modul 3 peramalan
TRANSCRIPT
-
Halaman | i
DAFTAR ISI
MODUL 1 PENELITIAN PASAR 1
Deskripsi 1
Input Output 1
Referensi 1
Landasan Teori 2
MODUL 2 PERENCANAAN PRODUK BARU 13
Deskripsi 13
Input Output 13
Referensi 14
Landasan Teori
MODUL 3 PERAMALAN 77
Deskripsi 77
Input Output 77
Referensi 77
Landasan Teori 78
MODUL 4 PERENCANAAN PROSES
Deskripsi 91
Input Output 91
Referensi 92
Landasan Teori 92
MODUL 5 PERENCANAAN AGREGAT DAN
PROSES PRODUKSI 106
Deskripsi 106
Input Output 106
Referensi 107
Landasan Teori 107
MODUL 6 MICROMOTION STUDY 123
Deskripsi 123
Input Output 123
Referensi 124
Landasan Teori 124
MODUL 7 PENYEIMBANG LINI PERAKITAN 142
Deskripsi 142
Input Output 142
Referensi 143
-
Halaman | ii
Landasan Teori 143
MODUL 8 IMPLEMENTASI PENYEIMBANG
LINI PERAKITAN 154
Deskripsi 154
Input Output 154
Referensi 155
Landasan Teori 155
MODUL 9 ANTROPOMETRI 159
Deskripsi 159
Input Output 159
Referensi 160
Landasan Teori 160
MODUL 10 REBA 183
Deskripsi 183
Input Output 183
Referensi 184
Landasan Teori 184
-
Halaman | 3
MODUL 3 PERAMALAN
1. Deskripsi
Peramalan merupakan tahapan awal dari keseluruhan perencanaan produksi. Adanya ketidak
pastian dari permintaan konsumen di masa yang akan datang menyebabkan aktivitas
peramalan ini sangat dibutuhkan sebagai inputan bagi proses perencanaan produksi.
Peramalan adalah penggunaan data masa lalu dari sebuah variabel atau kumpulan variabel
untuk mengestimasi nilainya di masa yang akan datang. Proses peramalandilakukanpada
level agregat (part family). Apabila data yang dimiliki adalah data item, maka perlu
dilakukan agregasi terlebih dahulu.
Tujuan:
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.
2. Input dan Output
Input : Data historis permintaan produk per bulan selama minimum 3 tahun (36 data)
Output: Hasil ramalan untuk 1 tahun (12 bulan)
3. Referensi
Makridakis Spyros, Wheelwright Steven, and McGee Victor., Metode dan Aplikasi
Peramalan Jilid 1, Bina Rupa Aksara Publisher, Jakarta
Hanke and Reitsch, Bussiness Forecastting, 6th Ed, Prentice Hall New Jersey,1998
4. LandasanTeori
4.1 Definisi Peramalan
Ramalan (forecasting) adalah metode untuk memperkirakan suatu nilai di masa depan dengan
menggunakan data masalalu. Peramalan juga dapat diartikan sebagai seni dan ilmu untuk
memperkirakan kejadian pada masa yang akan datang, sedangkan aktivitas Peramalan adalah
merupakan suatu fungsi bisnis yang berusaha memperkirakan penjualan dan penggunaan
produk sehingga produk-produk itu dapat dibuat dalam kuantitas yang tepat.
(Gaspersz,2002).
-
Halaman | 4
Dalam melakukan peramalan terdiri dari beberapa tahapan khususnya jika menggunakan
metode kuantitatif. Tahapan tersebut adalah:
1. Mendefinisakan Tujuan Peramalan
Misalnya peramalan dapat digunakan selama masa pra-produksi untuk mengukur
tingkat dari suatu permintaan.
2. Membuat Plot Data
Membuatgrafik demand versus waktu, dimana demand sebagai ordinat (Y) dan waktu
sebagai axis (X).
3. Memilih model peramalan yang tepat
Melihat dari kecenderungan data pada diagram pencar, maka dapat dipilih beberapa
model peramalan yang diperkirakan dapat mewakili pola tersebut.
4. Lakukan Peramalan
Melakukan peramalan dengan berbagai metode yang diperkirakan dapat mewakili
pola data.
5. Menghitung kesalahan ramalan (forecast error)
Forecast Error
Kesalahan ramalan (forecast error)adalah perbedaan atau selisih antara nilai aktual
dan nilai ramalan. Keakuratan suatu model peramalan bergantung pada seberapa
dekat nilai hasil peramalan terhadap nilai data yang sebenarnya. Kesalahan ramalan
(forecast error) atau deviasi iniyang dinyatakan dalam persamaan:
et = Y(t) Y(t)
Dimana : Y(t) = Nilai data aktual pada periode t
Y(t) = Nilai hasil peramalan pada periode t
t = Periode peramalan
Mean Absolute Deviation (MAD)
n
tYtY
MAD
n
t
1)(')(
Tracking Signal
-
Halaman | 5
Dimana CFE adalah kumulatif Forecast Error dan MAD adalah Mean Absolute Deviation.
Sum of Squared Errors (SSE) dan Standard Error Estimated (SEE)
SSE (Sum of Squared Errors) atau Jumlah Kuadrat Kesalahan Peramalan yang disingkat
SSE (Sum of Squared Errors) dan Estimasi Standar Error (SEE Standard Error
Estimated) dihitung dengan rumus sebagaib erikut:
SSE = e(t)2= [Y(t)-Y(t)]2
2
)](')([1
2
n
tYtY
SEE
n
i
Pilih Metode Peramalan dengan kesalahan yang terkecil.
Metode peramalan yang dipilih adalah metode yang menghasilkan tracking signal
terkecilatau yang menghasilkan SSE dan SEE yang terkecil.
4.2 MetodePeramalan
Ada banyak metode yang dapat digunakan untuk peramalan. Secara umum metode
peramalan dapat diklasifikasikan dalam dua kategori, yaitu:
A.Metode Kualitatif
Peramalan kualitatif menggunakan pertimbangan pendapat-pendapat para pakar yang ahli
atau experd di bidangnya. Metode ini biasanyadigunakan jika data yang ada tidak cukup
representatif untuk meramalkan masa yang akan datang (long term
forecasting).Kekurangannya yaitu bersifat subyektif sehingga seringkali dikatakan kurang
ilmiah.Salah satu pendekatan peramalan dalam metode ini adalah Teknik Delphi, dimana
menggabungkan dan merata-ratakan pendapat para pakar dalam suatu forum yang dibentuk
untuk memberikan estimasi suatu hasil permasalahan di masa yang akan datang.
B.Metode Kuantitatif
Metode ini digunakan jika data yang tersedia cukup banyak dan secara ilmiah metode ini
dapat dipertanggung jawabkan. Terdapat beberapa macam model peramalan yang tergolong
metode kualitiatif, yaitu:
Model-model Regresi
-
Halaman | 6
Perluasan dari metode Regresi Linier dimalan meramalkan suatu variabel yang memiliki
hubungan secra linier dengan variabel bebas yang diketahui atau diandalkan.
Model Ekonometrik
Menggunakan serangkaian persamaan-persamaan regresi dimana terdapat variabel-variabel
tidak bebas yang menstimulasi segmen-segmen ekonomi seperti harga dan lainnya.
Model Time Series Analysis (Deret Waktu)
Memasang suatu garis trend yang representatif dengan data-data masa lalu (historis)
berdasarkan kecenderungan datanya dan memproyeksikan data tersebut ke masa yang akan
datang.
4.3 Model Time Series Analysis
Adapun asumsi dasar dalam menggunakan model deret waktu ini adalah pola data ramalan
akan sama dengan pola data sebelumnya. Dalam modul ini akan dibahas empat model yang
termasuk kategori model deret waktu yaitu:
1. Model Konstan
2. Model Moving Average
3. Model AnalisisRegresi
4. Model Exponential Smoothing.
4.3.1 Model Konstan (Constant Forecasting)
Persamaan garis yang menggambarkan pola konstan adalah:
Y(t) = a
Nilai a dapatdihitungdenganrumus:
Dimana:
a : Nilaikonstan
n : Jumlahperiodeperamalan
Y(t) : Data ke-t
4.3.2 Model Regresi Linier(Linier Forecasting)
Persamaan garis yang mendekati bentuk data linier adalah:
Y(t) = a + b(t)
-
Halaman | 7
Konstanta a dan b ditentukan dari data mentah berdasarkan Kriteria Kuadrat Terkecil (least
square criterion). Dimana a dan b dapatdihitungdenganrumusberikut:
4.3.3 Model Rata-rata Bergerak(Moving Average Forecasting)
Simple Moving Avarage
Simple Moving Average menggunakan data yang sedang diobservasi tambah data sebelum
observasi. Misalnya, menggunakan 5 periode moving average, maka forecasting
menggunakan data periode ke-5 dan 4 data periode sebelumnya.
Simple Moving Average (SMAt)= n
YYYY ntttt 121 ....
Centered Moving Average
Perbedaan utama antara Simple Moving Average dan CenteredMoving Average terletak pada
pemilihan observasi yang digunakan. Center berarti rataan 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
L
YYYCMA
LttLt
t
2/)1(()2/1(( ................
4.3.4 Model Pelicinan Eksponensial (Exponential Smoothing Forecasting)
Model Exponential Smoothing digunakan untuk peramalan jangka pendek.
Keterangan:
Ft+1 : Ramalanuntukperiodeberikutnya
Dt : Demand actual padaperiode t
2
11
2
1 1 1
)()(
n
i
n
i
n
i
n
i
n
i
ttn
ttYttYn
b
n
tbtY
a
n
i
n
i
1 1)(
-
Halaman | 8
Ft : Peramalan yang ditentukansebelumnyauntukperiode t
: Faktorbobot, besar, smoothing ygdilakukankecildansebaliknya
Penetapan nilai konstanta memiliki andil yang penting dalam menghasilkan hasil ramalan
yang valid.
4.4 ContohKasus
Data permintaan produk X untuk 10 tahun terakhir disajikan dalam table berikut (dalam ribu
unit):
Tahun Tahun Ke- Demand
2003 1 19
2004 2 20
2005 3 19
2006 4 20
2007 5 21
2008 6 19
2009 7 21
2010 8 22
2011 9 21
2012 10 23
Lakukan peramalan (forecasting) permintaan produk X tersebut untuk 5 tahun kedepan
(tahun 2013-2017) dengan metode:
1. Model Konstan
2. Model Regresi Linier
3. Simple Moving Avarage
4. Centered Moving Average
5. Model PelicinanEksponensial
Dari hasil perhitungan, kemudian tentukan metode yang memberikan hasi lterbaik
berdasarkan kesalahan peramalannya. Hasil ini akan digunakan sebagai dasar perencanaan
produksi tahun 2013.Gunakan bantuanMs.Excel.
Penyelesaian:
-
Halaman | 9
1.ModelKonstan Y(t) = a
2. Model Regresi Linier
Data ke
(t) Y(t) t^2 t * Y(t)
1 19 1 19
2 20 4 40
3 19 9 57
4 20 16 80
5 21 25 105
6 19 36 114
7 21 49 147
8 22 64 176
9 21 81 189
10 19 100 190
t Y(t) (t^2) t*Y(t)
55 201 385 1117
Makauntukpermalan 5 tahunkedepandapatdihitungdenganrumus:
Tahun Periodeke Permintaan
(ribu unit)
2013 11 20.87
2
11
2
1 1 1
)()(
n
i
n
i
n
i
n
i
n
i
ttn
ttYttYn
bn
tbtY
a
n
i
n
i
1 1)(
-
Halaman | 10
2014 12 21.01
2015 13 21.15
2016 14 21.28
2017 15 21.42
3. Simple Moving Avarage
Simple Moving Average (SMAt)= n
YYYY ntttt 121 ....
Jika t dimisalkan 3, artinya rata-rata bergerak dalam periode 3 tahunan, maka peramalan
untuk lima tahun kedepan dapat disajikan dalam table berikut:
Data ke (t) Tahun Permintaan MA(3)
1 2003 19
2 2004 20
3 2005 19
4 2006 20 19.33
5 2007 21 19.67
6 2008 19 20.00
7 2009 21 20.00
8 2010 22 20.33
9 2011 21 20.67
10 2012 19 21.33
11 2013 21.33
12 2014 21.33
13 2015 21.33
14 2016 21.33
15 2017 21.33
Contoh perhitungan:
Sehingga untuk peramalan tahun ke 11 hingga ke 15 dihitung sebagai berikut:
4. Centered Moving Average
-
Halaman | 11
L
YYYCMA
LttLt
t
2/)1(()2/1(( ................
Jika t dimisalkan 5, artinya rata-rata bergerak dalam periode 5 tahunan, maka peramalan
untuk lima tahun kedepan dapat disajikan dalam table berikut:
Data ke (t) Tahun Permintaan CMA
(5)
1 2003 19
2 2004 20
3 2005 19 19.80
4 2006 20 19.80
5 2007 21 20.00
6 2008 19 20.60
7 2009 21 20.80
8 2010 22 20.40
9 2011 21 20.40
10 2012 19 20.40
11 2013 20.40
12 2014 20.40
13 2015 20.40
14 2016 20.40
15 2017 20.40
Contoh perhitungan:
Sehingga untuk peramalan tahun ke 11 hingga ke 15 dihitung sebagai berikut:
5. Pelicinan Eksponensial (Exponential Smoothing)
Berikut perhitungan peramalan dengan sebesar 0.2
Data ke (t) Tahun Permintaan ES (0.2)
1 2003 19 -
2 2004 20 19
3 2005 19 19.20
4 2006 20 19.16
-
Halaman | 12
5 2007 21 19.33
6 2008 19 19.66
7 2009 21 19.53
8 2010 22 19.82
9 2011 21 20.26
10 2012 19 20.41
11 2013
20.41
12 2014
20.41
13 2015
20.41
14 2016
20.41
15 2017
20.41
CFE, MAD dan Tracking Signal
Berikut adalah hasil perhitungan CFE, MAD dan Tracking Signal untuk seluruh metode
peramalan yang digunakan. Kesimpulan: Metode paling baik untuk meramalkan kasus diatas
adalah metode konstan karena memberikan nilai MAD dan tracking signal yang paling
mendekati nilai nol dibandingkan metode lainnya.
Data ke t Tahun Y(t) Forecast FE CFE MAD
1 2003 19 20.1 -1.1 -1.1 1.1
2 2004 20 20.1 -0.1 -1.2 0.1
3 2005 19 20.1 -1.1 -2.3 1.1
4 2006 20 20.1 -0.1 -2.4 0.1
5 2007 21 20.1 0.9 -1.5 0.9
6 2008 19 20.1 -1.1 -2.6 1.1
7 2009 21 20.1 0.9 -1.7 0.9
8 2010 22 20.1 1.9 0.2 1.9
9 2011 21 20.1 0.9 1.1 0.9
10 2012 19 20.1 -1.1 0 1.1
CFE 0
MAD 0.92
TS 0
Metode Konstan
Data ke t Tahun Y(t) Forecast FE CFE MAD
1 2003 19 19.47273 -0.4727 -0.4727 0.47273
2 2004 20 19.61212 0.3879 -0.0848 0.38788
3 2005 19 19.75152 -0.7515 -0.8364 0.75152
4 2006 20 19.89091 0.1091 -0.7273 0.10909
5 2007 21 20.0303 0.9697 0.2424 0.9697
6 2008 19 20.1697 -1.1697 -0.9273 1.1697
7 2009 21 20.30909 0.6909 -0.2364 0.69091
8 2010 22 20.44848 1.5515 1.3152 1.55152
9 2011 21 20.58788 0.4121 1.7273 0.41212
10 2012 19 20.72727 -1.7273 -2E-14 1.72727
CFE -2E-14
MAD 1.05455
TS -2.4E-14
Metode Regresi Linier
-
Halaman | 13
5. Alat dan Bahan
1. Software Ms.Excel
2. Modul
6. ProsedurPraktikum
1. Identifikasi data yang akan diramalkan
Data ke t Tahun Y(t) Forecast FE CFE MAD
1 2003 19
2 2004 20
3 2005 19
4 2006 20 19.33 0.67 0.67 0.6666667
5 2007 21 19.67 1.33 2.00 1.3333333
6 2008 19 20.00 -1.00 1.00 1
7 2009 21 20.00 1.00 2.00 1
8 2010 22 20.33 1.67 3.67 1.6666667
9 2011 21 20.67 0.33 4.00 0.3333333
10 2012 19 21.33 -2.33 1.67 2.3333333
CFE 1.67
MAD 1.1904762
TS 1.4
Metode Simple MA
Data ke t Tahun Y(t) Forecast FE CFE MAD
1 2003 19
2 2004 20
3 2005 19
4 2006 20 19.8 0.2 0.20 0.2
5 2007 21 19.8 1.2 1.40 1.2
6 2008 19 20 -1 0.40 1
7 2009 21 20.6 0.4 0.80 0.4
8 2010 22 20.8 1.2 2.00 1.2
9 2011 21 20.4 0.6 2.60 0.6
10 2012 19 20.4 -1.4 1.20 1.4
CFE 1.20
MAD 0.85714
TS 1.4
Metode Centered MA
Data ke t Tahun Y(t) Forecast FE CFE MAD
1 2003 19
2 2004 20 19 1 1 1
3 2005 19 19.20 -0.2 0.80 0.2
4 2006 20 19.16 0.84 1.64 0.84
5 2007 21 19.33 1.67 3.31 1.672
6 2008 19 19.66 -0.66 2.65 0.6624
7 2009 21 19.53 1.47 4.12 1.47008
8 2010 22 19.82 2.18 6.30 2.176064
9 2011 21 20.26 0.74 7.04 0.7408512
10 2012 19 20.41 -1.41 5.63 1.407319
CFE 5.63
MAD 1.1298571
TS 5.0
Metode Eksponensial Smoothing
-
Halaman | 14
2. Ramalkan data untuk 5 periode ke depan dengan metode konstan, regresi linier,
moving average, dan exponential smoothing
3. Hitung nilai CFE, MAD dan Tracking Signal
4. Pilih metode peramalan terbaik
7. TugasPraktikum
1. Lakukan peramalan untuk produk yang akan dikembangkan untuk 5 periode ke depan
dengan berbagai metode.
2. Pilih hasil peramalan yang terbaik sebagai inputan untuk praktikum selanjutnya.
Lampiran