LAPORAN PRAKTIKUM

MANAJEMEN OPERASI AGROINDUSTRI

MATERI 1

FORECASTING ANALYSIS-TIME SERIES

Oleh :

NAMA

: Budi Satriyo

NIM

: 125100601111017

KELOMPOK: H - 4

Tanggal Praktikum:

Nama Asisten:Ricana Rindu IndihaniLABORATORIUM DAYA DAN MESIN PERTANIAN

JURUSAN KETEKNIKAN PERTANIAN

FAKULTAS TEKNOLOGI PERTANIAN

UNIVERSITAS BRAWIJAYA

MALANG

2014BAB IPENDAHULUAN1.1 Latar BelakangMemperkirakan apa yang akan terjadi dimasa yang akan datang merupakan keharusan dalam melakukan analisis ekonomi maupun kegiatan sebuah perusahaan. Kegiatan yang dapat memperkirakan apa yang akan terjadi dimasa depan pada berbagai bidang biasa disebut dengan peramalan atau Forecasting. Kegiatan ini sangat penting dalam sebuah perusahaan dikarenakanhal tersebut dapat memprediksi apa yang akan terjadi pada sebuah perusahaan. Dengan adanya kegiatan peramalan tersebut maka perusahaan dapat mempersiapkan apa yang akan dilakukanpada masa yang akan datang. Apa apa saja yang akan dilakukan sebagai akibat adanya peramalan dapat disusun dalam bentuk perencanaan kebijakan perusahaan.Forecasting atau peramalan merupakan kebutuhan yang penting dalam kehidupan sehari-hari. Baik untuk meramalkan cuaca, pemasaran, jumlah penduduk, kebutuhan penduduk maupun bencana-bencana yang terjadi dimasa mendatang. Seiring dengan banyaknya bidang yang memerlukan peralaman yang lebih akurat, metode peralaman ini banyak digunakan oleh para peneliti. Metode peramalan yang digunakan oleh banyak peneliti tersebut digunakan untuk mengetahui bagaimana pergerakan dari sejumlah data yang didapat dimasa depan nantinya. Selain menggunakan, para peneliti tersebut juga turut andil dalam pengembangan metode peramalan sehingga metode metode tersebut dapat lebih mendekati data aslinya dimasa mendatang.

Pada realitanya, metode peralaman akan membantu mengadakan pendekatan analisa terhadap tingkah laku atau pola dari data yang lalu. Hal tersebut bertujuan untuk memberikan cara pemikiran, pengerjaan maupun pemecahan yang sistematis dan pragmatis. Selain itu hal tersebut juga dapat memberikan tingkat keyakinan yang lebih besar atas ketepatan hasil ramalan yang dibuat. Dengan adanya keyakinan tersebut maka akan menimbulkan rasa percaya diri untuk melakukan tindakan atas perusahaan dengan cepat. Dengan kata lain, metode metode peramalan dapat membantu pengambilan keputusan atas tindakan yang harus dilakukan pada suatu perusahaan dimasa mendatang dengan adanya keyakinan yang besar terhadap tindakan tersebut.1.2 Tujuan

Menyediakan informasi tentang perubahan kebijakan dimasa yang akan datang dengan konsekuensinya

Merencanakan dan menyusun kebijakan dengan baik

Melakukan pengendalian yang lebih besar melalui pemahaman kebijakan masa lalu dan konsekuensinya, sebagai implikasi bahwa masa depan ditentukan oleh masa lalu.

BAB IITINJAUAN PUSTAKA2.1 Definisi Forecasting Analysis

Forecasting analysis dapat didefinisikan sebagai penggunaan data historis untuk menentukan arah trend masa depan. Peramalan digunakan oleh perusahaan untuk menentukan bagaimana mengalokasikan anggaran merekapada jangka waktu tertentu. Hal tersebut biasanya dikarenakan oleh permintaan konsumen tidak sebanding dengan biaya produksi mereka. Investor memanfaatkan peramalan untuk menentukan apakah peristiwa yang mempengaruhi perusahaan, seperti ekspektasi penjualan, akan meningkatkan atau menurunkan harga saham di perusahaan tersebut. Peramalan juga memberikan patokan penting bagi perusahaan yang memiliki perspektif jangka panjang operasi (Bryan,2012).Para analis saham menggunakan berbagai metode peramalan untuk menentukan bagaimana harga saham akan bergerak di masa yang akan datang. Kemungkinan besar mereka melakukan peramalan dengan melihat pendapatan dan membandingkannya dengan indikator ekonomi maupun indikator lain, seperti jumlah cabang baru perusahaan terbuka atau jumlah pesanan untuk barang diproduksinya. Para ekonom menggunakan peramalan untuk memperkirakan bagaimana trend, seperti PDB atau pengangguranakan berubah pada kuartal atau tahun mendatang. Semakin jauh keluar ramalan, maka semakin tinggi kemungkinan bahwa perkiraan kurang akurat(Badri,2007).

2.2 Metode Peralaman2.2.1 Moving AverageMoving average (MA) merupakan metode peramalan yang diperoleh dengan melihat jumlah rata-rata permintaan berdasarkan beberapa data masa lalu. Tujuan utama dari penggunaan teknik peramalan ini adalah untuk mengurangi atau menghilangkan variasi acak permintaan dalam hubungannya dengan waktu. Tujuan ini dicapai dengan menlihat jumlah rata-rata beberapa nilai data secara bersama-sama dan menggunakannya sebagai ramalan permintaan untuk periode yang akan datang. Disebut rata-rata bergerak karena begitu setiap data aktual permintaan baruderet waktu tersedia maka data aktual permintaan yang paling terdahulu akan dikeluarkan dari perhitungan kemudian suatu nilai rata-rata baru akan dihitung. Secara matematis, maka moving average (MA) akan dinyatakan dalam persamaan sebagai berikut (Adler,2012):

Dimana :At = Permintaan actual pada periode ke-tN = jumlah data permintaan yang dilibatkan dalam perhitungan MAKarena data aktual yang didigunakan untu kperhitungan MA berikutnya selalu dihitung dengan mengeluarkan data yang paling terdahulu, maka:

2.2.2 Weight Moving AverageMetode rata-rata bergerak berbobot lebih responsif terhadap perubahan, karena dari data periode yang baru biasanya diberibobot lebih besar (Robert,2012). Suatu model rata-rata bergerak n-periode terbobot, wheight MA(n), dinyatakan sebagai berikut:

2.2.3 Exponential SmoothingExponential Smoothing merupakan prosedur perbaikan terus-menerus pada peramalan terhadap objek pengamatan terbaru. Metode ini menitikberatkan pada penurunan prioritas secara eksponensial pada objek pengamatan yang lebih tua. Dengan kata lain, observasi terbaru akan diberikan prioritas yang lebih tinggi bagi peramalan daripada observasi yang lebih lama (Bryan,2012). Berikut merupakan jenis jenis peramalan dengan metode Exponential Smoothing:

a. Single Exponential Smoothing

Metode ini juga dikenal sebagai simple exponential smoothing. Peramalan dengan tipe ini biasa digunakan pada peramalan jangka pendek. Tipe ini biasanya hanya digunakan untuk peramalan 1 bulan ke depan. Model mengasumsikan bahwa data berfluktuasi di sekitar nilai mean yang tetap, tanpa trend atau pola pertumbuhan konsisten (Bryan,2012). Rumus untuk Simple exponential smoothing adalah sebagai berikut:

St = * Xt + (1 ) * St-1Dimana:St

= peramalan untuk periode t.Xt + (1-)= Nilai aktual time seriesFt-1

= peramalan pada waktu t-1 (waktu sebelumnya)

= konstanta perataan antara nol dan 1b. Double Exponential SmoothingMetode ini digunakan ketika data menunjukkan adanya trend. Exponential smoothing dengan adanya trend seperti pemulusan sederhana kecuali bahwa dua komponen harus diupdate setiap periode level dan trendnya. Level adalah estimasi yang dimuluskan dari nilai data pada akhir masing-masing periode. Trend adalah estimasi yang dihaluskan dari pertumbuhan rata rata pada akhir masing-masing periode (Bryan,2012). Rumus double exponential smoothing adalah:St = * Yt + (1 ) * (St-1 + bt-1)

bt = * (St St-1) + (1 ) * bt-1c. Triple Exponential SmoothingMetode ini digunakan ketika data menunjukan adanya trend dan perilaku musiman. Untuk menangani musiman, telah dikembangkan parameter persamaan ketiga yang disebut metode Holt-Winters sesuai dengan nama penemuya ( Bryan,2012).

2.2.4 Trend AnalysisTrend analysis merupakan suatu metode analisis statistik yang bertujuan untuk melakukan estimasi atau peramalan pada masa yang akan datang. Untuk melakukan peramalan dengan baik maka dibutuhkan berbagai macam informasi (data) yang cukup. Selain itu juga dibutuhkan pengamatan dalam periode waktu yang relatif lama. Hal tersebut bertujuan untuk mendapatkan hasil analisis yang dapat mengetahui berapa besar fluktuasi yang terjadi dan faktor-faktor apa saja yang memengaruhi terhadap perubahan tersebut. Secara teoritis, dalam analisis runtunwaktu (time series) hal yang paling menentukan adalah kualitas dan keakuratan dari data-data yang diperoleh serta waktu atau periode dari data-data tersebut dikumpulkan.

Dari data yang diperoleh akan dilakukan analisis terhadapnya. Semakin banyak data yang terkumpul maka semakin baik pula estimasi atau peramalan yang diperoleh. Sebaliknya, jika data yang dikumpulkan semakin sedikit maka hasil estimasi atau peramalannya akan semakin buruk. Hal ini mengindikasikan bahwa banyaknya data sangat berpengaruh terhadap hasil dari sebuah analisis. Selanjutnya, hasil analisis akan berpengaruh pada keuntungan dari sebuah perusahaan. Dengan kata lain, banyaknya data yang diperoleh untuk sebuah analisis dapat mempengaruhi masa depan perusahaan (Craig,2007).2.2.5 DecompositionForecasting Decomposition adalah suatu metode peramalan yang mengasumsikan bahwa data deret waktu merupakan gabungan dari komponen pola dasar dan eror dan metode ini memisahkan tiga komponen terpisah dari pola dasar yang cenderung mencirikan deret data ekonomi dan bisnis. Konsep dasar dalam pemisahan tersebut bersifat empiris dan tetap yang mula-mula memisahkan musiman, trend, dan akhirnya siklus (Suharyadi dkk,2007). Keuntungan melakukan peramalan dekomposisi ini adalah adanya ramalan jangka panjang (trend), dan ramalan jangka pendek (musim) yang bisa diidentifikasi secara terpisah sehingga memudahkan bagi manajemen melakukan perencanaan jangka pendek maupun jangka panjang (Badri,2007).2.3 Ketepatan Metode Peralaman2.3.1 Mean Squared Error (MSE)

Mean Squared Error (MSE) adalah metode lain untuk mengevaluasimetode peramalan. Masing-masing kesalahan atau sisa dikuadratkan. Kemudiandijumlahkan dan dibagi dengan jumlah observasi. Pendekatan ini mengatur kesalahanperamalan yang besar karena kesalahan-kesalahan itu dikuadratkan. Suatu teknik yangmenghasilkan kesalahan moderat mungkin lebih baik untuk salah satu yang memilikikesalahan kecil tapi kadang-kadang menghasilkan sesuatu yang sangat besar (Ferdy,2006). Berikutini rumus untuk menghitung MSE :

2.3.2 Mean Absolute Percentage Error (MAPE)

The Mean Absolute Percentage Error (MAPE) dihitung dengan menggunakan kesalahan absolut pada tiapperiode dibagi dengan nilai observasi yang nyata untuk periode itu. Kemudian, merataratakesalahan persentase absolut tersebut. Pendekatan ini berguna ketika ukuran ataubesar variabel ramalan itu penting dalam mengevaluasi ketepatan ramalan. MAPEmengindikasi seberapa besar kesalahan dalam meramal yang dibandingkan dengannilai nyata pada deret. Metode MAPE digunakan jika nilai Yt besar. MAPE juga dapatdigunakan untuk membandingkan ketepatan dari teknik yang sama atau berbeda dalamdua deret yang sangat berbeda dan mengukur ketepatan nilai dugaan model yangdinyatakan dalam bentuk rata-rata persentase absolut kesalahan (Badri, 2007). MAPE dapat dihitung dengan rumus sebagai berikut:

2.3.3 Mean Absolute Deviation (MAD)

Akurasi peramalan akan tinggi apabila nilai-nilai MAD, mean absolute percentage error, dan mean squared error semakin kecil. MAD merupakan nilai total absolut dari forecast error dibagi dengan data. Atau yang lebih mudah adalah nilai kumulatif absolut error dibagi dengan periode (Adler, 2012). Jika diformulasikan maka formula untuk menghitung MAD adalah sebagai berikut:

2.4 Progam SPSS

SPSS adalah sebuah program aplikasi yang memiliki kemampuan analisis statistik cukup tinggi. Selain itu, SPSS juga memiliki sistem manajemen data pada lingkungan grafis dengan menggunakan menu-menu deskriptif dan kotak-kotak dialog yang sederhana sehingga mudah untuk dipahami cara pengoperasiannya. Berbagai aktivitas dapat dilakukan dengan mudah dengan menggunakan pointing dan clicking mouse. SPSS banyak digunakan dalam berbagai riset pemasaran, pengendalian dan perbaikan mutu (quality improvement). Selain itu, SPSS juga banyak digunakan pada riset riset sains.

SPSS pertama kali muncul dengan versi PC dengan nama SPSS/PC+ (DOS). Namun dengan mulai populernya system operasi windows, SPSS mulai mengeluarkan versi windows. Pada awalnya SPSS dibuat untuk keperluan pengolahan data statistik untuk ilmu ilmu sosial. Hal tersebut sesuai dengan kepanjangan dari SPSS saat itu yaitu Statistical Package for the Social Sciens. Sekarang kemampuan SPSS diperluas untuk melayani berbagai jenis pengguna (user). Beberapa contoh perluasan fungsi SPSS adalah untuk proses produksi di pabrik dan riset ilmu sains. Dengan perluasan fungsi tersebut maka kepanjangan dar SPSS diganti menjadi Statistical Product and Service Solutions.SPSS dapat membaca berbagai jenis data atau memasukkan data secara langsung ke dalam SPSS Data Editor. Bagaimanapun struktur dari file data mentahnya, maka data dalam Data Editor SPSS harus dibentuk dalam bentuk baris (cases) dan kolom (variables). Case berisi informasi untuk satu unit analisis, sedangkan variable adalah informasi yang dikumpulkan dari masing-masing kasus.Hasil hasil analisis muncul dalam SPSS Output Navigator. Kebanyakan prosedur Base System menghasilkan pivot tables, dimana kita bisa memperbaiki tampilan dari keluaran yang diberikan oleh SPSS. Untuk memperbaiki output, maka kita dapat memperbaiki output sesuai dengan kebutuhan (Singgih,2003)BAB IIIPRINT OUT

3.1 Soal Nomor 1

3.1.1 Data Aktual

3.1.2 Hasil Peramalan

Peramalan yang lebih spesifik

Permintaan dan peramalan

3.2 Soal Nomor 1

3.2.1 Data Aktual

3.2.2 Hasil Peramalan

Peramalan dan Perpanjangan

Permintaan dan peramalan

BAB IV

PEMBAHASAN

4.1 Soal Nomor 1

4.1.1 Analisis Hasil Peramalan

a. Tabel

Berdasarkan tabel hasil peramalan menggunakan SPSS didapatkan nilai permintaan dari bulan Januari sampai Desember 2012 berturut turut adalah 661, 691, 713, 768, 834, 865, 917, 957, 949, 945, 976 dan 1024. Dari nilai tersebut dapat diketahui bahwa perusahaan tersebut diramalkan akan mendapatkan peningkatan permintaan pada tahun tersebut. Peningkatan permintaan ini terjadi pada hampir setiap bulan di tahun tersebut. Namun, diantara peningkatan tersebut terjadi penurunan permintaan pada bulan September dan Oktober. Setelah penurunan tersebut terjadi kenaikan kembali pada bulan November dan Desember.

Nilai peningkatan peramalan tertinggi terjadi pada bulan Mei dengan peningkatan sebesar 66 poin dari bulan sebelumnya. Sebaliknya, penurunan permintaan terjadi pada bulan September dan Oktober. Pada bulan September terjadi penurunan sebsar 8 poin dari bulan sebelumnya. Begitu juga pada bulan Oktober, namun pada bulan ini hanya terjadi penurunan sebesar 4 poin. Secara keseluruhan, data peramalan ini memperlihatkan peningkatan permintaan yang cukup tinggi pada tahun 2012. Hal tersebut dapat disimpulkan demikian karena pada bulan Januari permintaan hanya sebesar 661, sedangkan pada bulan Desember permintaannya sebesar 1024 atau meningkat 363 poin. Dari grafik yang didapatkan dari hasil peramalan dapat diketahui bahwa pada tahun 2012 perusahaan tersebut mendapatkan permintaan yang lebih besar dari tahun tahun sebelumnya.b. Grafik

Fluktuasi nilai pada grafik permintaan ini dikarenakan nilai permintaan pada tahun tahun sebelumnya juga mengalami fluktuasi. Peningkatan permintaan yang terjadi pada tahun 2012 ini sesuai dengan tahun tahun sebelumnya. Kesesuaian ini dinyatakan dengan permintaan yang terjadi pada tahun tahun sebelumnya juga mengalami peningkatan setiap tahunnya. Namun fluktuasi nilai permintaan pada tahun 2012 cenderung mengalami peningkatan yang drastis dari tahun tahun sebelumnya. Hal ini dikarenakan nilai permintaan pada tahun sebelumnya pada bulan yang sama mengalami hal yang hampir serupa.

Dapat diketahui dari grafik bahwa dari tahun 2008, 2009, 2010, 2011, dan peramalan 2012 mengalami peningkatan permintaan yang cukup tinggi. Permintaan sempat menurun drastis pada bulan Oktober 2010. Namun, setelah itu terjadi peningkatan yang cukup drastis kembali pada bulan Juli 2011. Dengan peningkatan yang didapatkan dari hasil peramalan ini perusahaan harus siap meningkatkan produksinya sesuai peramalan di setiap bulannya. Persiapan ini dilakukan dengan harapan perusahaan tersebut akan mendapatkan keuntungan yang besar dengan tingkat efisiensi produksi yang tinggi.4.1.2 Tipe Model Terbaik

Berdasarkan hasil yang telah diperoleh dari menggunakan program, tipe model terbaik adalah winters additive berlaku bila time series mengandung komponen musiman. Model Winters' Additive merupakan pemodelan untuk memodelkan suatu data dengan pola musiman, baik mengandung trend maupun tidak. Titik berat metode ini adalah pada nilai ramalan (), kemirinsan slope (), maupun efek ().Untuk menghitung nilai estimasi peramalan, maka kita perlu mengestimasi terlebih dahulu nilai tingkat pemulusan dan nilai trend dalam model Winters, dengan model sebagai berikut (Freddy, 2006):

Dimana:Ei = tingkat pemulusan pada periode i

Ei-1 = tingkat pemulusan pada periode i-1

Ti = nilai komponen trend pada periode i

Ti-1 = nilai komponen trend pada periode i-1

Yi = nilai yang diketahui pada periode i

U = konstanta pemulusan (0