modul v 2011
TRANSCRIPT
5/10/2018 MODUL V 2011 - slidepdf.com
http://slidepdf.com/reader/full/modul-v-2011 1/16
Program Studi Teknik Industri
Fakultas Teknologi Industri
Institut Teknologi Bandung
2011
5/10/2018 MODUL V 2011 - slidepdf.com
http://slidepdf.com/reader/full/modul-v-2011 2/16
Modul V Peramalan Permintaan Pasar
TI 3104 Perancangan Teknik Industri
2011
Laboratorium Perencanaan & Optimasi Sistem Industri 2
MODUL V
PERAMALAN PERMINTAAN PASAR
I. TUJUAN
I.1. Tujuan Umum
Secara umum, dari praktikum ini praktikan diharapkan:
1. Memahami dan mampu menggunakan kriteria pemilihan metode peramalan permintaan pasar.
2. Memahami dan mampu menggunakan metode-metode peramalan untuk memprediksi
permintaan pasar.
3. Memahami dan mampu mengevaluasi performansi metode peramalan permintaan pasar.
4. Mampu menginterpretasikan hasil peramalan permintaan pasar.
I.2. Tujuan Khusus
Secara khusus, dari praktikum ini praktikan diharapkan:
1. Memahami dan mampu membuat peramalan permintaan pasar sebagai dasar perencanaan
produksi dengan benar.
2. Memahami dan mampu menginterpretasikan hasil peramalan dengan benar.
3.
Mampu menggunakan alat bantu komputer untuk melakukan peramalan permintaan pasarsebagai dasar perencanaan produksi.
II. PENGANTAR PRAKTIKUM
II.1. Pendahuluan
Peramalan merupakan aktivitas pertama dalam penentuan jadwal produksi di masa depan.
Peramalan memprediksi jumlah permintaan pasar akan sebuah produk yang kemudian digunakan
sebagai dasar untuk menentukan target volume produksi. Ide yang mendasari setiap metode
peramalan adalah penggunaan data atau fakta di masa lalu untuk memprediksikan kondisi di masa
yang akan datang. Berdasarkan karakteristik data yang digunakan, secara garis besar metode
peramalan dikelompokkan menjadi dua, yaitu Metode Peramalan Kualitatif dan Metode
Peramalan Kuantitatif .
II.2. Metode Peramalan Kualitatif
Metode ini digunakan jika data masa lalu tidak tersedia secara memadai. Metode ini
mengombinasikan informasi dengan pengalaman, penilaian, dan intuisi untuk menghasilkan pola-
pola dan hubungan yang mungkin dapat diterapkan dalam memprediksi masa yang akan datang.
Metode kualitatif didasarkan atas pendekatan akal sehat (common sense) dalam menyaringinformasi ke dalam bentuk yang bermanfaat.
5/10/2018 MODUL V 2011 - slidepdf.com
http://slidepdf.com/reader/full/modul-v-2011 3/16
Modul V Peramalan Permintaan Pasar
TI 3104 Perancangan Teknik Industri
2011
Laboratorium Perencanaan & Optimasi Sistem Industri 3
Beberapa metode peramalan kualitatif yang sering digunakan untuk memprediksi permintaan pasar
adalah: Executive Consensus, Sales Force Estimate, Market Research, Historical Analogy, Delphi
Method , Sales and Operation Planning, dan Collaborative Planning, Forecasting And
Replenishment (CPFR).
Tabel 1. Perbandingan Berbagai Metode Peramalan Kualitatif
METODE KEGUNAAN UTAMA KELEBIHAN KEKURANGAN
Executive consensus Penentuan tujuan
keseluruhan dari proyek
Diterima oleh top
management
Mungkin bersifat optimistik;
kurang detail pendukung
Sales force estimates Perencanaan bisnistahunan
Memberikan input daripasar
Optimistik atau konservatif;tergantung pada ukuran
Market research Produk baru Memberikan input daripasar (pelanggan)
Sulit untuk dikonstruksi, sangatmungkin kurang valid
Historical analogy Produk baru Memberikan peramalan
untuk keseluruhan siklushidup produk
Sulit mencocokan sebuah
produk dengan produk lainnya
Delphi method Perencanaan aspek teknis Memanfaatkan para ahli
untuk persiapan
Hasil akhir bervariasi dan tidak
jelas
Sales & Operations
Planning (S&OP)
Perencanaan produksi daninventori jangka pendek
Mendapatkan kesepakatandan identifikasi kegiatan
Sangat mungkin dipengaruhioleh kepribadian yang kuat
Collaborative
Planning,
Forecasting and
eplenishment (CPFR)
Perencanaan produksi daninventori jangka
menengah
Memasukkan input daripelanggan dan supplier
Sangat mungkin dibatasi olehsedikitnya penyingkapan
daripada penyingkapan penuh
a. Executive Consensus
Dengan metode ini, eksekutif utama perusahaan mencapai konsensus tentang nilai penjualan,
pendapatan atau nilai keseluruhan (overall) lainnya. Biasanya nilai tersebut merupakan ukuran
yang kasar dengan data pendukung rinci yang terbatas. Akan tetapi, pengalaman dan
pemahaman para eksekutif dapat membuat peramalan mereka dapat dipercaya. Dalam
penggunaan metode peramalan secara umum, perbedaan antara peramalan (apa yang kita pikir
akan terjadi) dan target (apa yang kita inginkan terjadi) penting untuk disadari.
b. Sales Force Estimates
Hasil peramalan dari metode ini merepresentasikan gabungan peramalan dari setiap individu
bagian penjualan. Seringkali hasil peramalan mencerminkan masukan dari pelanggan atausumber lainnya. Perkiraan ini dipengaruhi oleh bias perorangan, seperti bonus yang dibayarkan
pada hasil peramalan lalu, dan mungkin membutuhkan penyesuaian. Bagaimanapun, metode ini
merupakan salah satu cara untuk mendapatkan pengetahuan yang mendalam mengenai pasar.
c. Market Research
Metode peramalan ini merupakan pendekatan yang lebih sistematik untuk menentukan
preferensi konsumen terhadap suatu produk atau jasa. Metode ini sering digunakan pada produk
baru untuk mengidentifikasi faktor kunci yang berpengaruh terhadap penjualan produk atau jasa
tersebut. Sementara itu, survei dapat menghasilkan informasi penting, namun sulit untuk
merancang suatu survei yang menghasilkan informasi dan dapat langsung digunakan untuk peramalan.
5/10/2018 MODUL V 2011 - slidepdf.com
http://slidepdf.com/reader/full/modul-v-2011 4/16
Modul V Peramalan Permintaan Pasar
TI 3104 Perancangan Teknik Industri
2011
Laboratorium Perencanaan & Optimasi Sistem Industri 4
d. Historical Analogy
Terkadang, peramalan untuk produk atau jasa yang baru dapat dibandingkan dengan pengenalan
produk yang serupa di masa lalu, seperti sereal sarapan atau sebuah buku baru. Ketika metode
ini menyediakan data historis, perbandingan tersebut seringkali tidak dapat dipercaya karenaperbedaan dalam keadaan pasar, pesaing, dan faktor lainnya.
e. Delphi Method
Metode ini merupakan sebuah proses untuk mendapatkan kesepakatan bersama dari sekelompok
ahli dengan mempertahankan anonymity. Sering kali peramalan dengan metode ini dilakukan
untuk beberapa topik teknikal, seperti kecenderungan negara asing tertentu untuk mendapatkan
kemampuan nuklir, atau market share dari pemanas solar pada tahun 2020. Proses ini berjalan
lambat dan kurang bermanfaat untuk peramalan jangka pendek atau peramalan yang detil.
f. Sales and Operations Planning
Metode ini merupakan suatu metode yang mengolaborasikan perencanaan internal, terutama
antara bagian pemasaran dan bagian operasi. Metode ini sangat membantu dalam
mengidentifikasi peristiwa yang akan terjadi di masa yang akan datang, contohnya adalah
penjualan, promosi, pengenalan produk baru, dan aktivitas lain yang akan mempengaruhi
kebutuhan kapasitas produksi atau kebutuhan persediaan.
g. Collaborative Planning, Forecasting and Replenishment (CPFR)
Program ini melibatkan pertukaran informasi antara pelanggan dan pihak penyedia di sepanjang
rantai pasok untuk membangun koordinasi dalam penyediaan barang guna memenuhi
permintaan pasar., Untuk mendukung pertukaran informasi yang efektif diperlukan sikap
kooperatif diantara entitas-entitas yang terlibat.
II.3. Konsep Peramalan Kuantitatif
Dalam kehidupan nyata, setiap data yang dikumpulkan adalah data yang berasal dari lapangan.
Dalam suatu proses pengumpulan data tersebut, terdapat kemungkinan bahwa data yang terkumpul
merupakan data yang tidak layak untuk diproses. Oleh karena itulah data yang terkumpul harus
disaring terlebih dahulu untuk memastikan bahwa data yang akan diproses merupakan data yang
tidak bermasalah dan sesuai dengan proses yang akan dilakukan.
Tidak terkecuali dalam peramalan, data penjualan yang digunakan sebagai data konstruksi
merupakan data yang berasal dari „lapangan‟. Selalu terdapat kemungkinan, terdapat kesalahandalam pencatatan data penjualan. Jika data yang salah tersebut digunakan untuk membangun model
maka model yang terbentuk tidak dapat merepresentasikan kondisi aktual. Untuk menghindari hal
tersebut, harus dilakukan pre-processing data untuk memastikan data yang digunakan untuk
membentuk model adalah data yang layak.
II.3.1. Pre-processing data
Pre-processing data merupakan proses yang dilakukan pada data mentah yang disiapkan untuk
prosedur pemrosesan data yang lain. Metode pengumpulan data primer terkadang tidak dikontrol
dengan baik sehingga dapat menghasilkan masalah terkait representasi sistem existing yang
digambarkan oleh data.. Memproses atau menganalisis data yang bermasalah bisa mendapatkan
hasil yang salah. Maka dari itu, harus dilakukan proses pre-processing data untuk menghindari
fenomena GIGO (Garbage In, Garbage Out ).
5/10/2018 MODUL V 2011 - slidepdf.com
http://slidepdf.com/reader/full/modul-v-2011 5/16
Modul V Peramalan Permintaan Pasar
TI 3104 Perancangan Teknik Industri
2011
Laboratorium Perencanaan & Optimasi Sistem Industri 5
Masalah yang dapat terjadi dalam peramalan adalah ketidaklengkapan data (missing data). Dalam
Hair (2010) dijelaskan bahwa missing data adalah ketidaktersediaan informasi untuk suatu subyek
atau kasus. Mengklasifikasi missing data dan penyebabnya dilakukan melalui beberapa langkah
yang tidak hanya mengidentifikasi dampak dari missing data, namun juga memberikan perbaikan
untuk menghadapi data tersebut dalam analisis. Dalam Hair (2010) juga dikatakan bahwa pada isu
yang terkait missing data, tugas peneliti adalah untuk mengidentifikasi dan melihat hubungan yang
terdapat pada missing data sehingga jika dilakukan perbaikan, hasilnya akan memiliki distribusi
yang sama atau mirip dengan distribusi data aslinya.
Berdasarkan jenisnya terdapat dua tindakan yang dapat dilakukan untuk menghadapi missing data
yang terdapat dalam set data yakni:
1. Mengabaikan missing data
Tindakan ini dilakukan karena terdapat allowance untuk missing data yang normal terjadi
dalam teknik yang dilakukan. Missing data juga dapat diabaikan dengan alasan yang dapat
diterima misalnya karena data yang disensor.
2. Menghiraukan missing data
Tindakan ini dilakukan jika peneliti bisa mengidentifikasi bahwa missing data terjadi karena
faktor prosedural, misalnya saja kesalahan dalam menginput data. Untuk mengatasi missing
data yang dapat dihiraukan, terdapat alternatif tindakan berupa penghapusan variabel atau
case, namun tindakan tersebut hanya dapat dilakukan pada data multivariat dan beberapa data
univariat. Sedangkan untuk data univariat berupa data time series, penghapusan data tidak
dapat dilakukan karena data dari tiap waktu harus diperhitungkan untuk menentukan model
peramalan terbaik.
Metode yang dapat dilakukan untuk mengatasi missing data, antara lain:
1. Mean Substitution
Mean substitution dilakukan dengan mengganti nilai missing data dengan rata-rata data yang
ada. Metode ini dapat digunakan pada data numerik.
2. Regression-Based Approach
Pada metode ini, analisis regresi digunakan untuk memprediksi nilai variabel missing data
berdasarkan hubungannya dengan variabel lain pada set data. Metode ini mengasumsikan
bahwa terdapat hubungan antara missing data dengan variabel lain yang terdapat pada set data.
3. Case Substitution
Metode ini dilakukan dengan mengganti keseluruhan variabel yang memiliki missing data
dengan data lain dari observasi4. Hot or Cold Deck Imputation
Hot Deck Imputation dilakukan dengan mengganti nilai variabel dengan nilai yang dimiliki
oleh case lain pada observasi, yang dianggap memiliki kasus serupa. Sedangkan Cold Deck
Imputation dilakukan dengan mengganti nilai variabel dengan berdasarkan pada sumber
eksternal (misalnya observasi lain).
5/10/2018 MODUL V 2011 - slidepdf.com
http://slidepdf.com/reader/full/modul-v-2011 6/16
Modul V Peramalan Permintaan Pasar
TI 3104 Perancangan Teknik Industri
2011
Laboratorium Perencanaan & Optimasi Sistem Industri 6
II.3.2. Metode Peramalan Kuantitatif
Model peramalan kuantitatif merupakan metode peramalan yang dilakukan berdasarkan data yang
memadai. Jenis metode peramalan kuantitatif yakni metode kausal dan metode deret waktu.
II.3.2.1 Metode Kausal
Metode kausal terdiri atas teknik-teknik peramalan yang menggunakan informasi atas satu atau
beberapa independent variable untuk memprediksi dependent variable dengan memanfaatkan
pengetahuan atas hubungan antara variabel-variabel tersebut. Teknik utama dalam model-model
kausal ini adalah model regresi.
Model regresi merupakan salah satu model statistik yang mencoba untuk menjelaskan perubahan
satu atau beberapa variabel ketika variabel lainnya mengalami perubahan. Variabel yang akan
dijelaskan perubahannya biasa disebut variabel dependen atau variabel respons. Variabel yang
menjelaskan perubahan variabel dependen (respons) disebut variabel independen atau variabel
eksplanatori atau regresor atau prediktor. Pada modul ini istilah yang digunakan adalah variabel
dependen dan variabel independen.
Pada metode kausal jenis regresi yang biasanya digunakan adalah multiple regression.Pada metode
kausal, variabel independen ( xi) merupakan variabel-variabel yang menyatakan sesuatu yang bukan
waktu.
(2)
Pada dasarnya model-model kausal dapat digunakan ketika perubahan dalam suatu variabel
dianggap disebabkan oleh perubahan pada variabel-variabel yang lain. Sebagai konsekuensinya,
proses identifikasi variabel-variabel menjadi proses yang kritis. Pedoman berikut menggambarkankapan pemodelan kausal sesuai untuk diterapkan :
1. Terdapat alasan-alasan apriori untuk menganggap bahwa satu variabel dipengaruhi oleh
variabel yang lain. Sebagai contoh, terdapat alasan yang kuat untuk mempercayai bahwa iklan
akan mempengaruhi tingkat penjualan.
2. Sebuah indikator utama dapat diidentifikasi. Sebagai contoh, tingkat kelahiran bayi saat ini
dapat digunakan untuk meramalkan kebutuhan akan busana balita untuk beberapa tahun ke
depan.
3. Horison waktu peramalan yang relevan. Dalam jangka pendek, jarak waktu (delay) antara efek
kausal dan waktu saat data dikumpulkan dapat diabaikan. Namun dalam jangka panjang
terdapat kemungkinan bahwa efek kausal telah bergeser akibat faktor jarak waktu.
II.3.2.2 Metode Deret Waktu
Metode deret waktu memanfaatkan data masa lalu untuk meramalkan suatu kondisi di masa yang
akan datang. Peramalan dengan metode time series menggunakan sumbu x untuk menunjukkan
skala waktu seperti minggu, bulan, kuarter, atau tahun.
Beberapa metode kuantitatif yang sering digunakan untuk meramalkan permintaan pasar antara lain
naive forecast , simple moving average, weighted moving average, single exponential smoothing,
exponential smoothing with trend adjustment , linear regression with time, dan seasonal adjustment.
a. Naive forecast
Metode ini sangat mudah diaplikasikan dengan menggunakan aturan sederhana. Naïve forecast
digunakan untuk peramalan dalam jangka pendek dan dengan jumlah permintaan stabil.
5/10/2018 MODUL V 2011 - slidepdf.com
http://slidepdf.com/reader/full/modul-v-2011 7/16
Modul V Peramalan Permintaan Pasar
TI 3104 Perancangan Teknik Industri
2011
Laboratorium Perencanaan & Optimasi Sistem Industri 7
Misalnya peramalan untuk bulan depan sama dengan data bulan sebelumnya atau dengan data
dari bulan yang sama tahun lalu. Walaupun metode ini sangat sederhana namun metode ini
dipercaya sangat efektif.
b. Simple moving average
Metode ini memanfaatkan rata-rata data aktual dari beberapa periode masa lalu. Penggunaan
metode ini diawali dengan menentukan jumlah periode data masa lalu yang akan digunakan
untuk meramalkan masa datang. Rata-rata data masa lalu yang digunakan bersifat dinamis
disesuaikan dengan periode yang akan diramalkan. Semakin banyak jumlah periode yang
digunakan untuk peramalan maka hasil yang diperoleh akan lebih smooth.
(4)
di mana:
: hasil peramalan pada periode t
: moving average width
: data jumlah permintaan
t : indeks waktu
c. Weighted moving average
Sama halnya dengan metode simple moving average, metode ini juga memanfaatkan data
aktual dari beberapa periode masa lalu. Perbedaanya terletak pada penggunaan bobot dalam
meramalkan permintaan periode masa datang. Pemilihan bobot akan berpengaruh terhadap
galat peramalan.
(5)di mana:
: bobot terhadap permintaan untuk periode t-i
d. Single exponential smoothing
Metode ini memanfaatkan data hasil peramalan periode sebelumnya dan data aktual dari
periode yang bersangkutan. Exponential smoothing bertujuan untuk melakukan penyesuaian
antara hasil peramalan dengan data aktual.
(6)
di mana:
: hasil peramalan untuk periode t
: jumlah permintaan periode t-1
: hasil peramalan periode t-1
: konstanta smoothing
e. Exponential smoothing with trend adjustment
Metode ini mempertimbangkan adanya faktor tren pada data. Exponential smoothing with
trend adjustment merupakan perkembangan dari metode simple moving average. Beta ( )
menggunakan perubahan nilai aktual untuk memodifikasi tren peramalan dari periode
sebelumnya. Untuk menghilangkan pengaruh level dan trend data peramalan maka dibutuhkandata dari beberapa periode sebelumnya.
5/10/2018 MODUL V 2011 - slidepdf.com
http://slidepdf.com/reader/full/modul-v-2011 8/16
Modul V Peramalan Permintaan Pasar
TI 3104 Perancangan Teknik Industri
2011
Laboratorium Perencanaan & Optimasi Sistem Industri 8
(7)
(8)
(9)
di mana:: nilai intercept untuk periode t
: jumlah permintaan untuk periode t
: nilai intercept untuk periode t-1
: nilai slope untuk periode t
: nilai slope untuk periode t-1
: konstanta smoothing
: peramalan untuk periode ke depan yang dilakukan pada periode t
f. Linear regression with time
Metode ini berupaya untuk mengestimasi sebuah garis lurus yang sesuai dengan kumpulantitik-titik yang ada. antara garis estimator dengan masing-masing titik. Garis tersebut terdiri
dari intercept dan slope. Kedua nilai ini berubah seiring dengan pertambahan periode
peramalan Berbeda dengan metode kausal, pada metode ini, waktu merupakan variabel
independen.
(10)
(11)
(12)
(13)
(14)di mana:
D(i) : jumlah permintaan pada periode ke-i
n : jumlah data pembentuk model
b : koefisien regresi
a : intersep
f(t) : hasil peramalan untuk periode t
g. Seasonal adjustment
Metode ini digunakan jika pola data masa lalu bersifat musiman. Variasi pola ini harus
dikuantifikasi agar galat peramalannya dapat diminimasi. Jika data tersebut juga memiliki trentertentu maka hal tersebut juga harus diperhitungkan.
5/10/2018 MODUL V 2011 - slidepdf.com
http://slidepdf.com/reader/full/modul-v-2011 9/16
Modul V Peramalan Permintaan Pasar
TI 3104 Perancangan Teknik Industri
2011
Laboratorium Perencanaan & Optimasi Sistem Industri 9
III. ANALISIS POLA DATA
Pola data historis mempengaruhi pengambil keputusan dalam menentukan metode peramalan yang
tepat. Tabel berikut ini menggambarkan tipe jenis data.
POLA
DATAPENGERTIAN GAMBAR
Horizontal Data jenis ini memiliki pola stasioner
atau tidak memiliki trend tertentu,artinya data tersebut tidak mengalamifluktuasi secara sistematis. Misalnya, jumlah produk cacat yang dihasilkan
dalam proses produksi yang stabil.
Gambar 1. Pola data horizontal
Trend Pola data jenis ini menunjukkan
kenaikan atau penurunan sepanjang
waktu. Misalnya harga saham, GNP
(Gross National Product ) dan
penjualan perusahaan
Gambar 2. Pola data tren
Seasonal Data historis membentuk siklus tertentu
dengan interval yang konstan. Fluktuasi
datanya dipengaruhi oleh seasonal
factor. Misalnya, penjualan tiket
transportasi meningkat saat mudik
lebaran.
Gambar 3. Pola data seasonal
Cyclical Data jenis ini memiliki pola yanghampir sama dengan seasonal. Akantetapi, interval pengulangan siklusnya
tidak sama. Biasanya panjang intervaluntuk siklus tunggal lebih dari 1 tahun.Misalnya, jumlah penjualan rumah.
Gambar 4. Pola data cyclical
5/10/2018 MODUL V 2011 - slidepdf.com
http://slidepdf.com/reader/full/modul-v-2011 10/16
Modul V Peramalan Permintaan Pasar
TI 3104 Perancangan Teknik Industri
2011
Laboratorium Perencanaan & Optimasi Sistem Industri 10
IV. UKURAN PERFORMANSI HASIL PERAMALAN
Untuk mendapatkan hasil peramalan yang baik maka penentuan metode peramalan yang sesuai
menjadi faktor penentu keberhasilan. Pemilihan metode peramalan harus berdasarkan situasi yang
ada seperti horison waktu, jumlah item yang akan diramalkan, pola data masa lalu, dan tingkat
keakuratan yang diinginkan. Ukuran performansi suatu metode peramalan ditunjukkan oleh galat
yang dihasilkan. Galat (error ) merupakan selisih antara hasil peramalan dengan data aktual.
Metode peramalan yang baik adalah metode dengan galat terkecil.
Galat dalam peramalan digunakan dalam dua kondisi berikut:
1. Jika untuk suatu masalah dapat digunakan beberapa model peramalan, maka galat dapat
digunakan untuk memilih metode peramalan terbaik dengan kriteria galat minimum; dan
2. Jika untuk suatu masalah hanya dapat digunakan satu model peramalan, maka galat berperan
sebagai parameter yang menunjukkan tingkat efektivitas dari model peramalan tersebut.
Besarnya galat pada periode ke-t, yaitu , dinyatakan dengan formula berikut:
(15)
di mana:
: galat pada periode ke-t
: data aktual pada periode ke-t
: nilai peramalan pada periode ke-t
Berikut ini beberapa alternatif perhitungan galat. Mean Absolute Deviation (MAD)
(16)
Mean Squared Error (MSE)
(17)
Mean Absolute Percent Error (MAP)
(18)
N: jumlah data historis
5/10/2018 MODUL V 2011 - slidepdf.com
http://slidepdf.com/reader/full/modul-v-2011 11/16
Modul V Peramalan Permintaan Pasar
TI 3104 Perancangan Teknik Industri
2011
Laboratorium Perencanaan & Optimasi Sistem Industri 11
V. VERIFIKASI HASIL PERAMALAN
Verifikasi hasil peramalan bertujuan untuk memeriksa apakah fungsi peramalan mewakili data
yang ada. Metode verifikasi yang umum digunakan adalah moving range chart .
(19)
(20)
di mana:
MR :Moving Range
Ft : nilai ramalan periode t
At : nilai aktual periode t
Ft-1 : nilai ramalan periode t-1
At-1 : nilai aktual periode t-1
Kemudian dibuat batas kontrol atas (UCL), batas kontrol bawah (LCL), dan garis tengah (CL).
(21)
(22)
(23)
Kategori out of control:
1. 2 dari 3 data yang berurutan ada di daerah A
2. 4 dari 5 data yang berurutan ada di daerah B
3. 8 atau lebih data yang berurutan di salah satu sisi Center Line
4. Ada satu titik yang berada diluar batas kontrol.
Gambar 5. Daerah Kategori Out of Control
center line
UCL
LCL
r e g i o n
A
r e g i o n
B
r e g i o n
C
r e g i o n
A
r e g i o n
B
r e g i o n
C
5/10/2018 MODUL V 2011 - slidepdf.com
http://slidepdf.com/reader/full/modul-v-2011 12/16
Modul V Peramalan Permintaan Pasar
TI 3104 Perancangan Teknik Industri
2011
Laboratorium Perencanaan & Optimasi Sistem Industri 12
V.1. Outlier
Dalam Hair (2010) dikatakan bahwa outliers adalah hasil observasi yang berbeda secara signifikan
dari hasil observasi yang lain. Outliers berbahaya jika terdapat di dalam data karena dapat
membuat hasil analisis data menjadi tidak representatif.
Seperti halnya dalam missing data, juga terdapat 2 tindakan yang dapat dilakukan untuk
menghadapinya yakni dihiraukan atau diabaikan. Outliers dapat diabaikan jika tidak terdapat
penjelasan yang masuk akal mengenai keberadaan outlier dalam set data, sedangkan jika
keberadaan outlier tersebut dapat dijelaskan maka outlier tersebut harus dihiraukan agar tidak
mengganggu proses selanjutnya. Namun pada data time series, outliers tidak dapat dihapus karena
data pada tiap satuan waktu dalam data time series merupakan data yang harus diperhitungkan.
5/10/2018 MODUL V 2011 - slidepdf.com
http://slidepdf.com/reader/full/modul-v-2011 13/16
Modul V Peramalan Permintaan Pasar
TI 3104 Perancangan Teknik Industri
2011
Laboratorium Perencanaan & Optimasi Sistem Industri 13
VI. REFERENSI
1. Referensi Utama:
Nahmias, Steven (2005). Production and Operations Analysis 5th Edition. Singapore: McGraw
Hill.
Makridakis, S. & Wheelwright, S.C. (1980). Forecasting Methods for Management3rd Ed..
New York. John Wiley & Sons
Hair, J., Black, B., Babin, BJ., Anderson, RE. (2010). Multivariate Data Analysis. New
Jersey:Prentice Hall, Inc.
2. Referensi Pendukung:
Walpole, Ronald E., Raymond H. Myers, Sharon L. Myers, dan Keying Ye. (2002).
Probability & Statistics for Engineers & Scientists 7 th Ed.. New Jersey: Prentice-Hall, Inc.
Elsayed, E.A. & Boucher, T.O. (1994). Anaysis and Control of Production System 2nd . NewJersey. Prentice Hall.
Crandall, Richard E. & William “Rick” Crandall (2008). Demand Forecasting – Art, Science,
or Chaos? South East Decision Sciences Institute Conference Proceedings, Category:
Teaching Pedagogy p.914
VII. BAHAN DAN PERALATAN
Bahan dan peralatan yang dibutuhkan dalam praktikum ini adalah:
1. Modul praktikum;
2. Data masa lalu permintaan pasar selama n bulan;3. Perangkat lunak Microsoft Excel;
4. PC;
5. Lembar pengolahan data
5/10/2018 MODUL V 2011 - slidepdf.com
http://slidepdf.com/reader/full/modul-v-2011 14/16
Modul V Peramalan Permintaan Pasar
TI 3104 Perancangan Teknik Industri
2011
Laboratorium Perencanaan & Optimasi Sistem Industri 14
VIII. PROSEDUR PRAKTIKUM
Langkah-langkah pengolahan data:
1. Lakukan pre-processing data pada data yang bermasalah;
2. Agregasikan data penjualan jenis dongkrak yang sama dari 3 wilayah penjualan untuk
setiap periode;
3. Plot data penjualan agregat masa lalu untuk setiap jenis dongkrak;
4. Analisis pola data penjualan setiap jenis dongkrak;
5. Pilih beberapa model peramalan deret waktu yang akan dicobakan untuk meramalkan
penjualan setiap jenis dongkrak;
6. Hitung parameter-parameter model yang digunakan untuk setiap jenis dongkrak; gunakan
referensi yang dicantumkan untuk cara perhitungan parameter-parameter model tersebut;
7. (Catatan: untuk model Moving Average, gunakan MA width = 3 periode).
8. Tentukan galat dari model-model peramalan yang dicobakan untuk setiap jenis dongkrak;
9. Untuk setiap jenis dongkrak, evaluasi model peramalan dengan membandingkan galat dari
setiap model peramalan;
10. Untuk setiap jenis dongkrak, pilih model peramalan dengan galat terkecil; jika terdapat
beberapa metode dengan galat yang sama, pilih metode yang paling sederhana;
Mulai
Tes Awal
PenjelasanPengolahan Data
DataPenjualanMasa Lalu
Pengolahan Data
Asistensi
PembuatanLaporan
PengumpulanLaporan
Selesai
Praktikum
5/10/2018 MODUL V 2011 - slidepdf.com
http://slidepdf.com/reader/full/modul-v-2011 15/16
Modul V Peramalan Permintaan Pasar
TI 3104 Perancangan Teknik Industri
2011
Laboratorium Perencanaan & Optimasi Sistem Industri 15
11. Dengan menggunakan metode peramalan yang dipilih, buat peramalan permintaan agregat
per jenis dongkrak untuk 12 periode ke depan.
12. Lakukan verifikasi hasil peramalan
IX. TATA TULIS LAPORAN
Laporan dibuat dengan susunan sebagai berikut.
Cover
Lembar Pengesahan
Lembar Asistensi
Daftar Isi
Bab 1. Pendahuluan
1.1
Latar belakang1.2 Tujuan
1.3 Flowchart pengolahan data
Bab 2. Pengolahan Data
2.1. Pre-processing data penjualan dongkrak
2.2. Agregasi data penjualan setiap jenis dongkrak selama periode t
2.3. Pemetaan dan penentuan pola data penjualan untuk setiap jenis dongkrak
2.4. Pemilihan metode-metode peramalan yang akan digunakan untuk setiap jenis dongkrak
2.5. Perhitungan galat untuk setiap metode peramalan yang digunakan per jenis dongkrak
2.6. Pemilihan metode peramalan yang paling tepat untuk setiap jenis dongkrak
2.7. Verifikasi hasil peramalan
2.8. Peramalan penjualan dengan menggunakan metode yang dipilih per jenis dongkrak
Bab 3. Analisis
3.1. Analisis pre-processing data
3.2. Analisis agregasi/diagregasi data penjualan dongkrak A, B, dan C di 3 wilayah penjualan
3.3. Analisis pola data penjualan setiap jenis dongkrak yang telah diagregasikan antar 3 wilayah
penjualan
3.4. Analisis metode-metode peramalan yang digunakan
3.5. Analisis metode peramalan yang dipilih untuk setiap jenis dongkrak
3.6. Analisis hasil peramalan
3.7. Analisis perbandingan ketepatan penggunaan data penjualan atau data produksi untuk
peramalan permintaan produk di masa yang akan datang
3.8. Analisis pengaruh kesalahan peramalan terhadap kegiatan produksi dan solusi yangdiperlukan untuk penangannya,
a. Jika peramalan lebih besar daripada kenyataan
b. Jika peramalan lebih kecil daripada kenyataan
3.9. Analisis keterkaitan Modul Peramalan Permintaan Pasar dengan modul PTI lainnya
Bab 4. Kesimpulan dan Saran
4.1. Kesimpulan
4.2. Saran
Daftar Pustaka
Lampiran
5/10/2018 MODUL V 2011 - slidepdf.com
http://slidepdf.com/reader/full/modul-v-2011 16/16
Modul V Peramalan Permintaan Pasar
TI 3104 Perancangan Teknik Industri
2011
Laboratorium Perencanaan & Optimasi Sistem Industri 16
Adapun format laporan mengikuti ketentuan sebagai berikut.
a. Jenis font : Times New Roman 11
b. Spasi : 1,2
c. Margin : kiri 2,5 cm, kanan, atas, bawah = 2cm
d. Header:
Kiri : Laporan PTI I Modul 5 – Peramalan Permintaan Pasar
Kanan : Nama dan NIM asisten
e. Footer:
Kiri : Nomor kelompok dan NIM anggota kelompok
Kanan : Nomor halaman
f. Ukuran kertas A4 dan di- print bolak balik
g. Laporan dikumpulkan dengan menggunakan klip
Laporan dikumpulkan paling lambat hari Jumat, 4 November 2011 pukul 12.00 WIB di
LPOSI. Keterlambatan akan dikenakan pengurangan nilai 1 poin per menit.