalahan Absolut

A-F |A-F| (A-F)2

((A-F)/A)100 |((A-F)/A)100|

Jan 1 13125 - - - - - -

Feb 2 14115 - - - - - -

Mar 3 15095 - - - - - -

Apr 4 14900 - - - - - -

May 5 14250 - - - - - -

Jun 6 13125 - - - - - -

Jul 7 12950 14102 -1152 1152 1326336 -9 9

Aug 8 13950 14073 -123 123 15006 -1 1

Sep 9 15025 14045 980 980 960400 7 7

Oct 10 14890 14033 857 857 733878 6 6

Nov 11 13955 14032 -77 77 5878 -1 1

Dec 12 12895 13983 -1088 1088 1182656 -8 8

TOTAL : 78 168275.00 84266.67 -601.67 4275.00 4224154.17 -6.48 31.03



50/96



Jul Aug Sep Oct Nov Dec

Forecast Demand 14102 14073 14045 14033 14032 13983

13920

13940

13960

13980

14000

14020

14040

14060

14080

14100

14120

TingkatPerminta

an




51/96


MA 7 Bulanan

BULAN t A FDeviasi

Deviasi

Absolut

Kuadrat

Kesalahan

Persentase

Kesalahan


Absolut

A-F |A-F| (A-F)2

((A-F)/A)100 |((A-F)/A)100|

Jan 1 13125 - - - - - -

Feb 2 14115 - - - - - -

Mar 3 15095 - - - - - -

Apr 4 14900 - - - - - -

May 5 14250 - - - - - -

Jun 6 13125 - - - - - -

Jul 7 12950 - - - - - -

Aug 8 13950 13937 13 13 165 0 0

Sep 9 15025 14055 970 970 940900 6 6

Oct 10 14890 14185 705 705 497025 5 5

Nov 11 13955 14156 -201 201 40286 -1 1

Dec 12 12895 14021 -1126 1126 1267233 -9 9

TOTAL : 78 168275.00 70353.57 361.43 3014.29 2745609.18 1.11 21.27



52/96



Aug Sep Oct Nov Dec

Forecast

Demand13937 14055 14185 14156 14021

13800

13850

13900

13950

14000

14050

14100

14150

14200

14250

TingkatPermintaan

GRAFIK ASIL PERAMALAN DENGAN METODE



53/96


MA 8 Bulanan

BULAN t A FDeviasi

Deviasi

Absolut

Kuadrat

Kesalahan

Persentase

Kesalahan

Persentase

Kesalahan

Absolut

A-F |A-F| (A-F)2

((A-F)/A)100 |((A-F)/A)100|

Jan 1 13125 - - - - - -

Feb 2 14115 - - - - - -

Mar 3 15095 - - - - - -

Apr 4 14900 - - - - - -

May 5 14250 - - - - - -

Jun 6 13125 - - - - - -

Jul 7 12950 - - - - - -

Aug 8 13950 - - - - - -

Sep 9 15025 13939 1086 1086 1179939 7 7

Oct 10 14890 14176 714 714 509439 5 5

Nov 11 13955 14273 -318 318 101204 -2 2

Dec 12 12895 14131 -1236 1236 1526769 -10 10

TOTAL : 78 168275 56519 246 3354 3317351 0 24



54/96



Sep Oct Nov Dec

Forecast Demand 13939 14176 14273 14131

13700

13800

13900

14000

14100

14200

14300

TingkatPermintaan




55/96


MA 9 Bulanan

BULAN t A FDeviasi

Deviasi

Absolut

Kuadrat

Kesalahan

Persentase

Kesalahan

Persentase

Kesalahan

Absolut

A-F |A-F| (A-F)2

((A-F)/A)100 |((A-F)/A)100|

Jan 1 13125 - - - - - -

Feb 2 14115 - - - - - -

Mar 3 15095 - - - - - -

Apr 4 14900 - - - - - -

May 5 14250 - - - - - -

Jun 6 13125 - - - - - -

Jul 7 12950 - - - - - -

Aug 8 13950 - - - - - -

Sep 9 15025 - - - - - -

Oct 10 14890 14059 831 831 689823 6 6

Nov 11 13955 14256 -301 301 90334 -2 2

Dec 12 12895 14238 -1343 1343 1803052 -10 10

TOTAL : 78 168275 42553 -813 2474 2583208 -7 18



56/96



Oct Nov Dec

Forecast

Demand 14059 14256 14238

13950

14000

14050

14100

14150

14200

14250

14300

TingkatPermintaan




57/96


g. Dengan menggunakan metode Eksponensial Smoothing With

= 0.1

BULAN t A FDeviasi

Deviasi

Absolut

Kuadrat

Kesalahan

Persentase

Kesalahan

Persentase

Kesalahan Absolut

A-F |A-F| (A-F)2

((A-F)/A)100 |((A-F)/A)100|

Jan 1 13125 - - - - - -

Feb 2 14115 13125 990 990 980100 7 7

Mar 3 15095 13224 1871 1871 3500641 12 12

Apr 4 14900 13411 1489 1489 2216823 10 10

May 5 14250 13560 690 690 476114 5 5

Jun 6 13125 13629 -504 504 254006.928081 -4 4

Jul 7 12950 13579 -629 629 395128 -5 5

Aug 8 13950 13516 434 434 188588 3 3

Sep 9 15025 13559 1466 1466 2148689 10 10

Oct 10 14890 13706 1184 1184 1402463 8 8

Nov 11 13955 13824 131 131 17117 1 1

Dec 12 12895 13837 -942 942 887839 -7 7

TOTAL : 78 168275 148970 6180 10330 12467509 40.00 72.00

Tabel Demand dan Hasil Peramalan Dengan Menggunakan Metode Eksponensial Smoothing With = 0.1


58/96


Grafik Hasil Peramalan Dengan Menggunakan Metode Eksponensial Smoothing With = 0.1

Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec

Forecast Demand 13125 13224 13411 13560 13629 13579 13516 13559 13706 13824 13837

12600

12800

13000

13200

13400

13600

13800

14000

TingkatPermintaan

GRAFIK HASIL PERAMALAN DENGAN METODE EKPONENSIAL

SMOOTHING DENGAN = 0,1


59/96


= 0.2

BULAN t A FDeviasi

Deviasi

Absolut

Kuadrat

Kesalahan

Persentase

Kesalahan


Absolut

A-F |A-F| (A-F)2

((A-F)/A)100 |((A-F)/A)100|

Jan 1 13125 - - - - - -

Feb 2 14115 13125 990 990 980100 7 7

Mar 3 15095 13323 1772 1772 3139984 12 12

Apr 4 14900 13677 1223 1223 1494751 8 8

May 5 14250 13922 328 328 107636 2 2

Jun 6 13125 13988 -863 863 743968 -7 7

Jul 7 12950 13815 -865 865 748275 -7 7

Aug 8 13950 13642 308 308 94850 2 2

Sep 9 15025 13704 1321 1321 1746049 9 9

Oct 10 14890 13968 922 922 850278 6 6

Nov 11 13955 14152 -197 197 38934 -1 1

Dec 12 12895 14113 -1218 1218 1483165 -9 9

TOTAL : 78 168275 151429 3721 10007 11427990 22.35 70.57



60/96



Feb Mar Apr May Jun Jul Aug Sep Oct Nov DecForecast Demand 13125 13323 13677 13922 13988 13815 13642 13704 13968 14152 14113

12600

12800

13000

13200

13400

13600

13800

14000

14200

14400

TingkatPermint

aan




61/96


= 0.3

BULAN t A FDeviasi

Deviasi

Absolut

Kuadrat

Kesalahan

Persentase

Kesalahan


Absolut

A-F |A-F| (A-F)2

((A-F)/A)100 |((A-F)/A)100|

Jan 1 13125 - - - - - -

Feb 2 14115 13125 990 990 980100 7 7

Mar 3 15095 13422 1673 1673 2798929 11 11

Apr 4 14900 13630 1270 1270 1613154 9 9

May 5 14250 13775 475 475 225217 3 3

Jun 6 13125 13877 -752 752 565957 -6 6

Jul 7 12950 13949 -999 999 997223 -8 8

Aug 8 13950 13999 -49 49 2355 0 0

Sep 9 15025 14033 992 992 983133 7 7

Oct 10 14890 14058 832 832 692343 6 6

Nov 11 13955 14075 -120 120 14412 -1 1

Dec 12 12895 14087 -1192 1192 1420947 -9 9

TOTAL : 78 168275 152030 3120 9343 10293770 18.24 65.34



62/96




Forecast

Demand13125 13422 13630 13775 13877 13949 13999 14033 14058 14075 14087

12600

12800

13000

13200

13400

13600

13800

14000

14200

TingkatPermintaa

n




63/96


= 0.4

BULAN t A FDeviasi

Deviasi

Absolut

Kuadrat

Kesalahan

Persentase

Kesalahan

Persentase

Kesalahan Absolut

A-F |A-F| (A-F)2

((A-F)/A)100 |((A-F)/A)100|

Jan 1 13125 - - - - - -

Feb 2 14115 13125 990 990 980100 7 7

Mar 3 15095 13521 1574 1574 2477476 10 10

Apr 4 14900 13759 1141 1141 1302794 8 8

May 5 14250 13901 349 349 121689 2 2

Jun 6 13125 13987 -862 862 742520 -7 7

Jul 7 12950 14038 -1088 1088 1183782 -8 8

Aug 8 13950 14069 -119 119 14116 -1 1

Sep 9 15025 14087 938 938 879307 6 6

Oct 10 14890 14098 792 792 626675 5 5

Nov 11 13955 14105 -150 150 22507 -1 1

Dec 12 12895 14109 -1214 1214 1473830 -9 9

TOTAL : 78 168275 152799 2351 9216 9824796 12.80 65.42



64/96




Forecast Demand 13125 13521 13759 13901 13987 14038 14069 14087 14098 14105 14109

12600

12800

13000

13200

13400

13600

13800

14000

14200

TingkatPermintaan




65/96


= 0.5

BULAN t A FDeviasi

Deviasi

Absolut

Kuadrat

Kesalahan

Persentase

Kesalahan


Absolut

A-F |A-F| (A-F)2

((A-F)/A)100 |((A-F)/A)100|

Jan 1 13125 - - - - - -

Feb 2 14115 13125 990 990 980100 7 7

Mar 3 15095 13620 1475 1475 2175625 10 10

Apr 4 14900 13868 1033 1033 1066056 7 7

May 5 14250 13991 259 259 66952 2 2

Jun 6 13125 14053 -928 928 861416 -7 7

Jul 7 12950 14084 -1134 1134 1286098 -9 9

Aug 8 13950 14100 -150 150 22360 -1 1

Sep 9 15025 14107 918 918 842236 6 6

Oct 10 14890 14111 779 779 606634 5 5

Nov 11 13955 14113 -158 158 24985 -1 1

Dec 12 12895 14114 -1219 1219 1486042 -9 9

TOTAL : 78 168275 153286 1864 9042 9418504 9.38 64.36



66/96




Forecast Demand 13125 13620 13868 13991 14053 14084 14100 14107 14111 14113 14114

12600

12800

13000

13200

13400

13600

13800

14000

14200

TingkatPermintaan




67/96


= 0.6

BULAN t A FDeviasi

Deviasi

Absolut

Kuadrat

Kesalahan

Persentase

Kesalahan


Absolut

A-F |A-F| (A-F)2

((A-F)/A)100 |((A-F)/A)100|

Jan 1 13125 - - - - - -

Feb 2 14115 13125 990 990 980100 7 7

Mar 3 15095 13719 1376 1376 1893376 9 9

Apr 4 14900 14545 355 355 126309 2 2

May 5 14250 14758 -508 508 257901 -4 4

Jun 6 13125 14453 -1328 1328 1763945 -10 10

Jul 7 12950 13656 -706 706 498795 -5 5

Aug 8 13950 13233 717 717 514804 5 5

Sep 9 15025 13663 1362 1362 1855042 9 9

Oct 10 14890 14480 410 410 167936 3 3

Nov 11 13955 14726 -771 771 594565 -6 6

Dec 12 12895 14263 -1368 1368 1872606 -11 11

TOTAL : 78 168275 154621 529 9892 10525380 0.20 70.75



68/96




Forecast Demand 13125 13719 14545 14758 14453 13656 13233 13663 14480 14726 14263

12000

12500

13000

13500

14000

14500

15000

TingkatPermintaan

GRAFIK METODE PERAMALAN DENGAN METODE EKPONENSIAL



69/96


= 0.7

BULAN t A FDeviasi

Deviasi

Absolut

Kuadrat

Kesalahan

Persentase

Kesalahan


Absolut

A-F |A-F| (A-F)2

((A-F)/A)100 |((A-F)/A)100|

Jan 1 13125 - - - - - -

Feb 2 14115 13125 990 990 980100 7.01 7.01

Mar 3 15095 13818 1277 1277 1630729 8.46 8.46

Apr 4 14900 14712 188 188 35382 1.26 1.26

May 5 14250 14844 -594 594 352325 -4.17 4.17

Jun 6 13125 14428 -1303 1303 1697994 -9.93 9.93

Jul 7 12950 13516 -566 566 320267 -4.37 4.37

Aug 8 13950 13120 830 830 689271 5.95 5.95

Sep 9 15025 13701 1324 1324 1753154 8.81 8.81

Oct 10 14890 14628 262 262 68759 1.76 1.76

Nov 11 13955 14811 -856 856 733308 -6.14 6.14

Dec 12 12895 14212 -1317 1317 1734226 -10.21 10.21

TOTAL : 78 168275 154914 236 9507 9995515 -1.55 68.07



70/96




Forecast Demand 13125 13818 14712 14844 14428 13516 13120 13701 14628 14811 14212

12000

12500

13000

13500

14000

14500

15000

TingkatPerm

intaan




71/96


= 0.8

BULAN t A FDeviasi

Deviasi

Absolut

Kuadrat

Kesalahan

Persentase

Kesalahan

Persentase

Kesalahan Absolut

A-F |A-F| (A-F)2

((A-F)/A)100 |((A-F)/A)100|

Jan 1 13125 - - - - - 0

Feb 2 14115 13125 990 990 980100 7 7

Mar 3 15095 13917 1178 1178 1387684 8 8

Apr 4 14900 14859 41 41 1648 0 0

May 5 14250 14892 -642 642 412010 -5 5

Jun 6 13125 14378 -1253 1253 1570951 -10 10

Jul 7 12950 13376 -426 426 181199 -3 3

Aug 8 13950 13035 915 915 836978 7 7

Sep 9 15025 13767 1258 1258 1582496 8 8

Oct 10 14890 14773 117 117 13594 1 1

Nov 11 13955 14867 -912 912 831162 -7 7

Dec 12 12895 14137 -1242 1242 1543399 -10 10

TOTAL : 78 168275 155127 23 8973 9341223 -3 64



72/96




Forecast Demand 13125 13917 14859 14892 14378 13376 13035 13767 14773 14867 14137

12000

12500

13000

13500

14000

14500

15000

15500

TingkatPerm

intaan

HASIL PERAMALAN DENGAN METODE EKSPONENSIAL



73/96


= 0.9

BULAN t A FDeviasi

Deviasi

Absolut

Kuadrat

Kesalahan

Persentase

Kesalahan

Persentase

Kesalahan Absolut

A-F |A-F| (A-F)2

((A-F)/A)100 |((A-F)/A)100|

Jan 1 13125 - - - - - -

Feb 2 14115 13125 990 990 980100 7 7

Mar 3 15095 14016 1079 1079 1164241 7 7

Apr 4 14900 14987 -87 87 7586 -1 1

May 5 14250 14909 -659 659 433899 -5 5

Jun 6 13125 14316 -1191 1191 1418174 -9 9

Jul 7 12950 13244 -294 294 86487 -2 2

Aug 8 13950 12979 971 971 942047 7 7

Sep 9 15025 13853 1172 1172 1373723 8 8

Oct 10 14890 14908 -18 18 317 0 0

Nov 11 13955 14892 -937 937 877556 -7 7

Dec 12 12895 14049 -1154 1154 1330973 -9 9

TOTAL : 78 168275 155277 -127 8551 8615102 -3 61



74/96




Forecast Demand 13125 14016 14987 14909 14316 13244 12979 13853 14908 14892 14049

11500

12000

12500

13000

13500

14000

14500

15000

15500

TingkatPermi

ntaan




75/96


h. Dengan menggunakan metode Weight Moving Average

WMA 3 Bulan

BULAN t A FDeviasi

Deviasi

Absolut

Kuadrat

Kesalahan

Persentase

Kesalahan

Persentase

Kesalahan Absolut

A-F |A-F| (A-F)2

((A-F)/A)100 |((A-F)/A)100|

Jan 1 13125 - - - - - -

Feb 2 14115 - - - - - -

Mar 3 15095 - - - - - -

Apr 4 14900 14210 690 690 476100 5 5

May 5 14250 14723 -473 473 223729 -3 3

Jun 6 13125 14699 -1574 1574 2475902 -12 12

Jul 7 12950 13995 -1045 1045 1092025 -8 8

Aug 8 13950 13393 558 558 310806 4 4

Sep 9 15025 13403 1623 1623 2632506 11 11

Oct 10 14890 14080 810 810 656100 5 5

Nov 11 13955 14649 -694 694 480942 -5 5

Dec 12 12895 14557 -1662 1662 2760582 -13 13

TOTAL : 78 168275 127707 -1767 9127 11108693 -16 66

Tabel Demand dan Hasil Peramalan Dengan Menggunakan Metode WMA 3 Bulan


76/96


Grafik Hasil Peramalan Dengan Menggunakan Metode WMA 3 Bulan

Apr May Jun Jul Aug Sep Oct Nov Dec

Forecast Demand 14210 14723 14699 13995 13393 13403 14080 14649 14557

12500

13000

13500

14000

14500

15000

TingkatPermintaan

GRAFIK HASIL PERAMALAN DENGAN METODE WMA 3 BULAN


77/96


WMA 4 Bulan

BULAN t A FDeviasi

Deviasi

Absolut

Kuadrat

Kesalahan

Persentase

Kesalahan

Persentase

Kesalahan Absolut

A-F |A-F| (A-F)2

((A-F)/A)100 |((A-F)/A)100|

Jan 1 13125 - - - - - -

Feb 2 14115 - - - - - -

Mar 3 15095 - - - - - -

Apr 4 14900 - - - - - -

May 5 14250 14309 -59 59 3452 0 0

Jun 6 13125 14590 -1465 1465 2146225 -11 11

Jul 7 12950 14343 -1393 1393 1939056 -11 11

Aug 8 13950 13806 144 144 20664 1 1

Sep 9 15025 13569 1456 1456 2120664 10 10

Oct 10 14890 13763 1128 1128 1271256 8 8

Nov 11 13955 14204 -249 249 61877 -2 2

Dec 12 12895 14455 -1560 1560 2433600 -12 12

TOTAL : 78 168275 113038 -1998 7453 9996794 -18 55



78/96



May Jun Jul Aug Sep Oct Nov Dec

Forecast Demand 14309 14590 14343 13806 13569 13763 14204 14455

13000

13200

13400

13600

13800

14000

14200

14400

14600

14800

TingkatPermintaan



79/96


WMA 5 Bulan

BULAN t A FDeviasi

Deviasi

Absolut

Kuadrat

Kesalahan

Persentase

Kesalahan

Persentase

Kesalahan Absolut

A-F |A-F| (A-F)2

((A-F)/A)100 |((A-F)/A)100|

Jan 1 13125 - - - - - -

Feb 2 14115 - - - - - -

Mar 3 15095 - - - - - -

Apr 4 14900 - - - - - -

May 5 14250 - - - - - -

Jun 6 13125 14337 -1212 1212 1469308 -9 9

Jul 7 12950 14267 -1317 1317 1733962 -10 10

Aug 8 13950 13997 -47 47 2195 0 0

Sep 9 15025 13792 1233 1233 1520906 8 8

Oct 10 14890 13882 1008 1008 1016064 7 7

Nov 11 13955 14054 -99 99 9811 -1 1

Dec 12 12895 14194 -1299 1299 1688051 -10 10

TOTAL : 78 168275 98523 -1733 6215 7440296 -16 45



80/96



Jun Jul Aug Sep Oct Nov Dec

Forecast Demand 14337 14267 13997 13792 13882 14054 14194

13500

13600

13700

13800

13900

14000

14100

14200

14300

14400

TingkatPermin

taan



81/96


WMA 6 Bulan

BULAN t A FDeviasi

Deviasi

Absolut

Kuadrat

Kesalahan

Persentase

Kesalahan

Persentase

Kesalahan Absolut

A-F |A-F| (A-F)2

((A-F)/A)100 |((A-F)/A)100|

Jan 1 13125 - - - - - -

Feb 2 14115 - - - - - -

Mar 3 15095 - - - - - -

Apr 4 14900 - - - - - -

May 5 14250 - - - - - -

Jun 6 13125 - - - - - -

Jul 7 12950 14140 -1190 1190 1416576 -9 9

Aug 8 13950 14030 -80 80 6384 -1 1

Sep 9 15025 13969 1056 1056 1115558 7 7

Oct 10 14890 13990 900 900 810000 6 6

Nov 11 13955 14059 -104 104 10858 -1 1

Dec 12 12895 14058 -1163 1163 1352802 -9 9

TOTAL : 78 168275 84246 -581 4494 4712178 -6 33



82/96



Jul Aug Sep Oct Nov Dec

Forecast Demand 14140 14030 13969 13990 14059 14058

13850

13900

13950

14000

14050

14100

14150

14200

TingkatPerm

intaan



83/96


WMA 7 Bulan

BULAN t A FDeviasi

Deviasi

Absolut

Kuadrat

Kesalahan

Persentase

Kesalahan

Persentase

Kesalahan Absolut

A-F |A-F| (A-F)2

((A-F)/A)100 |((A-F)/A)100|

Jan 1 13125 - - - - - -

Feb 2 14115 - - - - - -

Mar 3 15095 - - - - - -

Apr 4 14900 - - - - - -

May 5 14250 - - - - - -

Jun 6 13125 - - - - - -

Jul 7 12950 - - - - - -

Aug 8 13950 13919 31 31 952 0 0

Sep 9 15025 14043 982 982 964520 7 7

Oct 10 14890 14191 699 699 488531 5 5

Nov 11 13955 14172 -217 217 46981 -2 2

Dec 12 12895 14029 -1134 1134 1285389 -9 9

TOTAL : 78 168275 70354 361 3062 2786373 1 21



84/96


Grafik Hasil Peramalan Dengan Menggunakan MetodeWMA 7 Bulan

Aug Sep Oct Nov Dec

Forecast Demand 13919 14043 14191 14172 14029

13750

13800

13850

13900

13950

14000

14050

14100

14150

14200

14250

TingkatPermin

taan



85/96


WMA 8 Bulan

BULAN t A FDeviasi

Deviasi

Absolut

Kuadrat

Kesalahan

Persentase

Kesalahan


Absolut

A-F |A-F| (A-F)2

((A-F)/A)100 |((A-F)/A)100|

Jan 1 13125 - - - - - -

Feb 2 14115 - - - - - -

Mar 3 15095 - - - - - -

Apr 4 14900 - - - - - -

May 5 14250 - - - - - -

Jun 6 13125 - - - - - -

Jul 7 12950 - - - - - -

Aug 8 13950 - - - - - -

Sep 9 15025 13939 1086 1086 1179939 7 7

Oct 10 14890 14176 714 714 509439 5 5

Nov 11 13955 14273 -318 318 101204 -2 2

Dec 12 12895 14131 -1236 1236 1526769 -10 10

TOTAL : 78 168275 56519 246 3354 33

diajukan untuk melengkapi tugas mata kuliah praktikum scm "“forecasting,agregat planning,dan...

Documents