LAPORAN FORECASTING (PERAMALAN)

Disusun Oleh:

1. Maria Ulfah
2. Meri Amsari Siregar
3. Nurul Apriliani
4. Nabila Khumairoh
5. Silfa Nurmilah

PROGRAM STUDI TEKNIK INDUSTRI SEKOLAH

TINGGI TEKNOLOGI BANDUNG
TAHUN 2022

1
2
 KATA PENGANTAR

Puji syukur kami panjatkan kehadirat Allah SWT, karena atas

rahmat dan karuniaNya kami dapat menyelesaikan Laporan Praktikum
Forecasting. Penyusunan laporan ini disusun untuk memenuhi tugas
mata kuliah Praktikum Sistem Produksi

Kami menyadari bahwa laporan ini sangat jauh dari

kesempurnaan. Oleh karena itu, dengan segala kerendahan hati, kami
menerima kritik dan saran agar penyusunan Modul selanjutnya
menjadi lebih baik. Untuk itu kami mengucapkan banyak terimakasih
dan semoga Modul ini bermanfaat bagi para pembaca.

Purwakarta , 16 Oktober 2022

3
 DAFTAR ISI
Cover..........................................................................................................................
Daftar Isi.....................................................................................................................
BAB I
PENDAHULUAN
1. 1 Latar Belakang....................................................................................................
1.2 Tujuan dan Manfaat.............................................................................................
1. 3 Rumusan Masalah...............................................................................................
1. 4 Identifikasi Masalah............................................................................................
1. 5 Pembatasan Masalah...........................................................................................
1. 6 Sistematika Penulisan..........................................................................................
BAB II
LANDASANTEORI
2.1 Pengertian Peramalan (Forecasting)....................................................................
2.2 Macam-Macam Peramalan ..................................................................................
2.3 Ukuran Akurasi Hasil Peramalan.........................................................................
BAB III
PENGOLAHAN DATA
3.1 pengolahan data....................................................................................................
BAB IV
ANALISIS DATA
4.1 analisis..................................................................................................................
4.2 pembahasan .........................................................................................................
BAB V
KESIMPULAN DAN SARAN
Daftar Pustaka
Lampiran

4
 BAB I
PENDAHULUAN

1.1 LATAR BELAKANG
Suatu perencanaan produksi yang matang sangat dibutuhkan perusahaan agar
mampu menghasilkan produk yang memiliki kualitastinggi dan mampu memenuhi
kebutuhan dan permintaan konsumen. Hal ini disebabkan oleh persaingan antara
perusahaan industri yang semakin meningkat, oleh karena itu diperlukan suatu
perancangan dan pengelolaan proses produksi yang baik dan lancar pada
perusahaan atau industri yang terkait agar sistem produksi berjalan efektif dan
efisien.
Perusahaan yang mampu bersaing di dunia industri selalumempunyai sistem p
endukung yang mampu merencanakan jumlahproduksinya untuk jangka waktu
kedepan. Sebagai salah satu cara untukmeramalkan dan memperkirakan
kebutuhan produksi yang akan
datangdan jumlah unit produksi agar dapat berjalan lancar adalah dengan
menggunakan sistem peramalan atau yang dikenal dengan forecasting.Peramalan
memegang aspek fundamental bagi setiap perusahaanatau organisasi. Peramalan
menjadi salah satu pertimbangan bagi setiap pengambilan keputusan manajemen
yang sangat signifikat. Peramalan menjadi dasar perencanaan jangka Panjang
perusahaan. Peramalan tiak dapat dipisahkan dengan perencanaan.
Tujuan percobaan ini adalah untuk memperirakan atau meramalkan kebutuhan
produksi atau unit yang perlu diproduksi oleh suatu perusahaan berdasarkan data
masa lalu atau data sebelumnya. Selain itu percobaan ini juga bertujuan untuk
menentukan metode peramalan yang terbaik bagi perusahaan tersebut .

1.2 TUJUAN DAN MANFAAT

Manfaat forecasting
Ada beberapa manfaat yang bisa Anda dapatkan dalam penerapan forecasting, di
antaranya:

5
 1. Memprediksi masa depan bisnis
2. Secara tidak langsung, forecasting dapat memperlihatkan gambaran umum
bagi manajemen terkait arah bisnis. Dari situ perusahaan dapat
menentukan target pasar serta meraih keuntungan sebanyak banyaknya.
3. Memenuhi kepuasan pelanggan
Dengan adanya forecasting, perusahaan bisa memprediksi gambaran
terkait permintaan barang. Dengan itu, perusahaan dapat memenuhi
permintaan barang serta mencapai kepuasaan pelanggan.

Tujuan dan Fungsi Forecasting

Peramalan atau forecasting memiliki beberapa tujuan, dan menurut Heizer dan
Render (2009:47) adalah sebagai berikut :

1. Untuk mengkaji kebijakan perusahaan yang berlaku saat ini dan pada masa
lalu serta melihat sejauh mana pengaruh pada masa mendatang.

2. Peramalan diperlukan karena adanya time lag atau delay antara saat suatu
kebijakan perusahaan ditetapkan dengan saat implementasi.

3. Peramalan merupakan dasar penyusutan bisnis pada suatu perusahaan

sehingga dapat meningkatkan efektivitas suatu rencana bisnis

Selain itu, forecasting memiliki fungsi yang akan terlihat pada saat pengambilan
keputusan. Keputusan yang baik ialah keputusan yang didasarkan atas
pertimbangan apa yang akan terjadi pada waktu keputusan itu dilaksanakan.
Apabila kurang tepat ramalan yang kita susun, maka masalah peramalan juga
merupakan masalah yang selalu kita hadapi (Ginting, 2007).

6
1.3 Rumusan Masalah
1. Bagaimana hasil peramalan dengan menggunakan metode forecasting

2. Bagaimana memperoleh hasilperamalan dengan menggunakan aplikasi

winQSB

1.4 Identifikasi Masalah

Masalah yang diidentifikasi dari data-data yang dikumpulkan dari objek
penelitian dimana data-data tersebut berupa data permintaan. Dari data-data
tersebut akan diolah sehingga tidak lagi menjadi data kasar dengan
pengolahan data menggunakan aplikasi winQSB.
1.5 Pembatasan masalah
Dalam upaya mengarahkan pembahasan percobaan pada tujuan utama agar tidak 
menyimpang dari ruang lingkup percobaan, maka perlu diadakan pembatasan perc
obaan sebagai berikut :
1.Data diperoleh dari hasil laporan sales di perusahaan XYZ
2. Peramalan yang dilakukan hanya 24 bulan ke depan (2 tahun)
3. Metode peramalan Menggunakan Aplikasi WinQSB

1.6 Sistematika penulisan

Untuk memudahkan dalam memahami pokok bahasan,maka perlu adanya
sistematika penulisan dalam penyusunan laporan.Adapun sistematika
penulisan tersebut meluputi:
BAB I : PENDAHULUAN
Dalam bab ini diuraikan menegnai latar
belakang,tujuan,perumusan masalah,pembatasan
masalah,pemecahan masalah dalam sistematika penulisan

7
BAB II : LANDASAN TEORI
Bab ini diberisikan beberapa uraian tentang teori-teori yang relevan dengan
masalah yang ada,yang kemudian dipergunakan sebagai landasan teori dalam
pemecahan masalah.
BAB III : PENGOLAHAN DATA
Bab ini diberikan uraian menegenai Langkah-langkah pemecahan masalah
yang digambarkan secara skematis melalui flow chart serta bab ini
diberisikan analisis terhadap data yang telah diolah.
BAB IV : ANALISIS DATA
Bab ini mengungkapkan data yang telah diperoleh atau dikumpulkan.Serta
pengolahan data berdasarkan teori yang telah dipelajari.
BAB V
: KESIMPULAAN DAN SARAN
Bab ini berisikan kesimpulan yang didapat dari penelitian.

8
 BAB ll
LANDASAN TEORI

2.1 Pengertian Peramalan (Forecasting)

Peramalan atau forecasting adalah sebuah metode sebagai alat bantu untuk
melakukan suatu perencanaan yang efektif dan efisien, seperti peramalan terhadap
tingkat permintaan suatu produk atau atau beberapa produk dan peramalan
terhadap
harga sembako dalam periode waktutertentu di masa yang akan datang
(Falevy,2013)

2.2 Macam-macam Peramalan

Berdasarkan sifatnya, peramalan diklasifikasikan menjadi dua bagian yaitu
:
a. Peramalan kualitatif
Adalah teknik peramalan yang digunakan apabila data masa lalu tidak
tersedia atau tersedia namun jumlahnya yang tidak banyak. Teknik ini
mengkombinasikan informasi dengan pengalamn, penilaian dan intuisi
untuk menghasilkan pola-pola dan hubungan yang mungkin dapat
diterapkan dalam memprediksi masa yang akan datang. Teknik-teknik
kualitatif didasarkan atas pendekatan akal sehat dalam menyaring informasi
ke dalam bentuk yang bermanfaat. Beberapa metode yang tercakup dalam
teknik – teknik kualitatif antara lain visionary, panel consesus,
brainstorming, antypatory survey, role playing, dan lain sebagainya.

b. Peramalan Kuantitatif
Adalah teknik peramalan dimana pola historis data digunakan untuk
meramalkan keadaan di masa yang akan datang. Menurut makridakis,
Wheelwright dan McGee (1999,p20), tiga kondisi penerapan dari penerapan
peramalan ini, yaitu : tersedianya informasi tentang masa lalu, informasi
tersebut dalpat dikuantitatifkan dalam bentuk data numerik, dan dapat

9
diasumsikan bahwa beberapa aspek pola aspek masa lalu akan terus
berlanjut ke masa mendatang. Terdapat dua teknik kuantitatif yang utama, yakni
analisis deret waktu (time series analysis) dan model struktural
(structural model) atau model kausal.
 Time series adalah analisis deret waktu yang didasarkan pada deret
yang menggambarkan pola-pola bervariasi sepanjang waktu, dan dapat
dimodelkan untuk menentukan pola yang akan terjadi di masa depan.
 Causal Model adalah model yang terdiri dari teknik-teknik peramalan
yang menggunakan informasi atas satu atau beberapa faktor (variable)
untuk memprediksi faktor lainnya dengan memanfaatkan pengetahuan
atas hubungan antara variabel-variabel tersebut.
 Other Quantitative adalah metode peramalan jenis kuantitatif yang
menggunakan teknik peramalan market research, management science,
expert system, artifical dan lain-lain

2.3 Ukuran Akurasi Hasil Peramalan

1. Mean Average Deviation (MAD)
MAD (Mean Average Deviation) adalah angka yang menunjukan rata- rata
perbedaan antara perkiraan dan permintaan sebenarnya.

MAD= t =1
∑ |et|
n
2. Mean Squarred Error (MSE)
MSE (Mean Squarred Error) adalah rata-rata kesalahan prediksi kuadrat dan
kadang-kadang digunakan sebagai ukuran kesalahan perkiraan. Mean Square
Error (MSE) atau rata – rata kuadrat kesalahan adalah pengestimasian nilai
kesalahan dengan menjumlahkan kuadrat semua kesalahan peramalan pada setiap
periode dan membaginya dengan jumlah periode peramalan. Nilai kesalahan
peramalan adalah selisih dari nilai hasil prediksi dengan nilai sebenarnya yang
dapat diketahui dengan rumusan di bawah ini :

10
 n
et 2
MSE=∑
t =1 n
3. Mean Absolute Percentage Error (MAPE)
MAPE (Mean Absolute Percentage Error) adalah ukuran yang paling
umum kesalahan perkiraan. Fungsi MAPE terbaik bila tidak ada ekstrem
untuk data (termasuk nol). merupakan ukuran kesalahan relatif. MAPE
menyatakan presentase kesalahan hasil peramalan terhadap permintaan
aktual selama periode tertentu yang akan memberikan informasi
presentase kesalahan terlalu tinggi atau terlalu rendah.

( )∑ | Dt−Ft
Dt |
n
100
MAPE=
n t=1

4. Mean Forecast Error (MFE)

MFE sangat efektif untuk mengetahui apakah suatu hasil peramalan
selama periode tertentu terlalu tinggi atau terlalau rendah. Bila hasil peramalan
tidak bias, maka nilai MFE akan mendekati nol.

MFE=∑ ¿¿ ¿

5. Average Error (AE)

Merupakan rata-rata perbedaan antara nilai sebenarnya dan nilai peramalan,
yamg dirumuskan sebagai berikut ;

At −Ft
AE=
n
Dimana :
A = Permintaan Aktual pada Periode t
F = Peramalan Permintaan pada peroide t
n = Jumlah periode peramalan yang terlibat

11
6.Tracking Signal
Tracking signal adalah bagian untuk memantau setiap perkiraan yang telahdibuat
dibandingkan dengan aktual, dan memperingatkan ketika ada keberangkatan tak
terduga dari hasil dari perkiraan. Prakiraan dapat berhubungan dengan penjualan,
persediaan, atau apapun yang berkaitan dengan kebutuhan masa depan organisasi.
Tracking signal adalah indikator sederhana bahwa bias perkiraan hadir dalam
model prediksi. Hal ini paling sering digunakan ketika validitas dari model
peramalan mungkin diragukan.
Rumus manual untuk mencari Tracking Signal adalah Σ (at' −' 'ft) / MAD

12
 BAB III

3.1 PENGOLAHAN DATA

1. Buka WinQSB dengan memilih metode Forecasting melalui

Start > All Programs > WinQSB > Forecasting and Liniear
Regression

2. Input permasalahan dengan klik New Problem Pilih spesifikasi masalah

yang akan diselesaikan, yakni Time Series Forecasting. Time Unit yang
dipilih yaiut dalam satuan bulan, kemudian periode yang dipilih adalah
24 bulan atau 2 tahun. Kemudian klik OK

13
3. Masukan Historical Data selama 24 bulan, data ini dihasilkan dari
asumsi permintaan produk selama 2 tahun. Setelah selesai di isi,
kemudian klik di menu bar Solve and Analyze > Perform Forecasting.

4. Pilih metode Forecasting yang akan digunakan untuk menyelesaikan

masalahnya, metode yang dipilih yaitu Single Exponential Smoothing
(SES), Method Parameters pilih Assign Values. Jumlah periode yang
akan diramalkan atau Number of periods to Forecast yaitu 24 bulan.
Kemudian untuk Smoothing Constant alpha masukan 0.3. Klik OK

14
5. Hasil Peramalan akan ditampilkan selam 24 bulan seperti gambar
dibawah ini

15
6. Untuk hasil peramalan secara detail, tinjau menu bar. Kemudian
klik Result > Show Forecasting Detail.

16
7. Selain itu, hasil peramalan dapat dillihat melalui grafik untuk
memplotkan hasil dari peramalan. Grafik ini merupakan perbandingan
antara Actual data dengan hasil peramalan dengan metode Single
Exponential Smoothing (SES). Untuk menampilkan grafik tersebut,
klik Result pada menu bar > Show Forecasting in Graph.

17
8. Hasil peramalan yang sudah didapatkan masih bisa mendapatkan hasil
yang lebih maksimal, dengan kata lain hasil peramalan sebelumnya
bukan hasil yang terbaik. Untuk menunjukan hasil yang terbaik,
kembali pada ke Historical Data di juklak point ke 2. Klik Solve and
Analyze > Perform Forecasting. Selanjutnya pilih metode Single
Exponential Smoothing (SES), kolom Method Parameters pilih Search
The Best untuk menghasilkan hasil terbaik. Dan masukan 24 bulan di
kolom Number of Periods to Forecast. Kemudian klik OK.

18
19
9. Untuk menunjukkan grafiknya, Klik Result > Show The Forecasting in
Graph

20
21
 BAB 4
ANALISIS DATA

4.1 Analisis
Dalam 24 bulan dari peramalan Di masa lalu ( demand)
Data permintaan tertinggi berada di periode ke 13 yaitu sekitar 17262
Dengan nilai
MAD = 1772.2
MSE =4447207
MAPE = 13.45873
CFE = 8622.475
Sedangkan permintaan terendah terdapat pada periode ke 8 dimana permintaan
hanya mencapai 9470 dengan hasil perhitungan
MAD = 1748.078
MSE =4411556
MAPE = 14.7275
CFE = -407.3799
Hasil maksimal periode peramalan dengan menggunakan metode singel
exponential smooting pada aplikasi winQSB yaitu :
CFE =8949.766
MAD = 1677.768
MSE = 4169935
MAPE = 12.40649

4.2 Pembahasan
Teknik analisis data dalam forecasting perlu memperhatikan kriteria untuk
mengidentifikasi ukuran kesalahan peramalan. Adapun jenis teknik analisis data
yang dilakukan dalam forecasting meliputi
1. Mean Absolute Deviation (MAD),
2. Mean Square Error (MSE),
3. Mean Absolute Percentage Error (MAPE)

22
Harapannya dengan adanya kriteria berikut dapat mendapatkan hasil peramalan
yang bisa meminimalkan kesalahan dan menghindari adanya ketidakpastian dalam
data yang diramalkan.

Hasil peramalan dalam prakteknya hampir tidak pernah secara mutlak tepat. Hal
ini karena keadaan maupun kejadian di masa depan tidak menentu. Walaupun
demikian, apabila semua faktor penting yang mempengaruhi telah diperhitungkan
dan model hubungan dari faktor-faktor tersebut ditentukan dengan baik, maka
hasil peramalan akan mendekati kondisi yang sebenarnya, maka harus dilakukan
dengan hati-hati terutama pemilihan metode untuk digunakan dalam suatu kasus
tertentu.

Hasil peramalan terbaik adalah metode terpilih dengan memiliki tingkat kesalahan
yang paling minim. Disamping memiliki kesalahan yang paling minim juga
didukung dengan nilai peramalan yang paling besar.

Adapun parameter yang dilihat untuk menentukan metode yang terbaik adalah
melihat nilai MAD, MSE, standar error dan bias yang paling mendekati nol.
Dari keseluruhan yang dilihat mengindikasikan adanya kriteria dalam penentuan
metode terbaik berdasarkan ukuran akurasi hasil peramalan. Berdasarkan
parameter tersebut, dapat menentukan metode yang terbaik dari beberapa metode
yang ada untuk kasus peramalan penjualan dengan data yang bersifat musiman.

Berikut adalah penjabaran dari masing-masing ukuran akurasi hasil peramalan ini.

1.Mean Absolute Deviation

Teknik Analisis Data
Kriteria pertama adalah Mean Absolute Deviation (MAD). Mean Absolute
Deviation (MAD) perhitungan yang digunakan untuk menghitung rata-rata
kesalahan mutlak atau absolut. Mean absolute deviation mengukur akurasi dari

23
forecast dengan membuat sama rata dari besarnya kesalahan perkiraan yang
dimana setiap forecasting memiliki nilai absolut untuk setiap errornya. MAD
digunakan jika seorang analis ingin mengukur kesalahan peramalan dalam unit
ukuran yang sama seperti data aslinya. MAD mengukur ketepatan ramalan dengan
merata-rata kesalahan dugaan (nilai absolut masing-masing kesalahan). MAD
berguna ketika mengukur kesalahan ramalan dalam unit yang sama sebagai deret
asli. MAD merupakan ukuran pertama kesalahan peramalan keseluruhan untuk
sebuah model. MAD dari suatu set data adalah jarak rata-rata antara setiap nilai
data dan rata-rata. MAD adalah cara untuk menggambarkan variasi dalam
kumpulan data. MAD membantu kita memahami bagaimana penyebaran nilai-
nilai dalam kumpulan data.

2. Mean Square Error

Teknik Analisis Data
Mean Squared Error (MSE) adalah Rata-rata Kesalahan kuadrat antara nilai aktual
dan nilai peramalan. Metode Mean Squared Error secara umum digunakan untuk
mengecek estimasi berapa nilai kesalahan pada peramalan. Nilai Mean Squared
Error yang rendah atau nilai mean squared error mendekati nol menunjukkan
bahwa hasil peramalan sesuai dengan data aktual dan bisa dijadikan untuk
perhitungan peramalan di periode mendatang. Metode Mean Squared Error
biasanya digunakan untuk mengevaluasi metode pengukuran dengan model
regresi atau model peramalan seperti Moving Average, Weighted Moving
Average dan Analisis Trendline. Cara menghitung Mean Squared Error (MSE)
adalah melakukan pengurangan nilai data aktual dengan data peramalan dan
hasilnya dikuadratkan (squared) kemudian dijumlahkan secara keseluruhan dan
membaginya dengan banyaknya data yang ada.

3.Mean Absolute Percentage Error

Mean Absolut Percentage error (MAPE) adalah persentase kesalahan rata-rata
secara mutlak (absolut). Pengertian Mean Absolute Percentage Error adalah
Pengukuran statistik tentang akurasi perkiraan (prediksi) pada metode peramalan.

24
Pengukuran dengan menggunakan Mean Absolute Percentage Error (MAPE)
dapat digunakan oleh masyarakat luas karena MAPE mudah dipahami dan
diterapkan dalam memprediksi akurasi peramalan. Metode Mean Absolute
Percentage Error (MAPE) memberikan informasi seberapa besar kesalahan
peramalan dibandingkan dengan nilai sebenarnya dari series tersebut. Semakin
kecil nilai presentasi kesalahan (percentage error) pada MAPE maka semakin
akurat hasil peramalan tersebut. Beberapa analisa menyebutkan variasi nilai Mean
Absolute Percentage Error memiliki arti yang berbeda.

Jika nilai MAPE kurang dari 10% maka kemampuan model peramalan sangat
baik
Jika nilai MAPE antara 10% - 20% maka kemampuan model peramalan baik
Jika nilai MAPE kisaran 20% - 50% maka kemampuan model peramalan layak
Jika nilai MAPE kisaran lebih dari 50% maka kemampuan model peramalan
buruk Dari nilai tersebut bisa dipahami bahwa nilai MAPE masih bisa digunakan
apabila tidak melebihi 50%. Ketika nilai MAPE sudah diatas 50% maka model
peramalan sudah tidak bisa digunakan lagi.

25
 BAB V

KESIMPULAN DAN SARAN

Kesimpulan

Forecasting merupakan bagian terpenting bagi setiap perusahaan ataupun

organisasi bisnis dalam setiap pengambilan keputusan manajemen. Forecasting
adalah suatu teknik analisa perhitungan yang dilakukan untuk memperkirakan
kejadian dimasa depan dengan menggunakan referensi data-data di masa lalu.
Peramalan bertujuan untuk memperkirakan prospek ekonomi dan kegiatan usaha
serta pengaruh lingkungan terhadap prospek tersebut.

Saran

Ketika melakukan pengolahan data manual forecasting sebaiknya harus lebih hati
hati sehingga mendapatkan hasil sesuai dengan yang diinginkan.Selain itu,kita
juga harus menguasai software yang mendukung saat pengolahan
data.Contohnya,Eviews,Microsoft Excel,Spss dan WinQSB.

26