materi-materi peruliahan 13-forecasting02_ok.ppt

Peramalan adalah proses memprediksi permintaan produk atau layanan di masa depan menggunakan data historis dan metode kuantitatif atau kualitatif. Metode peramalan meliputi penggunaan deret waktu, seperti moving average, exponential smoothing, dan analisis tren linier, untuk memprediksi pola data masa depan. Evaluasi hasil peramalan dilakukan dengan mengukur kesalahan peramalan menggunakan berbagai metode, termasuk Mean Absolute Deviation (MAD) dan Moving Range Chart (MRC).

Kata Kunci:

Peramalan

Deret waktu

Moving average

Exponential smoothing

Analisis tren

1. Metode PeramalanMetode Peramalan
((Forecasting MethodForecasting Method ))

2. Kompetensi Pokok bahasanKompetensi Pokok bahasan
Setelah mengikuti pokok bahasan ini, Setelah mengikuti pokok bahasan ini,
mahasiswa diharapkan mampu:mahasiswa diharapkan mampu:

Melakukan perencanaan produksi, Melakukan perencanaan produksi,
dalam upaya memenuhi kebutuhan dalam upaya memenuhi kebutuhan
konsumen.konsumen.

Memprediksi kebutuhan yang Memprediksi kebutuhan yang
diperlukan dalam proses produksi.diperlukan dalam proses produksi.

Mengerti tahapan dalam peramalan.Mengerti tahapan dalam peramalan.

Menentukan metode peramalan yang Menentukan metode peramalan yang
tepat.tepat.

3. IntroductionIntroduction

Pokok bahasan ini merupakan Pokok bahasan ini merupakan
pokok bahasan yang mengkaji pokok bahasan yang mengkaji
perencanaan produksi melalui perencanaan produksi melalui
penerapan metode peramalan.penerapan metode peramalan.

Teknik peramalan ini ditujukan Teknik peramalan ini ditujukan
untuk menghasilkan perencanaan untuk menghasilkan perencanaan
produksi yang akurat dalam produksi yang akurat dalam
merespon permintaan pasar.merespon permintaan pasar.

Langkah pertama dalam Langkah pertama dalam
perencanaan operasi sistem perencanaan operasi sistem
produksi adalah menentukan produksi adalah menentukan
peramalan yang akurat terhadap peramalan yang akurat terhadap
permintaan barang (produk) yang permintaan barang (produk) yang
akan diproduksi.akan diproduksi.

4. Definisi PeramalanDefinisi Peramalan

Peramalan adalah seni dan ilmu untuk Peramalan adalah seni dan ilmu untuk
memprediksi masa depan.memprediksi masa depan.

Peramalan adalah tahap awal, dan hasil ramalan Peramalan adalah tahap awal, dan hasil ramalan
merupakan basis bagi seluruh tahapan pada merupakan basis bagi seluruh tahapan pada
perencanaan produksi.perencanaan produksi.

Proses peramalan dilakukan pada level agregat Proses peramalan dilakukan pada level agregat
((part familypart family); bila data yang dimiliki adalah data ); bila data yang dimiliki adalah data
item, maka perlu dilakukan agregasi terlebih item, maka perlu dilakukan agregasi terlebih
dahulu.dahulu.

Metode: Kualitatif dan kuantitatif.Metode: Kualitatif dan kuantitatif.

Terminologi: perioda, horison, Terminologi: perioda, horison, lead timelead time, , fitting fitting
errorerror, , forecast errorforecast error, data dan hasil ramalan., data dan hasil ramalan.

5. Peramalan Eksplanatoris dan Peramalan Eksplanatoris dan
Deret BerkalaDeret Berkala

Kedua pendekatan ini saling melengkapi dan Kedua pendekatan ini saling melengkapi dan
dimaksudkan untuk jenis penggunaan yg berbeda.dimaksudkan untuk jenis penggunaan yg berbeda.

Pendekatan ekspalanatoris mengasumsikan Pendekatan ekspalanatoris mengasumsikan
adanya hubungan sebab akibat di antara input adanya hubungan sebab akibat di antara input
dengan output dari suatu sistem.dengan output dari suatu sistem.
Hubungan sebab
dan akibat
Input Output
Sistem

Peramalan Deret Berkala memperlakukan Peramalan Deret Berkala memperlakukan sistemsistem
sebagai kotak hitam.sebagai kotak hitam.
Proses Bangkitan
Input Output
Sistem

6. Persyaratan Penggunaan Persyaratan Penggunaan
Metode Kuantitatif:Metode Kuantitatif:
1.1.Tersedia informasi tentang masa lalu.Tersedia informasi tentang masa lalu.
2.2.Informasi tersebut dapat di Informasi tersebut dapat di
kuantitatifkan dalam bentuk data kuantitatifkan dalam bentuk data
numerik.numerik.
3.3.Dapat diasumsikan bahwa beberapa Dapat diasumsikan bahwa beberapa
aspek pola masa lalu akan terus aspek pola masa lalu akan terus
berlanjut di masa mendatang.berlanjut di masa mendatang.

7. Langkah-langkah PeramalanLangkah-langkah Peramalan

Definisikan tujuan peramalan.Definisikan tujuan peramalan.

Plot data (Plot data (part familypart family) masa lalu.) masa lalu.

Pilih metode-metode yang paling memenuhi Pilih metode-metode yang paling memenuhi
tujuan peramalan dan sesuai dengan plot data.tujuan peramalan dan sesuai dengan plot data.

Hitung parameter fungsi peramalan untuk Hitung parameter fungsi peramalan untuk
masing-masing metode.masing-masing metode.

Hitung Hitung fitting errorfitting error untuk semua metode yang untuk semua metode yang
dicoba.dicoba.

Pilih metode yang terbaik, yaitu metode yang Pilih metode yang terbaik, yaitu metode yang
memberikan memberikan errorerror paling kecil. paling kecil.

Ramalkan permintaan untuk periode mendatangRamalkan permintaan untuk periode mendatang

Lakukan verifikasi peramalan.Lakukan verifikasi peramalan.

8. Pola data metode deret berkala (1)Pola data metode deret berkala (1)
1.1.Pola Pola horisontal horisontal (H) (H) terjadi bilamana data terjadi bilamana data
berfluktuasi disekitar nilai rata-rata yg konstan. berfluktuasi disekitar nilai rata-rata yg konstan.
Suatu produk yg penjualannya tdk meningkat Suatu produk yg penjualannya tdk meningkat
atau menurun selama waktu tertentu termasuk atau menurun selama waktu tertentu termasuk
jenis ini. Pola khas dari data horizontal atau jenis ini. Pola khas dari data horizontal atau
stasioner seperti ini dapat dilihat dalam Gambar stasioner seperti ini dapat dilihat dalam Gambar
1.1.1.1.
2.2.Pola Pola musiman musiman (S)(S) terjadi bilamana suatu deret terjadi bilamana suatu deret
dipengaruhi oleh faktor musiman (misalnya dipengaruhi oleh faktor musiman (misalnya
kuartal tahun tertentu, bulanan, atau hari-hari kuartal tahun tertentu, bulanan, atau hari-hari
pada minggu tertentu). Penjualan dari produk pada minggu tertentu). Penjualan dari produk
seperti minuman ringan, es krim, dan bahan seperti minuman ringan, es krim, dan bahan
bakar pemanas ruang semuanya menunjukkan bakar pemanas ruang semuanya menunjukkan
jenis pola ini. Untuk pola musiman kuartalan jenis pola ini. Untuk pola musiman kuartalan
dapat dilihat Gambar 1.2.dapat dilihat Gambar 1.2.

9. Pola data metode deret berkala (2)Pola data metode deret berkala (2)
3.3.Pola Pola siklis siklis (C) (C) terjadi bilamana datanya terjadi bilamana datanya
dipengaruhi oleh fluktuasi ekonomi jangka dipengaruhi oleh fluktuasi ekonomi jangka
panjang seperti yang berhubungan dengan panjang seperti yang berhubungan dengan
siklus bisnis. Contoh: Penjualan produk siklus bisnis. Contoh: Penjualan produk
seperti mobil, baja, dan peralatan utama seperti mobil, baja, dan peralatan utama
lainnya. Jenis pola ini dapat dilihat pada lainnya. Jenis pola ini dapat dilihat pada
Gambar 1.3.Gambar 1.3.
4.4.Pola Pola trend trend (T)(T) terjadi bilamana terdapat terjadi bilamana terdapat
kenaikan atau penurunan sekuler jangka kenaikan atau penurunan sekuler jangka
panjang dalam data. Contoh: Penjualan panjang dalam data. Contoh: Penjualan
banyak perusahaan, GNP dan berbagai banyak perusahaan, GNP dan berbagai
indikator bisnis atau ekonomi lainnya. Jenis indikator bisnis atau ekonomi lainnya. Jenis
pola ini dapat dilihat pada Gambar 1.4.pola ini dapat dilihat pada Gambar 1.4.

11. Karakteristik trendKarakteristik trend
KomponenKomponen AmplitudoAmplitudo PenyebabPenyebab
SeasonalSeasonal 12 bulan12 bulan Liburan, musim, Liburan, musim,
perioda finansialperioda finansial
CyclicalCyclical 3-5 tahun3-5 tahun Ekonomi nasional, Ekonomi nasional,
perubahan politikperubahan politik
BisnisBisnis 1-5 tahun1-5 tahun Pemasaran, kompetisi, Pemasaran, kompetisi,
performanceperformance
Product life Product life
cyclecycle
1-5 tahun, 1-5 tahun,
makin pendekmakin pendek
Substitusi produkSubstitusi produk

12. Metode Deret WaktuMetode Deret Waktu
1.1.ConstantConstant
2.2.Linier trendLinier trend
3.3.QuadraticQuadratic
4.4.ExponentialExponential
5.5.Moving AverageMoving Average
6.6.Exponential smoothingExponential smoothing
7.7.SeasonalSeasonal

13. 1. Metode Constant1. Metode Constant
•Dalam Metode Constant, peramalan
dilakukan dengan mengambil rata-rata
data masa lalu (historis).
•Rumus untuk metoda linier:Rumus untuk metoda linier:
Keterangan:
d’
t = Forecast untuk saat t
t = time (independent variable)
d
t = demand pada saat t
n = jumlah data
n
d
d
t
t


n
1
'

14. 2. Metode Linier trend2. Metode Linier trend





2
2
2
ttn
tdtdt
a
tt





2
2
ttn
dttdn
b
tt
Keterangan:
d’
t = Forecast untuk saat t
a = intercept
b = kemiringan garis
t = time (independent variable)
d
t
= demand pada saat t
n = jumlah data
..... ,3 ,2 ,1 '  tbtad
t
•Model ini menggunakan data yang Model ini menggunakan data yang
secara random berfluktuasi membentuk secara random berfluktuasi membentuk
garis lurus.garis lurus.
•Rumus untuk metoda linier:Rumus untuk metoda linier:

15. 3. Metode Quadratic (1)3. Metode Quadratic (1)

Model ini menggunakan data yang secara Model ini menggunakan data yang secara
random berfluktuasi membentukrandom berfluktuasi membentuk
kurva quadratic.kurva quadratic.

Rumus untuk model quadratic:Rumus untuk model quadratic:
.... ,3 ,2 ,1 )('
2
 tctbtatd
2




b
Keterangan : ……

16. 3. Metode Quadratic (2)3. Metode Quadratic (2)









n
t
n
t
tnt
1
4
2
1
2
 
 

n
t
n
t
n
t
ttYntYt
11 1
)()(

 

n
t
n
t
n
t
tYtntYt
1
2
1 1
2
)()(

 

n
t
n
t
n
t
tntt
1
3
1 1
2
 








n
t
n
t
tnt
1
2
2
1


 ))((b
c


n
t
c
n
t
b
n
tY
a
n
t
n
t
n
t



1
2
11
)(

17. 4. Metode Exponential (1)4. Metode Exponential (1)

Digunakan apabila persamaan a dan b tidak bisa Digunakan apabila persamaan a dan b tidak bisa
dipecahkan dengan cara konvensional.dipecahkan dengan cara konvensional.

Digunakan transformasi logaritma ke dalam Digunakan transformasi logaritma ke dalam
situasi regresi.situasi regresi.

Persamaan metode eksponensial :Persamaan metode eksponensial :
bt
ae (t)d'
Keterangan:
d’
t = Forecast untuk saat t
a = intercept
b = kemiringan garis
t = time (independent variable)
e = exponential (konstanta)

18. 4. Metode Eksponensial (2)4. Metode Eksponensial (2)

Persamaan transformasi logaritma :Persamaan transformasi logaritma :
 btln(a))ln(eln(a)(t)d'ln
bt

Keterangan:
d’
t = Forecast untuk saat t
a = intercept
b = kemiringan garis
t = time (independent variable)
e = exponential (konstanta)

19. 5. Metode Moving Average (1)5. Metode Moving Average (1)

Digunakan bila data-datanya :Digunakan bila data-datanya :
- tidak memiliki trend- tidak memiliki trend
- tidak dipengaruhi faktor musim- tidak dipengaruhi faktor musim

Digunakan untuk peramalan dengan perioda Digunakan untuk peramalan dengan perioda
waktu spesifik.waktu spesifik.

Moving Average didefinisikan sebagai :Moving Average didefinisikan sebagai :
Keterangan :Keterangan :
n = jumlah perioda n = jumlah perioda
dd
tt = demand pada bulan ke t = demand pada bulan ke t
n
d
MA
n
1t
t
n




20. 5. Metode Moving Average (2)5. Metode Moving Average (2)

Peramalan jangka pendek lebih baik Peramalan jangka pendek lebih baik
dibandingkan jangka panjang.dibandingkan jangka panjang.

Kelemahan : tidak cocok untuk pola data Kelemahan : tidak cocok untuk pola data
trend atau pola data musiman.trend atau pola data musiman.

21. 6. Metode Exponential Smoothing (1)6. Metode Exponential Smoothing (1)

Kesalahan peramalan masa lalu Kesalahan peramalan masa lalu
digunakan untuk koreksi peramalan digunakan untuk koreksi peramalan
berikutnya.berikutnya.

Dihitung berdasarkan hasil peramalan + Dihitung berdasarkan hasil peramalan +
kesalahan peramalan sebelumnya.kesalahan peramalan sebelumnya.

22. 6. Metode Exponential Smoothing (2)6. Metode Exponential Smoothing (2)

 besar, smoothing yg dilakukan kecilbesar, smoothing yg dilakukan kecil

 kecil, smoothing yg dilakukan semakin kecil, smoothing yg dilakukan semakin
besarbesar

 optimum akan meminimumkan MSE, optimum akan meminimumkan MSE,
MAPE MAPE
ttt
FDF )1(
1
 

ES didefinisikan sebagai:ES didefinisikan sebagai:
Keterangan: Keterangan:
FF
t+1t+1 = Ramalan untuk periode berikutnya = Ramalan untuk periode berikutnya
DD
tt = Demand aktual pada periode t = Demand aktual pada periode t
FF
tt = Peramalan yg ditentukan sebelumnya untuk periode t = Peramalan yg ditentukan sebelumnya untuk periode t
 = Faktor bobot= Faktor bobot

23. 7. Metode Seasonal7. Metode Seasonal

Demand meningkat karena pengaruh Demand meningkat karena pengaruh
tertentu atau berdasarkan waktu.tertentu atau berdasarkan waktu.

Nilai/harga faktor seasonal antar 0 dan 1.Nilai/harga faktor seasonal antar 0 dan 1.

Formulasi peramalan pada tahun ke i :Formulasi peramalan pada tahun ke i :
d’d’
ii = a + b = a + b
tt
Keterangan :Keterangan :
d’d’
ii = peramalan untuk saat ke i = peramalan untuk saat ke i
t = perioda waktu (bulan, minggu, dll)t = perioda waktu (bulan, minggu, dll)

Formulasi Peramalan Seasonal :Formulasi Peramalan Seasonal :
SFSF
(i) (i) = (S= (S
ii).(d’).(d’
tt))

24. Forecasting Errors & Tracking SignalsForecasting Errors & Tracking Signals
3 metode perhitungan kesalahan 3 metode perhitungan kesalahan
peramalan :peramalan :
N
dd
MAD
N
t
tt



1
'
)(Deviation AbsoluteMean a.
 
N
dd
N
t
tt



1
2
'
)(MSEError SquaredMean b.

 








N
1t t
'
tt
d
dd
N
100
)(MAPEError Percent AbsoluteMean c.

25. Verifikasi (1)Verifikasi (1)

Salah satu metode verifikasi adalah Moving Range Salah satu metode verifikasi adalah Moving Range
Chart (MRC).Chart (MRC).

Moving Range (MR) didefinisikan sebagai :Moving Range (MR) didefinisikan sebagai :
MR = |d’MR = |d’
t t – d– d
tt| – |d’| – |d’
t-1t-1– d– d
t-1t-1||
Keterangan :Keterangan :
d’d’
t t = ramalan pada bulan ke t = ramalan pada bulan ke t
dd
t t = kebutuhan pada bulan ke t = kebutuhan pada bulan ke t
d’d’
t–1 t–1 = ramalan pada bulan ke t-1 = ramalan pada bulan ke t-1
dd
t–1 t–1 = kebutuhan pada bulan ke t-1 = kebutuhan pada bulan ke t-1

26. Verifikasi (2)Verifikasi (2)

Rata-rata MR dihitung :Rata-rata MR dihitung :

Batas kontrol atas (UCL), batas kontrol Batas kontrol atas (UCL), batas kontrol
bawah (LCL), dan garis tengah (CL)bawah (LCL), dan garis tengah (CL)
1n
MR
MR
1n
1i
i





0 CL
MR66,2 LCL
MR66,2 UCL




27. Verifikasi (3)Verifikasi (3)
0
d
'
-

d
R
e
g
io
n

A
R
e
g
io
n

B
R
e
g
io
n

C
Batas kontol bawah
Garis tengah
R
e
g
io
n

C
R
e
g
io
n

B
R
e
g
io
n

A
Batas kontrol atas
Perioda
Gambar 1. Kriteria Peta Kontrol

28. Verifikasi (4)Verifikasi (4)

Pengujian out of kontrol :Pengujian out of kontrol :
 Dari 3 titik yang berurutan, 2 titik atau lebih Dari 3 titik yang berurutan, 2 titik atau lebih
berada di daerah A.berada di daerah A.
 Dari 5 titik yang berurutan, 2 titik atau lebih Dari 5 titik yang berurutan, 2 titik atau lebih
berada di daerah B.berada di daerah B.
 Dari 8 titik yang berurutan, seluruhnya Dari 8 titik yang berurutan, seluruhnya
berada di atas atau di bawah berada di atas atau di bawah center line.center line.
 Satu titik berada di luar batas kontrol.Satu titik berada di luar batas kontrol.

29. Verifikasi (5)Verifikasi (5)

Contoh Soal: Kasus Peramalan KonstanContoh Soal: Kasus Peramalan Konstan
28.2 - LCL
28.2 UCL
10.6
11
117
MR



MR = |d’MR = |d’
tt – d – d
tt| – |d’| – |d’
t-1t-1– d– d
t-1t-1||

30. Verifikasi (6)Verifikasi (6)
Gambar 2. Peta Kendali Peramalan Konstan
-30
-20
-10
0
10
20
30
J F M A M J J A S O N D
Bulan
d
'
-

d
CL
UCL = +28.2
LCL = -28.2

31. Verifikasi (7)Verifikasi (7)

Bila kondisi out of control terjadi.Bila kondisi out of control terjadi.

Perbaiki ramalan dengan memasukkan Perbaiki ramalan dengan memasukkan
data baru.data baru.

Tunggu Tunggu evidence evidence (fakta-fakta) selanjutnya.(fakta-fakta) selanjutnya.

32. Contoh Metode ConstantContoh Metode Constant
n
d
d
t
t


n
1
'
BulanBulan t t d d
tt

JanJan 1 1
90 90
FebFeb 2 2
111111
MarMar 3 3
99 99
AprApr 4 4
89 89
MeiMei 5 5
87 87
JunJun 6 6
8484
JulJul 7 7
104104
AusAus 88
102102
SepSep 99
9595
OktOkt 1010
114114
NovNov 1111
103103
DesDes 1212
113113

11911191
25.99
12
1191
'
12
1


t
d

33. Contoh Metode Linear trendContoh Metode Linear trend
ttdd
tt tdtd
tt t t
22
d’d’
tt(d(d
tt-d’-d’
tt))
22
1120502050 2050 2050 1 2108,5 1 2108,5 3.422,2 3.422,2
2222352235 4470 4470 4 2210,1 4 2210,1 620,0 620,0
3324202420 7260 7260 9 2311,7 9 2311,711.728.9 11.728.9
4423602360 9440 9440 16 2413,3 16 2413,3 2.840,9 2.840,9
5524902490 12450 12450 25 2514,9 25 2514,9 620,0 620,0
6626202620 1572015720 3636 2616,5 2616,5 12,3 12,3
212114175 51390 91 14175 51390 91 19.244,3 19.244,3
d’d’
tt = a + bt = a + bt
= 2006,9 + 101,6t= 2006,9 + 101,6t
2
n
1t
n
1t
2
n
1t
n
1t
t
n
1t
t
ttn
tdtdn
b













n
tbd
a
n
1t
n
1t
t



101,6bdan 9,2006a 

34. Contoh Metode QuadraticContoh Metode Quadratic
t t
2
t
3
t
4 d
t td
t t
2
d
t
1 1 1 1 16 16 16
2 4 8 16 24 48 96
3 9 27 81 34 102 306
4 16 64 256 46 184 736
5 25 125 625 60 3001500
15 55 225 979 180 6502654
300)225)(5()55)(15( 
50)55)(5()15(
2

1870)979)(5()55(
2

550)650)(5()180)(15( 
3370)2654)(5()180)(55( 
5
)300()50)(1870(
)300)(3370()550)(1870(
ˆ
2



b
1
1870
)1870(
ˆ 


c
10
5
55
5
)15)(5(
5
180
ˆ a
605)5(510)5(' 510)('
22
 dtttd

35. Contoh Metode EksponensialContoh Metode Eksponensial
tt dd
tt Ln(dLn(d
tt))tLn(dtLn(d
tt)) tt
22
11 2.502.50 0.920.92 0.920.92 11
22 4.124.12 1.421.42 2.842.84 44
33 6.806.80 1.921.92 5.765.76 99
4411.2011.20 2.422.42 9.689.68 1616
5518.4718.47 2.922.92 14.6014.60 2525
1515 9.609.60 33.833.8 5555
5.0
225)55)(5(
)15)(60.9()8.33)(5(
ˆ



b
42.0
5
)15)(5.0(
5
60.9
)ˆln( a
aeanti ˆ50.2)42.0ln(
42.0

505.2)6(' 5.2)(ˆ)('
35.0
ˆ
 edeeatd
ttb

36. Contoh Metode Moving AverageContoh Metode Moving Average
BulanBulan t d t d
tt MA 3 bulan MA 3 bulan MA 5 bulanMA 5 bulan
JanJan 1 10 - 1 10 - - -
FebFeb 2 12 - 2 12 - - -
MarMar 3 13 - 3 13 - - -
AprApr 4 16 (10+12+13)/3=11,66 4 16 (10+12+13)/3=11,66 - -
MeiMei 5 19 (12+13+16)/3=13,66 5 19 (12+13+16)/3=13,66 - -
JunJun 6 23 (13+16+19)/3=16,00 6 23 (13+16+19)/3=16,00 (10+12+13+16+19)/5 = 14 (10+12+13+16+19)/5 = 14
JulJul 7 26 (16+19+23)/3=19,33 7 26 (16+19+23)/3=19,33 (12+13+16+19+23)/5 = 16,6 (12+13+16+19+23)/5 = 16,6
n
d
MA
n
1t
t
n




37. Contoh Metode Exponential Contoh Metode Exponential
SmoothingSmoothing
PeriodPeriodDemandDemand
Forecast , FForecast , F
t+1t+1
=0.3=0.3 =0.5=0.5
11 3737 -- --
22 4040 3737 3737
33 4141 37.937.9 38.538.5
44 3737 38.8338.83 39.7539.75
55 4545 38.2838.28 38.3738.37
66 5050 40.2940.29 41.6841.68
77 4343 43.2043.20 45.8445.84
88 4747 43.1443.14 44.4244.42
99 5656 44.3044.30 45.7145.71
1010 5252 47.8147.81 50.8550.85
1111 5555 49.0649.06 51.4251.42
1212 5454 50.8450.84 53.2153.21
51.7951.79 53.6153.61
ttt FDF )1(
1  


38. Contoh Metode Seasonal (1)Contoh Metode Seasonal (1)
YearYear
Demand (x 1000)Demand (x 1000)
Kwartal-1Kwartal-1Kwartal-2Kwartal-2Kwartal-3Kwartal-3Kwartal-4Kwartal-4TotalTotal
19921992 12.612.6 8.68.6 6.36.3 17.517.5 4545
19931993 14.114.1 10.310.3 7.57.5 18.218.2 50.150.1
19941994 15.315.3 10.610.6 8.18.1 19.619.6 53.653.6
4242 29.529.5 21.921.9 55.355.3 148.7148.7
Perhitungan faktor bobot:
S
1= D
1/D = 42/148.7 = 0.28
S
2
= 0.20
S
3
= 0.15
S
4
= 0.37
2
n
1t
n
1t
2
n
1t
n
1t
t
n
1t
t
ttn
tdtdn
b













n
tbd
a
n
1t
n
1t
t




39. a = 40.97a = 40.97 b = 4.3b = 4.3
y = 40.97 + 4.3 ty = 40.97 + 4.3 t
Untuk tahun 1995 (t =4) diperoleh 58.17Untuk tahun 1995 (t =4) diperoleh 58.17
Peramalan utk tiap kwartal:Peramalan utk tiap kwartal:
SFSF
11 = S = S
11.F.F
55 = .28 (58.7) = .28 (58.7) = 16.28= 16.28
SFSF
22 = 11.63= 11.63
SFSF
33 = 8.73= 8.73
SFSF
44 = 21.53= 21.53
Contoh Metode Seasonal (2)Contoh Metode Seasonal (2)

40. KesimpulanKesimpulan
1.1.Peramalan merupakan tahapan awal Peramalan merupakan tahapan awal
dalam perencanaan sistem operasi dalam perencanaan sistem operasi
produksi.produksi.
2.2.Model yang paling tepat harus dipilih Model yang paling tepat harus dipilih
dalam melakukan peramalan.dalam melakukan peramalan.
3.3.Model yang dipilih dapat dibandingkan Model yang dipilih dapat dibandingkan
dengan model yang lain dengan dengan model yang lain dengan
menggunakan kriteria menggunakan kriteria minimumminimum average average
sum of squared errorssum of squared errors..
4.4.Distribusi Distribusi forecast errorsforecast errors harus harus
dimonitor, jika terjadi bias maka model dimonitor, jika terjadi bias maka model
yang digunakan tidak tepat.yang digunakan tidak tepat.