Analisis Metode Peramalan Permintaan Terbaik Produk Oxycan

Analisis Metode Peramalan Permintaan Terbaik Produk Oxycan-Free PDF

  • Date:29 Sep 2020
  • Views:0
  • Downloads:0
  • Pages:9
  • Size:849.24 KB

Share Pdf : Analisis Metode Peramalan Permintaan Terbaik Produk Oxycan

Download and Preview : Analisis Metode Peramalan Permintaan Terbaik Produk Oxycan


Report CopyRight/DMCA Form For : Analisis Metode Peramalan Permintaan Terbaik Produk Oxycan


Transcription:

Seminar dan Konferensi Nasional IDEC 2017 ISSN 2579 6429. Surakarta 8 9 Mei 2017, yang tepat untuk digunakan Peramalan juga dapat membantu pada kondisi fluktuatif yang. sering dialami oleh banyak perusahaan Kondisi fluktuatif terjadi apabila permintaan. konsumen terhadap produk tinggi namun perusahaan tidak dapat memenuhi kebutuhan maupun. apabila permintaan rendah mengakibatkan produk yang sudah diproduksi tidak terjual dan harus. disimpan di gudang sehingga biaya simpan bertambah Peramalan permintaan juga sangat. berkaitan dengan jumlah bahan baku yang diperlukan Sehingga dengan meramalkan permintaan. suatu produk perusahaan dapat mengetahui jumlah bahan baku yang diperlukan. Berdasarkan hal diatas penelitian ini bertujuan untuk meramalankan permintaan produk. di PT Samator Gresik Produk yang akan diteliti adalah produk Oxycan Produk Oxycan. merupakan produk oksigen dalam kemasan yang diproduksi PT Samator Gresik PT. Samator Group hanya memproduksi produk Oxycan di cabang Gresik saja Oleh karena itu. peramalan permintaan sangat perlu dilakukan agar dapat memenuhi permintaan produk. Oxycan di berbagai wilayah Indonesia Peramalan yang akan dilakukan adalah peramlan. jangka menengah yaitu untuk empat bulan mendatang agar terpenuhinya permintaan pasar. Metode yang akan digunakan adalah lima metode peramalan Time Series yaitu metode naif. na ve Moving Average Weighted Moving Average Double Exponential Smoothing dan. proyeksi terhadap tren, Peramalan permintaan forecasting demand merupakan tingkat permintaan produk produk. yang diharapkan akan terealisasi untuk jangka waktu tertentu pada masa yang akan datang. Menurut Render dan Heizer dkk 2014 terdapat tujuh tahap dasar dalam melakukan peramalan. permintaan,1 Menentukan penggunaan dari peramalan, 2 Memilih items atau kuantitas yang akan diramalkan. 3 Menentukan horizon dari peramalan,4 Memilih model peramalan. 5 Mengumpulkan data yang diperlukan untuk memperoleh peramaalan. 6 Melakukan peramalan, 7 Memvalidasi peramalan dan mengimplementasikan hasil peramalan.
Menurut Firdaus dalam Tohir 2006 salah satu instrumen yang digunakan untuk mengeksplorasi. pola data adalah koefisien autokarelasi rk yaitu korelasi antara nilai peubah yt dengan nilai. beda kalanya lag yaitu yt 1 Kumpulan rk untuk berbagai tingkatan beda kala disebut. Autocorrelation Function ACF ACF dapat digunakan untuk mengidentifikasi apakah pola data. itu trend stasioner variasi musiman atau siklus,2 1 Metode Motode Peramalan Time Series. a Metode naive naif, Teknik peramalan yang mengasumsikan permintaan periode berikutnya sama dengan. permintaan pada periode terakhir Metode naif digambarkan secara matematis berikut. Permintaan periode mendatang permintaan periode terakhir 1. b Moving Average, Peramalan moving average rataan bergerak menggunakan sejumlah data aktual masa lalu. untuk menghasilkan peramalan,Rataan bergerak 2, Dimana n adalah jumlah periode dalam rataan bergerak. Seminar dan Konferensi Nasional IDEC 2017 ISSN 2579 6429. Surakarta 8 9 Mei 2017, Saat terdapat tren atau pola yang terdeteksi bobot dapat digunakan untuk menempatkan.
penekanan yang lebih pada nilai terkini Moving average dengan pembobotan disebut juga. Weighted Moving Average Weighted Moving Average dapat digambarkan secara matematik. sebagai berikut,Weighted Moving Average 3,c Exponential Smoothing. Exponential smoothing penghalusan eksponensial merupakan metode peramalan rataan. bergerak dengan pembobotan di mana titik titik data dibobotkan oleh fungsi eksponensial. Single Exponential Smoothing dapat digambarkan secara matematis berikut. Ft Ft 1 At 1 Ft 1 4,Ft peramalan baru,Ft 1 peramalan sebelumnya. konstanta penghalusan 0 1,At 1 permintaan aktual periode lalu. Single Exponential Smoothing setelah disesuaikan dengan adanya tren disebut Double. Exponential Smoothing Double Exponential Smoothing dapat digambarkan secara matematis. F 0 F 0 A 1,F t A t 1 F t 1,F 1 t F t 1 F t 1 5, Ft peramalan Double Exponential Smoothing pada periode t. At peramalan Single Exponential Smoothing pada periode t. Ft 1 peramalan Double Exponential Smoothing pada periode t 1. konstanta penghalusan 0 1,d Proyeksi terhadap tren.
Proyeksi Tren trend projection adalah teknik menyesuaikan garis tren pada serangkaian data. masa lalu kemudian memproyeksikan garis pada masa datang untuk peramalan jangka. menengah atau jangka panjang Persamaan secara matematis ditulis sebagai berikut. y nilai terhitung dari variabel yang akan diprediksi variabel terikat. a persilangan sumbu y, b kemiringan garis regresi tingkat perubahan pada y untuk perubahan yang terjadi di x. x variabel bebas, Kemiringan garis regresi b dapat ditemukan dengan persamaan berikut. b kemiringan garis regresi,x nilai variabel bebas yang diketahui. y nilai variabel terkait yang diketahui,rata rata nilai x. rata rata nilai y,n jumlah data atau pengamataan, Seminar dan Konferensi Nasional IDEC 2017 ISSN 2579 6429.
Surakarta 8 9 Mei 2017, Titik potong sumbu y a dapat ditemukan dengan persamaan berikut. a persilangan sumbu,b kemiringan garis regresi,rata rata nilai x. rata rata nilai y,2 2 Ukuran Kesalahan Peramalan, Ukuran akurasi hasil peramalan merupakan ukuran kesalahan tentang perbedaan hasil. peramalan dengan permintaan yang sebenarnya Terdapat 3 ukuran yang digunakan yaitu. 1 Mean Squared Error, Nilai MSE ini diperoleh melalui selisih antara nilai aktual dengan nilai peramalan yang. dikuadratkan dibagi dengan banyaknya deret waktu peramalan Nilai MSE Mean Sqared. Error digunakan ketika besarnya residual merata sepanjang pengamatan. 2 Mean Absolute Percentage Error, Nilai MAPE Mean Absolute Percentage Error digunakan untuk melihat sejauh mana.
bias metode peramalan yang digunakan,3 Mean Absolut Error. Nilai MAE Mean Absolute Error digunakan bila hanya satu atau dua residual yang. besar dalam data pengamatan, Data yang digunakan untuk penelitian ini adalah data permintaan produk Oxycan di PT. Samator Gresik pada bulan Januari 2014 hingga bulan Agustus 2016 Pengolahan data yang. dilakukan menggunakan lima metode permalan permintaan Time Series dan menggunakan tiga. metode pengukuran kesalahan peramalan yaitu MSE Mean Squared Error MAPE Mean. Absolute Percentage Error dan MAE Mean Absolute Error. 3 Hasil dan Pembahasan, Pengumpulan data penjualan produk diperoleh dari sumber data data masa lalu yang dapat. diakses dari data perusahaan yang tersimpan di komputer Data penjualan produk Oxycan periode. Januari 2014 hingga Agustus 2016 dapat dilihat pada Tabel 1. Seminar dan Konferensi Nasional IDEC 2017 ISSN 2579 6429. Surakarta 8 9 Mei 2017, Tabel 1 Data Penjualan Oxycan Periode Januari 2014 Agustus 2016 dalam unit. DATA HISTORIS PENJUALAN PRODUK OXYCAN,BULAN JANUARI 2014 BULAN AGUSTUS 2016.
TOTAL TOTAL,MONTH MONTH,SALES SALES,Jan 14 28026 May 15 26498. Feb 14 26579 Jun 15 22900,Mar 14 36901 Jul 15 26460. Apr 14 27791 Aug 15 12316,May 14 44733 Sep 15 42129. Jun 14 43356 Oct 15 84572,Jul 14 4862 Nov 15 108261. Aug 14 13366 Dec 15 27492,Sep 14 48318 Jan 16 41065.
Oct 14 46922 Feb 16 40174,Nov 14 25425 Mar 16 28959. Dec 14 12197 Apr 16 16536,Jan 15 10806 May 16 4958. Feb 15 19279 Jun 16 19536,Mar 15 21679 Jul 16 14460. Apr 15 20474 Aug 16 25800,3 1 Uji Pola Data, Pola data penjualan yang diperoleh akan dilakukan pengolahan menggunakan program. Microsoft Excel dan Minitab 16 untuk mengetahui Autocorrelation Function ACF dan plot. data penjualan Oxycan Grafik Plot time series pergerakan volume penjualan produk Oxycan. dapat dilihat pada Gambar 1,Time Series Plot Penjualan Rata rata.
120000 Variable,3 6 9 12 15 18 21 24 27 30,Gambar 1 Uji Pola Data Penjualan Produk Oxycan. Menurut Makridakis dalam Raharja 2010 pola data stasioner terjadi jika terdapat data. yang berfluktuasi disekitar nilai rata rata yang konstan Berdasarkan hasil uji pola data diketahui. bahwa data penjualan produk Oxycan menunjukkan pola data yang tidak stasioner hal ini dapat. dilihat dari pergerakan data yang tidak berada diantara garis rata rata atau konstan Dilihat dari. pola data yang tidak stasioner model moving average tidak cocok digunakan Model moving. average hanya cocok pada data yang konstan terhadap variasi dan prediksi model moving average. tidak akurat jika data mengandung unsur trend atau musiman Dapat dilihat pula dari plot data. bahwa kecenderung menunjukkan adanya unsur musiman Unsur musiman dapat dilihat dari pola. penjualan produk Oxycan berulang pada bulan tertentu. 3 2 Uji Autokorelasi, Seminar dan Konferensi Nasional IDEC 2017 ISSN 2579 6429. Surakarta 8 9 Mei 2017, Uji autokorelasi bertujuan untuk mengetahui besaran korelasi antara data waktu t dengan. waktu sebelumnya t 1 Jika didapatkan hasil uji autokorelasi dengan besaran korelasi antara data. ke t dan data ke t 1 cukup tinggi kemudian bertahap menurun bisa diduga data time series. tersebut mempunyai unsur tren di dalamnya dan tidak bersifat random Santoso 2009 Apabila. plot data Autocorrelation Function ACF turun mendekati nol secara cepat pada umumnya. setelah lag kedua atau ketiga maka dapat dikatakan stasioner Hanke dan Winchern 2005. Sedangkan untuk mengetahui ada tidaknya distribusi yang sesuai dengan distribusi data yang. ada digunakan grafik Distributional Analysis Probability Plot. Uji Autokorelasi,Autocorrelation,1 2 3 4 5 6 7 8,Gambar 2 Uji Autokorelasi Penjualan Produk Oxycan. Berdasarkan plot autokorelasi ACF yang dapat dilihat pada Gambar 2 pola yang. terbentuk bersifat eksponensial yaitu dilihat dari pergerakannya yang tidak secara cepat. mendekati nol menunjukkan unsur trend Menurut Firdaus 2006 unsur trend diketahui. dengan adanya beda kala pertama tinggi dan berbeda dengan nol secara signifikan lalu turun. mendekati nol saat series meningkat Plot ACF juga memperlihatkan adanya pola gelombang. secara bergantian antara positif dan negatif yang menunjukkan adanya unsur musiman. Firdaus dalam Tohir 2011 Apabila data mengandung unsur trend dan unsur musiman maka. metode yang cocok adalah metode exponential smoothing dan proyeksi terhadap tren. Probability Plot of Penjualan,Normal 95 CI,Mean 30401.
StDev 21265,P Value 0 005,50000 25000 0 25000 50000 75000 100000 125000. Gambar 3 Grafik Normal Probability Plot Hasil Analisis Regresi Penjualan. Berdasarkan grafik Distributional Analysis Probability Plot yang dapat dilihat pada. Gambar 3 dapat diketahui bahwa data time series penjualan produk Oxycan PT Samator. Gresik menunjukkan data tidak berada di sekitar garis lurus hal ini berarti data penjualan. produk Oxycan PT Samator Gresik periode Januari 2014 sampai Agustus 2016 berdistribusi. tidak normal Karena data menunjukkan distribusi tidak normal maka data akan sulit atau. dapat menyebabkan kesalahan perhitungan jika menggunakan peramalan permintaan. menggunakan proyeksi terhadap tren, Seminar dan Konferensi Nasional IDEC 2017 ISSN 2579 6429. Surakarta 8 9 Mei 2017,3 3 Pemilihan Metode Peramalan Terbaik. Berdasarkan identifikasi pola data produk Oxycan maka metode peramalan time. series yang sesuai adalah Metode Eksponential Smoothing dan metode proyeksi tren Namun. sebagai perbandingan maka metode peramalan lainnya tetap digunakan yaitu metode. na ve dan metode rata rata bergerak moving average Volume penjualan produk Oxycan. pada PT Samator Gresik empat bulan mendatang yaitu bulan Oktober 2016 sampai bulan. Januari 2017 merupakan data yang akan diprediksi oleh model model peramalan tersebut. Nilai kesalahan error terkecil digunakan sebagai kriteria untuk membandingkan. keakuratan hasil peramalan Metode kesalahan error terkecil yang digunakan adalah MSE. Mean Squared Error MAPE Mean Absolute Percentage Error dan MAE Mean Absolute. Error Data hasil peramalan penjualan produk Oxycan 4 bulan mendatang menggunakan. lima metode peramalan Time Series dapat dilihat pada Tabel 2. Tabel 2 Hasil Peramalan Menggunakan Metode Time Series. Oktober November Desember Januari,Metode Forecasting. Naif Na ve 25800 25800 25800 25800, Moving Average Pembobotan 3 12985 12985 12985 12985.
Weighted Moving Average Pembobotan 3 14568 14568 14568 14568. Double Exponential Smoothing 0 9 25368 25714 25783 25797. Proyeksi Tren 31031 31067 31103 31139,3 4 Rekapitulasi Nilai Error. Rekapitulasi data nilai rata rata error tiap metode peramalan digunakan untuk mengetahui. kevalidan dari metode yang digunakan Hasil rekapitulasi data nilai rata rata error dapat dilihat. pada Tabel 3, Tabel 3 Hasil Peramalan Menggunakan Metoe Time Series. METODE PERAMALAN MSE MAPE MAE KETERANGAN,Naif Naive 159841 16 1 4 14692. Moving Average 16705337 02 1 6 18295 55172 Pembobotan 3. Weighted Moving Average 11898248 28 1 4 17080 47701 Pembobotan 3. Single Eksponential Smoothing 159841 16 1 4 14692 0 9. Double Eksponential Smoothing 968877 92 1 3 14372 35528. Proyeksi Tren 0 125 0 6 14560 125, Dalam menentukan metode peramalan terbaik hal yang perlu dipertimbangkan adalah. besarnya nilai kesalahan peramalan yaitu nilai residual atau selisih antara nilai aktual dengan. nilai prediksi Dari pengamatan selisih nilai aktual pengamatan dengan nilai estimasi dari. peramalan tersebut diketahui bahwa besarnya residual tidak merata atau terpaut sangat jauh antara. residual satu dengan residual yang lain Pada situasi seperti itu digunakan MAE sebagai. ukuran akurasi untuk menentukan metode peramalan terbaik untuk empat bulan mendatang. Peramalan permintaan forecasting demand merupakan tingkat permintaan produk produk yang diharapkan akan terealisasi untuk jangka waktu tertentu pada masa yang akan datang Menurut Render dan Heizer dkk 2014 terdapat tujuh tahap dasar dalam melakukan peramalan permintaan 1 Menentukan penggunaan dari peramalan 2

Related Books