commit to user
PROGRAM PERAMALAN PRODUKSI SEBAGAI PENDUKUNG KEPUTUSAN BAGI PENGUSAHA BATIK DALAM MENENTUKAN
JUMLAH PRODUKSI TIAP ITEM
Skripsi
Disusun Oleh: Arini Zahrotul Jannah
M0508086
JURUSAN INFORMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS SEBELAS MARET SURAKARTA
commit to user
ii
PROGRAM PERAMALAN PRODUKSI SEBAGAI PENDUKUNG KEPUTUSAN BAGI PENGUSAHA BATIK DALAM MENENTUKAN
JUMLAH PRODUKSI TIAP ITEM
Oleh
Arini Zahrotul Jannah
M0508086
SKRIPSI
ditulis dan diajukan untuk memenuhi sebagian persyaratan memperoleh gelar Sarjana Informatika
JURUSAN INFORMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS SEBELAS MARET
SURAKARTA
commit to user
commit to user
iv
MOTTO
Don’t Walk, Just Run
(Running Man)
Banyak kegagalan dalam hidup ini dikarenakan orang-orang tidak menyadari
betapa dekatnya mereka dengan keberhasilan saat mereka menyerah.
(Thomas Alva Edison)
Life is a short drive that looks like a long journey.
commit to user
v
PERSEMBAHAN
Karya ini Penulis persembahkan kepada:
“ Ibu, Bapak, serta kedua kakak tercinta Mas Faqih dan Mas Achmad.”
commit to user
vi
KATA PENGANTAR
Bismillahirrahmaanirrahiim
Puji syukur penulis panjatkan kehadirat Allah Subhanahu Wa Ta’ala yang senantiasa memberikan nikmat dan karunia-Nya sehingga penulis dapat
menyelesaikan skripsi dengan judul “Program Peramalan Produksi Sebagai
Pendukung Keputusan Bagi Pengusaha Batik dalam Menentukan Jumlah Produksi
Tiap Item”, yang menjadi salah satu syarat wajib untuk memperoleh gelar Sarjana
Informatika di Universitas Sebelas Maret (UNS) Surakarta.
Penulis menyadari akan keterbatasan yang dimiliki, begitu banyak bimbingan, bantuan, serta motivasi yang diberikan dalam proses penyusunan skripsi ini. Oleh karena itu, ucapan terima kasih penulis sampaikan kepada :
1. Bapak Prof. Ir. Ari Handono Ramelan, M.Sc. (Hons), Ph.D selaku Pimpinan
Fakultas MIPA Universitas Sebelas Maret Surakarta,
2. Ibu Umi Salamah, S.Si., M.Kom selaku Ketua Jurusan Informatika FMIPA
UNS sekaligus penguji utama yang telah memberikan masukan, kritik dan saran yang membangun,
3. Bapak Ristu Saptono, S.Si., M.T. selaku Dosen Pembimbing I yang penuh
kesabaran membimbing, mengarahkan, dan memberi motivasi kepada penulis selama proses penyusunan skripsi ini,
4. Bapak Drs. YS. Palgunadi, M.Sc selaku Dosen Pembimbing II yang penuh
kesabaran membimbing, mengarahkan, dan memberi motivasi kepada penulis selama proses penyusunan skripsi ini,
5. Ibu Sari Widya Sihwi, S.Kom., M.T.I selaku anggota penguji yang telah
memberikan masukan, kritik dan saran yang membangun,
6. Bapak Wiharto, S.T., M.Kom. selaku Pembimbing Akademik yang telah
banyak memberi bimbingan dan pengarahan selama penulis menempuh studi di Jurusan Informatika FMIPA UNS,
7. Bapak, Ibu, Kakak serta teman-teman yang telah memberikan bantuan
sehingga penyusunan skripsi ini dapat terselesaikan.
Penulis berharap semoga skripsi ini dapat bermanfaat bagi semua pihak yang berkepentingan.
Surakarta, Juli 2012
commit to user
vii
ABSTRACT
Production forecasting process is important for the company for determining its future strategy. Many batik entrepreneurs are still using intuition for deciding the amount of the production at this time. However, using their intuition may have possibility in losses if the demand is less than the production because of the unsold. An appropriate forecasting method is needed to get maximum benefit from the forecasting process. A scientific prediction will be more valueable than using intuition for estimating production. Time Series Analysis are methods that can be used in the production forecast.
The Time Series Analysis used to determine the past data patterns which had been collected from time to time. This research used exponential smothing method, one kind of time series analysis methods. This method used to find the
optimal value of the constant alpha (α) and gamma (γ) was to get smaller MAPE.
The results of production forecast calculation shows that exponential smoothing have small error, which is still below 20%. So that production forecasting has a level of accuracy above 80%.
commit to user
viii
ABSTRAK
Proses peramalan produksi merupakan hal yang penting bagi perusahaan dalam menentukan strategi perusahaan di masa mendatang. Seperti halnya dengan pengusaha batik, selama ini banyak yang masih menggunakan metode intuisi dalam menentukan jumlah produksi. Namun dengan cara tersebut dapat mengakibatkan kerugian apabila permintaan lebih sedikit dari hasil produksi sehingga terdapat sisa produksi yang tidak terjual. Sebuah metode peramalan yang tepat diperlukan agar perusahaan bisa mendapatkan keuntungan yang maksimal dari sebuah proses peramalan. Suatu pendugaan secara ilmiah terhadap masa depan akan jauh lebih berarti daripada pendugaan yang hanya mengandalkan intuisi saja. Metode Analisis Runtun Waktu merupakan metode yang dapat digunakan dalam peramalan produksi.
Analisis Runtun Waktu digunakan untuk menentukan pola data masa lampau yang telah dikumpulkan dari waktu ke waktu. Analisis Runtun waktu
yang digunakan dalam penelitian ini adalah metode Exponential Smoothing.
Metode ini digunakan untuk menemukan nilai optimal dari konstanta alpha (α)
dan gamma (γ). Sehingga akan memperoleh hasil peramalan dengan kesalahan MAPE kecil.
Hasil dari perhitungan peramalan produksi menunjukkan bahwa exponential
smoothing memiliki error produksi yang kecil, yaitu berada di bawah 20%. Sehingga peramalan produksi ini memiliki tingkat keakuratan di atas 80%.
commit to user
ix
DAFTAR ISI
HALAMAN SAMPUL ... i
HALAMAN JUDUL ... ii
HALAMAN PENGESAHAN ... Error! Bookmark not defined. HALAMAN MOTTO ... iv
1.6 Sistematika Penulisan ... 4
BAB II TINJAUAN PUSTAKA ... 5
2.1 Dasar Teori ... 5
2.1.1 Peramalan ... 5
2.1.2 Jenis Pola Data ... 10
2.1.3 Analisis Runtun Waktu ... 13
2.1.4 Mean Absolute Percentage Error (MAPE) ... 15
2.1.5 Galat / Error Relatif ... 16
2.2 Penelitian Terkait ... 17
commit to user
x
BAB III METODOLOGI PENELITIAN... 21
3.1 Tahap Pengumpulan Data ... 22
3.1.1 Tempat dan Waktu Penelitian ... 22
3.1.2 Metode Pengumpulan Data ... 22
3.1.3 Sumber Data ... 22
3.2 Tahap Pemodelan ... 23
3.2.1 Pemodelan Prediksi ... 23
3.2.2 Menentukan Software Requirement Specification ... 24
3.2.3 Membuat Use Case Diagram ... 25
3.2.4 Membuat Desain dan Flowchart Perencanaan Program ... 25
3.3 Tahap Construction ... 26
3.3.1 Implementasi Database ... 26
3.3.2 Menulis Kode Program ... 26
3.3.3 Melakukan Pengujian ... 26
BAB IV PEMBAHASAN ... 27
4.1 Analisis Kebutuhan ... 27
4.1.1 Deskripsi Umum Program ... 27
4.1.2 Fungsi Program ... 28
4.1.3 Pemilihanalpha (α) dan gamma (γ) ... 30
4.2 Pengelompokan Data ... 30
4.3 Plot Data ... 32
4.4 Perhitungan Prediksi dengan Metode Analisis Runtun Waktu ... 32
4.5 Pemilihan Metode dan Hasil Prediski Tiap Item ... 44
4.6 Pengujian Hasil Prediksi ... 49
4.7 Data dan Hasil Keseluruhan Perhitungan Prediksi... 51
4.8 Perancangan Program dan Implementasi ... 51
BAB V PENUTUP ... 52
5.1 Kesimpulan ... 52
5.2 Saran ... 53
commit to user
xi
DAFTAR TABEL
Tabel 4.1 Data Produksi Blus Tahun 2009-2011 ... 31
Tabel 4.2 Contoh Hasil Perhitungan Peramalan Produksi Blus dengan Metode Single Exponential Smoothing Periode 1 - 32 ... 33
Tabel 4.3 Contoh Hasil Perhitungan Peramalan Produksi Blus dengan Metode Double Exponential Smoothingα = 0.10 dan α = 0.20 ... 37
Tabel 4.4 Contoh Hasil Perhitungan Peramalan Produksi Blus dengan Metode Double Exponential Smoothingα = 0.25 dan α = 0.30 ... 38
Tabel 4.5 Contoh Hasil Perhitungan Peramalan Produksi Blus dengan Double
Exponential Smoothingα = 0.60 Periode 1 - 32 ... 40
Tabel 4.6 Contoh Hasil Perhitungan Peramalan Produksi Blus Pada Data Uji
dengan Metode Single Exponential Smoothing ... 44
Tabel 4.7 Contoh Hasil Perhitungan Peramalan Produksi Blus Pada Data Uji dengan Metode Double Exponential Smoothing α=0.10 ... 44
Tabel 4.8 Error Perhitungan Prediksi Tiap Item (dalam %) ... 45
commit to user
xii
DAFTAR GAMBAR
Gambar 2.1. Tahapan dari Proses Peramalan... 8
Gambar 2.2 Pola Data Stationer / Horizontal... 11
Gambar 2.3 Pola Data Musiman ... 12
Gambar 2.4 Pola Data Siklis ... 12
Gambar 2.5 Pola Data Trend ... 13
Gambar 3.1 Diagram Metode Penelitian Tugas Akhir... 21
Gambar 4.1 Grafik Data Produksi Blus Tahun 2009 – 2010 ... 32
Gambar 4.2 Grafik Perbandingan Data Aktual Blus dengan Prediksi Single Exponential Smoothingα = 0.10 ... 34
Gambar 4.3 Grafik Perbandingan Data Aktual Blus dengan Prediksi Single Exponential Smoothingα = 0.20 ... 35
Gambar 4.4 Grafik Perbandingan Data Aktual Blus dengan Prediksi Single Exponential Smoothingα = 0.25 ... 35
Gambar 4.5 Grafik Perbandingan Data Aktual Blus dengan Prediksi Single Exponential Smoothingα = 0.30 ... 36
Gambar 4.6 Grafik Perbandingan Data Aktual Blus dengan Prediksi Single Exponential Smoothingα = 0.60 ... 36
Gambar 4.7 Grafik Perbandingan Data Aktual Blus dengan Prediksi Double Exponential Smoothingα = 0.10 γ = 0.10 ... 41
Gambar 4.8 Grafik Perbandingan Data Aktual Blus dengan Prediksi Double Exponential Smoothingα = 0.20 γ = 0.10 ... 41
Gambar 4.9 Grafik Perbandingan Data Aktual Blus dengan Prediksi Double Exponential Smoothingα = 0.25 γ = 0.10 ... 42
Gambar 4.10 Grafik Perbandingan Data Aktual Blus dengan Prediksi Double Exponential Smoothingα = 0.30 γ = 0.10 ... 42
Gambar 4.11 Grafik Perbandingan Data Aktual Blus dengan Prediksi Double Exponential Smoothingα = 0.60 γ = 0.10 ... 43
commit to user
xiii
Gambar 4.13 Grafik Perbandingan Data Aktual Blus ABG Batik dengan Hasil Prediksi Metode Yang Memiliki MAPE 3 Terkecil ... 47
Gambar 4.14 Grafik Perbandingan Data Aktual Hem Pendek Batik dengan Hasil Prediksi Metode Yang Memiliki MAPE 3 Terkecil ... 48
Gambar 4.15 Grafik Perbandingan Data Aktual Dress Pendek Batik dengan Hasil
Prediksi Metode Yang Memiliki MAPE 3 Terkecil ... 49
commit to user
xiv
DAFTAR LAMPIRAN
LAMPIRAN A ... 56
LAMPIRAN B ... 59
LAMPIRAN C ... 80
LAMPIRAN D ... 83
commit to user
1
BAB I PENDAHULUAN
1.1Latar Belakang
Salah satu icon yang menjadikan Indonesia dikenal di dunia Internasional
adalah budayanya. Dimana budaya yang ada sekarang ini semakin modern namun
tidak meninggalkan unsur aslinya. Misalnya budaya seperti batik pun kini menjadi
lebih modern namun tidak pula meninggalkan nuansa batik aslinya. Saat ini batik
sedang menjadi incaran banyak kalangan, karena semakin banyak variasi warna,
corak atau motif, serta model-model yang ditawarkan. Banyak kantor yang
menjadikan batik sebagai seragam di hari-hari tertentu. Tidak hanya orang tua,
para remaja bahkan anak-anak pun kini bangga menggunakan pakaian batik.
Namun jika kita tinjau dari pengusaha batik, terkadang mereka bingung dalam
menentukan jumlah produksi di masa mendatang agar dapat memperoleh hasil
yang maksimal. Hal ini dikarenakan permintaan di pasar yang tidak konstan,
kadang naik dan kadang turun.
Pada dasarnya, pengusaha batik akan memproduksi jumlah barang dengan
metode coba-coba atau intuisi. Namun dengan cara tersebut, terkadang justru
mendatangkan masalah besar karena kesalahan produksi yang diakibatkan oleh
ketidaksesuaian jumlah produksi dengan kenyataan di pasar. Jika seorang
pengusaha batik salah dalam memproduksi, maka akan mendatangkan kerugian
yang diakibatkan oleh jumlah produksi yang lebih besar dibanding dengan
permintaan di pasar, atau sebaliknya sehingga pengusaha batik tidak dapat
memenuhi kebutuhan konsumen dengan tepat sasaran. Apabila terjadi produksi
lebih banyak dari permintaan, maka akan mengakibatkan stok dalam gudang yang
berlebihan.
Peramalan produksi telah berhasil dalam meminimalkan terjadinya
demand over supply atau sebaliknya. Pada dasarnya peramalan merupakan suatu
commit to user
dengan menggunakan metode-metode tertentu maka peramalan akan menjadi
lebih dari sekedar perkiraan. Peramalan dilakukan dengan memanfaatkan
informasi terbaik yang ada pada masa lalu, untuk menimbang kegiatan di masa
yang akan datang agar tujuan yang diinginkan dapat tercapai (Soedjianto et. al.,
2006:E117).
Dalam proses peramalan dapat disadari bahwa sering terjadi ketidakakuratan
hasil peramalan. Namun perlu disadari pula bahwa semua organisasi beroperasi
dalam suatu lingkungan yang mengandung unsur ketidakpastian. Akan tetapi
sebuah keputusan tetap harus diambil yang nantinya akan mempengaruhi masa
depan organisasi tersebut. Suatu pendugaan secara ilmiah terhadap masa depan
akan jauh lebih berarti daripada pendugaan yang hanya mengandalkan intuisi saja.
Indikator yang dapat digunakan untuk melakukan peramalan antara lain
adalah Analisis Runtun Waktu (Time Series Analysis). Runtun waktu merupakan
serangkaian pengamatan terhadap suatu peristiwa, kejadian yang diambil dari
waktu ke waktu, serta dicatat secara teliti berdasarkan urutan waktu, kemudian
disusun dengan data statistik (Hadi, 1968) (Istiqomah, 2006:12). Menurut Gujarati
(1955), Analisis Runtun Waktu merupakan analisis sekumpulan data dalam suatu
periode waktu lampau yang berguna untuk mengetahui atau meramalkan kondisi
masa mendatang. Hal ini didasarkan bahwa perilaku manusia banyak dipengaruhi
oleh kondisi atau waktu sebelumnya sehingga dalam hal ini faktor waktu sangat
penting peranannya (Gujarati, 1955) (Adawiyah, 2011). Analisis Runtun Waktu
akan dijadikan sebagai dasar perhitungan untuk memprediksikan jumlah produksi
masa depan dalam program peramalan produksi yang akan dibangun. Program
peramalan ini diharapkan dapat membantu pengusaha batik dalam menentukan
commit to user 1.2Rumusan Masalah
Berdasarkan uraian yang telah dijabarkan di atas, yang menjadi lingkup
permasalahan dalam penelitian ini adalah sebagai berikut:
1. Bagaimana meramalkan produksi batik di masa mendatang berdasarkan
data produksi masa lalu agar mendapatkan hasil peramalan yang baik
sehingga dapat membantu pengusaha batik dalam menentukan jumlah
produksi.
2. Menganalisis tingkat keakuratan yang dihasilkan dari proses peramalan
produksi.
1.3Batasan Masalah
Agar penelitian ini dapat mencapai sasaran dan tujuan yang diharapkan,
maka permasalahan akan dibatasi sebagai berikut:
1. Produksi batik yang akan diramalkan antara lain adalah hem pendek,
blus, longdress, dan dress pendek.
2. Data yang digunakan untuk peramalan diambil dari data produksi batik di
masa lampau minimal 6 bulan yang bersifat continue (selalu diproduksi
tiap bulan), kemudian dilakukan perhitungan untuk memprediksi jumlah
produksi 1 bulan ke depan.
1.4Tujuan Penelitian
Tujuan dari penelitian ini antara lain adalah sebagai berikut:
1. Membuat program peramalan produksi batik yang diharapkan dapat
membantu dalam menentukan jumlah produksi dengan metode Analisis
Runtun Waktu.
2. Mengetahui tingkat keakuratan prediksi yang dihasilkan oleh program
commit to user 1.5Manfaat Penelitian
Manfaat dari penelitian ini antara lain adalah:
1. Membantu pengusaha batik dalam menentukan jumlah produksi tiap item
dengan program peramalan produksi.
2. Membantu mempercepat proses peramalan produksi batik dengan
mengolah data yang ada pada basis data program.
1.6Sistematika Penulisan
Berikut ini adalah urutan sistematika penulisan laporan tugas akhir yang
dibuat. Bab I Pendahuluan, memuat tentang latar belakang, rumusan masalah,
batasan masalah, tujuan penelitian, manfaat penelitian, dan sistematika penulisan
laporan tugas akhir. Bab II Tinjauan Pustaka, menguraikan dasar teori yang
mendasari pembahasan secara detail, penelitian terkait yang pernah dilakukan
serta rencana penelitian yang akan dilakukan dalam tugas akhir. Bab III Metode
Penelitian, menguraikan tentang gambaran objek penelitian, serta gambaran
langkah-langkah yang dilakukan oleh penulis untuk melaksanakan dan
menyelesaikan penelitian ini. Bab IV Pembahasan, menguraikan tentang
bagaimana menyelesaikan masalah yang telah dirumuskan berdasarkan metode
yang dipilih dan berusaha untuk mewujudkan tujuan dan manfaat yang ingin
diraih. Bab V Penutup, berisi kesimpulan dan saran. Kesimpulan berisi rumusan
jawaban terhadap pertanyaan (perumusan masalah) dengan bukti-bukti yang ada
dan telah dilakukan dalam penelitian ini. Saran merupakan sesuatu yang belum
commit to user
Pada dasarnya peramalan adalah sebuah tafsiran, sehingga keadaan di
masa mendatang tidak harus persis sama seperti hasil peramalan. Namun ada
batas interval dimana keadaan yang sebenarnya masih berada dalam interval
tersebut, sehingga hasilnya tidak jauh berbeda dengan yang sudah diramalkan.
Peramalan menggunakan data masa lalu dari sebuah variabel atau kumpulan
variabel untuk mengestimasi nilainya di masa yang akan datang. Peramalan
merupakan bagian vital bagi setiap organisasi bisnis untuk setiap pengambilan
keputusan manajemen yang sangat signifikan. Oleh karena itu, dalam membuat
rencana produksi, perusahaan harus mempertimbangkan beberapa kepentingan
perusahaan seperti laba, tujuan sosial, penciptaan lapangan kerja, dan
sebagainya (Soedjianto et. al. 2006:E117).
Pertimbangan tentang peramalan telah tumbuh karena beberapa faktor,
yang pertama adalah karena meningkatnya kompleksitas organisasi dan
lingkungan. Hal ini menjadikan semakin sulit bagi pengambil keputusan untuk
mempertimbangkan semua faktor secara memuaskan. Kedua, dengan
meningkatnya ukuran organisasi, maka bobot dan kepentingan suatu keputusan
meningkat pula. Ketiga, lingkungan dari kebanyakan organisasi telah berubah
dengan cepat.
Peramalan diperlukan karena adanya perbedaan-perbedaan waktu antara
kebijaksanaan baru dengan waktu pelaksanaan tersebut. Oleh karena itu, dalam
menentukan kebijaksanaan diperlukan kesempatan atas peluang yang ada, dan
gangguan yang mungkin terjadi pada saat kebijaksanaan baru tersebut
dilaksanakan (Soedjianto et. al, 2006:E117). Peramalan diperlukan untuk
commit to user
sehingga dapat dipersiapkan kebijaksanaan atau tindakan-tindakan yang perlu
dilakukan.
Adapun manfaat dari peramalan adalah sebagai berikut:
1. Membantu agar perencanaan suatu pekerjaan dapat diperkirakan dengan
secara tepat.
2. Merupakan suatu pedoman dalam menentukan tingkat persediaan
perencanaan dapat bekerja secara optimal.
3. Sebagai masukan untuk penentuan jumlah investasi.
4. Membantu menentukan pengembangan suatu pekerjaan untuk periode
selanjutnya.
Adapun prinsip-prinsip peramalan adalah sebagai berikut:
1. Peramalan melibatkan kesalahan (error).
2. Peramalan sebaiknya memakai tolok ukur kesalahan peramalan.
3. Peramalan famili produk lebih akurat dari pada peramalan produk individu
(item).
4. Peramalan jangka pendek lebih akurat dari pada jangka panjang.
5. Jika dimungkinkan, hitung permintaan daripada meramal permintaan.
2.1.1.1 Teknik dan Jenis Peramalan
Situasi peramalan sangat beragam dalam horison waktu peramalan,
faktor yang menentukan hasil sebenarnya, tipe pola data dan berbagai aspek
lainnya. Untuk menghadapi penggunaan yang luas seperti itu, beberapa
teknik telah dikembangkan. Teknik tersebut dibagi kedalam dua kategori
utama yaitu :
1. Metode Kualitatif
Metode kualitatif atau teknologis adalah peramalan yang dapat
didasarkan atas data yang dapat dikualitatifkan pada masa yang lalu.
commit to user
kuantitatif. Input yang dibutuhkan tergantung pada metode tertentu dan
biasanya merupakan hasil dari pemikiran intuitif, perkiraan, dan
pengetahuan yang telah didapat. Teknik teknologis sangat beragam
dalam biaya, kompleksitas, dan nilainya. Teknik ini dapat digunakan
secara terpisah tetapi lebih sering digunakan sebagai kombinasi satu
sama lain atau digabungkan dengan metode kuantitatif.
Rangkuti et, al (2003) menyatakan ada empat pendekatan yang
biasa dipakai dalam peramalan kualitatif, yaitu:
1. Pendapat para eksekutif (jury of executive opinion)
Dalam metode ini, peramalan dilakukan oleh eksekutif/ manajer
tingkat atas perusahaan, dengan kemampuan yang mereka miliki.
2. Gabungan beberapa tenaga penjual (sales force composite)
3. Peramalan dilakukan dengan memanfaatkan kedekatan tenaga penjual
dengan konsumen.
4. Metode Delphi
Dilakukan dengan melengkapi data untuk peramalan dengan
membagikan daftar pertanyaan kepada konsumen/masyarakat.
5. Riset pasar (Customer market survey)
Peramalan dilakukan dengan turun langsung ke lapangan/ pasar,
sehingga diperoleh informasi langsung dari pasar.
2. Metode Kuantitatif
Metode kuantitatif adalah peramalan yang dapat didasarkan atas
data yang dapat dikuantitatifkan pada masa yang lalu. Teknik peramalan
kuantitatif sangat beragam, dapat dikembangkan dari berbagai disiplin
dan untuk berbagai maksud. Prosedur peramalan kuantitatif terletak
diantara dua rangkaian kesatuan, yaitu metode naïf atau instuitif, dan
metode kuantitatif formal yang didasarkan atas prinsip-prinsip statistika.
Jenis yang pertama menggunakan ekstrapolasi horisontal, musiman, dan
commit to user 1. Mengidentifikasi tujuan dari peramalan
2. Mengumpulkan data masa lampau
3. Plot data dan identifikasi pola/alur
4. Pilih model peramalan yang cocok
5. Menghitung peramalan berdasarkan data pada periode tertentu pada historical data
6. Memeriksa keakuratan peramalan
7. Apakah keakuratan dari peramalan dapat
diterima?
8a. Diramalkan berada pada jangkauan perencanaan
9. Menyesuaikan ramalan berdasarkan informasi penunjang
10. Mengamati hasil dan mengukur tingkat keakuratan
8b. Pilih model peramalan yang baru atau sesuaikan dengan parameter yang ada NO
YES
commit to user
Metode kuantitatif dapat diterapkan bila terdapat kondisi berikut:
a. Tersedia informasi/data tentang masa lalu,
b. Informasi/data tersebut dapat dikuantitatifkan dalam bentuk data
numerik,
c. Dapat diasumsikan bahwa beberapa aspek pola masa lalu akan terus
berlanjut pada masa yang akan datang.
Metode peramalan kuantitatif dapat dibagi kedalam 2 bagian yaitu:
1. Runtun Waktu (time series)
Runtun Waktu adalah suatu analisis yang berdasarkan hasil
ramalan yang disusun atas pola hubungan antara variabel yang dicari
dengan variabel waktu yang mempengaruhinya. Pendugaan masa
depan dilakukan berdasarkan nilai masa lalu dari suatu variabel atau
kesalahan masa lalu. Tujuan metode peramalan runtun waktu adalah
menemukan pola dalam data histori runtun waktu dan
mengekstrapolasikan pola tersebut ke masa depan.
2. Metode Kausal
Metode kausal adalah suatu metode yang menggunakan
pendekatan sebab akibat, dan bertujuan untuk meramalkan keadaan di
masa yang akan datang dengan menemukan dan mengukur beberapa
variabel tidak bebas yang akan diramalkan. Tujuan dari metode kausal
adalah menemukan bentuk hubungan tersebut dan menggunakannya
untuk meramalkan nilai mendatang dari variabel tidak bebas.
Kedua model tersebut yaitu runtun waktu (time series) dan kausal
mempunyai keuntungan dalam situasi tertentu. Model time series seringkali
dapat digunakan dengan mudah untuk meramal, sedangkan model kausal
dapat digunakan dengan keberhasilan yang lebih besar untuk pengambilan
commit to user
hubungan peramalan dapat dihipotesiskan baik secara fungsi dari waktu atau
sebagai fungsi dari variabel bebas, kemudian diuji.
Langkah penting dalam memilih suatu metode time series yang tepat
adalah dengan mempertimbangkan jenis pola data, sehingga metode yang
paling tepat dengan pola tersebut dapat diuji. Baik tidaknya metode yang
dipergunakan dinilai dari perbedaan atau penyimpangan antara hasil
ramalan dengan kenyataan yang terjadi. Semakin kecil penyimpangan antara
hasil ramalan dengan kenyataan yang terjadi maka semakin baik pula
metode yang digunakan.
2.1.1.2 Proses Peramalan
Para ahli mempunyai pandangan berbeda tentang langkah-langkah
dari proses peramalan. Rusell (2003) menentukan sepuluh langkah atau
tahapan dari proses peramalan sebagaimana ditunjukkan pada Gambar 2.1.
2.1.2 Jenis Pola Data
Model time series seringkali dapat digunakan dengan mudah untuk
meramal, sedangkan model kausal dapat digunakan dengan keberhasilan yang
lebih besar untuk pengambilan keputusan dan kebijaksanaan. (Makridakis et.
al., 1999:99). Bilamana data yang diperlukan tersedia, suatu hubungan
peramalan dapat dihipotesiskan baik sebagai fungsi dari waktu atau sebagai
fungsi dari variabel bebas, kemudian diuji. Langkah penting dalam memilih
model time series yang tepat adalah dengan mempertimbangkan jenis pola
data, sehingga metode yang paling tepat dengan pola tersebut dapat diuji. Pola
data dapat dibedakan menjadi empat jenis stasioner, musiman, siklis dan trend.
Time series merupakan data yang dikumpulkan, dicatat atau diobservasi
sepanjang waktu secara berurutan dengan beberapa periode waktu misalnya
tahun, kuartal, bulan, minggu dan pada beberapa kasus hari atau jam. Data time
series di analisis untuk menemukan pola variasi masa lalu yang dapat
commit to user
mengamati data runtun waktu akan terlihat empat komponen yang akan
mempengaruhi pola data masa lalu dan sekarang yang cenderung berulang di
masa mendatang. Klasifikasi model time series berdasarkan bentuk atau fungsi
antara lain linier dan non linier. Contoh dari model time series linier yaitu
moving average dan exponential smoothing.
2.1.2.1 Data Stationer
Pola data terjadi jika terdapat data yang berfluktuasi disekitar nilai
rata-rata yang konstan (Makridakis et. al., 1999:10). Suatu produk yang
penjualannya tidak meningkat atau menurun selama waktu tertentu
termasuk jenis pola stasioner. Pola khas dari data horizontal atau stasioner
seperti ini dapat dilihat pada Gambar 2.2.
Gambar 2.2 Pola Data Stationer / Horizontal (Makridakis et. al., 2010:11)
2.1.2.2 Data Musiman
Pola data musiman terjadi jika terdapat suatu deret data yang
dipengaruhi oleh faktor musiman misalnya kuartal tahun tertentu, bulanan,
atau hari-hari pada minggu tertentu (Makridakis et. al., 1999:10). Untuk
commit to user
Gambar 2.3 Pola Data Musiman (Makridakis et. al., 2010:11)
2.1.2.3 Data Siklis
Pola data siklis terjadi jika terdapat data yang dipengaruhi oleh
fluktuasi ekonomi jangka panjang seperti yang berhubungan dengan siklus
bisnis. Contoh: Penjualan produk seperti mobil, baja, dan peralatan utama
lainnya. Jenis pola ini dapat dilihat pada Gambar 2.4.
Gambar 2.4 Pola Data Siklis (Makridakis et. al., 2010:11)
2.1.2.4 Data Trend
Pola data trend terjadi jika terdapat kenaikan atau penurunan jangka
commit to user
Niaga Prima), perusahaan yang bergerak dalam bidang usaha pemasaran dan
berbagai indikator bisnis atau ekonomi lainnya. Jenis pola ini dapat dilihat
pada Gambar 2.5.
Gambar 2.5 Pola Data Trend (Makridakis et. al., 2010:11)
2.1.3 Analisis Runtun Waktu
Menurut Hadi (1968), runtun waktu merupakan serangkaian pengamatan
terhadap suatu peristiwa, kejadian yang diambil dari waktu ke waktu, serta
dicatat secara teliti berdasarkan urutan waktu, kemudian disusun dengan data
statistik (Hadi, 1968) (Istiqomah, 2006:12). Pada umumnya pencatatan ini
dilakukan dalam jangka waktu tertentu misalnya satu bulan, satu tahun,
sepuluh tahunan dan sebagainya. Sedangkan analisis runtun waktu adalah suatu
metode kuantitatif untuk menentukan pola data masa lampau yang telah
dikumpulkan secara teratur. Jika kita telah menemukan pola data tersebut,
maka kita dapat menggunakannya untuk peramalan di masa mendatang.
Analisis runtun waktu merupakan analisis sekumpulan data dalam suatu
periode waktu lampau yang berguna untuk mengetahui atau meramalkan
kondisi masa mendatang. Hal ini didasarkan bahwa perilaku manusia banyak
dipengaruhi oleh kondisi atau waktu sebelumnya sehingga dalam hal ini faktor
commit to user 2.1.3.1 Exponential Smoothing
Metode Exponential Smoothing menurut Makridakis (1999) dalam
bukunya yang berjudul “Metode dan Aplikasi Peramalan” merupakan
prosedur perbaikan terus-menerus pada peramalan terhadap objek
pengamatan terbaru. Metode peramalan ini menitik-beratkan pada
penurunan prioritas secara eksponensial pada objek pengamatan yang lebih
tua (Makridakis et. al., 1999:80). Dalam pemulusan eksponensial atau
exponential smoothing terdapat satu atau lebih parameter pemulusan yang
ditentukan secara eksplisit, dan hasil ini menentukan bobot yang dikenakan
pada nilai observasi. Dengan kata lain, observasi terbaru akan diberikan
prioritas lebih tinggi bagi peramalan daripada observasi yang lebih lama.
Metode Exponential Smoothing dibagi lagi menjadi beberapa metode.
a. Single Exponential Smoothing
Single Exponential Smoothing digunakan pada peramalan jangka
pendek, biasanya hanya 1 bulan ke depan. Model ini mengasumsikan
bahwa data berfluktuasi di sekitar nilai mean yang tetap dengan pola
pertumbuhan konsisten (Makridakis et. al., 1999:80).
Rumus untuk single exponential smoothing adalah sebagai berikut:
commit to user
b. Double Exponential Smoothing (Metode Holt)
Metode ini digunakan ketika data menunjukkan adanya trend.
Exponential smoothing dengan adanya trend seperti pemulusan
sederhana kecuali bahwa dua komponen harus di-update setiap periode,
level dan trend-nya. Level adalah estimasi yang dimuluskan dari nilai
data pada akhir masing – masing periode. Menurut Makdridakis, trend
adalah estimasi yang dihaluskan dari pertumbuhan rata-rata pada akhir
masing-masing periode. (Makridakis et. al., 1999: 91).
Rumus double exponential smoothing adalah sebagai berikut:
Dimana:
St = peramalan untuk periode t
= nilai aktual time series
= tren pada periode ke-t
α = parameter pertama perataan antara 0 dan 1, untuk
pemulusan nilai observasi
γ = parameter kedua, untuk pemulusan tren
= hasil ramalan ke-m
m = jumlah periode kedepan yang akan diramalkan
2.1.4 Mean Absolute Percentage Error (MAPE)
Hasil peramalan yang akurat adalah peramalan yang bisa meminimalkan
kesalahan meramal (Soedjianto et. al., 2006:E117). Karena itu dalam
menghitung kesalahan meramal digunakan Mean Absolute Percentage Error
commit to user
Rumus untuk MAPEadalah sebagai berikut:
Dimana:
Xt = Nilai data periode ke-t
Ft = Nilai ramalan periode ke-t
n = banyaknya data
Sebuah peramalan dikatakan sangat baik apabila MAPE kurang dari 10%
dan dikatakan baik apabila MAPE di antara 10% sampai 20% (Zainun dan Majid,
2004:523).
2.1.5 Galat / Error Relatif
Galat (ε) berasosiasi dengan seberapa dekat solusi hampiran terhadap solusi sejatinya. Semakin kecil galatnya, maka semakin teliti solusi numerik yang
didapatkan (Munir, 2003).
Rumus untuk mencari galat adalah sebagai berikut:
Dimana:
commit to user 2.2 Penelitian Terkait
Penelitian yang dilakukan oleh penulis ini mengacu pada penelitian sejenis
yang sudah dilakukan sebelumnya. Beberapa penelitian tersebut akan diuraikan
berikut ini.
a. Raharja et. al. (2010) melakukan penelitan yang berjudul Penerapan Metode Exponential Smoothing Untuk Peramalan Penggunaan Waktu Telepon Di PT. TELKOMSEL DIVRE3 Surabaya mengkaji
tentang penggunaan telepon pelanggan Telkomsel. Hal ini bertujuan
untuk melihat jumlah pelanggan Telkomsel pada saat tertentu, sehingga
dapat diketahui kapan saat permintaan naik konstan dan keadaan sedang
menurun. Peramalan ini berguna untuk mengetahui jumlah pemakaian
pelanggan yang cukup banyak.
Metode peramalan yang digunakan dalam penelian ini adalah
Exponential Smoothing dan Ordinary Least Square (OLS) atau kuadrat
terkecil linier (Linear Least Square). Langkah pertama yang dilakukan
adalah mengubah data yang sudah ada tersebut di plot dalam bentuk
grafik untuk mengetahui pola data yang ada. Dalam mengenali jenis pola
data ini, cara yang digunakan dengan melakukan plot data yang sudah
dirata-rata. Data pelanggan dalam menggunakan telepon yang sudah
dirata-rata diplot dengan menggunakan aplikasi excel. Setelah itu akan
terlihat grafik yang dihasilkan kemudian akan ditentukan penggunaan
metode exponential smoothing yang tepat. Jika pola data yang terlihat
dari grafik adalah non stasioner dan mengandung trend di dalamnya,
maka metode smoothing yang digunakan adalah Double Exponential
Smoothing.
Seperti yang telah dicontohkan dalam penelitian ini, untuk data
pada tahun 2005 ternyata pola data yang terlihat tidak terlalu stasioner
commit to user
yang digunakan adalah Double Exponential Smoothing. Setelah proses
smoothing, didapatkan hasil ramalan, hasil ramalan ini menjadi input
OLS (Ordinary Least Square). Model OLS tersebut diimplementasikan
dengan menggunakan software Matlab.
Dari hasil uji coba yang telah dilakukan dengan data penggunaan
pada tahun 2005 dapat diketahui bakwa hasil peramalan dengan metode
Double Exponential Smoothing lebih baik dibandingkan dengan metode
Moving Average dengan selisih error sebesar 0.29%. Hal ini berarti
bahwa Double Exponential Smoothing bagus digunakan dalam proses
peramalan karena menghasilkan error lebih kecil dibandingkan dengan
Moving Average.
b. Kalekar dalam penelitiannya yang berjudul Time Series Forecasting Using Holt-Winters Exponential Smoothing mengkaji tentang
peramalan perilaku permintaan dari industri seperti pakaian atau mainan.
Dimana data tersebut bersifat data musiman (seasonal time series).
Untuk menganalisa data seasonal time series digunakan metode
Holt-Winters Exponential Smoothing. Dua model yang dibahas dalam
penelitian ini adalah Multiplicative Seasonal Model dan Additive
Seasonal Model.
Seringkali, data time series menampilkan perilaku yang bersifat
musiman. Musiman didefinisikan sebagai kecenderungan data time series
untuk menunjukkan perilaku yang berulang setiap periode. Setelah
diperoleh model time series, langkah berikutnya adalah memilih model
peramalan. Peramalan dengan time series analysis dimulai dengan
membuat plot grafik untuk diperkirakan model peramalannya. Tujuan
dari membuat plot adalah untuk memberikan kesan visual dari sifat data
time series. Setelah memilih model, langkah selanjutnya adalah
menentukan spesifikasinya. Proses menentukan model peramalan
commit to user
hubungan, dan memperkirakan nilai-nilai parameter dalam persamaan
itu. Setelah model ditentukan, karakteristik kinerja harus diverifikasi atau
disahkan oleh perbandingan prakiraan dengan data historis. Proses ini
dirancang untuk meramalkan kejadian yang akan datang. Kesalahan
langkah-langkah seperti MAPE (Mean Absolute Percentage Error), RAE
(Realative Absolute Error), MSE (Mean Squared Error) digunakan untuk
memvalidasi model. Hasil pengujian menunjukkan bahwa model
multiplikatif memberikan hasil yang lebih baik dibandingkan dengan
model aditif untuk semua seri.
c. Pramita, Wahyu., Haryanto Tanuwijaya dalam penelitian yang berjudul Penetapan Metode Exponential Smoothing Winter dalam Sistem Informasi Pengendalian Persediaan Produk dan Bahan Baku Sebuah Cafe mengkaji tentang pengaruh parameter pada metode Winter Exponential Smoothing, yaitu untuk memuluskan data dengan
menghilangkan pengaruh random, trend, dan musiman pada data. Tiap
bahan baku memiliki nilai parameter yang berbeda-beda untuk
menghasilkan nilai MAPE dan MSE terkecil. Dari uji coba didapatkan
bahwa setiap bahan baku memiliki karakteristik data time series yang
berbeda-beda sehingga masing-masing produk memiliki parameter
pemulusan berbeda dengan produk lainnya.
2.3 Rencana Penelitian
Dengan melihat tinjauan pustaka di atas, penelitian ini akan berkonsentrasi
pada peramalan produksi sebagai pendukung keputusan bagi pengusaha batik
dalam menentukan jumlah produksi dengan menggunakan Analisis Runtun
Waktu. Analisis Runtun Waktu yang digunakan adalah Exponential Smoothing
commit to user
Dari model analisis runtun waktu yang digunakan, hanya ada satu model
terbaik yang akan dipakai untuk peramalan tiap item, yaitu model dengan
parameter pemulusan yang menghasilan kesalahan prediksi terkecil. Kesalahan
prediksi dilihat dari MAPE (Mean Absolute Percentage Error). Dimana parameter
pemulusan ini berkisar antara 0 sampai 1. Parameter pemulusan yang akan
digunakan dalam perhitungan ditentukan secara eksplisit melalui sebuah
percobaan pencarian parameter. Parameter dengan rata-rata tingkat kesalahan
prediksi terkecil akan digunakan sebagai dasar perhitungan dalam mencari
prediksi produksi. Hal ini memungkinkan model perhitungan yang digunakan tiap
item dapat berbeda. Tergantung model mana yang memiliki MAPE terkecil untuk
item tersebut. Program peramalan produksi ini diharapkan dapat membantu
commit to user
21
BAB III
METODOLOGI PENELITIAN
Metode penelitian yang digunakan dalam penulisan tugas akhir ini
adalah melalui tahap pengumpulan data, tahap pemodelan, dan tahap contruction.
Metode yang digunakan dalam proses perhitungan prediksi adalah analisis runtun
waktu yang meliputi Single Exponential Smoothing dan Double Exponential
Smoothing. Langkah-langkah yang dilakukan dalam penelitian tugas akhir ini
dapat digambarkan pada diagram berikut ini.
Gambar 3.1 Diagram Metode Penelitian Tugas Akhir
• Tempat dan Waktu Penelitian
• Metode Pengumpulan Data
• Sumber Data
Tahap
Pengumpulan Data
• Pemodelan Prediksi
• Menentukan Software Requirement
Specification
• Membuat Use Case Diagram
• Membuat Desain dan Flowchart
commit to user 3.1 Tahap Pengumpulan Data
3.1.1 Tempat dan Waktu Penelitian
Penelitian ini dilakukan di tiga perusahaan batik yang ada di Solo antara
lain adalah Batik Arini, Batik Artha, dan Batik Istiqomah pada bulan Maret
2012.
3.1.2 Metode Pengumpulan Data
Metode pengumpulan data yang diperlukan untuk penulisan tugas akhir
ini diperoleh dengan cara:
a. Observasi
Observasi dilakukan dengan meninjau langsung perusahaan untuk
memperoleh data melalui pengamatan langsung pada objek yang akan
diteliti dan pengumpulan data primer dengan melakukan wawancara dengan
pemilik perusahaan.
b. Studi Literatur
Studi literatur merupakan suatu metode yang dilakukan untuk
mendapatkan pengetahuan dan landasan teoritis dalam menganalisa data dan
permasalahan melalui karya tulis dan sumber-sumber lainnya sebagai bahan
pertimbangan dalam penulisan tugas akhir ini.
3.1.3 Sumber Data
Adapun data yang diperoleh dari penelitian ini adalah:
a. Data primer, yaitu informasi yang diperoleh secara langsung dari hasil
pengamatan lapangan, yaitu di Batik Arini. Data penelitian ini diperoleh
dengan metode wawancara dengan pemilik perusahaan dan mencatat data
aktual produksi di masa lalu selama 3 tahun terakhir, yaitu tahun 2009,
2010, dan 2011 yang dilakukan pencatatan setiap bulannya. Dari hasil
commit to user
90% akan digunakan sebagai data training dan 10% digunakan sebagai data
uji untuk mencari prediksi produksi pada periode ke-37. Data yang
diperoleh dapat dilihat pada Lampiran A.
b. Data sekunder, merupakan data yang diperoleh dari sumber-sumber terkait
untuk memperoleh informasi mengenai objek yang dikaji. Adapun informasi
yang diperoleh adalah data aktual produksi masa lampau di Batik Artha dan
Batik Istiqomah selama 3 tahun terakhir, yaitu tahun 2009, 2010, dan 2011
yang dilakukan pencatatan setiap bulannya. Hasil yang di dapat dari Batik
Artha adalah data produksi hem sedangkan Batik Istiqomah adalah blus, dan
longdress. Dari data yang ada, 90% akan digunakan sebagai data training
dan 10% digunakan sebagai data uji untuk mencari prediksi produksi pada
periode ke-37. Data yang diperoleh dapat dilihat pada Lampiran A.
3.2 Tahap Pemodelan
3.2.1 Pemodelan Prediksi
Pada tahap pemodelan prediksi, pertama dilakukan pencarian parameter
pemulusan dalam metode Analisis Runtun Waktu yang digunakan, yaitu single
exponential smoothing dan double exponential smoothing. Metode single
exponential smoothing menggunakan parameter pemulusan yang disebut alpha,
sedangkan double exponential smoothing menggunakan dua parameter yaitu
alpha dan gamma. Dimana nilai pemulusan alpha dan gamma berkisar antara 0
sampai 1. Langkah selanjutnya adalah mencari parameter terbaik dengan
menerapkan dalam perhitungan prediksi kemudian menghitung kesalahan
prediksinya. Parameter dengan rata-rata kesalahan prediksi terkecil akan
digunakan sebagai dasar perhitungan prediksi yang akan digunakan dalam
program peramalan produksi.
Langkah selanjutnya adalah menghitung prediksi dengan model yang
akan dipertimbangkan, yaitu single exponential smoothing dan double
exponential smoothing. Setelah diperoleh hasil prediksi untuk semua model,
commit to user
pada tiap-tiap item. Model yang memiliki MAPE terkecil akan digunakan
sebagai dasar perhitungan peramalan di masa mendatang.
START
Menghitung error data masa lampau untuk semua model
Gambar 3.2. Flowchart Perencanaan Program Peramalan Produksi
3.2.2 Menentukan Software Requirement Specification
Pada tahap ini dilakukan analisis terhadap fungsi-fungsi dari program
commit to user 3.2.3 Membuat Use Case Diagram
Use case diagram dibuat berdasarkan Software Requirement
Specification yang telah ditentukan sebelumnya. Use case akan menjelaskan
hubungan antara program yang dibangun dengan actor-actor terkait. Use case
diagram dapat dilihat pada Lampiran D.
3.2.4 Membuat Desain dan Flowchart Perencanaan Program
Meliputi perancangan basis data, perancangan proses, dan perancangan
arsitektur yang akan dimodelkan dalam bentuk diagram-diagram, yaitu Activity
Diagram, Sequence Diagram, dan Class Diagram yang dapat dilihat pada
Lampiran D. Berikut flowchart perencanaan program peramalan produksi yang
akan dibangun Gambar 3.2.
Langkah pertama yang dilakukan adalah memilih item yang akan
diramalkan. Kemudian akan dilakukan pengecekan apakah sudah ada data
masa lampau untuk item tersebut. Data masa lampau ini minimal berjumlah 6
data, jika belum mencapai 6 maka harus dikumpulkan terlebih dahulu data
masa lampau sebagai dasar perhitungan peramalan produksi. Karena dalam
proses perhitungannya 90% dari jumlah keseluruhan data akan dijadikan
sebagai data training, dan 10% sisanya akan dijadikan sebagai data uji,
sehingga jika data belum mencapai 6, maka belum ada data uji nya. Misalnya
jika data masa lalu berjumlah 4, maka data ujinya adalah 10% dari 4, yaitu
0.40. Jika dibulatkan, maka data ujinya adalah 0, sehingga belum ada data uji
untuk data histori yang berjumlah 4. Berbeda jika jumlah data adalah 6. 10%
dari 6 adalah 0.60, sehingga jika dibulatkan data ujinya adalah 1. Jadi data
berjumlah 6 ini mempunya 1 data uji. Dimana data uji digunakan untuk
mencari kesalahan prediksi. Jika tidak ada data uji, maka belum bisa digunakan
untuk mencari kesalahan prediksi. Apabila jumlah data masa lampau sudah
mencapai minimal 6, maka dapat dilakukan perhitungan dengan model yang
akan dipertimbangkan, antara lain adalah single exponential smoothing dan
double exponential smoothing. Setelah diperoleh hasil prediksi untuk semua
commit to user
model pada tiap-tiap item. Model yang memiliki MAPE terkecil akan
digunakan sebagai dasar perhitungan peramalan di masa mendatang, yaitu
produksi pada periode ke-37.
3.3 Tahap Construction
3.3.1 Implementasi Database
Implementasi database dibuat berdasarkan pada tahap desain untuk
penyimpanan data dengan menggunakan MySQL.
3.3.2 Menulis Kode Program
Seluruh fungsi yang telah dirancang dalam tahap desain kemudian
dituangkan ke dalam kode program dengan menggunakan bahasa
pemrograman PHP (Hypertext Preprocessor), sehingga terbentuk sebuah
aplikai yang dapat digunakan.
3.3.3 Melakukan Pengujian
Pengujian dilakukan dengan menghitung presisi. Presisi diukur dari
perhitungan galat / error pada periode peramalan untuk menunjukkan seberapa
dekat perbedaan nilai prediksi yang dihasilkan pada saat dilakukan
pengulangan pengukuran peramalan produksi. Data yang digunakan dalam
pengujian adalah data produksi 6 bulanan, 9 bulanan, 12 bulanan, 15 bulanan,
18 bulanan, 21 bulanan, 24 bulanan, dan 27 bulanan yang dipilih secara urut
dan diulang sebanyak 9 kali kemudian dicari peramalan produksi 1 bulan ke
commit to user
Program peramalan produksi batik merupakan program berbasis web
yang diharapkan dapat membantu pengusaha batik yang ada di Kota Solo
dalam menentukan jumlah produksi tiap item. Hasil dari peramalan harus
memiliki tingkat keakuratan yang tinggi. Karena output yang dihasilkan dari
program peramalan produksi ini akan dijadikan sebagai pertimbangan oleh
pengusaha batik dalam menentukan jumlah produksi di masa mendatang.
Selama ini, mereka memprododuksi barang hanya menggunakan intuisi saja.
Namun pada kenyataannya, pendugaan secara ilmiah terhadap masa depan
akan jauh lebih lebih berarti daripada pendugaan yang hanya mengandalkan
intuisi.
Program ini membutuhkan data history produksi di masa lalu minimal 5
bulan yang dicatat tiap bulannya sebagai input data yang akan di lakukan
proses peramalan produksi. Data yang digunakan adalah data produksi hem,
blus, longdress, dan dress pendek. Data inilah yang nantinya akan dijadikan
sebagai dasar perhitungan peramalan produksi. Dalam penelitian ini, akan
dicari prediksi produksi pada periode ke-37 untuk tiap item.
Dalam program peramalan produksi ini digunakan metode analisis runtun
waktu (time series analysis) yang meliputi single exponential smoothing dan
double exponential smoothing. Untuk analisis runtun waktu, digunakan
beberapa alpha (α) dan gamma (γ) untuk mencari hasil pemulusan yang
terbaik. Alpha merupakan konstanta pemulusan pertama dari proses smoothing
berkisar antara 0 sampai 1. Sedangkan gamma merupakan konstanta
commit to user
Peramalan ini hanya dapat dilakukan oleh operator. Seorang operator
dapat melakukan log in dengan menggunakan username dan password.
Langkah pertama yang dilakukan oleh operator adalah mengimpor data
produksi masa lalu tiap item kemudian akan disimpan ke dalam database. Data
ini kemudian dilakukan proses perhitungan oleh program peramalan produksi
dengan metode analisis runtun waktu (time series analysis). Dalam proses
perhitungannya, pertama akan dihitung prediksi tiap periode kemudian dicari
nilai kesalahan peramalan dengan MAPE yang dihasilkan oleh masing-masing
metode. MAPE tersebut dihitung pada data uji, yaitu 10% dari data
keseluruhan. Metode yang memiliki MAPE terkecil akan dipilih sebagai dasar
perhitungan peramalan produksi mendatang untuk item tersebut.
4.1.2 Fungsi Program
Program peramalan produksi ini memiliki beberapa fungsi, antara lain
adalah sebagai berikut:
1. Fungsi Tambah Item
Fungsi Tambah Item merupakan fungsi untuk menambahkan daftar
item baru ke dalam database.
2. Fungsi Kelola Item
Fungsi Kelola Item merupakan fungsi untuk melihat daftar item yang
ada dalam database, serta untuk melakukan perubahan data item.
a. Import Data Produksi
Fungsi Import Produksi merupakan fungsi untuk menginputkan
data produksi masa lalu yang masih dalam bentuk spreadsheet ke
dalam database. Data inilah yang nanti akan dijadikan sebagai
commit to user
b. Lihat Data Item
Fungsi lihat data item merupakan fungsi untuk melihat informasi
data item dan data produksi yang sudah di import dan masuk ke
dalam database.
c. Edit Data Item
Fungsi edit data item merupakan fungsi untuk memperbarui
informasi data item serta data produksi.
d. Prediksi Data Produksi
Fungsi prediksi data produksi merupakan fungsi untuk
menampilkan data yang akan diprediksi. Pada fungsi ini, program
peramalan produksi akan mencari nilai error dari tiap-tiap metode.
Metode yang akan dijadikan sebagai peramalan produksi adalah
metode dengan error terkecil. Hasil error terkecil dari beberapa
metode dan hasil prediksinya akan ditampilkan serta dimasukkan
ke dalam database.
3. Fungsi Lihat Prediksi
commit to user
4.1.3 Pemilihan alpha (α) dan gamma (γ) dalam Exponential Smoothing
Single Exponential Smoothing dan Double Exponential Smoothing
merupakan metode dengan pemulusan data. Pemulusan ini dilambangkan
dengan alpha (α) dan gamma (γ) yang berkisar antara 0-1. Berdasarkan
referensi, nilai awal konstanta pemulusan berkisar antara 0.10 sampai 0.30
(Attaran, MSIS). Selain itu, pada buku “Business Forecasting”, nilai alpha dan
gamma yang sering digunakan adalah 0.10, 0.30, dan 0.60 (Hanke dan
Winchern, 2005). Kemudian dilakukan percobaan perhitungan prediksi dengan
alpha dan gamma antara 0-1 untuk memperkuat referensi. Setelah diperoleh
hasil prediksi untuk tiap-tiap periode, kemudian dicari MAPE dari tiap-tiap
prediksi. Setelah dilakukan percobaan perhitungan prediksi dengan alpha dan
gamma antara 0-1, diperoleh hasil yang menunjukkan bahwa alpha terbaik
adalah 0.10, 0.20, 0.25, 0.30, dan 0.60 karena memiliki MAPE terkecil.
Pemilihan alpha dan gamma ini adalah berdasarkan analisa data yang telah
dilakukan sebelumnya untuk mencari kecocokan data dengan model yang akan
digunakan, sehingga dapat memberikan prediksi yang baik. Gamma,
sebenarnya tidak terlalu berpengaruh besar terhadap hasil prediksi, akan tetapi
dalam penelitian ini digunakan konstanta gamma disamakan dengan alpha. Hal
ini diharapkan dengan nilai gamma yang sama dengan alpha akan didapatkan
nilai prediksi yang terbaik.
Pada kasus yang di bahas dalam penelitian ini, nilai alpha dan gamma
terbaik dimiliki oleh 0.10, 0.20, 0.25, 0.30 dan 0.60. Maka nilai konstanta
pemulusan ini akan dijadikan sebagai dasar perhitungan prediksi dengan
metode Exponential Smoothing dan Double Exponential Smoothing.
4.2Pengelompokan Data
Data yang digunakan dalam peramalan adalah data produksi di masa lalu
yang dicatat secara berturut-turut tiap bulannya selama 3 tahun yaitu pada tahun
commit to user
Tabel 4.1 Data Produksi Blus Tahun 2009-2011 di Batik Istiqomah
PERIODE PRODUKSI PERIODE PRODUKSI
1 4000 19 7000
Data yang digunakan dikelompokkan menjadi 2 bagian, antara lain adalah
sebagai berikut:
a. Data training
Merupakan kumpulan data yang digunakan dalam proses
peramalan dengan model exponential smoothing. Dalam exponential
smoothing, data ini digunakan untuk mencari pola data historis. Data
training merupakan 90% dari data keseluruhan, sehingga dalam kasus ini
terdiri dari data produksi bulan Januari 2009 sampai dengan bulan
Agustus 2011 dengan N = 32 observasi.
b. Data Uji
Merupakan kumpulkan data yang akan digunakan dalam proses
evaluasi data, yaitu untuk menghitung MAPE (Mean Absolute
Percentage Error). Data uji merupakan 10% dari data keseluruhan,
sehingga dalam kasus ini terdiri data produksi bulan September 2011
commit to user 4.3Plot Data
Data produksi yang sudah ada kemudian di plot dalam bentuk grafik untuk
mengetahui pola data yang ada. Untuk melakukan plot data, digunakan
spreadsheet.. Salah satu contoh data yang sudah di plot adalah data produksi Blus
pada tahun 2009 sampai 2010.
Gambar 4.1 Grafik Data Produksi Blus Tahun 2009 – 2010 di Batik Istiqomah
Dari hasil melakukan plot pada data, maka dapat diketahui pola datanya.
Dalam kasus ini pola data yang dihasilkan terlihat tidak terlalu stasioner dan
mengandung trend di dalamnya, maka metode yang digunakan adalah analisis
runtun waktu yaitu exponential smoothing.
4.4Perhitungan Prediksi dengan Metode Analisis Runtun Waktu
Perhitungan prediksi tiap periode dilakukan dengan semua metode. Hal ini
dilakukan untuk mencari error terkecil yang dihasilkan oleh masing-masing
metode terhadap item. Metode yang memiliki error terkecil akan dijadikan
sebagai dasar perhitungan prediksi di masa mendatang. 0
Data Aktual Produksi Blus Tahun
2009-2010
commit to user
Kasus di bawah ini adalah hasil uji coba peramalan produksi Blus yang
dilakukan dengan menghitung prediksi tiap periode kemudian akan dicari MAPE
(Mean Absolute Percentage Error) untuk tiap metode dengan single expoenential
smoothing dan double exponential smoothing.
a. Single Exponential Smoothing
Dalam single exponential smoothing, dilakukan percobaan untuk
mencari prediksi dengan nilai alpha adalah 0.10, 0.20, 0.25, dan 0.30. Data
yang digunakan adalah data pada periode 1 – 32. Kemudian akan dicari
prediksi dari periode 1 – 36. Dimana data pada periode 33 – 36 merupakan
data uji yang kemudian akan dicari error prediksinya. Metode dengan error
terkecil akan dijadikan sebagai dasar perhitungan prediksi produksi pada
periode ke-37. Tabel 4.2 merupakan hasil perhitungan peramalan periode 1 -
36 dengan metode single exponential smoothing.
Tabel 4.2 Contoh Hasil Perhitungan Peramalan Produksi Blus dengan Metode
Single Exponential Smoothing Periode 1 - 32
PERIODE JUMLAH PREDIKSI SINGLE EXPONENTIAL SMOOTHING
α = 0.10 α = 0.20 α = 0.25 α = 0.30 α = 0.60
1 4000 4000 4000 4000 4000 4000
2 5000 4000 4000 4000 4000 4000
3 4000 4100 4200 4250 4300 4600
4 5000 4090 4160 4188 4210 4240
5 6000 4181 4328 4391 4447 4696
6 7500 4363 4662 4793 4913 5478
7 8000 4677 5230 5470 5689 6691
8 8000 5009 5784 6102 6382 7477
9 10000 5308 6227 6577 6868 7791
10 10000 5777 6982 7433 7807 9116
11 9500 6200 7585 8074 8465 9646
12 9500 6530 7968 8431 8776 9559
13 10000 6827 8275 8698 8993 9523
14 8500 7144 8620 9024 9295 9809
15 10000 7280 8596 8893 9057 9024
16 8000 7552 8877 9170 9340 9610
17 9000 7596 8701 8877 8938 8644
18 8000 7737 8761 8908 8956 8858
commit to user
Tabel 4.2 Contoh Hasil Perhitungan Peramalan Produksi Blus dengan Metode
Single Exponential Smoothing Periode 1 – 32 (lanjutan)
PERIODE JUMLAH PREDIKSI SINGLE EXPONENTIAL SMOOTHING
α = 0.10 α = 0.20 α = 0.25 α = 0.30 α = 0.60
20 8000 7687 8287 8261 8169 7537
21 9000 7718 8230 8195 8118 7815
22 9500 7846 8384 8397 8383 8526
23 8000 8012 8607 8672 8718 9110
24 8500 8011 8486 8504 8502 8444
25 8000 8059 8488 8503 8502 8478
26 9500 8054 8391 8377 8351 8191
27 10000 8198 8613 8658 8696 8976
28 9000 8378 8890 8994 9087 9591
29 9500 8441 8912 8995 9061 9236
30 8000 8546 9030 9121 9193 9394
31 7500 8492 8824 8841 8835 8558
32 7000 8393 8559 8506 8434 7923
Tabel 4.2 merupakan hasil perhitungan peramalan periode 1 - 32 dengan
metode single exponential smoothing. Kemudian dicari error dari hasil
peramalan menggunakan MAPE pada data uji.
Perbandingan data aktual blus dengan hasil prediksi single exponential
smoothing dapat dilihat pada Gambar 4.2, Gambar 4.3, Gambar 4.4, Gambar
4.5, dan Gambar 4.6.
Gambar 4.2 Grafik Perbandingan Data Aktual Blus dengan
Prediksi Single Exponential Smoothing α = 0.10
0
Perbandingan Data Aktual Blus dengan Prediksi Single Exponential Smoothing α=0.10
data aktual
prediksi dengan single exponential smoothing
commit to user
Gambar 4.3 Grafik Perbandingan Data Aktual Blus dengan
Prediksi Single Exponential Smoothing α = 0.20
Gambar 4.4 Grafik Perbandingan Data Aktual Blus dengan
Prediksi Single Exponential Smoothing α = 0.25
0
Perbandingan Data Aktual Blus dengan Prediksi Single Exponential Smoothing α=0.20
data aktual
Perbandingan Data Aktual Blus dengan Prediksi Single Exponential Smoothing α=0.25
data aktual
prediksi dengan single exponential smoothing
commit to user
Gambar 4.5 Grafik Perbandingan Data Aktual Blus dengan
Prediksi Single Exponential Smoothing α = 0.30
Gambar 4.6 Grafik Perbandingan Data Aktual Blus dengan
Prediksi Single Exponential Smoothing α = 0.60
Gambar 4.2, Gambar 4.3, Gambar 4.4, Gambar 4.5, dan Gambar 4.6
menunjukkan hasil perbandingan antara data aktual blus dengan hasil
prediksi menggunakan metode single exponential smoothing. Percobaan
0
Perbandingan Data Aktual Blus dengan Prediksi Single Exponential Smoothing α=0.30
data aktual
Perbandingan Data Aktual Blus dengan Prediksi Single Exponential Smoothing α=0.60
data aktual
prediksi dengan single exponential smoothing
commit to user
dilakukan dengan menggunakan alpha 0.10, 0.20, 0.25, 0.30, dan 0.60 untuk
melihat bagaimana dampak penggunaan kosntanta alpha terhadap hasil
prediksi. Terlihat pada gambar, bahwa grafik perbandingan dengan
konstanta alpha 0.10, 0.20, 0.25, 0.30, dan 0.60 memberikan hasil prediksi
yang baik karena mendekati data aktualnya. Terutama pada alpha = 0.60.
Terlihat jelas bahwa grafik prediksinya sangat berdekatan dengan data
aktualnya.
b. Double Exponential Smoothing
Dalam double exponential smoothing, dilakukan percobaan dengan
nilai alpha adalah 0.10, 0.20, 0.25, dan 0.30 serta gamma 0.10, 0.20, 0.25,
dan 0.30. Data yang digunakan adalah data pada periode 1 – 32. Kemudian
akan dicari prediksi dari periode 1 – 36. Dimana data pada periode 33 – 36
merupakan data uji yang kemudian akan dicari error prediksinya. Metode
dengan error terkecil akan dijadikan sebagai dasar perhitungan prediksi
produksi pada periode ke-37. Tabel 4.3, Tabel 4.4, dan Tabel 4.5 merupakan
hasil perhitungan peramalan periode 1 – 36 dengan metode double
exponential smoothing.
Tabel 4.3 Contoh Hasil Perhitungan Peramalan Produksi Blus dengan Metode
Double Exponential Smoothing α = 0.10 dan α = 0.20 Periode 1 - 32
PERIODE JUMLAH
PREDIKSI DOUBLE EXPONENTIAL SMOOTHING
α=0.10 α=0.10 α=0.10 α=0.10 α=0.10 α=0.20 α=0.20 α=0.20 α=0.20 α=0.20
commit to user
Tabel 4.3 Contoh Hasil Perhitungan Peramalan Produksi Blus dengan Metode
Double Exponential Smoothing α = 0.10 dan α = 0.20 Periode 1 – 32 (lanjutan)
PERIODE JUMLAH
PREDIKSI DOUBLE EXPONENTIAL SMOOTHING
α=0.10 α=0.10 α=0.10 α=0.10 α=0.10 α=0.20 α=0.20 α=0.20 α=0.20 α=0.20
γ=0.10 γ=0.20 γ=0.25 γ=0.30 γ=0.60 γ=0.10 γ=0.20 γ=0.25 γ=0.30 γ=0.60
Tabel 4.4 Contoh Hasil Perhitungan Peramalan Produksi Blus dengan Metode
Double Exponential Smoothing α = 0.25 dan α = 0.30 Periode 1 - 32
PERIODE JUMLAH
PREDIKSI DOUBLE EXPONENTIAL SMOOTHING
α=0.25 α=0.25 α=0.25 α=0.25 α=0.25 α=0.30 α=0.30 α=0.30 α=0.30 α=0.30
γ=0.10 γ=0.20 γ=0.25 γ=0.30 γ=0.60 γ=0.10 γ=0.20 γ=0.25 γ=0.30 γ=0.60
1 4000 4000 4000 4000 4000 4000 4000 4000 4000 4000 4000
2 5000 4000 4000 4000 4000 4000 4000 4000 4000 4000 4000
3 4000 4275 4300 4313 4325 4400 4330 4360 4375 4390 4480
4 5000 4224 4260 4277 4294 4390 4251 4290 4309 4328 4430
commit to user
Tabel 4.4 Contoh Hasil Perhitungan Peramalan Produksi Blus dengan Metode
Double Exponential Smoothing α = 0.25 dan α = 0.30 Periode 1 – 32 (lanjutan)
PERIODE JUMLAH
PREDIKSI DOUBLE EXPONENTIAL SMOOTHING
α=0.25 α=0.25 α=0.25 α=0.25 α=0.25 α=0.30 α=0.30 α=0.30 α=0.30 α=0.30
γ=0.10 γ=0.20 γ=0.25 γ=0.30 γ=0.60 γ=0.10 γ=0.20 γ=0.25 γ=0.30 γ=0.60
commit to user
Tabel 4.5 Hasil Perhitungan Peramalan Produksi Blus dengan
Double Exponential Smoothing α = 0.60 Periode 1 - 32
PERIODE JUMLAH
Kemudian dicari error dari hasil peramalan menggunakan MAPE pada data