TUGAS II

PERAMALAN DAN PERENCANAAN AGGREGAT

Disusun Oleh :

Abner Umbu Laiya. S (08.02.5347)

Lina Lu’luil Khusna (08.02.5343)

Yayan Subagyo (07.02.5336)

JURUSAN TEKNIK INDUSTRI

FAKULTAS TEKNOLOGI INDUSTRI

INSTITUT SAINS & TEKNOLOGI AKPRIND

YOGYAKARTA

2010

I

PENDAHULUAN

Forecasting adalah peramalan (perkiraan) mengenai sesuatu yang belum

terjadi (Subagyo, 1986:1). Di dalam forecasting selalu bertujuan agar forecast

yang dibuat bisa meminimumkan pengaruh ketidakpastian terhadap sesuatu yang

biasanya diukur dengan mean squared error, mean absolute error dan sebagainya.

Dengan adanya sejumlah besar metode peramalan yang tersedia, maka masalah

yang timbul bagi para praktisi adalah dalam memahami karakteristik suatu metode

peramalan akan cocok bagi situasi pengambilan keputusan tertentu

Jika proses perubahan dapat diketahui dengan tepat, maka forecast pasti

bisa tepat seperti apa yang akan terjadi. Namun bisa terjadi penyimpangan karena

ada faktor lain yang mempengaruhi. Untuk itu dilakukan pemilihan metode

forecast yang paling cocok dengan permasalahannya.

Peramalan (forecasting) merupakan bagian vital bagi setiap organisasi

bisnis dan untuk setiap pengambilan keputusan manajemen yang sangat

signifikan. Peramalan menjadi dasar bagi perencanaan jangka panjang

perusahaan. Dalam area fungsional keuangan, peramalan memberikan dasar

dalam menentukan anggaran dan pengendalian biaya. Pada bagian pemasaran,

peramalan penjualan dibutuhkan untuk merencanakan produk baru, kompensasi

tenaga penjual, dan beberapa keputusan penting lainnya. Selanjutnya, pada bagian

produksi dan operasi menggunakan data-data peramalan untuk perencanaan

kapasitas, fasilitas, produksi, penjadwalan, dan pengendalian persedian (inventory

control). Untuk menetapkan kebijakan ekonomi seperti tingkat pertumbuhan

ekonomi, tingkat pengangguran, tingkat inflasi, dan lain sebagainya dapat pula

dilakukan dengan metode peramalan.

Peramalan adalah penggunaan data masa lalu dari sebuah variabel atau

kumpulan variabel untuk mengestimasi nilainya di masa yang akan datang.

Asumsi dasar dalam penerapan teknik-teknik peramalan adalah:“If we can predict

what the future will be like we can modify our behaviour now to be in a better

position, than we otherwise would have been, when the future arrives.” Artinya,

jika kita dapat memprediksi apa yang terjadi di masa depan maka kita dapat

mengubah kebiasaan kita saat ini menjadi lebih baik dan akan jauh lebih berbeda

di masa yang akan datang. Hal ini disebabkan kinerja di masa lalu akan terus

berulang setidaknya dalam masa mendatang yang relatif dekat.

Sumber:http://if29noltiga.9.forumer.com/index.php?

s=1b665dad463ec7e2954e9a7fb5dc80d2&act=Attach&type=post&id=105

II

TINJAUAN PUSTAKA

Definisi dan Tujuan Peramalan

Forecasting adalah peramalan atau perkiraan mengenai sesuatu yang

belum terjadi (Pangestu Subagyo, 1986 : 1)

Dalam ilmu pengetahuan sosial segala sesuatu itu serba tidak pasti dan

sukar untuk diperkirakan secara tepat. Untuk itu perlu adanya forecast. Ramalan

yang dilakukan pada umumnya akan berdasarkan data yang terdapat di masa

lampau yang dianalisis dengan mengunakan metode-metode tertentu. Di dalam

forecasting diupayakan agar forecast yang dibuat dapat meminimumkan pengaruh

ketidakpastian tersebut

Dengan kata lain forecasting bertujuan mendapatkan forecast yang bisa

meminimumkan kesalahan meramal (forecast error) yang biasanya diukur dengan

mean squared error, mean absolute error, dan sebagainya (Pengestu Subagyo,

1986 : 1)

Hubungan Forecast dengan Rencana

Peramalan (forecasting) merupakan alat bantu yang sangat penting dalam

perencanaan yang efektif dan efisien. Dalam bidang ekonomi, perencanaan

merupakan kebutuhan yang besar, karena waktu tenggang untuk pengambilan

keputusan dapat berkisar dari beberapa tahun sampai beberapa hari atau bahkan

beberapa jam. Dalam situasi seperti ini, peramalan diperlukan untuk menentukan

kapan suatu peristiwa akan terjadi atau timbul, sehingga tindakan yang tepat dapat

dilakukan. Peramalan mempunyai peranan langsung pada peristiwa eksternal yang

pada umumnya berada di luar kendali manajemen, seperti berasal dari ekonomi

nasional, pemerintah, pelanggan, dan pesaing. Dari peramalan inilah suatu

perusahan dapat melakukan suatu perencanaan dan pengambilan suatu keputusan

yang dirasa tepat

Forecast adalah peramalan apa yang terjadi pada waktu yang akan datang,

sedang rencana merupakan penentuan apa yang akan dilakukan pada waktu yang

akan datang (Pangestu Subagyo, 1986 : 3). Dengan sendirinya terjadi perbedaan

antara forecast dengan rencana. Forecasting adalah peramalan apa yang akan

terjadi tetapi belum tentu bisa dilaksanakan oleh perusahaan

1. Karakteristik peramalan

Karakteristik peramalan yang baik adalah:

a. KeakuratanTujuan utamanya adalah menghasilkan prediksi yang akurat. Peramalan yang terlalu rendah mengakibatkan kekurangan persediaan, back order, kehilangan penjualan, atau kehilangan pelanggan.

b. Biaya.Biaya untuk mengembangkan model peramalan dan melakukan signifikasi jika produk atau data lainnya semakin besar.

c. Penyederhanaan.Keuntungan utama menggunakan peramalan yang sederhana adalah kemudahan untuk melakukan peramalan dan analisisnya.

2. Prinsip-prinsip peramalan

Prinsip-prinsip peramalan yang perlu dipertimbangkan adalah:

a. Peramalan melibatkan kesalahan (error).

b. Peramalan sebaiknya memakai tolok ukur kesalahan peramalan.

c. Peramalan famili produk lebih akurat dari pada peramalan produk

individu (item).

d. Peramalan jangka pendek lebih akurat dari pada jangka panjang.

e. Jika dimungkinkan, hitung permintaan dari pada meramal permintaan.

Teknik peramalan dibagi menjadi dua bagian, yaitu metode kuantitatif dan

metode kualitatif. Metode kuantitatif dibagi menjadi metode deret berkala (time

series) dan metode kausal. Metode time series memprediksi masa yang akan

datang berdasarkan data masa lalu. Tujuan peramalan deret waktu adalah untuk

menentukan pola data masa lalu dan mengextrapolasi pola tersebut untuk masa

yang akan datang. Tujuan metode kausal adalah menentukan hubungan antar

faktor dan menggunakan hubungan tersebut untuk meramalkan nilai-nilai variabel

independent.

Peramalan kuantitatif dapat diterapkan dengan syarat:

a. Tersedianya informasi masa lalu

b. Informasi ini dapat dikualifikasikan dalam bentuk data numerik

c. Diasumsikan data masa lalu akan berlaku sama untuk masa yang akan

datang.

Langkah penting dalam menentukan metode deret waktu yaitu

menentukan pola data masa lalu untuk menentukan deret waktu yang sesuai.

Empat jenis pola data yaitu horisontal, musiman, sikis, dan trend.

Gambar 7.7. Pola data Horisontal Gambar 7.8. Pola data Musiman

Gambar 7.9. Pola data Siklis Gambar 7.10. Pola data Trend

Pola data horisontal timbul jika data berfluktuasi konstan pada nilai

tertentu. Pola data musiman timbul jika sekumpulan data dipengaruhi faktor

musiman (mingguan, bulanan, atau perempat tahunan). Pola data siklis timbul jika

data-data dipengaruhi fluktuasi ekonomis jangka panjang. Pola trend timbul jika

ada kenaikan / penurunan data dalam jangka waktu panjang.

3. Teknik-teknik peramlan

Teknik-teknik peramalan :

a. Metode Rata-rata.Persamaan metode rata-rata :

F (t) = A F (t+τ ) = F (t)

b. Weight moving AveragePersamaannya adalah :

(T) = ΣW(I).A(I)/ Σ(I)

I = (t-m+1) ke-t

f(1+τ ) = F(t)

c. Moving Average with linier trendPersamaannya adalah :

F(t) = Σ A(I)/m dimana i = (t-m+1) ke t

T(t) = 12 Σ(I A(t-(m-1)/2+1)/m/(m2-1))

Dimana : i = -(m-1)/2 ke-(m-1)/2

F(t+ι) = F(t) + T(t)(t+ι)

d. Single Exponential smoothing.Persamaanya adalah :

F(0) = A(I)

F (t) = 0

F(t) = αA(t) + (1-α)F(t-1)

F(t+ ι) = F(t) + ι T (t)

e. Single Exponential smoothing with linier trend.Persamaan metodenya :

F(0) = A(1)

T(0) = 0

F(t) = α A(t) + (1-α) F(t-1) +T(t-1)

T(t) = β (F(t)-F(t-1)) + (1- β) T(t-1)

f(t+ ι) = F(t) + ι T(t)f. Double Exponential smoothing.

Persamaan metodenya :

F(0) = F’ (0) = A(1)

F(t) = α A(t) + (1-α) F(t-1)

F’(t) = α F(t) + (1-α) F’(t-1)

F(T+ ι) = f’(t)

g. Double Exponential smoothing with linier trend.Persamaan metodenya :

F(0) = F’(0) = A(1)

F(t) = α A(t) + (1-α) F(t-1)

F’(t) = α F(t) + (1- α) F’(t-1)

γ = ι α/β

f(t+ ι) = (2+γ ) F(t) – (1+γ ) F’(t)

h. Adaptive Exponential smoothing.Persamaan metodenya :

F(0) = A(1)

F(t) = α A(t) + (1- α) F(t-1)

i. Linear RegressionPersamaan metodenya :

B = [Σi A(i)i-n A (n+1)/2] [Σi i2 – n (n+1)2 / 4]

Keterangan: i = 1 ke – n

a = A – b (n+1)/2

f(t) = a + bt

j. Winter’s ModelPersamaan metodenya :

F(0) = A(1)

T(0) = 0

F(t) = α A(t) / I(t-m) + (1- α) F(t-1) + T(t-1))

T(t) = β (F(t) – F(t-1)) + (1-β) T(t-1)

I(t) = γ A(t)/ F(t) + (1-γ ) I(t-m)

f(t+ ι) = (F(t) + ι T(t) I(t+ ι-m)

Notasi TSFC:

t : Periode waktu, t = 1,2,...,n

ι : Waktu dari t

m : Periode rata-rata bergerak atau panjang perputaran seasional

α : Parameter smoothing pertama

β : Parameter trend smoothing

γ : Parameter seasional smoothing

A(t) : Data aktual dalam periode t

f(t) : Peramalan untuk periode t

T(t) : Trend untuk periode t

F(t) : Nilai smoothed untuk periode t

W(t) : Weight untuk periode t

I(t) : Indeks seasional untuk periode t

E(t) : Kesalahan (deviasi) untuk periode t, yaitu f(t) – A(t)

A : Rata-rata dari dataaktual

V : Variansi dari data aktual untuk periode N

N : Nomor periode dimana e(t) dapat dicari; i,e mempunyai kedua f(t) dan A(t)

Jika beberapa model peramalan cocok untuk kondisi tertentu maka perlu

ditentukan model nama yang baik (tidak bias) atau jika hanya terdapat satu model

yang cocok, maka perlu model lain sebagai pembanding untuk melihat keefektifan

model tersebut. Proses ini disebut kesalahan peramalan. Kesalahan peramalan

pada periode t adalah selisih dari data aktual A(t) dan hasil peramalan f(t).

Perhitungan kesalahan peramalan dalam TSFC adalah :

MAD = Mean absolut error (deviasi)

MAD = Σ t | e(t) |/N

MSD = Mean square error (deviasi)

Bias = Mean error (deviasi)

Bias = Σ t e(t) / N

R = Multiple correlation coefficient

R2= 1-N*MSD/((N-1)V)

4. Verifikasi Peramalan

Peramalan dapat dimonitori dengan menggunakan Tracking Signal.

Tracking Signal adalah suatu ukuran yang menunjukkan bagaimana baiknya suatu

ramalan memperkirakan nilai-nilai actual. Tracking Signal untuk setiap periode

dihitung dengan persamaan (chase,R.B. 1998).

Tracking Signal =

Apabila Tracking Signal telah dihitung, kemudian dipetakan dalam peta

control Tracking Signal. Beberapa ahli dalam peramalan seperti George Ploss dan

Oliver Wight menyarankan untuk menggunakan nilai Tracking Signal maksimum

± 4 sebagai batas-batas pengendali Tracking Signal (Heizer.I, 1996).

Sumber : Tugas Akhir, Setyo Rini ‘PERAMALAN (FORECASTING) VOLUME PENJUALAN

MOBIL MITSUBISHI PADA PT. SIDODADI BERLIAN MOTORS’ UNIVERSITAS

NEGERI SEMARANG 2005

RSFEMAD

III

HASIL REVIEW

3.1 Defenisi Peramalan

Peramalan adalah seni dan ilmu untuk memprediksi masa depan.

Peramalan merupakan tahap awal,dan hasil ramalan merupakan basis bagi seluruh

tahapan pada perencanaan produksi.Proses peramalan dilakukan pada level

aggregat (part Family)bila data yang dimiliki adalah data item,maka perlu

dilakukan agregasi terlebih dahulu. Metode peramalan ada dua macam yaitu

kualitatif dan kuantitatif.

Metode kualitatif merupakan metode yang tidak terukur,sedangkan metode

kuantitatif merupakan metode yang terukur.

Persyaratan penggunaan metode Kuantiotatif

1. Tersedia informasi tentang masa lalu.

2. Informasi tersebut dapat di kuantitatifkan dalam bentuk data numerik.

3. Dapat diasumsikan bahwa beberapa aspek pola masa lalu akan terus

berlanjut di masa mendatang.

Langkah-langkah peramalan:

1. Definisikan tujuan peramalan.

2. Plot data (part family) masa lalu.

3. Pilih metode-metode yang paling memenuhi tujuan peramalan dan sesuai

dengan plot data.

4. Hitung parameter fungsi peramalan untuk masing-masing metode.

5. Hitung fitting error untuk semua metode yang dicoba.

6. Pilih metode yang terbaik, yaitu metode yang memberikan error paling

kecil.

7. Ramalkan permintaan untuk periode mendatang

8. Lakukan verifikasi peramalan.

Metode-metode yang digunakan dalam peramalan:

1. Constant

2. Linier trend

3. Quadratic

4. Exponential

5. Moving Average

6. Exponential smoothing

7. Seasonal

1. Perencanaan Agregat ( Aggregat Planning )

1. Strategi perencanaan dalam tahapan Perencanaan dan Pengendalian

Produksi yang bermuara pada perencanaan kapasitas yang optimal.

2. Proses agregasi (aggregation) ialah pengelompokan beberapa jenis

item menjadi product family.

3. Proses disagregasi (disaggregation) adalah proses derivasi product

family menjadi item.

3.1.1 Proses Agregasi

Unit agregat yang biasa digunakan dalam proses agregasi :

Jam kerja buruh, mesin atau resource lainnya.

Waktu standar.

Harga jual, Ongkos produksi.

Satuan agregat dummy (pseudo product).

3.1.2 Aggregat Planning

Tujuan AP ialah membangkitkan (generate) top level production

plans.

1. Basis AP adalah hasil ramalan dan target produksi. Target produksi

ditentukan oleh top level business plan yang memperhatikan kapasitas &

kapabilitas perusahaan.

2. Peran AP adalah sebagai interface antara perusahaan/ sistem manufaktur

dan pasar produknya.

3. Analisis dilakukan dalam kelompok produk (product family) dengan unit

agregat.

4. Melibatkan pemilihan strategi manufaktur.

3.1.3 Teknik Aggregat Planning ( AP ) :

1. Trial and Error atau charting : Pure and Mixed Strategies.

2. Pendekatan empiris : Model Bowman.

3. Pendekatan matematis : Linear Programming.

4. Simulasi.

IV

TINJAUN UMUM PERUSAHAAN

A. Sejarah singkat perusahaan

1. Sejarah berdirinya perusahaan

Mondrian adalah sebuah badan usaha perseorangan yang bergerak adalam

bidang konveksi. PT. Mondrian didirkan pada tanggak 19 desember 1992

oleh:

a. Bapak hartono

b. Bapak harri pranomo

c. Bapak bambang dwi purnomo

d. Bapak endro sutono

e. Ibu fr. Kiswari

Dan sebagai pimpinannya adalah bapak harri purnomo. Tanggal 1 april

1998 perusahaan tersebut menjadi perusahaan yang berbadan hukum di sahkan

oleh departemen kehakiman menjadi pt. mondrian yang di miliki oleh

a. Bapak hari purnomo sebagai direktur utama

b. Bapak edi widyanto

c. Bapak andi pranama

d. Bapak endro sutopo

e. Bapak bambang dwi purnomo

f. Bapak ardy wijayanto

g. Ibu kiswari

Model bisnis yang pertama kali dijalankan PT Mondrian adalah melayani

pesanan/order t-shirt bergambar (sablon) dari sekolah-sekolah maupun instansi

pemerintahan di sekitar kota  Klaten. Nama Mondrian sendiri diambil dari nama

seorang pelukis terkenal Prancis yaitu Piet Mondrian

Nama Mondrian mulai dikenal sebagai merk produk kaos yang

berkualitas, baik bahan maupun teknik sablon karet dan separasi warnanya yang

unggul khususnya di Jawa Tengah.

Mondrian mulai dijual sebagai produk eceran (retail) dengan design-

design original yang dibuat sendiri tetap dengan menggunakan merk :Dadung

pada labelnya.Bisnis ini merupakan cikal bakal bisnis retail PT Mondrain 

selanjutnya.

Upaya agar dapat mengantisipasi perkembangan usaha yang cepat,PT

Mondrian membangun pabrik,dengan fasilitas yang modern. Saat ini PT

Mondrian mulai memasarkan produknya ke Manca Negara. Sedangkan untuk

mengembangkan pasar lokal nasional, Mondrian menjalin kerja sama dengan

Department Store yang ada di seluruh Indonesia.

Sumber: http://ptmondrian.jogja.com

V

PEMBAHASAN

Data permintaan dadung pada tahun 2008

Bulan Time (t) Demand

Juli 1 25.556

Agustus 2 25.555

September 3 25.570

Oktober 4 13.200

November 5 13.202

Desember 6 13.020

Data permintaan sekido pada tahun 2008

Bulan Time (t) Demand

Juli 1 24.098

Agustus 2 24.100

September 3 24.105

Oktober 4 11.859

November 5 11.931

Desember 6 11.787

Data permintaan begaya pada tahun 2008

Bulan Time (t) Demand

Juli 1 12.701

Agustus 2 12.705

September 3 12.703

Oktober 4 6.390

November 5 6.386

Desember 6 6.400

Sumber : laporan KP Aris Raharjo perencanaan dan peramalan peroduksi dengan menggunakan metode time series, institut sains dan teknologi akprind yogyakarta 2009

PT. Mondrian membuat 3 jenis produk kaos yaitu Dadung, Sekido,

Begaya yang merupakan item dari family produk. Harga jual produk Dadung,

Sekido, Begaya adalah Rp.35.000, Rp.60.000 dan Rp.50.000. Data masa lalu

permintaan akan produk-produk tersebut adalah sebagai berikut :

Periode 1 2 3 4 5 6

Dadung 25.556 25.555 25.570 13.200 13.202 13.020

Sekido 24.098 24.100 24.105 11.859 11.931 11.787

Begaya 12.701 12.705 12.703 6.390 6.386 6.400

Agregasi 3 jenis produk menjadi family produk dilakukan dengan pengalilian

jumlah unit dengan harga jual per unit. Unit agregat adalah rupiah ( ribuan )

Periode 1 2 3 4 5 6 Total Persentase

Dadung 894.460 894.425 894.950 462.000 462.070 455.700 4.063.9605 30,32%

Sekido 1.445.880 1.446.000 1.446.300 711.540 715.860 707.220 6.472.800 48,30%

Begaya 635.050 635.250 635.150 319.500 319.250 320.000 2.864.200 21,37%

FamilyProd

uk(pakaian)

2.975.390 2.975.675 2.976.400 1.493.040 1.497.180 1.482.920 13.400.605 100%

Peramalan untuk 3 ( tiga ) Periode selanjutnya.

1. Dengan menggunakan metode Constan

Periode

(t)

Forcast (d’) Demand (d) d’- d │d’- d│

1 2.233.434,16

7

2.975.390 -741.865,83 741.865,83

2 2.233.434,16

7

2.975.675 -742.240,83 742.240,83

3 2.233.434,16

7

2.976.400 -742.965,83 742.965,83

4 2.233.434,16

7

1.493.040 740.394,167 740.394,167

5 2.233.434,16

7

1.497.180 726.254,167 726.254,167

6 2.233.434,16

7

1.482.920 150.514,167 150.514,167

jumlah 13.400.605 4.454.234,991

( MAD )=∑t=1

N

|d '−d|

N

( MAD )=4 . 454 . 234 ,9916

=742 .372 , 4985

2. Dengan Menggunakan Metode Linear Trend

t dt tdt t2 d’t dt-d’t │dt- d’t│ (dt-d’t)2

1 2.975.390 2.975.390 1 3.189.233,81 -213.843,81 213.843,81 45.729.175.080

2 2.975.675 5.951.350 4 6.760.787,477

-3.785.112,477

3.785.112,477

14.327.076.460.000

3 2.976.400 8.929.200 9 10.332.341,14

-7.355.941,14 7.355.941,14 54.109.870.060.000

4 1.493.040 5.972.160 16 13.903.894,81

-12.410.854,81

12.410.854,81

154.029.317.100.000

5 1.497.180 7.485.900 25 17.475.448,48

-15.978.268,48

15.978.268,48

255.305.063.600.000

6 1.482.924 8.897.520 36 21.047.002,15

-19.564.082,15

19.564.082,15

382.753.310.400.000

∑ = 21

∑=13.400.605

∑=40.211.520

∑= 91

a=∑t=1

n

d t−b∑t=1

n

t

nb=

n∑t=1

n

tdt−∑t=1

n

d t∑t=1

n

t

n∑t=1

n

t2−(∑t=1

n

t)2

a=13 . 400 .605−(−382 .319 , 8571 )(21 )

6b=

6(40 .211.520 )−(13. 400. 605 )(21)6 (91)−(21)2

b =-382.319,8571

t=1 d,t = -382.319,8571 +1 (3.571.553,667)

= 3.189233,81

t= 2 d,t= -382.319,857+2(3.571.553,667)

= -382319,857+7.143.107.334

=6760.787.477

T= 3 d,t= -382.319,857+3(3.571.553,667)

= -382319,857+10.714661

=10.332.341,14

T= 4 d,t = -382.319,857+ 4 (3.571.553,667)

=-382.319,857 +14.286.214,67

=13.903.894,81

T= 5 d,t: -382.319,857+ 5 (3.571.553,667)

=-382.319,857+ 17.857.768,34

= 17.475448,48

a=21 . 429.3226

=3. 571 .553 , 667

b=6(40 .211.520 )−(13. 400.605 )(21)

6 (91)−(21)2

( MAD )=∑t=1

N

|d '−d|

N

( MAD )=59 .308 . 102,876

=9 . 884 .683 , 811

T= 6 d,t=-382.319,857+ 6 (3.571.553,667)

=-382.319,857+ 21.429.322

= 21047002,15

T= 7 d,t=-382.319,857+ 7 (3.571.553,667)

=-382.319,857+ 25000875,67

=24618555,81

T= 8 d,t=-382.319,857+ 8 (3.571.553,667)

=-382.319,857+ 28572729,34

=28190109,48

T= 9 =-382.319,857+ 9 (3.571.553,667)

=-382.319,857+ 3214983

=31761663,15

t7 = 24618555,81 x 30.32% = 7464346,122 = 7464346122

24618555,81 x 48.30% = 11890762,46 = 11890762460

24618555,81 x 21.37%= 5260985,38 = 5260985380

t 8 = 28190109,48 x 30.32% = 8547241.194 = 8547241194

28190109,48 x48.30% =13615822.88 = 13615822880

28190109,48 x21.37%=6024226.396 = 6024226396

t 9 = 31761663,15 x 30.32% =9630136.267= 9630136267

31761663,15 x48.30% =15340883.3 =15340883300

31761663,15 x21.37%=6786467.415= 6786467415

Mps periode 7

Peroduk Nilai penjualan Harga jual Jumlah unit

Dadung 7464346122 35.000 213267.0321

Sekido 11890762460 60.000 198179.3743

begaya 5260985380 50.000 105219.7076

Mps periode 8

Peroduk Nilai penjualan Harga jual Jumlah unit

Dadung 8547241194 35.000 244206.8913

Sekido 13615822880 60.000 226930.3813

begaya 6024226396 50.000 120484.5279

Mps periode 9

Peroduk Nilai penjualan Harga jual Jumlah unit

Dadung 9630136267 35.000 275146.7505

Sekido 15340883300 60.000 255681.3883

begaya 6786467415 50.000 135729.3483

KESIMPULAN

Forecasting adalah peramalan (perkiraan) mengenai sesuatu yang belum

terjadi (Subagyo, 1986:1). Di dalam forecasting selalu bertujuan agar forecast

yang dibuat bisa meminimumkan pengaruh ketidakpastian terhadap sesuatu yang

biasanya diukur dengan mean squared error, mean absolute error dan sebagainya.

Dengan kata lain forecasting bertujuan mendapatkan forecast yang bisa

meminimumkan kesalahan meramal (forecast error) yang biasanya diukur dengan

mean squared error, mean absolute error, dan sebagainya (Pengestu Subagyo,

1986 : 1)

Karakteristik peramalan yang baik adalah:

a. KeakuratanTujuan utamanya adalah menghasilkan prediksi yang akurat. Peramalan yang terlalu rendah mengakibatkan kekurangan persediaan, back order, kehilangan penjualan, atau kehilangan pelanggan.

b. Biaya.Biaya untuk mengembangkan model peramalan dan melakukan signifikasi jika produk atau data lainnya semakin besar.

c. Penyederhanaan.Keuntungan utama menggunakan peramalan yang sederhana adalah kemudahan untuk melakukan peramalan dan analisisnya.

Langkah-langkah peramalan:

1. Definisikan tujuan peramalan.2. Plot data (part family) masa lalu.3. Pilih metode-metode yang paling memenuhi tujuan peramalan dan sesuai

dengan plot data.4. Hitung parameter fungsi peramalan untuk masing-masing metode.5. Hitung fitting error untuk semua metode yang dicoba.6. Pilih metode yang terbaik, yaitu metode yang memberikan error paling

kecil.7. Ramalkan permintaan untuk periode mendatang 8. Lakukan verifikasi peramalan.

DAFTAR PUSTAKA

http://ptmondrian.jogja.com

http://if29noltiga.9.forumer.com/index.php?

s=1b665dad463ec7e2954e9a7fb5dc80d2&act=Attach&type=post&id=105

Raharjo.A. Perencanaan Dan Peramalan Peroduksi Dengan Menggunakan Metode

Time Series, Institut Sains Dan Teknologi Akprind Yogyakarta. 2009

Rini.Setyo, Peramalan (Forecasting) Volume Penjualan Mobil Mitsubishi pada

Pt. Sidodadi berlian motors. Universitas Negeri Semarang.2005