MODUL 1
PERAMALAN PERMINTAAN 1.1 TUJUAN
Tujuan pemberian tugas pada modul ini adalah sebagai berikut : 1. Mahasiswa dapat memilih metode peramalan yang tepat. 2. Mahasiswa dapat meramalkan permintaan masa mendatang. 1.2 TUGAS RESMI
Selesaikan tugas peramalan berikut dengan menggunakan Software WinQSB dan secara manual :
1. Permintaan bulanan sebuah produk selama tahun 2015 adalah sebagai berikut :
Tabel 1.1 data tugas 1
Bulan Permintaan (unit)
Berdasarkan data tersebut,lakukan :
a. Plotting data permintaan dan pilih dua metode yang paling sesuai berdasarkan hasil plotting data.
b. Ramalkan permintaan 5 bulan berikutnya. c. Hitung MAPE masing-masing metode.
menggunakan Tracking Signal. Lakukan analisa hasil MAPE dan Tracking Signal.
2. PT. Jaya Abadi adalah sebuah perusahaan botol, bagian produksi menugaskan marketing untuk melakukan peramalan permintaan botol dengan data permintan masa lalu seperti berikut :
Tabel 1.2 data tugas 2
Bulan 1Permintaan (unit)2
Januari 1206 1230
Februari 1220 1246
Maret 1246 1250
April 1260 1230
Mei 1280 1226
Desember 1216 1246
Berdasrkan data tersebut, lakukan :
a. Plotting data permintaan dan pilih 2 metode yang paling sesuai berdasarkan hasil plotting tersebut.
b. Ramalkan permintaan 5 bulan berikutnya.
c. Hitung MAPE, metode mana yang paling sesuai untuk meramalkan permintaan 5 bulan kedepan dan lakukan validasi dengan
menggunakan Tracking Signal. Lakukan analisa hasil MAPE dan Tracking Signal.
3. PT. Abal Abal adalah sebuah perusahaan sepatu, departemen marketing ingin mengetahui permintaan bulan berikutnya dengan melakukan peramalan permintaan data masa lalu sebagai berikut :
Tabel 1.3 data tugas 3
Januari 2000
Berdasrkan data tersebut, lakukan :
a. Plotting data permintaan dan pilih 2 metode yang paling sesuai berdasarkan hasil plotting data. (gunakan nilai alfa = 0,6, beta = 0,06 dan gama = 0,6 jika menggunakan metode winter)
b. Ramalkan permintaan 6 bulan berikutnya. c. Hitung MAPE masing-masing metode
d. Berdasarkan nilai MAPE, metode mana yang paling sesuai untuk meramalkan permintaan 5 bulan kedepan dan lakukan validasi dengan menggunakan Tracking Signal. Lakukan analisa hasil MAPE dan Tracking Signal.
1.3 PENGOLAHAN DATA DENGAN Software WinQSB 1.3.1 Hasil pengolahan data tugas 1
a. Data permintaan tugas 1
Tabel 1.4 data tugas 1
Januari 90
b. Garfik data permintaan
Object 3
Grafik 1.1 Kecenderungan data permintaan tugas 1 Dari grafik di atas dapat diketahui tugas 1 berpola data trend. Untuk melakukan peramalan dapat menggunakan metode : - Linear Regression
- Single Exponential Smoothing c. Hasil peramalan
Gambar 1.1 linear regression winQSB
Interpretasi :
Dari gambar di atas, perhitungan linear regression dengan menggunakan software winQSB diketahui nilai peramalan untuk periode 13 – 17 yaitu 108.6364, 110.3881, 112.1399, 113.8916, 115.6434. dan nilai MAPE diketahui 4,832084.
- Single Exponential Smoothing
Interpretasi :
Dari gambar di atas, perhitungan single exponential smoothing dengan menggunakan software winQSB diketahui nilai peramalan untuk periode 13 – 17 yaitu 109,7153. Dan nilai MAPE diketahui 4,723977.
1.3.2 Hasil pengolahan data tugas 2 a. Data permintaan tugas 2
Tabel 1.5 data tugas 2
Bulan Permintaan (unit)
1 2
Januari 1206 1230 Februari 1220 1246
Maret 1246 1250
April 1260 1230
Mei 1280 1226 Desember 1216 1246
b. Garfik data permintaan
Object 5
Grafik 1.2 Kecenderungan data permintaan tugas 2
Dari grafik di atas dapat diketahui tugas 2 berpola data siklis. Untuk melakukan peramalan dapat menggunakan metode : - Moving average
c. Hasil peramalan - Moving average
Gambar 1.3 moving average winQSB
Interpretasi :
Dari gambar di atas, perhitungan moving average dengan
menggunakan software winQSB diketahui nilai peramalan untuk periode 25 – 30 yaitu 1250,667. dan nilai MAPE m-3 diketahui 1,852780, dan nilai MAPE m-5 diketahui 2,030698. Sehingga dapat diketahui peramalan moving average dengan menggunakan m-3 lebih sesuai dari pada menggunakan m-5.
- Singgle exponential smoothing
Interpretasi :
Dari gambar di atas, perhitungan single exponential smoothing dengan menggunakan software winQSB diketahui nilai peramalan untuk periode 25 - 30 yaitu 1238,583. Dan nilai MAPE diketahui 1,791483.
Dari hasil kedua perhitungan moving average dan single exponential smoothing diatas dengan menggunakan software winQSB dapat diketahui bahwa nilai MAPE moving average yaitu 1,852780 dan nilai MAPE single exponential smoothing yaitu 1,791483. Diketahui nilai MAPE single exponential smooting lebih kecil dari pada moving average, 1,791483<1,852780. Jadi metode yang paling sesuai untuk meramalkan permintaan 6 bulan kedepan adalah metode single exponential smoothing.
1.3.3 Hasil pengolahan data tugas 3 a. Data permintaan tugas 3
Tabel 1.6 data tugas 3
Januari 2000
b. Grafik data permintaan
Object 7
Grafik 1.3 Kecenderungan data permintaan tugas 3
Dari grafik di atas dapat diketahui tugas 3 berpola data musiman. Untuk melakukan peramalan dapat menggunakan metode :
- Moving average
c. Hasil peramalan - Moving average
Gambar 1.5 moving average
Interpretasi :
- Dari gambar di atas, perhitungan Moving average
dengan menggunakan software winQSB diketahui nilai peramalan untuk periode 19-24 yaitu 6728 dengan 3 dan 6202,8 dengan m-5. dan nilai MAPE diketahui m-3 yaitu 63,79339 dan m-5
53,65484.
- Holt-winter additive algorithm (HWA)
Interpretasi :
- Dari gambar di atas, perhitungan Holt-winter additive algorithm (HWA) dengan menggunakan software winQSB diketahui nilai peramalan untuk periode 19 – 24 yaitu 4118.348, 4125.673, 4132.998, 4140.323, 4147.648, 4154.974. Dan nilai MAPE diketahui 53,30934.
- Dari hasil kedua perhitungan moving average dan Holt-winter additive algorithm (HWA) diatas dengan menggunakan software winQSB dapat disimpulkan bahwa nilai MAPE moving average yaitu 53,65484 untuk m-5. Dan nilai Holt-winter additive
1.4 PENGOLAHAN DATA SECARA MANUAL 1.4.1 Pengolahan data tugas 1
- Hasil peramalan Single Exponential Smoothing (SES)
Tabel 1.7 Perhitungan manual metode Single Exponential Smoothing
Bulan PermintaanDt Peramalan (Ft)α=0.93 et APE RSFE abs et Kum abset MAD TS
1 90 90
% -3.34 12.7606 22.1806 7.39 -0.4518
5 87 86.89 0.11 0.12% -3.23 0.106758 22.287358 5.57 -0.5804
6 86 86.99 -0.99 1.15% -4.23 0.9925269 23.279885 4.66 -0.9077
7 96 86.07 9.93
8 100 95.30 4.70 4.70% 10.40
4.695136
6 37.905545 5.42
1.9204 3
9 106 99.67 6.33 5.97% 16.73
6.328659
6 44.234204 5.53
3.0253 4
10 105 105.56 -0.56 0.53% 16.17
0.556993
8 44.791198 4.98
3.2492 7
11 106 105.04 0.96 0.91% 17.13 0.9610104 45.752208 4.58 3.74451
13 109.72
14 109.72
15 109.72
16 109.72
17 109.72
MAP
Perhitungan peramalan RSFE = Kumulatif et
MAD = Kum|et|
m
= 61 = 6
= 66 = 1
- Verifikasi metode peramalan
Object 25
Grafik 1.4 Grafik verifikasi single exponential smoothing
Kesimpulan :
1.4.2 Pengolahan data tugas 2
- Hasil peramalan dengan metode single exponential smoothing
Tabel 1.8 tabel single exponential smoothing
t Dt Ft α=1 Et=dt-ft Et^2 APE Abs
et
Komulatif abs et RSFE MAD Ts
1 1206 1206
10 1200 1230 -30 900 2.50
% 30 186 -6 20.6667 -0.2903
11 1196 1200 -4 16 0.33
% 4 190 -10 19 -0.5263
% 9 1
13 1230 1216 14 196 1.14
% 14 224 24 18.6667 1.28571
14 1246 1230 16 256 1.28
% 16 240 40 18.4615 2.16667
15 1250 1246 4 16 0.32
% 4 244 44 17.4286 2.52459
16 1230 1250 -20 400 1.63
% 20 264 24 17.6 1.36364
17 1226 1230 -4 16 0.33
% 4 268 20 16.75 1.19403
18 1210 1226 -16 256 1.32
% 16 284 4 16.7059 0.23944
19 1220 1210 10 100 0.82
% 10 294 14 16.3333 0.85714
20 1236 1220 16 256 1.29
% 16 310 30 16.3158 1.83871
Table 1.9 Lanjutan Table Single Exponential Smoothing
21 1240 1236 4 16 0.32
% 4 314 34 15.7 2.16561
22 1256 1240 16 256 1.27
26 1246
27 1246
28 1246
29 1246
30 1246
MAPE 1.19%
Perhitungan peramalan :
α = 1 APE1 = |(D2- F2)/D2 |
F2 = α D1+ (1 – α) F1 = |(1220- 1206)/1220|
= 1. 1206 + (1-1). 1206 = 1,15%
= 1206
MAPE =
∑
t−1 - Verifikasi metode peramalan1 4 7 10 13 16 19 22
Grafik 1.5 verifikasi ts metode single exponential smoothing Kesimpulan :
1.4.3 Pengolahan data tugas 3
- Hasil peramalan dengan metode Holt-winter additive algorithm (HWA) Tabel 1.10 Holt-winter additive algorithm
Periode Permintaan St bt It Peramalan et APE abs et komulatif
abs et RSFE MAD TS
6 2800 5133.333 65.4167 0.55
7 2900 6545.50 873.47 0.39 2025.487 874.513 30.16% 874.51 874.51 874.513 874.513 1
8 4700 6184.48 132.77 0.87 6503.64 -1803.6 38.38% 1803.64 2678.15 -929.1266 1339.08 -0.69386
9 6000 5713.11 -229.71 1.13 7137.669 -1137.7 18.96% 1137.67 3815.82 -2066.796 1271.94 -1.62492
10 8000 5435.46 -258.47 1.48 8118.27 -118.27 1.48% 118.27 3934.09 -2185.066 983.523 -2.22167
11 8530 5314.30 -176.08 1.58 8168.889 361.111 4.23% 361.11 4295.20 -1823.955 859.041 -2.12325
12 3025 5382.79 -29.34 0.55 2802.664 222.336 7.35% 222.34 4517.54 -1601.619 752.923 -2.1272
13 3200 7029.15 976.08 0.40 2102.923 1097.08 34.28% 1097.08 5614.62 -504.5426 802.088 -0.62904
14 4820 6527.67 89.54 0.86 6961.542 -2141.5 44.43% 2141.54 7756.16 -2646.085 969.52 -2.72927
15 6010 5851.96 -369.61 1.12 7444.964 -1435 23.88% 1434.96 9191.12 -4081.048 1021.24 -3.99619
16 8260 5541.59 -334.06 1.48 8113.863 146.137 1.77% 146.14 9337.26 -3934.911 933.726 -4.2142
17 8709 5391.16 -223.88 1.58 8225.574 483.426 5.55% 483.43 9820.68 -3451.485 892.789 -3.86596
18 3215 5597.00 33.95 0.55 2823.64 391.36 12.17% 391.36 10212.04 -3060.125 851.004 -3.5959 L = panjang seasonality
S6= (2000+ 4500+ 5800+ 7600+ 8100+ 2800) / 6 b6 =
2900−2000
6 +
4700−4500
6 +
6000−5800
6 +
8000−7600
6 +
8530−8100
6 +
3025−2800 6 6
- Verifikasi metode peramalan
Grafik 1.6 verifikasi ts metode Holt-winter additive algorithm Kesimpulan :
Tidak ada nilai TS yang keluar dari UCL dan LCL (+18 dan -18). Maka metode peramalan yaitu Holt-winter additive algorithm representatif terhadap data sehingga hasil peramalan bisa digunakan untuk membuat rencana produksi.
1.5 PEMBAHASAN
Dari ketiga metode diatas yaitu linear regression (software), single exponential smoothing (software) dan single exponential smoothing (manual) yang diketahui bernilai MAPE masing-masing 4.832, 4,72 dan 4,72. Dari ketiga metode diatas diketahui MAPE paling kecil adalah metode single exponential semoothing dengan menggunakan software maupun secara manual, jadi metode yang paling cocok untuk study kasus 1 adalah menggunakan metode single exponential smoothing.
1.5.2 Hasil dari study kasus 2
Metode MAPE Rentang Trakcing signal
Moving average (software) 1,853 5,4789
Single exponential smoothing (software) 1,19 5,5263 Single exponential smoothing (manual) 1,19 5,5263
Dari ketiga metode diatas yaitu Moving average (software), Single exponential smoothing (software) dan single exponential smoothing (manual) yang diketahui bernilai MAPE masing-masing 1,853 , 1,19 dan 1,19. Dari ketiga metode diatas diketahui MAPE paling kecil adalah metode single exponential semoothing dengan menggunakan software maupun secara manual, jadi metode yang paling cocok untuk study kasus 2 adalah menggunakan metode single exponential smoothing.
1.5.3 Hasil dari study kasus 3
Metode MAPE Rentang Trakcing signal
Moving average (software) 63,793 3,8299
Holt-winter additive algoritm (software) 53,309 4,0408 Holt-winter additive algoritm (manual) 18,55 5,2142
Metode MAPE Rentang Trakcing signal
Linear regression (software) 4,832 4,8125
Dari ketiga metode diatas yaitu Moving average (software), Holt-winter additive algorithm (software) dan Holt-winter additive algorithm (manual) yang diketahui bernilai MAPE masing-masing 63,793 , 53,309 dan 18,55. Dari ketiga metode diatas diketahui MAPE paling kecil adalah metode Holt-winter additive algorithm secara manual, jadi metode yang paling cocok untuk study kasus 3 adalah menggunakan metode Holt-winter additive algoritm.
1.6 KESIMPULAN
Berdasarkan praktikum yang telah dilakukan dapat disimpulkan sebagai berikut:
1. Metode peramalan disesuaikan dengan pola jenis data. Pada praktikum ini data pola trend sesuai diramalkan dengan metode Single
exponential smoothing, data siklis diramalkan dengan metode Single exsponential smoothing, dan data pola musiman diramalkan dengan metode Holt – Winter Additive Algorthm.
2. Untuk peramalan permintaan tugas 1 menggunakan single exponential smoothing, hasil peramalan dapat dilihat pada tabel 1.7. Untuk
