Metode Peramalan (Forecasting Method)

Metode Peramalan Metode Peramalan ( (

  

Forecasting Method

Forecasting Method

  ) )

  Kompetensi Pokok bahasan Kompetensi Pokok bahasan

  Setelah mengikuti pokok bahasan ini, Setelah mengikuti pokok bahasan ini, mahasiswa diharapkan mampu:

  _ mahasiswa diharapkan mampu: Melakukan perencanaan produksi,

  Melakukan perencanaan produksi,

dalam upaya memenuhi kebutuhan

dalam upaya memenuhi kebutuhan

konsumen. konsumen. _

  Memprediksi kebutuhan yang Memprediksi kebutuhan yang diperlukan dalam proses produksi. diperlukan dalam proses produksi. _

Mengerti tahapan dalam peramalan.

  

Mengerti tahapan dalam peramalan.

_

  Menentukan metode peramalan yang tepat. tepat.

Menentukan metode peramalan yang

  Introduction Introduction _

  Pokok bahasan ini merupakan Pokok bahasan ini merupakan pokok bahasan yang mengkaji pokok bahasan yang mengkaji perencanaan produksi melalui perencanaan produksi melalui penerapan metode peramalan. penerapan metode peramalan. _

  Teknik peramalan ini ditujukan Teknik peramalan ini ditujukan untuk menghasilkan perencanaan untuk menghasilkan perencanaan produksi yang akurat dalam produksi yang akurat dalam merespon permintaan pasar. merespon permintaan pasar. _

  Langkah pertama dalam Langkah pertama dalam perencanaan operasi sistem perencanaan operasi sistem produksi adalah menentukan produksi adalah menentukan peramalan yang akurat terhadap peramalan yang akurat terhadap permintaan barang (produk) yang permintaan barang (produk) yang akan diproduksi. akan diproduksi.

  

Definisi Peramalan

Definisi Peramalan

_

  Peramalan adalah seni dan ilmu untuk Peramalan adalah seni dan ilmu untuk memprediksi masa depan. memprediksi masa depan. _

  Peramalan adalah tahap awal, dan hasil ramalan Peramalan adalah tahap awal, dan hasil ramalan merupakan basis bagi seluruh tahapan pada merupakan basis bagi seluruh tahapan pada perencanaan produksi. perencanaan produksi. _

  Proses peramalan dilakukan pada level agregat Proses peramalan dilakukan pada level agregat

  ( (

  part family part family

  ); bila data yang dimiliki adalah data ); bila data yang dimiliki adalah data item, maka perlu dilakukan agregasi terlebih item, maka perlu dilakukan agregasi terlebih dahulu. dahulu. _ Metode: Kualitatif dan kuantitatif.

  Metode: Kualitatif dan kuantitatif. _ Terminologi: perioda, horison,

  Terminologi: perioda, horison,

  lead time lead time

  , ,

  fitting fitting error error

  , ,

  forecast error forecast error , data dan hasil ramalan.

  , data dan hasil ramalan.

Peramalan Eksplanatoris dan Peramalan Eksplanatoris dan Deret Berkala Deret Berkala

  _ Kedua pendekatan ini saling melengkapi dan

  Kedua pendekatan ini saling melengkapi dan dimaksudkan untuk jenis penggunaan yg berbeda. dimaksudkan untuk jenis penggunaan yg berbeda. _

  Pendekatan ekspalanatoris mengasumsikan Pendekatan ekspalanatoris mengasumsikan adanya hubungan sebab akibat di antara input adanya hubungan sebab akibat di antara input dengan output dari suatu sistem. dengan output dari suatu sistem.

  Hubungan sebab dan akibat Input

  Output Sistem

  

  Peramalan Deret Berkala memperlakukan Peramalan Deret Berkala memperlakukan

  sistem sistem sebagai kotak hitam.

  sebagai kotak hitam.

  Sistem

  Persyaratan Penggunaan Persyaratan Penggunaan Metode Kuantitatif: Metode Kuantitatif: 1.

  1. Tersedia informasi tentang masa lalu.

  Tersedia informasi tentang masa lalu.

  2.

  2. Informasi tersebut dapat di Informasi tersebut dapat di

kuantitatifkan dalam bentuk data

kuantitatifkan dalam bentuk data

numerik. numerik.

  3.

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

  _ Definisikan tujuan peramalan.

Langkah-langkah Peramalan Langkah-langkah Peramalan

  Definisikan tujuan peramalan. _ Plot data (

  Plot data (

  part family part family ) masa lalu.

  ) masa lalu. _ Pilih metode-metode yang paling memenuhi

  Pilih metode-metode yang paling memenuhi tujuan peramalan dan sesuai dengan plot data. tujuan peramalan dan sesuai dengan plot data. _

  Hitung parameter fungsi peramalan untuk Hitung parameter fungsi peramalan untuk masing-masing metode. masing-masing metode. _

  Hitung Hitung

  fitting error fitting error

  untuk semua metode yang untuk semua metode yang dicoba. dicoba. _

  Pilih metode yang terbaik, yaitu metode yang Pilih metode yang terbaik, yaitu metode yang memberikan memberikan

  error error paling kecil.

  paling kecil. _ Ramalkan permintaan untuk periode mendatang

  Ramalkan permintaan untuk periode mendatang _ Lakukan verifikasi peramalan. Lakukan verifikasi peramalan.

Pola data metode deret berkala (1) Pola data metode deret berkala (1) 1

  Pola horisontal horisontal

  (H) (H)

  terjadi bilamana data terjadi bilamana data berfluktuasi disekitar nilai rata-rata yg konstan. berfluktuasi disekitar nilai rata-rata yg konstan.

  Suatu produk yg penjualannya tdk meningkat Suatu produk yg penjualannya tdk meningkat atau menurun selama waktu tertentu termasuk atau menurun selama waktu tertentu termasuk jenis ini. Pola khas dari data horizontal atau jenis ini. Pola khas dari data horizontal atau stasioner seperti ini dapat dilihat dalam Gambar stasioner seperti ini dapat dilihat dalam Gambar 1.1.

  1.1. _{2. 2.} Pola

  Pola musiman musiman

  (S) (S)

  terjadi bilamana suatu deret terjadi bilamana suatu deret dipengaruhi oleh faktor musiman (misalnya dipengaruhi oleh faktor musiman (misalnya kuartal tahun tertentu, bulanan, atau hari-hari kuartal tahun tertentu, bulanan, atau hari-hari pada minggu tertentu). Penjualan dari produk pada minggu tertentu). Penjualan dari produk seperti minuman ringan, es krim, dan bahan seperti minuman ringan, es krim, dan bahan bakar pemanas ruang semuanya menunjukkan bakar pemanas ruang semuanya menunjukkan jenis pola ini. Untuk pola musiman kuartalan jenis pola ini. Untuk pola musiman kuartalan

  

Pola data metode deret berkala (2)

Pola data metode deret berkala (2)

3. ^3. Pola

  Pola siklis siklis

  (C) (C)

  terjadi bilamana datanya terjadi bilamana datanya dipengaruhi oleh fluktuasi ekonomi jangka dipengaruhi oleh fluktuasi ekonomi jangka panjang seperti yang berhubungan dengan panjang seperti yang berhubungan dengan siklus bisnis. Contoh: Penjualan produk siklus bisnis. Contoh: Penjualan produk seperti mobil, baja, dan peralatan utama seperti mobil, baja, dan peralatan utama lainnya. Jenis pola ini dapat dilihat pada lainnya. Jenis pola ini dapat dilihat pada Gambar 1.3.

  Gambar 1.3. _{4. 4.} Pola

  Pola trend trend

  (T) (T)

  terjadi bilamana terdapat terjadi bilamana terdapat kenaikan atau penurunan sekuler jangka kenaikan atau penurunan sekuler jangka panjang dalam data. Contoh: Penjualan panjang dalam data. Contoh: Penjualan banyak perusahaan, GNP dan berbagai banyak perusahaan, GNP dan berbagai indikator bisnis atau ekonomi lainnya. Jenis indikator bisnis atau ekonomi lainnya. Jenis pola ini dapat dilihat pada Gambar 1.4. pola ini dapat dilihat pada Gambar 1.4.

Karakteristik trend Karakteristik trend

  Komponen Komponen

  Amplitudo Amplitudo

  Penyebab Penyebab

  Seasonal Seasonal

  12 bulan 12 bulan

  Liburan, musim, Liburan, musim, perioda finansial perioda finansial

  Cyclical Cyclical

  3-5 tahun 3-5 tahun

  Ekonomi nasional, Ekonomi nasional, perubahan politik perubahan politik

  Bisnis Bisnis

  1-5 tahun 1-5 tahun

  Pemasaran, kompetisi, Pemasaran, kompetisi, performance performance

  Product life Product life cycle cycle

  1-5 tahun, 1-5 tahun, makin pendek makin pendek

  Substitusi produk Substitusi produk

  Metode Deret Waktu Metode Deret Waktu 1.

  1. Constant Constant 2.

  2. Linier trend Linier trend 3.

  3. Quadratic Quadratic 4.

  4. Exponential Exponential 5.

  5. Moving Average Moving Average 6.

  6. Exponential smoothing

Exponential smoothing

7.

  7. Seasonal Seasonal

  1. Metode Constant

  1. Metode Constant

• Dalam Metode Constant, peramalan dilakukan dengan mengambil rata-rata data masa lalu (historis).
• Rumus untuk metoda linier:

  Rumus untuk metoda linier: n

  Keterangan: d d’ = Forecast untuk saat t t _t

  

  1 t = time (independent variable) d '

   t d = demand pada saat t _t n n = jumlah data

  

2. Metode Linier trend

  

2. Metode Linier trend

• Model ini menggunakan data yang

  Model ini menggunakan data yang secara random berfluktuasi membentuk secara random berfluktuasi membentuk garis lurus. garis lurus.

• Rumus untuk metoda linier:

  Rumus untuk metoda linier: d ' a bt t 1 , 2 , 3 , .....

     t ₂ Keterangan: t d t td _{t t} 

      d’ = Forecast untuk saat t _t a

   _{2 2} n t t

  

 a = intercept

 

    b = kemiringan garis n td t d

   _{t t} t = time (independent variable)    b

   _{2 2} d = demand pada saat t _t n t t

    

   

  3. Metode Quadratic (1)

  3. Metode Quadratic (1) 

  Model ini menggunakan data yang secara Model ini menggunakan data yang secara random berfluktuasi membentuk random berfluktuasi membentuk kurva quadratic. kurva quadratic. _

  Rumus untuk model quadratic: Rumus untuk model quadratic:

  .... , 3 , ( 1 ) ' 2 ,

  2     t ct bt a t d

  2    

     b

  Keterangan : ……

  3. Metode Quadratic (2)

  3. Metode Quadratic (2) _{n n}

  2 _{n n n}  ^{2  4} t n t t Y ( t ) n tY ( t )

         

    _{t   1 t 1}    _{t    1 t 1 t 1}   _{n n n 2 2} t Y ( t ) n t Y ( t )

    

     _{t    n n n 1 t 1 t}

₁

_{n n 2}

  2 ³   ² t t n t t n t

           

     _{t    1 t 1 t 1 t   1 t 1}   n n n ₂ Y ( t ) t t

     (b )( )

     _{t    1 t 1 t 1} c

  4. Metode Exponential (1)

  4. Metode Exponential (1) 

  Digunakan apabila persamaan a dan b tidak bisa Digunakan apabila persamaan a dan b tidak bisa dipecahkan dengan cara konvensional. dipecahkan dengan cara konvensional. _

  Digunakan transformasi logaritma ke dalam Digunakan transformasi logaritma ke dalam situasi regresi. situasi regresi. _

  Persamaan metode eksponensial : Persamaan metode eksponensial :

  bt (t) ae d' 

  

Keterangan:

d’ _t = Forecast untuk saat t

a = intercept

b = kemiringan garis t = time (independent variable)

  4. Metode Eksponensial (2)

  4. Metode Eksponensial (2) 

  Persamaan transformasi logaritma : Persamaan transformasi logaritma : bt ln d' (t) ln(a) ln(e ) ln(a) bt

   

   

  Keterangan:

  d’ = Forecast untuk saat t _t

  a = intercept b = kemiringan garis

  

t = time (independent variable)

  e = exponential (konstanta)

  5. Metode Moving Average (1)

  5. Metode Moving Average (1) _ Digunakan bila data-datanya :

  Digunakan bila data-datanya :

• tidak memiliki trend
• tidak memiliki t
• tidak dipengaruhi faktor musim
• tidak dipengaruhi faktor musim _

  Digunakan untuk peramalan dengan perioda Digunakan untuk peramalan dengan perioda waktu spesifik. waktu spesifik. _

  Moving Average didefinisikan sebagai : Moving Average didefinisikan sebagai :

  Keterangan : Keterangan : n = jumlah perioda n = jumlah perioda d d

  = demand pada bulan ke t = demand pada bulan ke t n d

  MA ^{n 1 t t} _n  _

  

  5. Metode Moving Average (2)

  5. Metode Moving Average (2) 

  Peramalan jangka pendek lebih baik Peramalan jangka pendek lebih baik dibandingkan jangka panjang. dibandingkan jangka panjang.

  

  Kelemahan : tidak cocok untuk pola data trend atau pola data musiman. trend atau pola data musiman.

Kelemahan : tidak cocok untuk pola data

  

6. Metode Exponential Smoothing (1)

  

6. Metode Exponential Smoothing (1)



  Kesalahan peramalan masa lalu Kesalahan peramalan masa lalu digunakan untuk koreksi peramalan digunakan untuk koreksi peramalan berikutnya. berikutnya.

  

  Dihitung berdasarkan hasil peramalan + kesalahan peramalan sebelumnya. kesalahan peramalan sebelumnya.

Dihitung berdasarkan hasil peramalan +

  

6. Metode Exponential Smoothing (2)

  

6. Metode Exponential Smoothing (2)

ES didefinisikan sebagai:

  ES didefinisikan sebagai: F D ( 1 ) F

       t _

1 t t

  Keterangan: Keterangan:

  F = Ramalan untuk periode berikutnya F = Ramalan untuk periode berikutnya _{t+1 t+1}

  D = Demand aktual pada periode t D = Demand aktual pada periode t _{t t}

  F = Peramalan yg ditentukan sebelumnya untuk periode t F = Peramalan yg ditentukan sebelumnya untuk periode t _{t t}

  = Faktor bobot  = Faktor bobot _ 

  besar, smoothing yg dilakukan kecil besar, smoothing yg dilakukan kecil

   _  kecil, smoothing yg dilakukan semakin kecil, smoothing yg dilakukan semakin

    besar besar

  7. Metode Seasonal

  i i = peramalan untuk saat ke i

  t t

  ).(d’ ).(d’

  i i

  = (S = (S

  (i) (i)

  Formulasi Peramalan Seasonal : SF SF

   Formulasi Peramalan Seasonal :

  

= peramalan untuk saat ke i

t = perioda waktu (bulan, minggu, dll) t = perioda waktu (bulan, minggu, dll)

  Keterangan : Keterangan : d’ d’

  7. Metode Seasonal 

  t t

  = a + b

  i i = a + b

  Formulasi peramalan pada tahun ke i : d’ d’

   Formulasi peramalan pada tahun ke i :

  Nilai/harga faktor seasonal antar 0 dan 1.

   Nilai/harga faktor seasonal antar 0 dan 1.

  Demand meningkat karena pengaruh Demand meningkat karena pengaruh tertentu atau berdasarkan waktu. tertentu atau berdasarkan waktu.

  ) )

  

Forecasting Errors & Tracking Signals

Forecasting Errors & Tracking Signals

  3 metode perhitungan kesalahan 3 metode perhitungan kesalahan peramalan : peramalan :

  N d d

MAD

^{N t t t}

   _   ^{1 '} ) ( Deviation Absolute Mean a.

    N d d ^N _{t t t}

   _   ^{1 2 '} ) (MSE Error Squared Mean b.

   _  

      ^N _{1 t t} ^{' t t} d d d N

  100 ) (MAPE Error Percent Absolute Mean c.

Verifikasi (1)

  MR = |d’ MR = |d’

  

Verifikasi (1)

  

  Salah satu metode verifikasi adalah Moving Range Salah satu metode verifikasi adalah Moving Range Chart (MRC).

  Chart (MRC). _ Moving Range (MR) didefinisikan sebagai :

  Moving Range (MR) didefinisikan sebagai :

• – d
• – d

  t t

  t t

  | – |d’ | – |d’

• – d
• – d

  t-1 t-1

  | |

  Keterangan : Keterangan : d’ d’

  t t = ramalan pada bulan ke t

  = ramalan pada bulan ke t d d

  t t

  = kebutuhan pada bulan ke t = kebutuhan pada bulan ke t d’ d’

  t–1 t–1

  = ramalan pada bulan ke t-1 = ramalan pada bulan ke t-1 d d

  t–1 t–1 = kebutuhan pada bulan ke t-1

  

= kebutuhan pada bulan ke t-1

  t-1 t-1

Verifikasi (2) Verifikasi (2)

  

  Rata-rata MR dihitung : Rata-rata MR dihitung :

  

  Batas kontrol atas (UCL), batas kontrol Batas kontrol atas (UCL), batas kontrol bawah (LCL), dan garis tengah (CL) bawah (LCL), dan garis tengah (CL)

  1 n MR MR

  1 n 1 i i

     ^ _

  CL MR 66 ,

  2 LCL MR 66 ,

  2 UCL     

Verifikasi (3) Verifikasi (3)

• ^{- d} d'

  Re gio n A Re gio n B

  Re gio n C _{Batas kontol bawah} ^{Garis tengah} Re gio n C

  Re gio n B Re gio n A ^{Batas kontrol atas}

Verifikasi (4) Verifikasi (4)

  

  Pengujian out of kontrol : Pengujian out of kontrol :

   

  Dari 3 titik yang berurutan, 2 titik atau lebih Dari 3 titik yang berurutan, 2 titik atau lebih berada di daerah A. berada di daerah A.

   

  Dari 5 titik yang berurutan, 2 titik atau lebih Dari 5 titik yang berurutan, 2 titik atau lebih berada di daerah B. berada di daerah B.

   

  Dari 8 titik yang berurutan, seluruhnya Dari 8 titik yang berurutan, seluruhnya berada di atas atau di bawah berada di atas atau di bawah center line.

  center line.

    Satu titik berada di luar batas kontrol.

  Satu titik berada di luar batas kontrol.

Verifikasi (5) Verifikasi (5)

   Contoh Soal: Kasus Peramalan Konstan

Contoh Soal: Kasus Peramalan Konstan MR   117

  _{11 10.6}

Verifikasi (6)

  

Verifikasi (6)

  Gambar 2. Peta Kendali Peramalan Konstan

• ^{-30 -20 -10}
^{10 20 ' - 30 J F M A M J J A S O N D Bulan d d CL UCL = +28.2 LCL = -28.2}

Verifikasi (7) Verifikasi (7)

   Bila kondisi out of control terjadi.

  Bila kondisi out of control terjadi.

   Perbaiki ramalan dengan memasukkan

  Perbaiki ramalan dengan memasukkan data baru. data baru.

   Tunggu

  Tunggu evidence evidence (fakta-fakta) selanjutnya.

  (fakta-fakta) selanjutnya.

  

Contoh Metode Constant

n d d ^t _t

Contoh Metode Constant

  Bulan Bulan t t d d _{t t}

  Sep

  84 Jul Jul

  7

  7 104

  104 Aus

  Aus

  8

  8 102

  102 Sep

  9

  6

  9

  95

  95 Okt Okt

  10

  10 114

  114 25 .

  99

  12 1191 ' ^{12 1}  

   _t d

  84

  6

  Jan Jan

  3

  1

  1

  90

  90 Feb Feb

  2

  2 111

  111 Mar

  Mar

  3

    ^{n 1} '

  99

  99 Apr Apr

  4

  4

  89

  89 Mei Mei

  5

  5

  87

  87 Jun Jun

Contoh Metode Linear trend Contoh Metode Linear trend

  t t d d _{t t td} td _{t t t} t ^{2 2} d’ d’ _{t t (d} (d _{t t -d’} -d’ _{t t )} ) ^{2 2} _{1 1 2050 2050 2050 2050 1 2108,5 1 2108,5 3.422,2 3.422,2}

  2 ^{2 2235 2235 4470 4470 4 2210,1 4 2210,1 620,0 620,0} _{3 3 2420 2420 7260 7260 9 2311,7 9 2311,7 11.728.9 11.728.9}

  4 ^{4 2360 2360 9440 9440 16 2413,3 16 2413,3 2.840,9 2.840,9} _{5 5 2490 2490 12450 12450 25 2514,9 25 2514,9 620,0 620,0}

  6 ^{6 2620 2620 15720 15720 36 36 2616,5 2616,5 12,3 12,3} _{21 21 14175 51390 91 14175 51390 91 19.244,3 19.244,3}

  d’ d’ _{t t = a + bt} = a + bt

  = 2006,9 + 101,6t = 2006,9 + 101,6t ^{2 n 1 t n 1 t 2 n 1 t n 1 t t n 1 t t}

  t t n t d td n b 

       

        

    ^{  } n t b d a ^{n 1 t n 1 t t}

    _{ }  

  101,6 b dan 2006 9 , a  

  

Contoh Metode Quadratic

_{t t 2 t 3 t 4 d t td}

_t

_{t 2 d t}

Contoh Metode Quadratic

  3 ^{9 27 81 34 102 306} _{4 16 64 256 46 184 736}

   

  5 180 ˆ     a _{2 2}

  5 ) 15 )( 5 (

  55

  5

  10

  c

   

  ) 1870 ( ˆ

  5 _15 ^{25 125 625 60 300 1500} _{55 225 979 180 650 2654} )( 225 300 ) ) 5 (

  1 ^{1 1 1 16 16 16} _{2 4 8 16 24 48 96}

  ( 1870 50 )( ) 300 )( 3370 ( ) 550 )( 1870 ( ˆ _{    2 } ^{    } _ b

  55 (      5 ) 300 ( )

  15 (      )( 2654 3370 ) ) 5 ( 180 )(

  55 ( ²      )( 650 550 ) ) 5 ( 180 )(

  15 ( ²      )( 979 1870 ) ) 5 (

   50 ) ) 5 ( 55 )(

  55 )( 15 (    

  1 1870

  

Contoh Metode Eksponensial

Contoh Metode Eksponensial

  5

  14.60

  14.60

  2.92

  2.92

  18.47

  18.47

  5

  25

  16

  16

  9.68

  9.68

  2.42

  2.42

  25

  15

  11.20

  ˆ  

  ˆ 50 . 2 ) 42 . ln( ^{42 .}

     a a e anti

  9 ) ˆ ln(

  5 60 .

  5 ) ( 5 . 15 )(

    b 42 .

  15 )( 60 . ) 9 ( 8 . 33 )( 5 (

  15

  225 ) 55 )( 5 ( )

  55 5 .

  55

  33.8

  33.8

  9.60

  9.60

  11.20

  4

  t t d d _{t t}

  0.92

  2

  1

  1

  0.92

  0.92

  0.92

  2.50

  4.12

  2.50

  1

  1

  ) ) t t ^{2 2}

  ) ) tLn(d tLn(d _{t t}

  Ln(d Ln(d _{t t}

  2

  4.12

  4

  6.80

  9

  9

  5.76

  5.76

  1.92

  1.92

  6.80

  1.42

  3

  3

  4

  4

  2.84

  2.84

  1.42

     ˆ ^{ˆ 3 5 . t t b}

Contoh Metode Moving Average Contoh Metode Moving Average

  Jan Jan

  1 10 - 1 10 -

  Bulan Bulan t d t d _{t t MA 3 bulan} MA 3 bulan

  MA 5 bulan MA 5 bulan

  6 23 (13+16+19)/3=16,00 6 23 (13+16+19)/3=16,00

   _ 

  n d MA n 1 t t n

  (12+13+16+19+23)/5 = 16,6 (12+13+16+19+23)/5 = 16,6

  7 26 (16+19+23)/3=19,33 7 26 (16+19+23)/3=19,33

  Jul Jul

  (10+12+13+16+19)/5 = 14 (10+12+13+16+19)/5 = 14

  Jun Jun

  Feb Feb

  5 19 (12+13+16)/3=13,66 5 19 (12+13+16)/3=13,66

  Mei Mei

  Apr Apr

  3 13 - 3 13 -

  Mar Mar

  2 12 - 2 12 -

  4 16 (10+12+13)/3=11,66 4 16 (10+12+13)/3=11,66

  

Contoh Metode Exponential

Smoothing

Contoh Metode Exponential

  

Smoothing

  Period Period Demand Demand Forecast , F Forecast , F _{t+1 t+1  } =0.3 =0.3 _{ }

  =0.5 =0.5

  1

  1

  37

  37

  1      _

  1 (

  t t t F D F )

  37

  44.42

  45.71

  44.30

  44.30

  56

  56

  9

  9

  44.42

  10

  43.14

  43.14

  47

  47

  8

  8

  45.84

  45.71

  10

  43.20

  55

  2

  2

  40

  51.42

  51.42

  49.06

  49.06

  55

  52

  11

  11

  50.85

  50.85

  47.81

  47.81

  52

  45.84

  43.20

  37

  38.5

  38.83

  38.83

  37

  37

  4

  4

  38.5

  37.9

  39.75

  37.9

  41

  41

  3

  3

  37

  37

  39.75

  5

  43

  50

  43

  7

  7

  41.68

  41.68

  40

  40.29

  50

  5

  6

  6

  38.37

  38.37

  38.28

  38.28

  45

  45

  40.29

Contoh Metode Seasonal (1) Contoh Metode Seasonal (1)

  42

  15.3

  15.3

  10.6

  10.6

  8.1

  8.1

  19.6

  19.6

  53.6

  53.6

  42

  29.5

  50.1 1994

  29.5

  21.9

  21.9

  55.3

  55.3 148.7

  148.7 Perhitungan faktor bobot: S ₁ = D ₁ /D = 42/148.7 = 0.28

  S ₂ = 0.20 S ₃ = 0.15 S ₄ = 0.37 ^{2 n} _{1 t} ⁿ _{1 t} ^{2 n 1 t n 1 t t n 1 t t} t t n t d td n b 

       

        

    ^{  } n t b d a ^{n 1 t n 1 t t}

    _{ }  

  1994

  Year Year

  Demand (x 1000) Demand (x 1000)

  6.3

  Kwartal-1 Kwartal-1

  Kwartal-2 Kwartal-2

  Kwartal-3 Kwartal-3

  Kwartal-4 Kwartal-4

  Total Total

  1992 1992

  12.6

  12.6

  8.6

  8.6

  6.3

  17.5

  18.2

  17.5

  45

  45 1993

  1993

  14.1

  14.1

  10.3

  10.3

  7.5

  7.5

  18.2

  50.1 a = 40.97 a = 40.97 b = 4.3 b = 4.3 y = 40.97 + 4.3 t y = 40.97 + 4.3 t

  

Untuk tahun 1995 (t =4) diperoleh 58.17

Untuk tahun 1995 (t =4) diperoleh 58.17

  = 11.63 = 11.63

  = 21.53 = 21.53

  4

  4

  SF SF

  = 8.73 = 8.73

  3

  3

  SF SF

  2

  Peramalan utk tiap kwartal: Peramalan utk tiap kwartal:

  2

  = 16.28 SF SF

  = .28 (58.7) = 16.28

  5 5 = .28 (58.7)

  .F

  1 1 .F

  = S

  1 1 = S

  SF SF

  Contoh Metode Seasonal (2) Contoh Metode Seasonal (2)

  

Kesimpulan

Kesimpulan

1.

  1. Peramalan merupakan tahapan awal Peramalan merupakan tahapan awal dalam perencanaan sistem operasi dalam perencanaan sistem operasi produksi. produksi.

  2.

  2. Model yang paling tepat harus dipilih

Model yang paling tepat harus dipilih

dalam melakukan peramalan. dalam melakukan peramalan.

  3.

  3. Model yang dipilih dapat dibandingkan Model yang dipilih dapat dibandingkan dengan model yang lain dengan dengan model yang lain dengan menggunakan kriteria menggunakan kriteria minimum minimum average average sum of squared errors sum of squared errors .

  .

  4.

  4. Distribusi Distribusi forecast errors forecast errors harus harus dimonitor, jika terjadi bias maka model dimonitor, jika terjadi bias maka model yang digunakan tidak tepat. yang digunakan tidak tepat.