4.1.
Pengumpulan dan Pengolahan Data
4.1.1. Data Permintaan
Untuk menentukan metode peramalan yang akan dilakukan maka dibutuhkan
data permintaan pada periode sebelumnya.
Tabel 4.1 Jenis Produk
No.
Nama Part
No. Part
Tipe
Qty/Unit
1.
GUIDE,CLUTCH OUTER
22115-KPH -9001
125 cc
1
2.
COLLAR, CENTER
CLUTCH
23112-GCE -9000-C1
100 cc
1
3.
SHAFT ROCKER ARM
14451-035-0002
100 cc
2
4.
GEAR SHIFT DRUM
24421-200-0002
100 cc
4
5.
PUMP PIVOT OIL
15384-178-0001
100 cc
1
6.
PIN PISTON
13111-087-0002
All Cub
1
7.
BOSS,DRIVE FACE
22105-KVB -9000
110 cc
1
8.
SHAFT COMP,OIL PUMP
15130-KVB -9000
110 cc
1
9.
BUSH,M STAND
11205-GBC -3000
110 cc
2
10.
SHAFT,IN ROCKER ARM
14451-KVB -9000
110 cc
1
Berikut data permintaan aktual untuk sepuluh part tersebut adalah berdasarkan
total permintaan/kebutuhan PT Astra Honda Motor dari periode Januari 2006 sampai
dengan Desember 2006.
Tabel 4.2
Data Permintaan Aktual Periode Januari 2006 - Desember 2006
Item GUIDE, CLUTCH OUTER COLLAR, CENTER CLUTCH SHAFT ROCKER ARM GEAR SHIFT DRUM PUMP PIVOT OIL PIN PISTON BOSS, DRIVE FACE SHAFT COMP,OIL PUMP BUSH,M STAND SHAFT,IN ROCKER ARM Januari 34,650 36,610 62,760 125,520 41,840 115,898 23,497 23,497 46,994 23,497 Februari 52,990 57,400 98,400 196,800 65,600 173,600 26,500 26,500 53,000 26,500 Maret 41,265 50,400 86,400 172,800 57,600 148,873 29,872 29,872 59,744 29,872 April 40,740 49,181 84,310 168,619 56,206 143,377 24,865 24,865 49,730 24,865 Mei 41,301 75,529 129,478 258,955 86,318 181,959 25,100 25,100 50,200 25,100 Juni 38,044 74,129 127,078 254,155 84,718 180,646 34,000 34,000 68,000 34,000 Juli 47,249 74,341 127,442 254,885 84,962 194,160 34,100 34,100 68,200 34,100 Agustus 61,565 99,260 170,160 340,320 113,440 255,850 43,500 43,500 87,000 43,500 September 67,860 112,674 193,156 386,311 128,770 284,906 45,000 45,000 90,000 45,000 Oktober 40,305 59,768 102,460 204,919 68,306 162,762 33,000 33,000 66,000 33,000 November 54,355 121,015 207,454 414,907 138,302 272,128 36,000 36,000 72,000 36,000 Desember 45,352 114,248 195,854 391,709 130,570 247,501 32,500 32,500 65,000 32,5004.1.2. Data Jam kerja yang tersedia
Berikut adalah data jam kerja reguler di PT Sparta Guna Jaya.
• Senin – Jumat
: 3 Shift (Shift Normal)
• Sabtu
: 2 Shift ( Shift Pendek)
Pembagian shift normal :
• Shift 1
: Pkl 06.00 ~ 14.00 WIB
• Shift 2
: Pkl 14.00 ~ 22.00 WIB
• Shift 3
: Pkl 22.00 ~ 06.00 WIB
Pembagian shift pendek :
• Shift 1
: Pkl 06.00 ~ 11.00 WIB
• Shfit 2
: Pkl 11.00 ~ 16.00 WIB
Jam istirahat kerja reguler di PT Sparta Guna Jaya.
• Senin – Jumat
o Shift 1
: Pkl 09.00 ~ 09.10 WIB
: Pkl 11.30 ~ 12.20 WIB
: Total = 1 Jam = 3600 detik
o Shift 2
: Pkl 16.00 ~ 16.10 WIB
: Pkl 18.00 ~ 18.50 WIB
: Total = 1 Jam = 3600 detik
o Shift 3
: Pkl 00.00 ~ 00.30 WIB
: Pkl 03.30 ~ 04.00 WIB
: Total = 1 Jam = 3600 detik
4.1.3. Data Urutan proses produksi
Tabel 4.3 Urutan Proses
ITEM No. Proses
Mesin
Cycle
Time
1
Turning
Tsugami MB 50
21
2 Chamfering
Syncro
5
3 Grinding
Chenfu
5
GUIDE
CLUTCH
OUTER
4
LCN or GSN
Out Plant
-
1
Turning
Tsugami M42 J
33
2 Chamfering
Syncro
5
3 Grinding
Chenfu
5
COLLAR
CENTER
CLUTCH
4
LCN or GSN
Out Plant
-
1 Turning
Autolathe
27
2 Chamfering
Syncro
4
3 Tapping
Syncro
6
4 Grinding
Palmary
I
4
5
Carburizing Out
Plant
-
SHAFT
ROCKER ARM
6 Grinding
Palmary
I
4
1 Turning
Autolathe
4
2
Carburizing Out
Plant
-
GEAR SHIFT
DRUM
3 Grinding
Palmary
II
1
PIVOT OIL
PUMP
1 Turning
Nexus
100B
45
1 Turning
Autolathe
27
2 Chamfering
Syncro
4
3 Grinding
Micron
I
7
4
Carburizing Outplant
-
5 Grinding
I
Micron
I
8
PIN PISTON
6 Grinding
II
Micron
II
8
1 Turning
Moriseiki
60
2 Chamfer
Syncro
8
3
Induction
Out Plant
-
4
Grinding I
Palmary III
6
5
Hard Chrome
Out Plant
-
6
Turning I.D
Nexus 100A
44
BOSS DRIVE
FACE
7
Grinding II
Palmary III
5
1
Turning
Tsugami M42 J
48
2
Milling + Drill
UTC 6 A
95
3
LCN or GSN
Out Plant
-
4
Assy1
Hidrolic Press
6
SHAFT COMP
OIL PUMP
5 Assy2
Hidrolic
Press
5
1
Turning
QT 10
46
2 Chamfering
Syncro
8
3
Hardening Out
Plant
-
4 Grinding
Chenfu
7
BUSH M
STAND
5
Zinc Plating
Out Plant
-
1 Turning
CinCom
A16
60
2
Milling Ulir
TC 227 B
35
3
Milling Alur
Brother Millet A
32
4
Milling Radius
Brother Millet B
30
5 Grinding
Palmary
I
5
SHAFT IN
ROCKER ARM
6
LCN or GSN
Out Plant
-
Sebagian proses dari urutan pembuatan part-part tersebut merupakan proses
yang dilakukan diluar perusahaan (sub kontrak). Adapun proses dan lead time (total
waktu produksi) proses yang di sub kontrak adalah sebagai berikut
Tabel 4.4 Data proses Sub kontrak
No.
Nama Proses
Sub Cont
Lead time
1.
LCN or GSN
PT Parker
3 hari
2.
Carburizing
PT Parker
4 hari
4.
Hard chrome
PT Galvalindo
5 hari
5.
Hardening
PT Parker
2 hari
6.
Zinc Plating
PT AA Jaya
3 hari
4.2.
Analisis Data
4.2.1. Penentuan pola data
Berdasarkan langkah-langkah dalam pembuatan suatu peramalan yang
terdapat pada bab 2. Dimana tujuan peramalan adalah membuat peramalan
permintaaan pelanggan untuk tahun 2007. Unsur yang akan dibuatkan peramalannya
adalah 10 item part komponen sepeda motor yang diproduksi oleh PT Sparta Guna
Jaya. Kemudian horizon waktu peramalan adalah peramalan untuk jangka pendek
yaitu peramalan permintaan untuk jangka 3 bulan, tahun berikutnya.
Langkah berikutnya adalah memilih metode peramalan. Namun sebelum
dilakukan pemilihan metode peramalan, maka terlebih dahulu harus dilakukan
penentuan pola data permintaan yang sudah ada. Yaitu data permintaan untuk ke-10
part tersebut pada tahun 2006 diplot kedalam sebuah grafik, sehingga dari grafik
tersebut bisa diketahui pola data permintaan pelanggan.
Berikut ini adalah pola data permintaan PT Astra Honda Motor untuk periode
Januari sampai Desember 2006.
-50,000
100,000
150,000
200,000
250,000
300,000
350,000
400,000
450,000
Jan
Feb
Mar
Apr
Mei
Jun
Jul
Aug
Sep
Okt
Nov
Des
Bulan
Q
u
a
n
ti
ty
Guide Clutch Outer
Collar Center Clutch
Shaft Rocker Arm
Gear Shift Drum
Pump Pivot Oil
Pin Piston
Boss Drive Face
Shaft Comp Oil Pump
Bush M Stand
Shaft In Rocker Arm
Grafik 4.1
Berdasarkan pola data pada grafik diatas, maka data permintaan dari PT Astra
Honda Motor akan ditentukan apakah data tersebut tergolong pada pola Stationery,
trend (kecendrungan) atau seasonal (musiman). Untuk menentukan metode
peramalan yang tepat, maka data-data tersebut akan di uji dengan beberapa metode
peramalan yang mewakili masing-masing pola data antara lain sebagai berikut :
1. Moving Averages, Weighted moving averages & Single Eksponential
smoothing mewakili pola data stationery.
2. Eksponential smoothing adjusted with Trend Holts Method mewakili pola
data Trend (kecendrungan).
3. Eksponential smoothing adjusted for trend & seasonal variation : Winters
mode mewakili pola data musiman.
Dari ketiga metode diatas akan diambil nilai MSE, MAD dan MAPE terkecil
untuk menentukan metode peramalan selanjutnya. Hasil perhitungan dari metode
peramalan tersebut hanya ditampilkan hasil peramalannya untuk tipe produk 1 saja,
sedangkan yang lainnya ditampilkan pada lampiran.
4.2.2 Peramalan permintaan metode Moving Averages.
Pada metode ini digunakan 3 macam periode yaitu 3, 4 dan 5 periode.
Tabel 4.5
Forecast Metode Moving Average (3 Periode) Part Guide Clutch Outer
3 4 5 Januari 34,650 Februari 52,990 Maret 41,265 April 40,740 42,968 Mei 41,301 44,998 Juni 38,044 41,102 Juli 47,249
Month Actual Data Forecast by periode
Tabel 4.6
Forecast Metode Moving Average (4 Periode) Part Guide Clutch Outer
4 5 Januari 34,650 Februari 52,990 Maret 41,265 April 40,740 42,411 Mei 41,301 44,074 Juni 38,044 40,337 Juli 47,249
Month Actual Data Forecast by periode
(34,650+52,990+41,265)/3 = 42,968
(52 990+41 265+40 740)/3 = 44 998
(41 265+40 740+41 301)/3 = 41 102
(34,650+52,990+41,265+40,740)/4
= 42,411
(52,990+41,265+40,740+41,301)/4
= 44,074
(41,265+40,740+41,301+38,044)/4
= 40,337
Tabel 4.7
Forecast Metode Moving Average (5 Periode) Part Guide Clutch Outer
Januari 34,650 Februari 52,990 Maret 41,265 April 40,740 Mei 41,301 Juni 38,044 Juli 47,249 Agustus 61,565 42,189 42,868 41,720
Month Actual Data Forecast by periode
5
Perhitungan peramalan dengan metode ini ditunjukkan pada tabel 4.8
Perhitungan peramalan dengan metode Moving Averages
1.
Perhitungan nilai peramalan periode-4 adalah sebagai berikut :
Ŷ4 = (Y1 + Y2 + Y3)/3
= (34,650+52,990+41,265)/3
= 42,968 Unit
2.
Perhitungan error untuk data periode ke-4 adalah sebagai berikut :
e
4=
Y4 – Ŷ4
= 40,740 – 42,968
= -2,228 Unit
(34,650+52,990+41,265+40,740+
41,301)/5 = 42,189
(52,990+41,265+40,740+41,301+
38,044)/5 = 42,868
(41,265+40,740+41,301+38,044+
47,249)/5 = 41,720
3.
Perhitungan RSFE periode ke-4 (Ratio of running sum of forecast errors)
RSFE (4) = RSFE (3) +
e
4
= 0 + (-2,228)
= -2,228
RSFE (5) = RSFE (4) +
e
5
= (-2,228) + (-3,698)
= -5,926
4. Perhitungan
persentase error periode ke-4
PE
(4)
=
e
4 / Y4
= -2,228 / 40,740
=
-5,5%
Untuk perhitungan Mean Absolute Deviation (MAD), Mean Square Error
(MSE), dan Mean Absolute Percentage Error (MAPE) untuk peramalan semua part,
dilakukan mulai dari periode ke-6 (Juni) agar perhitungan setiap metode peramalan
bisa dibandingkan.
5.
Perhitungan Mean Absolute Deviation (MAD)
n
e
MAD
=
∑
Ι
Ι
MAD = 84,109 / 11
MAD = 7,646
6.
Perhitungan Mean Square Error (MSE)
n
Y
Y
MSE
n t t t∑
=−
=
1)
ˆ
(
MSE = Sum Square Error (Periode 6 – 12) / 7
=
1,222,271,125/
7
=
174,610,161
7.
Perhitungan Mean Absolute Percentage Error (MAPE)
n
Y
Y
Y
MAPE
n t t t t∑
=−
=
1|
ˆ
|
MAPE = Sum Absolute Percentage Error (Periode 6 – 12) / 7
=
152,3/
7
=
21,76
8.
Perhitungan Tracking Signal (TS)
(
)
(
6
)
6
Periode
MAD
Periode
RSFE
TS
=
TS
= -8,984 / 1,797
= -5
Tabel 4.8 Single Moving Average (3 Periode)
Single Moving Average (3 Periode)
Part Name GUIDE,CLUTCH OUTER (22115-KPH -9001)
Month Periode Actual data Forecast t-periode Error Ratio of running sum of forecast errors Absolute Error Cummulat ive Absolute Error
Square Error Percentag e Error Absolute Percentag e error Mean Absolute Error Tracking Signal M t Yt Ŷt
e
t RSFEIe
tI
Σ Ie I
e
t2e
t/Yt APE (%) MAD TSJanuari 1 34,650 Februari 2 52,990 Maret 3 41,265 April 4 40,740 42,968 -2,228 -2,228 2,228 2,228 4,965,469 -5.5 5.5 743 -3.00 Mei 5 41,301 44,998 -3,698 -5,926 3,698 5,926 13,672,492 -9.0 9.0 1,481 -4.00 Juni 6 38,044 41,102 -3,058 -8,984 3,058 8,984 9,353,199 -8.0 8.0 1,797 -5.00 Juli 7 47,249 40,028 7,221 -1,764 7,221 16,205 52,135,620 15.3 15.3 2,701 -0.65 Agustus 8 61,565 42,198 19,367 17,604 19,367 35,572 375,094,892 31.5 31.5 5,082 3.46 September 9 67,860 48,952 18,908 36,511 18,908 54,480 357,501,119 27.9 27.9 6,810 5.36 Oktober 10 40,305 58,891 -18,586 17,925 18,586 73,066 345,436,918 -46.1 46.1 8,118 2.21 November 11 54,355 56,577 -2,222 15,704 2,222 75,288 4,936,395 -4.1 4.1 7,529 2.09 Desember 12 45,352 54,173 -8,821 6,882 8,821 84,109 77,812,981 -19.5 19.5 7,646 0.90 Sum 436,771 429,888 Mean Square Error (MSE): 174,610,161
4.2.3 Peramalan permintaan metode Weighted Moving Averages.
Perhitungan peramalan dengan menggunakan metode Weighted Moving
Average tidak jauh berbeda dengan metode Moving Average biasa. Hanya untuk
perhitungan peramalan diberikan bobot yang bertujuan untuk memberikan penekanan yang lebih pada nilai terkini. Perhitungan peramalan dengan metode ini ditunjukkan pada lampiran 2.
Berikut perhitungan peramalan dengan metode Weighted Moving Average : 1. Penentuan Bobot untuk 3 Periode :
n-1 = 3
n-2 = 2
n-3 = 1
2. Perhitungan nilai peramalan periode-4 adalah sebagai berikut : Ŷ4 = {(Y1x1) + (Y2x2) + (Y3x3)}/3
= {(34,650x1)+(52,990x2)+(41,265x3)}/3
= 44,071 Unit
3. Perhitungan error untuk data periode ke-4 adalah sebagai berikut :
e
4=Y4 – Ŷ4= 40,740 – 44,071 = -3,331 Unit
4. Perhitungan RSFE periode ke-4 (Ratio of running sum of forecast errors) RSFE (4) = RSFE (3) +
e
4 = 0 + (-3,331) = -3,331 RSFE (5) = RSFE (4) +e
5 = -3,331) + (-1,656) = -4,9875. Perhitungan persentase error periode ke-4 PE (4) =
e
4 / Y4= -3,331 / 40,740
= -8,2%
Sama dengan metode Moving Average, untuk perhitungan Mean Absolute
Deviation (MAD), Mean Square Error (MSE), dan Mean Absolute Percentage Error (MAPE) untuk peramalan semua part, dilakukan mulai dari periode ke-6 (Juni) agar perhitungan setiap metode peramalan bisa dibandingkan.
6. Perhitungan Mean Absolute Deviation (MAD)
n e MAD=
∑
Ι Ι MAD = 78, 997 / 11 MAD = 7,1827. Perhitungan Mean Square Error (MSE) n Y Y MSE n t t t
∑
= − = 1 ) ˆ (MSE = Sum Square Error (Periode 6 – 12) / 7 = 1,160,368,259 / 7
= 165,766,894
8. Perhitungan Mean Absolute Percentage Error (MAPE)
n Y Y Y MAPE n t t t t
∑
= − = 1 | ˆ |MAPE = Sum Absolute Percentage Error (Periode 6 – 12) / 7 = 147,8 / 7
= 21,11 %
9. Perhitungan Tracking Signal (TS)
(
)
(
6)
6 Periode MAD Periode RSFE TS= TS = -8,051 / 1,610 = -5Tabel 4.9 Single Moving Average Weighted (3 Periode)
Single Moving Average Weighted (3 Periode)
Part Name GUIDE,CLUTCH OUTER (22115-KPH -9001)
Month Periode Actual data Forecast t-periode Error Ratio of running sum of forecast errors Absolute Error Cummulat ive Absolute Error
Square Error Percentag e Error Absolute Percentag e error Mean Absolute Error Tracking Signal
M t Yt Ŷt
e
t RSFEIe
tI
Σ Ie I
e
t2e
t/Yt APE (%) MAD TSJanuari 1 34,650 Februari 2 52,990 Maret 3 41,265 April 4 40,740 44,071 -3,331 -3,331 3,331 3,331 11,094,451 -8.2 8.2 1,110 -3.00 Mei 5 41,301 42,957 -1,656 -4,987 1,656 4,987 2,742,226 -4.0 4.0 1,247 -4.00 Juni 6 38,044 41,108 -3,064 -8,051 3,064 8,051 9,389,628 -8.1 8.1 1,610 -5.00 Juli 7 47,249 39,579 7,670 -381 7,670 15,721 58,827,366 16.2 16.2 2,620 -0.15 Agustus 8 61,565 43,189 18,376 17,995 18,376 34,097 337,679,214 29.8 29.8 4,871 3.69 September 9 67,860 52,873 14,987 32,982 14,987 49,084 224,624,157 22.1 22.1 6,136 5.38 Oktober 10 40,305 62,326 -22,021 10,961 22,021 71,106 484,932,515 -54.6 54.6 7,901 1.39 November 11 54,355 53,034 1,321 12,283 1,321 72,427 1,746,318 2.4 2.4 7,243 1.70 Desember 12 45,352 51,923 -6,570 5,712 6,570 78,997 43,169,061 -14.5 14.5 7,182 0.80
Sum 436,771 431,058 Mean Square Error (MSE): 165,766,894
4.2.4 Peramalan permintaan metode Single Eksponential Smoothing
Metode Single Smoothing Exponential memerlukan nilai α. Disini nilai α ditentukan 0,2. Menurut Makridakis (1999,p85), untuk menemukan nilai α yang optimal memerlukan beberapa percobaan. Hasil perhitungan peramalan dengan metode ini ditunjukkan pada lampiran 3. Disini diasumsikan bahwa Ŷ1 = Y1 karena
nilai Ŷ1 belum dapat diketahui.
Perhitungan peramalan dengan metode Single Exponential Smoothing adalah sebagai berikut :
1. Perhitungan nilai peramalan untuk periode ke-2 adalah sebagai berikut
Ŷ2 = 34,650 + 0,2 (34,650-34,650)
= 34,650
Perhitungan nilai peramalan untuk periode ke-3 sebagai berikut :
Ŷ3 = 34,650 + 0.2 (52,990-34,650)
= 38,318
2. Perhitungan error untuk data ke-3 sebagai berikut :
e
3=Y3 – Ŷ3= 41,265 – 38,318 = 2,947 Unit ) ˆ ( ˆ ˆ 1 1 1 − − − + − = t t t t Y Y Y Y α
3. Perhitungan RSFE periode ke-3 (Ratio of running sum of forecast
errors)
RSFE (3) = RSFE (2) +
e
3 = 18,340 + 2,947 = 21,2874. Perhitungan persentase error periode ke-3
PE (3) =
e
3 / Y3= 2,947 / 41,265
= 7,1%
Sama dengan metode Moving Average dan Weighted Moving Average
untuk perhitungan Mean Absolute Deviation (MAD), Mean Square Error (MSE), dan Mean Absolute Percentage Error (MAPE) untuk peramalan semua part, dilakukan mulai dari periode ke-6 (Juni) agar perhitungan setiap metode peramalan bisa dibandingkan.
6. Perhitungan Mean Absolute Deviation (MAD)
n e MAD=
∑
Ι Ι MAD = 97, 950 / 11 MAD = 8,8867. Perhitungan Mean Square Error (MSE) n Y Y MSE n t t t
∑
= − = 1 ) ˆ (MSE = Sum Square Error (Periode 6 – 12) / 7 = 1,154,851,142 / 7
= 164,978,735
8. Perhitungan Mean Absolute Percentage Error (MAPE)
n Y Y Y MAPE n t t t t
∑
= − = 1 | ˆ |MAPE = Sum Absolute Percentage Error (Periode 6 – 12) / 7 = 131,6 / 7
= 18,8 %
9. Perhitungan Tracking Signal (TS)
(
)
(
6)
6 Periode MAD Periode RSFE TS= TS = 23,511 / 5,356 = 4,39Tabel 4.10 Single Exponential Smoothing
Single Exponential Smoothing
Part Name GUIDE,CLUTCH OUTER (22115-KPH -9001) α : 0.2
Month Periode Actual data Forecast t-periode Error Ratio of running sum of forecast errors Absolute Error Cummulati ve Absolute Error
Square Error Percentag e Error Absolute Percentag e error Mean Absolute Error Tracking Signal
M t Yt Ŷt
e
t RSFEIe
tI
Σ Ie I
e
t2e
t/Yt APE (%) MAD TSJanuari 1 34,650 34,650 Februari 2 52,990 34,650 18,340 18,340 18,340 18,340 336,355,600 34.6 34.6 18,340 1.00 Maret 3 41,265 38,318 2,947 21,287 2,947 21,287 8,684,809 7.1 7.1 10,644 2.00 April 4 40,740 38,907 1,833 23,120 1,833 23,120 3,358,423 4.5 4.5 7,707 3.00 Mei 5 41,301 39,274 2,027 25,146 2,027 25,146 4,107,837 4.9 4.9 6,287 4.00 Juni 6 38,044 39,679 -1,636 23,511 1,636 26,782 2,675,436 -4.3 4.3 5,356 4.39 Juli 7 47,249 39,352 7,896 31,407 7,896 34,679 62,354,068 16.7 16.7 5,780 5.43 Agustus 8 61,565 40,931 20,634 52,041 20,634 55,312 425,744,102 33.5 33.5 7,902 6.59 September 9 67,860 45,058 22,802 74,843 22,802 78,114 519,929,101 33.6 33.6 9,764 7.66 Oktober 10 40,305 49,619 -9,313 65,529 9,313 87,427 86,736,381 -23.1 23.1 9,714 6.75 November 11 54,355 47,756 6,599 72,129 6,599 94,026 43,548,259 12.1 12.1 9,403 7.67 Desember 12 45,352 49,076 -3,723 68,405 3,723 97,750 13,863,794 -8.2 8.2 8,886 7.70
Sum 436,771 389,652 Sum Square Error : 1,154,851,142
4.2.5 Peramalan permintaan metode Eksponential Smoothing adjusted with
Trend Holts Method
Perhitungan peramalan dengan menggunakan metode Eksponential
Smoothing adjusted with Trend Holts Method, menggunakan asumsi α = 0,2 dan
β = 0,5. Hasil perhitungan peramalan dengan metode ini ditunjukkan pada lampiran 4. Disini diasumsikan bahwa Ŷ1 = Y1 karena nilai Ŷ1 belum dapat
diketahui. Nilai T1 diasumsikan 1000. Perhitungan peramalan dengan metode
Eksponential Smoothing adjusted with Trend Holts Method adalah sebagai berikut 1. Peramalan dengan eksponensial yang dihaluskan
) ˆ )( 1 ( ˆ 1 1 1 − − − + − + = t t t t Y Y T Y
α
α
2 ˆ Y = (0,2 x 34,650) + (1-0,2) x ( 34,650+1000) = 35,450 Unit2. Trend dengan eksponensial yang dihaluskan
1 1) (1 ) ˆ ˆ ( − − + − − = t t t t Y Y T T β β T2 = 0,5 (35,450-34,650)+(1-0,5) x 1000 = 900 Unit
3. Peramalan dengan Trend untuk periode ke-2 adalah : ) ˆ t t t Y T FIT = + 2 FIT = 35,450 + 900 = 36,350 Unit
3. Perhitungan error untuk data ke-2 sebagai berikut :
e
2 =Y2 - FIT2= 52,990 – 36,350 = 16,640 Unit
4. Perhitungan RSFE periode ke-2 (Ratio of running sum of forecast
errors)
RSFE (2) = RSFE (1) +
e
2 = 0 + 16,640 = 16,640Perhitungan RSFE periode ke-3 RSFE (3) = RSFE (2) +
e
3= 16,640 + (-1,097) = 15,543
5. Perhitungan persentase error periode ke-2
PE (2) =
e
2 / Y2= 16,640 / 52,990
= 31,4%
Perhitungan persentase error periode ke-3
PE (3) =
e
3 / Y3= (-1,097) / 41,265
Sama dengan metode Moving Average, Weighted Moving Average dan Single Exponential Smoothing, untuk perhitungan Mean Absolute Deviation
(MAD), Mean Square Error (MSE), dan Mean Absolute Percentage Error (MAPE) untuk peramalan semua part, dilakukan mulai dari periode ke-6 (Juni) agar perhitungan setiap metode peramalan bisa dibandingkan.
6. Perhitungan Mean Absolute Deviation (MAD)
n e MAD=
∑
Ι Ι MAD = 91, 374 / 11 MAD = 8,3077. Perhitungan Mean Square Error (MSE)
n Y Y MSE n t t t
∑
= − = 1 ) ˆ (MSE = Sum Square Error (Periode 6 – 12) / 7 = 945,624,397 / 7
= 135,089,200
8. Perhitungan Mean Absolute Percentage Error (MAPE)
n Y Y Y MAPE n t t t t
∑
= − = 1 | ˆ |= 138,3 / 7 = 19,76 %
9. Perhitungan Tracking Signal (TS)
(
)
(
6)
6 Periode MAD Periode RSFE TS= TS = 6,573 / 5,341 = 1,23Tabel 4.11 Exponential Smoothing adjusted with Trend Holts Method
Eksponential Smoothing adjusted with Trend Holts Method
Part Name GUIDE,CLUTCH OUTER (22115-KPH -9001)
α : 0.2 β : 0.5
Month Periode Actual
data Forecast t-periode Trend Adjusment Forecast Include Trend Error Ratio of running sum of forecast errors Absolute Error Cummulati ve Absolute Error
Square Error Percentage Error Absolute Percentage error Mean Absolute Error Tracking Signal
M t Yt Ŷt Tt FITt et RSFE Iet
I
Σ Ie I et2 et/Yt APE (%) MAD TSJanuari 1 34,650 34,650 1,000 35,650 Februari 2 52,990 35,450 900 36,350 16,640 16,640 16,640 16,640 276,889,600 31.4 31.4 16,640 1.00 Maret 3 41,265 39,758 2,604 42,362 -1,097 15,543 1,097 17,737 1,203,409 -2.7 2.7 8,869 1.75 April 4 40,740 40,859 1,853 42,712 -1,972 13,571 1,972 19,709 3,889,178 -4.8 4.8 6,570 2.07 Mei 5 41,301 41,636 1,314 42,950 -1,649 11,922 1,649 21,358 2,719,960 -4.0 4.0 5,340 2.23 Juni 6 38,044 42,369 1,024 43,392 -5,349 6,573 5,349 26,707 28,608,367 -14.1 14.1 5,341 1.23 Juli 7 47,249 42,304 479 42,783 4,466 11,039 4,466 31,173 19,942,202 9.5 9.5 5,195 2.12 Agustus 8 61,565 44,093 1,134 45,227 16,338 27,377 16,338 47,511 266,938,142 26.5 26.5 6,787 4.03 September 9 67,860 48,387 2,714 51,101 16,759 44,136 16,759 64,270 280,854,243 24.7 24.7 8,034 5.49 Oktober 10 40,305 53,082 3,704 56,786 -16,481 27,655 16,481 80,750 271,618,030 -40.9 40.9 8,972 3.08 November 11 54,355 51,326 975 52,301 2,054 29,709 2,054 82,804 4,218,948 3.8 3.8 8,280 3.59 Desember 12 45,352 52,732 1,190 53,922 -8,570 21,139 8,570 91,374 73,444,467 -18.9 18.9 8,307 2.54 63,095
Sum 436,771 416,787 14,388 431,175 Sum Square Error : 945,624,397
4.2.6 Peramalan permintaan metode Eksponential Smoothing adjusted for
Trend & Seasonal variation : Winters Model
Perhitungan dengan menggunakan metode Eksponential smoothing
Adjusted for Trend & Seasonal variation : Winters Model, menggunakan asumsi α = 0,2 dan β = 0,5 dan γ= 0,3. Hasil perhitungan peramlan dengan metode ini ditunjukkan pada lampiran 5. Disini diasumsikan bahwa Ŷ1 = Y1 karena nilai Ŷ1
belum dapat diketahui. Nilai T1 diasumsikan 1000, nilai initial smoothed adalah 1.
Perhitungan untuk periode ke-2 dengan metode Eksponential smoothing
Adjusted for Trend & Seasonal variation : Winters Model adalah sebagai berikut :
1. Pemulusan Eksponential ) ˆ )( 1 ( ˆ 1 1 − − − + − + = t t L t t t Y T S Y Y α α ) 1000 650 , 34 )( 2 , 0 1 ( 1 990 , 52 2 , 0 ˆ 2 = + − + Y 118 , 39 ˆ 2 = Y ) 734 , 2 118 , 39 )( 2 , 0 1 ( 1 265 , 41 2 , 0 ˆ 3 = + − + Y 735 , 41 ˆ 2 = Y 2. Perkiraan kecendrungan 1 1) (1 ) ˆ ˆ ( − − + − − = t t t t Y Y T T β β T2 = 0,5 (35,450-34,650)+(1-0,5) x 1000 = 900 Unit
T3 = 0,5 (39,118-34,650)+(1-0,5) x 1000
= 2,734 Unit
3. Perkiraan nilai musiman
L t t t S Y Y S2 =γ ˆ +(1−γ) − 1 ) 3 , 0 1 ( 118 , 39 990 , 52 3 , 0 2 = + − S 2 S = 1,11
4. Peramalan pada periode 3 adalah
p L t t t p t Y pT S Yˆ+ = ˆ + ) − + 1 ) 734 , 2 ( 1 118 , 39 ˆ 1 2+ = + Y 852 , 41 ˆ 1 2+ = Y
Peramalan pada periode 4 adalah 1 ) 675 , 2 ( 1 735 , 41 ˆ 1 3+ = + Y 410 , 44 ˆ 1 3+ = Y
5. Perhitungan error untuk data ke-2 sebagai berikut :
e
2 =Y - t Yˆ t+p= 52,990 – 35,650 = 17,340 Unit
6. Perhitungan RSFE periode ke-2 (Ratio of running sum of forecast errors) RSFE (2) = RSFE (1) +
e
2= 0 + 17,340 = 17,340
Perhitungan RSFE periode ke-3 RSFE (3) = RSFE (2) +
e
3= 17,340 + (-587) = 16,753
7. Perhitungan persentase error periode ke-2
PE (2) =
e
2 / Y2= 17,340 / 52,990
= 32,7%
Perhitungan persentase error periode ke-3
PE (3) =
e
3 / Y3= -587 / 41,265
Sama dengan metode Moving Average, Weighted Moving Average, Single Exponential Smoothing dan Eksponential Smoothing adjusted with Trend Holts Method untuk perhitungan Mean Absolute Deviation (MAD), Mean Square Error
(MSE), dan Mean Absolute Percentage Error (MAPE) untuk peramalan semua part, dilakukan mulai dari periode ke-6 (Juni) agar perhitungan setiap metode peramalan bisa dibandingkan.
8. Perhitungan Mean Absolute Deviation (MAD)
n e MAD=
∑
Ι ΙMAD = 102, 199 / 11 MAD = 9,291
9. Perhitungan Mean Square Error (MSE)
n Y Y MSE n t t t
∑
= − = 1 ) ˆ (MSE = Sum Square Error (Periode 6 – 12) / 7 = 1,084,827,113 / 7
= 154,975,302
10. Perhitungan Mean Absolute Percentage Error (MAPE)
n Y Y Y MAPE n t t t t
∑
= − = 1 | ˆ |MAPE = Sum Absolute Percentage Error (Periode 6 – 12) / 7 = 155,8 / 7
= 22,26 %
11. Perhitungan Tracking Signal (TS)
(
)
(
6)
6 Periode MAD Periode RSFE TS= TS = -444 / 7,025 = -0.06Tabel 4.12 Exponential Smoothing adjusted for Trend & Seasonal variation : Winters Model
Eksponential Smoothing adjusted for Trend & Seasonal variation : Winters Model
Part Name GUIDE,CLUTCH OUTER (22115-KPH -9001)
α : 0.2 β : 0.5 γ : 0.3
Month Periode Actual data Forecast t-periode AdjusmentTrend Seasonal value
Forecast Include Trend Error Ratio of running sum of forecast errors Absolute Error Cum Absolute Error
Square Error % Error Absolute % error Mean Absolute Error Tracking Signal M t Yt Ŷt Tt St Ŷt+p et RSFE Iet
I
Σ Ie I et2 et/Yt APE (%) MAD TS Januari 1 34,650 34,650 1,000 1.00 34,650 Februari 2 52,990 39,118 2,734 1.11 35,650 17,340 17,340 17,340 17,340 300,675,600 32.7 32.7 17,340 1.00 Maret 3 41,265 41,735 2,675 1.00 41,852 -587 16,753 587 17,927 344,569 -1.4 1.4 8,964 1.87 April 4 40,740 43,676 2,308 0.98 44,410 -3,670 13,083 3,670 21,597 13,468,166 -9.0 9.0 7,199 1.82 Mei 5 41,301 45,048 1,840 0.98 45,984 -4,684 8,400 4,684 26,280 21,935,453 -11.3 11.3 6,570 1.28 Juni 6 38,044 45,119 956 0.95 46,887 -8,844 -444 8,844 35,124 78,214,231 -23.2 23.2 7,025 -0.06 Juli 7 47,249 46,309 1,073 1.01 46,074 1,174 730 1,174 36,299 1,379,042 2.5 2.5 6,050 0.12 Agustus 8 61,565 50,219 2,491 1.07 47,382 14,183 14,913 14,183 50,481 201,153,504 23.0 23.0 7,212 2.07 September 9 67,860 55,740 4,006 1.07 52,710 15,150 30,063 15,150 65,632 229,525,534 22.3 22.3 8,204 3.66 Oktober 10 40,305 55,858 2,062 0.92 59,746 -19,441 10,622 19,441 85,073 377,953,157 -48.2 48.2 9,453 1.12 November 11 54,355 57,207 1,706 0.99 57,920 -3,565 7,057 3,565 88,638 12,711,433 -6.6 6.6 8,864 0.80 Desember 12 45,352 56,201 350 0.94 58,913 -13,561 -6,504 13,561 102,199 183,890,212 -29.9 29.9 9,291 -0.70Sum 436,771 455,376 16,792 460,028 Mean Square Error (MSE): 154,975,302
4.2. Perbandingan Uji Pola Data dengan 5 Metode Peramalan
Berdasarkan hasil perhitungan dengan lima metode peramalan tersebut, maka didapat nilai MAD, MAPE dan MSE untuk masing-masing data yang ditunjukkan pada tabel 4.13.
Keterangan tabel :
SMA 3 : Single Moving Average (3 Periode)
SMA 3 W : Single Moving Average Weighted (3 Periode) SMA 4 : Single Moving Average (4 Periode)
SMA 4 W : Single Moving Average Weighted (4 Periode) SMA 5 : Single Moving Average (5 Periode)
SMA 5 W : Single Moving Average Weighted (5 Periode) SES : Single Exponential Smoothing
EST : Exponential Smoothing adjusted with Trend Holts Method ESTS : Exponential Smoothing adjusted for Trend & Seasonal
Variation : Winters Model
Nilai MAD terkecil, sebagian besar berada di metode Single Weighted
Moving Averages 5 Periode. Nilai MAPE terkecil, sebagian besar berada di Exponential Smoothing adjusted for Trend & Seasonal variation : Winters Model.
Sedangkan nilai MSE terkecil, sebagian besar juga berada di Exponential
Smoothing adjusted for Trend & Seasonal variation : Winters Model.
Sehingga dapat disimpulkan, pola data untuk kesepuluh part tersebut adalah pola kecendrungan (Trend).
Tabel 4.13 Perbandingan hasil uji pola data 1 2 3 5 4 6 7 8 9 10 MAD 7,646 16,845 28,877 57,753 19,251 31,804 5,031 5,031 10,061 5,031 MAPE 21.76 26.11 26.11 26.11 26.11 20.96 19.83 19.83 19.83 19.83 MSE 174,610,161 613,205,161 1,802,072,311 7,208,289,245 800,921,027 2,843,713,161 59,963,187 59,963,187 239,852,749 59,963,187 MAD 7,182 16,920 29,005 58,010 19,337 33,351 4,626 4,626 9,251 4,626 MAPE 21.11 26.13 26.13 26.13 26.13 21.59 17.97 17.97 17.97 17.97 MSE 165,766,894 685,745,425 2,015,251,862 8,061,007,450 895,667,494 3,081,827,531 51,933,729 51,933,729 207,734,918 51,933,729 MAD 7,160 18,081 30,997 61,993 20,664 33,241 4,989 4,989 9,977 4,989 MAPE 21.45 27.22 27.22 27.22 27.22 20.85 20.34 20.34 20.34 20.34 MSE 171,382,463 677,641,204 1,991,435,376 7,965,741,502 885,082,389 3,021,829,043 70,433,632 70,433,632 281,734,527 70,433,632 MAD 6,991 17,316 29,684 59,369 19,790 32,857 4,617 4,617 9,234 4,617 MAPE 21.24 26.57 26.57 26.57 26.57 21.29 18.92 18.92 18.92 18.92 MSE 163,272,200 672,086,222 1,975,110,530 7,900,442,120 877,826,902 2,999,189,417 57,516,244 57,516,244 230,064,977 57,516,244 MAD 6,692 17,389 29,811 59,621 19,874 32,988 4,704 4,704 9,408 4,704 MAPE 19.69 29.75 29.75 29.75 29.75 22.53 19.27 19.27 19.27 19.27 MSE 161,033,345 826,658,058 2,429,362,456 9,717,449,825 1,079,716,647 3,480,776,277 72,022,768 72,022,768 288,091,070 72,022,768 MAD 6,804 15,789 27,067 54,134 18,045 30,862 4,558 4,558 9,115 4,558 MAPE 20.73 27.63 27.63 27.63 27.63 21.70 19.03 19.03 19.03 19.03 MSE 159,415,057 712,100,281 2,092,702,866 8,370,811,464 930,090,163 3,105,375,502 60,728,887 60,728,887 242,915,546 60,728,887 MAD 8,886 26,714 45,796 91,592 30,531 52,438 5,367 5,367 10,733 5,367 MAPE 18.80 33.46 33.46 33.46 33.46 26.49 18.13 18.13 18.13 18.13 MSE 164,978,735 1,178,541,046 3,463,467,564 13,853,870,258 1,539,318,918 4,707,227,282 78,991,090 78,991,090 315,964,360 78,991,090 MAD 8,307 22,043 39,518 81,457 25,538 45,700 4,973 4,973 10,011 4,973 MAPE 19.76 29.10 30.02 30.67 29.37 24.04 16.50 16.50 16.62 16.50 MSE 135,089,200 832,385,797 2,617,216,810 10,977,658,835 1,109,413,812 3,710,825,214 44,552,589 44,552,589 208,379,840 44,552,589 MAD 9,291 15,165 26,801 54,773 17,477 34,666 5,962 5,962 12,322 5,962 MAPE 22.26 21.44 21.85 22.13 21.56 18.97 20.56 20.56 21.71 20.56 MSE 154,975,302 497,453,278 1,480,176,716 5,975,329,146 652,103,531 2,568,357,506 63,448,902 63,448,902 274,806,018 63,448,902 No Part Name GUIDE, CLUTCH OUTER COLLAR, CENTER CLUTCH SHAFT ROCKER ARM GEAR SHIFT DRUM PUMP PIVOT
OIL PIN PISTON
BOSS,DRIVE FACE SHAFT COMP,OIL PUMP BUSH,M STAND SHAFT,IN ROCKER ARM SMA 3 SMA 3 W SMA 4 SMA 4 W ESTS SMA 5 SMA 5 W SES EST
4.3. Penentuan Metode Peramalan
Berdasarkan tabel perbandingan hasil uji pola data diatas, dimana pola permintaan part dari PT Astra Honda Motor menunjukkan pola kecendrungan (Trend) dengan dasar nilai MSE dan MAPE terkecil sebagian besar berada di metode Exponential Smoothing adjusted for Trend & Seasonal variation : Winters
Model.
Mengacu pada tabel 2.1 terdapat beberapa metode peramalan untuk pola data kecendrungan. Dalam penilitian ini akan dibahas metode Exponential
Smoothing adjusted for Trend & Seasonal variation : Winters Model, Brown’s Linear Eksponential Smoothing dan Linear Regression. Berdasarkan ketiga
metode tersebut akan dipilih metode peramalan pola data trend yang paling efektif.
4.5 Perhitungan Metode Peramalan untuk Pola Data Kecendrungan
Untuk menentukan metode peramalan yang paling sesuai untuk data permintaan part dari PT Astra Honda Motor tersebut, maka dilakukan perhitungan untuk ketiga metode tersebut. Nilai MSE, MAD dan MAPE terkecil akan menjadi dasar pemilihan metode terbaik.
4.5.1 Linear Regression
Berikut ini perhitungan peramalan dengan metode Linear Regression . Pada sub bab ini hanya ditampilkan perhitungan untuk 1 part (Guide Clutch Outer) saja. Sedangkan perhitungan untuk part lainnya terdapat pada lampiran 12.
1. Perhitungan Slope dan intersep
∑
∑
− − − − − = 2 2 ) ( ) )( ( ) ( bar t n t bar Y bar t n Y t b t t 2 ) 5 . 6 ( 12 650 ) 140 , 47 )( 5 . 6 ( 12 337 , 841 , 3 − − = b b = 1,149.77 ) ( ) (Y bar b t bar a= t − − − a = 47,140 – (1,149.77 x 6.5) a = 39,666.132. Nilai peramalan untuk periode t=2 (Februari 2006) adalah :
bt a Yˆt = + ) 2 77 . 149 , 1 ( 13 . 666 , 39 ˆ 2 = + × Y 966 , 41 ˆ 2 = Y
3. Perhitungan error untuk periode t=2 (Februari 2006) adalah :
e
2 =Y - t Yˆ t+p= 52,990 – 41,966 = 11,024 Unit
4. Perhitungan Mean Absolute Deviation (MAD) n e MAD=
∑
Ι Ι MAD = 87,225 / 12 MAD = 7,2695. Perhitungan Mean Square Error (MSE)
n Y Y MSE n t t t
∑
= − = 1 ) ˆ (MSE = Sum Square Error/12 = 932,813,410 / 12 = 77,734,451
6. Perhitungan Mean Absolute Percentage Error (MAPE)
n Y Y Y MAPE n t t t t
∑
= − = 1 | ˆ |MAPE = Sum Absolute Percentage Error / 12 = 180.6/ 12
4.5.2 Brown’s Linear Eksponential Smoothing
Perhitungan dengan menggunakan metode Brown’s Eksponential
Smoothing menggunakan asumsi α = 0.2. Pada sub bab ini hanya ditampilkan
perhitungan untuk 1 part (Guide Clutch Outer) saja. Sedangkan perhitungan untuk part lainnya terdapat pada lampiran 13. Diasumsikan bahwa A1, A2 = Y1
Contoh perhitungan peramalan untuk periode ke-3.
1. Perhitungan Single smoothed statistic
1 1 1 ( ) (1 ) − − + = t t t Y A A α α 650 , 34 ) 2 . 0 1 ( ) 990 , 52 ( 2 . 0 1 2 = + − A 318 , 38 1 2 = A
2. Perhitungan Double smoothed statistic
2 1 1 2 ( ) (1 ) − − + = t t t S A A α α 650 , 34 ) 2 . 0 1 ( ) 318 , 38 ( 2 . 0 2 2 = + − A 384 , 35 2 2 = A
3. Perhitungan perbedaan nilai pemulusan (a ) t
2 1 2 t t t A A a = − 384 , 35 ) 318 , 38 ( 2 3 = − a
= 41,252
4. Perhitungan Slope (Adjustment Factor b ) t ) ( 1 2 1 t t t A A b − − = α α ) 384 , 35 318 , 38 ( 2 . 0 1 2 . 0 − − = t b
= 733.6
5. Nilai peramalan untuk periode t=5 adalah : ) ( ˆ a bT Yt+p = + t ) 1 ( 1 , 637 822 , 341 ( ˆ 1 4+ = + Y 459 , 42 ˆ 1 4+ = Y
6. Perhitungan error untuk periode t=5 adalah :
e
5 =Y - t Yˆt= 41,301 – 42,459 = -1,159 Unit
5. Perhitungan Mean Absolute Deviation (MAD)
n e MAD=
∑
Ι Ι MAD = 77,212 / 11 MAD = 7,0196. Perhitungan Mean Square Error (MSE) n Y Y MSE n t t t
∑
= − = 1 ) ˆ (MSE = Sum Square Error/12 = 1,091,261,132 / 12 = 109,126,113
7. Perhitungan Mean Absolute Percentage Error (MAPE)
n Y Y Y MAPE n t t t t
∑
= − = 1 | ˆ |MAPE = Sum Absolute Percentage Error / 12 = 155.7/ 12
= 15.6 %
4.5.2 Eksponential Smoothing adjusted for Trend & Seasonal variation :
Winters Model
Perhitungan dengan menggunakan metode Eksponential smoothing
Adjusted for Trend & Seasonal variation : Winters Model, menggunakan asumsi α = 0,2 dan β = 0,5 dan γ= 0,3. Hasil perhitungan peramlan dengan metode ini
ditunjukkan pada lampiran 13. Disini diasumsikan bahwa Ŷ1 = Y1 karena nilai Ŷ1
belum dapat diketahui. Nilai T1 diasumsikan 1000, nilai initial smoothed adalah 1.
Perhitungan untuk periode ke-2 dengan metode Eksponential smoothing
1. Pemulusan Eksponential ) ˆ )( 1 ( ˆ 1 1 − − − + − + = t t L t t t Y T S Y Y α α ) 1000 650 , 34 )( 2 , 0 1 ( 1 990 , 52 2 , 0 ˆ 2 = + − + Y 118 , 39 ˆ 2 = Y ) 734 , 2 118 , 39 )( 2 , 0 1 ( 1 265 , 41 2 , 0 ˆ 3 = + − + Y 735 , 41 ˆ 2 = Y 2. Perkiraan kecendrungan 1 1) (1 ) ˆ ˆ ( − − + − − = t t t t Y Y T T β β T2 = 0,5 (35,450-34,650)+(1-0,5) x 1000 = 900 Unit T3 = 0,5 (39,118-34,650)+(1-0,5) x 1000 = 2,734 Unit
3. Perkiraan nilai musiman
L t t t S Y Y S2 =γ ˆ +(1−γ) − 1 ) 3 , 0 1 ( 118 , 39 990 , 52 3 , 0 2 = + − S 2 S = 1,11
4. Peramalan pada periode 3 adalah p L t t t p t Y pT S Yˆ+ = ˆ + ) − + 1 ) 734 , 2 ( 1 118 , 39 ˆ 1 2+ = + Y 852 , 41 ˆ 1 2+ = Y
Peramalan pada periode 4 adalah 1 ) 675 , 2 ( 1 735 , 41 ˆ 1 3+ = + Y 410 , 44 ˆ 1 3+ = Y
8. Perhitungan error untuk data ke-2 sebagai berikut :
e
2 =Y - t Yˆ t+p= 52,990 – 35,650 = 17,340 Unit
9. Perhitungan RSFE periode ke-2 (Ratio of running sum of forecast
errors)
RSFE (2) = RSFE (1) +
e
2 = 0 + 17,340 = 17,340Perhitungan RSFE periode ke-3 RSFE (3) = RSFE (2) +
e
3= 17,340 + (-587) = 16,753
10. Perhitungan persentase error periode ke-2
PE (2) =
e
2 / Y2= 17,340 / 52,990
= 32,7%
Perhitungan persentase error periode ke-3
PE (3) =
e
3 / Y3= -587 / 41,265
= -1,4 %
11. Perhitungan Mean Absolute Deviation (MAD)
n e MAD=
∑
Ι ΙMAD = 102, 199 / 11 MAD = 9,291
12. Perhitungan Mean Square Error (MSE)
n Y Y MSE n t t t
∑
= − = 1 ) ˆ (MSE = Sum Square Error / = 1,421,250,902 / 12
13. Perhitungan Mean Absolute Percentage Error (MAPE) n Y Y Y MAPE n t t t t
∑
= − = 1 | ˆ |MAPE = Sum Absolute Percentage Error / 12 = 210,3 / 12
= 19,12 %
4.6 Perbandingan Metode Peramalan untuk Pola Data Kecendrungan
Dari hasil perhitungan ketiga metode peramalan untuk pola data kecendrungan tersebut, yaitu Linear Regression, Brown’s Linear Eksponential
Smoothing dan Eksponential Smoothing adjusted for Trend & Seasonal variation : Winters Model. Berikut adalah hasil perbandingan perhitungan ketiga metode
Tabel 4.14 Perbandingan hasil peramalan Pola Kecendrungan
MAD MAPE MSE MAD MAPE MSE MAD MAPE MSE
1 7,930 15.05 77,734,451 7,019 15.57 109,126,113 9,291 19.12 129,204,627 2 11,928 15.72 226,552,523 16,838 22.54 503,219,654 15,165 20.59 402,177,795 3 20,448 15.72 665,787,007 28,866 22.54 1,478,849,595 26,801 21.27 1,211,808,023 5 40,896 15.72 2,663,148,028 57,731 22.54 5,915,398,381 54,773 21.78 4,936,030,945 4 13,632 15.72 295,905,336 19,244 22.54 657,266,487 17,477 20.77 529,180,108 6 28,167 13.40 1,122,378,086 32,493 17.07 2,122,069,318 34,666 17.49 2,020,559,333 7 4,400 12.00 25,134,031 5,389 16.80 44,336,036 5,962 17.61 44,531,328 8 4,400 12.00 25,134,031 5,389 16.80 44,336,036 5,962 17.61 44,531,328 9 8,800 12.00 100,536,126 10,778 16.80 177,344,145 12,322 17.99 189,974,194 10 4,400 12.00 25,134,031 5,389 16.80 44,336,036 5,962 17.61 44,531,328 Keterangan :
Linear : Linear Regression
BLES : Brown's Linear Ek sponential Regression
ESTS : Ek sponential Smoothing Adjusted for Trend & Seasonal Variation : Winters
No Part Name LINEAR BLES ESTS
GUIDE, CLUTCH OUTER COLLAR, CENTER CLUTCH SHAFT ROCKER ARM
SHAFT COMP,OIL PUMP BUSH,M STAND
SHAFT,IN ROCKER ARM GEAR SHIFT DRUM PUMP PIVOT OIL PIN PISTON
Berdasarkan perbandingan hasil metode peramalan untuk pola data kecendrungan. Didapat kesimpulan bahwa dari ketiga metode peramalan untuk pola data kecendrungan (Trend), yang mempunyai nilai MAD, MAPE dan MSE terkecil terpusat pada metode Linear Regression. Maka dari ketiga metode tersebut, metode yang paling sesuai untuk diaplikasikan adalah metode Linear
Regression.
4.7 Perhitungan kapasitas produksi
Setelah peramalan permintaan dari PT Astra Honda Motor diketahui, maka langkah berikutnya yang harus dilakukan dalam pembuatan rencana produksi adalah penghitungan kapsitas produksi untuk masing-masing part.
Perhitungan kapasitas produksi dilakukan dengan mencari jumlah produksi terkecil dari setiap process. Pada umumnya jumlah produksi terkecil terdapat pada proses yang memiliki waktu proses terlama (Bottleneck).
Berikut data perhitungan kapasitas produksi per hari untuk setiap part
4.7.1 Perhitungan waktu kerja yang tersedia per hari
Total waktu kerja yang tersedia per hari adalah sebagai berikut : • Senin – Jumat : 3 Shift (Shift Normal)
o Shift 1 : Pkl 06.00 ~ 14.00 WIB : 8 Jam = 28,800 detik o Shift 2 : Pkl 14.00 ~ 22.00 WIB
o Shift 3 : Pkl 22.00 ~ 06.00 WIB : 8 Jam = 28,800 detik
Total waktu kerja yang tersedia per hari pada Senin sampai dengan Jumat (shift normal) adalah 86,400 detik.
• Sabtu : 2 Shift ( Shift Pendek)
o Shift 1 : Pkl 06.00 ~ 11.00 WIB : 5 Jam = 18,000 detik o Shfit 2 : Pkl 11.00 ~ 16.00 WIB
: 5 Jam = 18,000 detik
Total waktu kerja yang tersedia per hari pada Sabtu (shift pendek) adalah 36,000 detik.
4.7.2 Perhitungan kapasitas produksi per proses
Dari data waktu kerja yang tersedia dan data urutan proses pembuatan part, maka dilakukan penghitungan hasil produksi untuk setiap proses. Pada penghitungan output produksi, ditetapkan efisiensi produksi per shift (Sisa waktu kerja yang terbuang) sebesar 85 % dan tidak ada kekurangan kapasitas untuk proses-proses yang disubkontrakkan. Berikut perhitungan hasil produksi untuk part Guide clutch outer. Sedangkan perhitungan untuk part lainnya terdapat pada lampiran 14.
Nama Part : Guide Clutch Outer Proses :
1. Turning
Kapasitas Desain
• Kapasitas desain per shift (Senin-Jumat) : proses waktu Total istirahat jam Total tersedia yang kerja waktu Total = 21 3,600 -28,800 = = 1,200 pcs/shift
• Kapasitas desain per hari (Senin-Jumat) :
= Kapasitas desain per shift x Jumlah shift per hari = 1,200 x 3 = 3,600 pcs/hari
Kapasitas efektif
• Kapasitas efektif per shift (Senin-Jumat) : = Kapasitas desain x Efisiensi produksi = 1,200 x 0,85
= 1,020 pcs/shift
• Kapasitas efektif per hari (Senin-Jumat) :
= Kapasitas efektif per shift x Jumlah shift per hari = 1,020 x 3 = 3,060 pcs/shift
2. Chamfering Kapasitas Desain
• Kapasitas desain per shift (Senin-Jumat) : proses waktu Total istirahat jam Total tersedia yang kerja waktu Total = 5 3,600 -28,800 = = 5,040 pcs/ shift
• Kapasitas desain per hari (Senin-Jumat) :
= Kapasitas desain per shift x Jumlah shift per hari = 5,040 x 3 = 15,120 pcs/hari
Kapasitas efektif
• Kapasitas efektif per shift (Senin-Jumat) : = Kapasitas desain x Efisiensi produksi = 5,040 x 0,85
= 4,284 pcs/shift
• Kapasitas efektif per hari (Senin-Jumat) :
= Kapasitas efektif per shift x Jumlah shift per hari = 4,284 x 3 = 12,852 pcs/shift
3. Grinding
Kapasitas Desain
• Kapasitas desain per shift (Senin-Jumat) : proses waktu Total istirahat jam Total tersedia yang kerja waktu Total =
5 3,600 -28,800
= = 5,040 pcs/ shift
• Kapasitas desain per hari (Senin-Jumat) :
= Kapasitas desain per shift x Jumlah shift per hari = 5,040 x 3 = 15,120 pcs/hari
Kapasitas efektif
• Kapasitas efektif per shift (Senin-Jumat) : = Kapasitas desain x Efisiensi produksi = 5,040 x 0,85
= 4,284 pcs/shift
• Kapasitas efektif per hari (Senin-Jumat) :
= Kapasitas efektif per shift x Jumlah shift per hari = 4,284 x 3 = 12,852 pcs/shift
Dari hasil perhitungan kapasitas efektif untuk setiap proses untuk part Guide clutch outer, maka dapat disimpulkan bahwa output maksimal adalah output untuk proses terlama (bottleneck) yaitu sebanyak 3,060 pcs/hari.
Tabel 4.15 Data Kapasitas Aktual
Senin-Jumat Sabtu Total Total
GUIDE CLUTCH OUTER
1 Turning 3,060 1,457 16,757 67,029
2 Chamfering 12,852 6,120 70,380 281,520
3 Grinding 12,852 6,120 70,380 281,520
4 LCN or GSN
SUBTOTAL 3,060 1,457 16,757 67,029
COLLAR CENTER CLUTCH
1 Turning 1,947 927 10,664 42,655
2 Chamfering 12,852 6,120 70,380 281,520
3 Grinding 12,852 6,120 70,380 281,520
4 LCN or GSN
SUBTOTAL 1,947 927 10,664 42,655
SHAFT ROCKER ARM
1 Turning 2,380 1,133 13,033 52,133 2 Chamfering 16,065 7,650 87,975 351,900 3 Tapping 10,710 5,100 58,650 234,600 4 Grinding 16,065 7,650 87,975 351,900 5 Carburizing 6 Grinding 16,065 7,650 87,975 351,900 SUBTOTAL 2,380 1,133 13,033 52,133
GEAR SHIFT DRUM
1 Turning 16,065 7,650 87,975 351,900
2 Carburizing
3 Grinding 64,260 30,600 351,900 1,407,600
SUBTOTAL 16,065 7,650 87,975 351,900
PIVOT OIL PUMP
1 Turning 1,428 680 7,820 31,280 SUBTOTAL 1,428 680 7,820 31,280 PIN PISTON 1 Turning 2,380 1,133 13,033 52,133 2 Chamfering 16,065 7,650 87,975 351,900 3 Grinding 9,180 4,371 50,271 201,086 4 Carburizing 5 Grinding I 8,033 3,825 43,988 175,950 6 Grinding II 8,033 3,825 43,988 175,950 SUBTOTAL 2,380 1,133 13,033 52,133 CAPACITY
Tabel 4.15 Data Kapasitas Aktual (Cont..)
Senin-Jumat Sabtu Total Total
BOSS DRIVE FACE
1 Turning 1,071 510 5,865 23,460 2 Chamfer 8,033 3,825 43,988 175,950 3 Induction 4 Grinding awalan 10,710 5,100 58,650 234,600 5 Hard Chrome 6 Turning I.D 1,460 695 7,998 31,991 7 Grinding 12,852 6,120 70,380 281,520 SUBTOTAL 1,071 510 5,865 23,460
SHAFT COMP OIL PUMP
1 Turning 1,339 638 7,331 29,325
2 Milling + Drill 1,353 644 7,408 29,634
3 LCN
4 Assy1 (Shaft + Sprocket) 10,710 5,100 58,650 234,600 5 Assy2 (Shaft + Roller) 12,852 6,120 70,380 281,520
SUBTOTAL 1,339 638 7,331 29,325 BUSH M STAND 1 Turning 1,397 665 7,650 30,600 2 Chamfering 8,033 3,825 43,988 175,950 3 Hardening 4 Grinding 9,180 4,371 50,271 201,086 5 Zinc Plating SUBTOTAL 1,397 665 7,650 30,600
SHAFT IN ROCKER ARM
1 Turning 1,071 510 5,865 23,460 2 Milling Ulir 1,836 874 10,054 40,217 3 Milling Alur 2,008 956 10,997 43,988 4 Milling Radius 2,142 1,020 11,730 46,920 5 Grinding 12,852 6,120 70,380 281,520 6 Hardening SUBTOTAL 1,071 510 5,865 23,460 1 Turning 2,380 1,133 13,033 52,133 2 Chamfering 16,065 7,650 87,975 351,900 3 Grinding 9,180 4,371 50,271 201,086 4 Carburizing 5 Grinding I 8,033 3,825 43,988 175,950 6 Grinding II 8,033 3,825 43,988 175,950 SUBTOTAL 2,380 1,133 13,033 52,133 CAPACITY
4.7.3 Perbandingan data kapasitas aktual vs Demand
Dari data kapasitas yang sudah diperoleh dari penghitungan kapasitas aktual. Kemudian data tersebut dibandingkan dengan permintaan pelanggan (demand). Hal ini bertujuan untuk mengetahui apakah kapasitas yang ada saat ini sudah mencukupi untuk pemenuhan permintaan pelanggan. Data ini merupakan acuan dalam pembuatan perencanaan produksi untuk masa yang akan datang, terutama dalam perencanaan kapasitas jangka panjang, maupun perencanaan investasi.
Berikut perbandingan data kapasitas aktual terhadap permintaan pelanggan untuk part Guide Clutch Outer. Adapun data perbandingan kapasitas aktual terhadap permintaan pelanggan untuk part lainnya ditampilkan pada lampiran 16.
Tabel 4.16 Perbandingan Kapasitas vs Demand
Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec
Demand 34,650 52,990 41,265 40,740 41,301 38,044 47,249 61,565 67,860 40,305 54,355 45,352 Kapasitas 67,028 67,028 67,028 67,028 67,028 67,028 67,028 67,028 67,028 67,028 67,028 67,028
GUIDE,CLUTCH OUTER
Perbandingan Demand vs Kapasitas Guide Clutch Outer -10,000 20,000 30,000 40,000 50,000 60,000 70,000 80,000 1 2 3 4 5 6 7 8 9 10 11 12 Periode Q u an tity Demand Kapasitas
4.8 Perhitungan Master Production Schedule (MPS)
Berdasarkan hasil perhitungan metode peramalan untuk pola kecendrungan, dimana metode linear regression merupakan metode yang paling sesuai untuk pola data untuk kesepuluh part tersebut. Maka langkah berikutnya, metode tersebut digunakan untuk penghitungan peramalan permintaan untuk periode 2 bulan kedepan, yaitu Januari dan Februari 2007. Data tersebut akan digunakan untuk Master Production Schedule (MPS). Berikut perhitungan MPS untuk periode Januari dan Februari 2007
Berdasarkan persamaan hasil perhitungan dengan metode regresi linear pada pembahasan sebelumnya yaitu :
bt a Yˆt = + Dimana a = 39,666.13 dan b = 1,149.77 Sehingga : ) ( 77 . 149 , 1 13 . 666 , 39 ˆ t Yt = +
Peramalan permintaan untuk periode Januari 2007 (periode 13) adalah : ) ( 77 . 149 , 1 13 . 666 , 39 ˆ t Yt = + ) 13 ( 77 . 149 , 1 13 . 666 , 39 ˆ 13 = + Y 164 , 54 ˆ 13= Y Pcs
Peramalan permintaan untuk periode Januari 2007 (periode 13) adalah : ) ( 77 . 149 , 1 13 . 666 , 39 ˆ t Yt = + ) 14 ( 77 . 149 , 1 13 . 666 , 39 ˆ 14 = + Y 763 , 55 ˆ 14 = Y Pcs
Berdasarkan perhitungan peramalan diatas, maka Master Production Schedule untuk periode bulan januari dan februari 2007 adalah sebagai berikut :
Tabel 4.17 Master Production Schedule Januari dan Februari 2007
Jan Feb
13 14
1 22115-KPH -9001 Guide Clutch Outer 39,665 1,150 54,614 55,764 110,379 2 23112-GCE -9000-C1 Collar Center Clutch 34,296 6,577 119,796 126,373 246,170 3 14451-035-0002 Shaft Rocker Arm 58,793 11,275 205,365 216,640 422,005 5 24421-200-0002 Gear Shift Drum 117,587 22,550 410,730 433,280 844,010 4 15384-178-0001 Pump Pivot Oil 39,196 7,517 136,910 144,427 281,337 6 13111-087-0002 Pin Piston 120,113 11,799 273,497 285,295 558,792 7 22105-KVB -9000 Boss Drive Face 24,091 1,267 40,564 41,831 82,396 8 15130-KVB -9000 Shaft Comp Oil Pump 24,091 1,267 40,564 41,831 82,396 9 11205-GBC -3000 Bush M Stand 48,183 2,534 81,129 83,663 164,791 10 14451-KVB -9000 Shaft In Rocker Arm 24,091 1,267 40,564 41,831 82,396
b
2007
Total
