Hariadi : Perencanaan Produksi Dan Penjadualan Dengan MenggunakanLogika Fuzzy Pada PT. Cahaya Kawi Ultra Polyintraco, 2010.
3.3.3. Parameter Kesalahan Peramalan
Kegiatan peramalan terhadap kondisi-kondisi di masa mendatang pada umumnya tidak dapat persis sama dengan kenyataan sesungguhnya yang terjadi di
masa mendatang. Kesalahan peramalan didefinisikan sebagai perbedaan nilai antara hasil ramalan dengan keadaan sesungguhnya. Ada beberapa metode yang
dapat digunakan dalam mengukur kesalahan peramalan, antara lain : 1. Rata-rata deviasi mutlak Mean Absolute Deviation = MAD
MAD menunjukkan rata-rata kesalahan mutlak peramalan tanpa memperhatikan apakah hasil peramalah lebih besar atau lebih kecil dari kenyataan
yang terjadi. MAD dirumuskan :
n Y
Y MAD
t t
∑
− =
| |
dimana n adalah jumlah periode peramalan yang terlibat. 2. Rata-rata Persentase Kesalahan Absolut Mean Absolute Percentage Error
MAPE MAPE menunjukkan ukuran kesalahan relatif. MAPE biasanya lebih
berarti dibandingkan dengan MAD karena MAPE menyatakan persentase kesalahan hasil peramalan terhadap permintaan aktual selama periode tertentu
Hariadi : Perencanaan Produksi Dan Penjadualan Dengan MenggunakanLogika Fuzzy Pada PT. Cahaya Kawi Ultra Polyintraco, 2010.
yang akan memberikan informasi persentase kesalahan terlalu tinggi atau terlalu rendah.
11
∑
−
=
t t
t
Y T
Y n
MAPE 100
MAPE dirumuskan :
3.3.4. Verifikasi dan Pengendalian Peramalan
Verifikasi peramalan dilakukan setelah proses peramalan dilakukan dengan tujuan untuk memastikan bahwa hasil peramalan tersebut telah
mencerminkan data masa lalu dan sistem sebab akibat yang mendasari permintaan tersebut. Salah satu cara yang digunakan untuk melakukan verifikasi peramalan
adalah dengan menggunakan tracking signal. Beberapa ahli dalam sistem peramalan menyarankan untuk menggunakan
nilai tracking signal maksimum ± 4, sebagai batas pengendalian untuk tracking
signal
12
v Y
Y S
P y
∑
− =
2
. Metode yang biasa digunakan untuk mengendalikan peramalan adalah line
fitting method yang menyesuaikan suatu trend dengan estimasi standar penyimpangan standar error of the estimate. Metode ini mengukur penyebaran
data aktual terhadap nilai peramalan, dihitung dengan:
Dimana: Y
= data histories
11
Arman Hakim Nasution, Perencanaan dan Pengendalian Produksi, 2003, Surabaya : Guna Widya, p. 31.
12
G. Vincent, Production Planning and Inventory Control. Hal. 82
Hariadi : Perencanaan Produksi Dan Penjadualan Dengan MenggunakanLogika Fuzzy Pada PT. Cahaya Kawi Ultra Polyintraco, 2010.
Y
p
= data peramalan v
= derajat kebebasan Jika jumlah observasi yang digunakan 30 atau lebih diasumsikan bahwa
nilai Y berdistribisi normal, dengan asumsi ini diharapkan 95 data observasi berada diantara plus atau minus dua standar error dari rata-rata Y
p
± 2 S
y
, jika data kurang dari 30 maka digunakan distribusi t student.
13
3.4. Penjadualan Produksi
14
13
Riggs. James L, Production Systems: Planning, Analysis and Control. Hal. 74
14
David Bedworth, and James E. Baeley. Integrated Productioan and Control System Management Analysis, Design. New York, 1982
Aktivitas penjadualan produksi tidak terlepas dari kegiatan perencanaan. Penjadualan produksi adalah tahapan terakhir dalam perencanaan sebuah proses
produksi terjadi. Aktivitas penjadualan produksi terjadi ketika tenaga kerja, mesin, dan fasilitas yang dibutuhkan untuk memproduksi suatu produk atau menyediakan
jasa, penjadualan di pandang sebagai preses pengalokasian sumber daya untuk memilih tugas dalam jangka waktu terentu.
Elemen terpenting dalam penjadualan adalah sumber resource dan tugas task . Ketersediaan sumber daya di nyatakan secara kualitas maupun kuantitas
sehingga model penjadualan dinyatakan berdasarkan jenisnya dan jumlah masing- masing sumber daya. Tugas didefenisikan sebagai jumlah masing-masing sumber
daya, durasi waktu, waktu proses dimulai, dan batas waktu pengerjaan due date. Kadang-kadang tugas juga menyatakan perihal keterbatasan teknologi yang ada
dalam elemen – elemen penjadualan.
