modul 3 peramalan

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


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


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


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


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

modul 3 peramalan

Documents