Sadiah's zone: Mei 2015

LAPORAN PRAKTIKUM PERENCANAAN INDUSTRI PANGAN

DAN HASIL PERTANIAN

“PERENCANAAN PERAMALAN”

Oleh:

Shift 3

KHALIMATUS SA’DIYAH (111710101054)

LABORATORIUM TEKNOLOGI DAN MANAJEMEN AGROINDUSTRI

JURUSAN TEKNOLOGI HASIL PERTANIAN

FAKULTAS TEKNOLOGI PERTANIAN

UNIVERSITAS JEMBER

2014

BAB I. PENDAHULUAN

1.1 Latar Belakang

Dewasa ini, persaingan di dunia usaha sangat dinamis, semakin hari semakin kompleks dan sering terjadi perubahan arah yang sebelumnya tidak terduga sama sekali. Untuk mengantisipasi hal tersebut, usaha yang akan dirintis maka perlu langkah-langkah yang harus dilakukan terlebih dahulu yaitu perencanaan usaha. Menurut Z. Heflin Frinces dalam “Business Plan, Konsep dan Implementasi”, dalam meraih kesuksesan di bidang bisnis, seseorang atau perusahaan harus mempersiapkan terlebih dahulu pernecanaan bisnis yang baik yang dinilai strategis dalam menjalankan dan mengendalikan bisnis atau usaha yang ditekuni. Perencanaan bisnis merupakan suatu alat yang diperlukan untuk semua jenis bisnis. Perencanaan bisnis atau usaha sangat penting bagi perusahaan diantaranya untuk meningkatkan peluang kesuksesan, mengembangkan misi bisnis, menentukan pesaing utama, menentukan cara yang benar dalam mengelola bisnis, menentukan penghalang dalam bisnis, dan sebagai alat pencapaian.

Jika dikaitkan dengan bidang industri pangan dan hasil pertanian, salah satu aspek-aspek yang perlu direncanakan adalah penjualanPenjualan dapat direncanakan dengan cara peramalan (forecasting) dengan menggunakan metode tertentu. Peramalan biasanya digunakan untuk memperkirakan peristiwa mendatang.

Dengan demikian perlu dilakukan praktikum ini untuk mengetahui bagaimana cara merencanakan penjualan yang tepat dengan menggunakan aplikasi atau softwer khusus untuk perencanaan.

1.2 Tujuan

Adapun tujuan dilaksanakannya praktikum ini adalah sebagai berikut:

a. Untuk mengetahui cara merencanakan penjualan dengan cara peramalan.

BAB II. METODOLOGI PRAKTIKUM

2.1 Regresi Selajar

Jalankan Program winQSB

Klik Start, All Program, winQSB, Forecasting and linear Regression

Klik gambar kotak di pojok atas di bawah file

Pilih Linear Regression

Isi “problem title”, jumlah factor dan jumlah observasi

Klik OK

Isi tabel sesuai data di soal

Klik “Solve and Analyze”, pilih “program linear regression”

Tentukan sumbu X dan Y àklik OKàcatat hasilnya

Klik “Result”, pilih “Show regression line”

Tentukan nilai thn ke-7 dengan persamaan yang ada

2.2Regresi Bergerak

Klik Start, All Program, winQSB, Forecasting and linear Regression

Klik gambar kotak di pojok atas di bawah file

Pilih Linear Regression

Isi “problem title”, jumlah factor dan jumlah observasi

Klik OK

Isi table sesuai data di soal

Klik “Solve and Analyze”, pilih “program linear forecasting”

Pilih moving average

Masukkan data sesuai dengan soal yang ada

Catat data yang ada dan berapa nilai yang diramalkan

2.3 PemulusanEksponensial

Klik Start, All Program, winQSB, Forecasting and linear Regression

Klik gambar kotak di pojok atas di bawah file

Pilih Linear Regression

Isi “problem title”, jumlah factor dan jumlah observasi

Klik OK

Isi table sesuai data di soal

Klik “Solve and Analyze”, pilih “Single exponentiall smoothing”

Pilih moving average

Masukkan data sesuai dengan soal yang ada

Catat data yang ada dan berapa nilai yang diramalkan

2.4 Pemulusan dengan Pemfaktoran Kecenderungan

Klik Start, All Program, winQSB, Forecasting and linear Regression

Klik gambar kotak di pojok atas di bawah file

Pilih Linear Regression

Isi “problem title”, jumlah factor dan jumlah observasi

Klik OK

Isi table sesuai data di soal

klik “Solve and Analyze”, pilih “single exponentiall smoothing wit trend”

Pilih moving average

Masukkan data sesuai dengan soal yang ada

Catat data yang ada dan berapa nilai yang diramalkan

BAB III. PEMBAHASAN

3.1 Definisi Peramalan

Peramalan(forecasting) adalah suatu kegiatan yang memperkirakan apa yang akan terjadi pada masa mendatang. Peramalan penjualan adalah peramalan yang mengkaitkan berbagai asumsi yang berhubungan dengan tindakan-tindakan yang perlu diambil serta variable-variabel lain yang mempengaruhi permasalahan arus penjualan yang diperkirakan terjadi.

Peramalan diperlukan karena adanya perbedaan waktu antara keadaan akan dibutuhkan dibutuhkannya suatu kebijakan baru. Apabila perbedaan waktu tersebut panjang, maka para peran peramalan menjadi penting dan sangat dibutuhkan, terutama dalam penentuan kapan terjadi suatu peristiwa sehingga dapat di persiapkan tindakan-tindakan yang diperlukan. Kegunaan dari suatu peramalan dapat dilihat pada saat pengambilan keputusan. Keputusan yang baik adalah keputusan yang didasarkan oleh pertimbangan apa yang akan terjadi saat keputusan tersebut dilakukan. Apabila keputusan yang diambil kurang tepat sebaiknya keputusan tersebut tidak dilaksanakan. Oleh karena masalah pengambilan keputusan merupakan masalah yang dihadapi maka peramalan juga merupakan masalah yang harus dihadapi, karena peramalan berkaitan erat dengan pengambilan suatu keputusan (Arsyad, 1995).

3.2 Jenis Peramalan

Berdasarkan sifat peramalan dibedakan atas 2 jenis yaitu:

1. Peramalan Kuantitatif

Peramalan Kuantitatif adalah peramalan yang berdasarkan atas data kualitatif pada masa lalu. Hasil paramalan ini sangat bergantung pada orang yang menyusunnya, kareana berdasarkan pemikiran yang bersifat intuisi. Pendapat dan pengetahuan serta pengalaman dari orang-orang yang menyusunnya.

2. Peramalan Kuantitatif

Peramalan Kuantitatif adalah peramalan yang didasarkan atas data kuantitatif pada masa lalu. Hasil peramalan ini sangat bergantung pada metode yang dipergunakan dalam peramalan tersebut. Karena dengan metode yang berbeda akan diperoleh suatu hasil ramalan dengan kenyataan yang terjadi. Semakin kecil penyimpangan antara hasil ramalan dengan kenyataan yang terjadi berarti berarti metode yang dipergunakan semakin baik. Peramalan yang baik adalah dilakukan dengan mengikuti prosedur penyusunan yang baik (Djalal dan Hardius, 2004).

3.3 Kegunaan Peramalan

Kegunaan paramalan dalam suatu penelitian adalah melakukan analisa terhadap situasi yang diteliti untuk memperkirakan situasi dan kondisi yang akan terjadi dari sesuatu yang diteliti di masa depan.

Peramalan merupakan suatu alat Bantu yang penting dalam perencanaan yang evektif dan evisien. Dalam hal ini penyusunan suatu rencana untuk mencapai tujuan atau sasaran suatu organisasi terdapat perbedaan waktu antara kegiatan apa saja yang perlu dilakukan, kapan waktu pelaksanaan dan oleh siapa dilaksanakan perencanaan dan peramalan sanagat erat kaitannya, ini dapat dilihat dalam hal penyusunan rencana, dimana dalam penyusunan ini melibatkan masalah peramalan juga. Dengan demikian dapat dikatakan bahwa peramalan merupakan dasar untuk menyusun rencana (Santoso, 2009).

3.4 Metode Pemulusan (Smoothing)

Metode smoothing adalah metode peramalan dengan melakukan pengahalusan terhadap data masa lalu, yaitu mengambil rata-rata dari nilai beberapa tahun untuk menaksir nilai pada satu tahun.

Beberapa metode penghalusan diantaranya adalah:

1. Metode rata-rata

Metode rata-rata tujuannya memanfaatkan data masa-masa lalu untuk mengembangkan suatu system peramalan pada periode mendatang.

Metode rata-rata ini dibagi atas:

a. Nilai Tengah (Mean)

b. Rata-rata Bergaerak Tunggal (Single Moving Averange)

c. Rata-rata Bergerak Ganda (Double Moving Averange)

d. Kombinasi rata-rata bergerak lainnya.

2. Metode Smoothing Eksponensial

(Winkler and Makridakis, 1983).

3.5 Ketepatan Ramalan

Ketepatan ramalan adalah salah satu hal yang mendasar dalam peramalan, yaitu bagaimana mengukur kesesuaian suatu metode peramalan tertentu untuk suatu kumpulan data yang diberikan. Ketepatan dipandang sebagai kriteria penolakan untuk memilih satu metode peramalan. Dalam pemodelan deret berkala (time series), dari data masa lalu dapat diramalkan situasi yang akan terjadi pada masa yang akan dating, untuk menguji kebenaran ramalan ini digunakan ketepatan ramalan (Makridakis dan Gee, 1999).

Beberapa kriteria yang digunakan untuk menguji ketepatan ramalan antara lain adalah:

3.5.1 MAD

The Mean Absolute Deviation (MAD) mengukur ketepatan ramalan dengan merata-rata kesalahan dugaan (nilai absolute masing-masing kesalahan). MAD paling berguna ketika orang yang menganalisa ingin mengukur kesalahan ramalan dalam unit yang sama sebagai deret asli.

3.5.2 MSE

Menurut Gaspersz (2004), mean squared error biasa disebut juga galat peramalan. Galat peramalan ini juga dapat berfungsi untuk menghitung nilai MAD. Galat ramalan tidak dapat dihindari dalam sistem peramalan, namun galat ramalan itu harus dikelola dengan benar. Pengelolaan terhadap galat ramalan akan menjadi lebih efektif apabila peramal mampu mengambil tindakan mengambil tindakan yang tepat berkaitan dengan alasan-alasan terjadinya galat ramalan itu. Dalam sistem peramalan, penggunaan berbagai model peramalan akan memberikan nilai ramalan yang berbeda dan derajat dari galat ramalan yang berbeda pula. Rata-rata kesalahan kuadrat memperkuat pengaruh angka-angka kesalahan besar, tetapi memperkecil angka kesalahan prakiraan yang lebih kecil dari satu unit.

3.5.3 MAPE

Rata-rata persentase kesalahan kuadrat merupakan pengukuran ketelitian dengan cara persentase kesalahan absolute. MAPE menunjukkan rata-rata kesalahan absolut prakiraan dalam bentuk persentasenya terhadap data aktualnya.

3.5.4 Tracking signal

Suatu ukuran bagaimana baiknya suatu ramalan memperkirakan nilai-nilai aktual suatu ramalan diperbaharui setiap minggu, bulan atau triwulan, sehingga data permintaan yang baru dibandingkan terhadap nilai-nilai ramalan. Tracking signal dihitung sebagai running sum of the forecast errors dibagi dengan mean absolute deviation.

Tracking signal yang positif menunjukkan bahwa nilai aktual permintaan lebih besar daripada ramalan, sedangkan apabila negatif berarti nilai aktual permintaan lebih kecil daripada ramalan. Pada setiap peramalan, tracking signal terkadang.

3.5.5 CFE (Cumulatif Sum Error)

CFE adalah jumlah secara keseluruhan atau komulatif kesalahan di dalam sebuah metode peramalan yang didapatkan secara manual dengan mengetahui jumlah forecast erornya (ET/Fe) (El-Mefleh, 2005).

3.6 Analisa Data

Hasil peramalan disajikan dalam grafik, untuk grafik 1 menunjukkan grafik peramalan dengan metode regresi linier. Persamaan regresi yang didapatkan X = 4,6675-2,56Y. “X” menunjukkan harga dan “Y” menunjukkan hasil penjualan makanan yang terjual. Untuk memprediksi hasil penjualan dengan harga yang diinginkan maka dapat menggunakan regresi tersebut.

Hasil peramalan menggunakan metode rerata bergerak atau MA(Moving Average) menunjukkan pada tahun ke-4 nilai aktual datanya 250 dan penjualannya 750 unit. Sedangkan pada tahun ke-5 mempunyai nilai aktual 320 dan diperoleh peramalan penjualan sebesar 580 unit. Hal ini menunjukkan perusahaan mengalami kenaikan penjualan. Pada tahun ke-6 nilai aktualnya 480 dan dan diperoleh peramalan penjualan 516,6 unit dibulatkan menjadi 516 unit. Hal ini menunjukkan perusahaan mengalami kenaikan penjualan. Peramalan penjualan pada tahun ke-7 sampai tahun ke-12 sebesar 350 unit.Nilai CFE(jumlah komulatif kesalahan)nya sebesar -796,6667, nilai MAD(rata-rata kesalahan mutlak) sebesar 265,5556, nilai MSE(total rata-rata kesalahan terbesar) sebesar 106314,8, dan nilai MAPE(nilai kesalahan rata-rata dalam bentuk persen) sebesar 96,2963%.

Peramalan dengan metode SES memberikan hasil peramalan pada tahun ke-2 nilai aktualnya 510 dan hasil ramalan penjualannya naik menjadi 680 unit. Pada tahun ke-3, nilai aktualnya 980 dan hasil ramalan penjualannya 595 unit. Pada tahun ke-4 nilai aktualnya 250 dan hasil ramalan penjualannya 787,5 unit dibulatkan menjadi 789 unit, pada tahun ke-5 nilai aktualnya 320 dan hasil ramalan penjualannya sebesar 518,75 unit dibulatkan menjadi 518 unit, perusahaan mengalami kenaikan penjualan sebesar 198 unit. Pada tahun ke-6 nilai aktualnya 480 dan hasil peramalannya menurun menjadi 419,375 unit. Pada tahun ke-7 sampai 12 hasil penjualan menunjukka nilai yang sama yaitu 449,6875 unit. Nilai CFE(jumlah komulatif kesalahan)nya sebesar -460,625, nilai MAD(rata-rata kesalahan mutlak)nya 270,375, nilai MSE(total rata-rata kesalahan) sebesar 101841,6, dan nilai MAPE(kesalahan rata-rata) sebesar 72,47173%.

Peramalan dengan metode SEST memberikan hasil penjualan pada tahun ke-2 sebesar 708,05 unit dan nilai aktualnya 510, hal ini perusahaan mengalami kenaikan penjualan sebesar 198,05 unit. Pada tahun ke-3 hasil peramalan penjualan 605,8676 unit dan nilai aktualnya 980, hal ini menunjukkan terjadinya penurunan sebesar 374,1324. Pada tahun ke-6 hasil penjualan 845,8962 unit dan nilai aktualnya 250, hal ini menunjukkan perusahaan mengalami kenaikan penjualan pada tahun tersebut. Pada tahun ke-7 hasil penjualan sebesar 369,5633 unit, tahun ke-8 sebesar 323,8205 unit, tahun 9 sebesar 278,0777 unit, tahun ke-10 sebesar 232,335 unit, tahun ke-11 sebesar 186,5922 unit, tahun 12 sebesar 140,8494 unit. Nilai CFE-nya -481,9518, MAD 297, 7985, MSE 117542,9 , MAPE 80,43526%.

Dari metode peramalan MA,SES,SEST, memberikan hasil yang berbeda-beda, sebagai contoh pada tahun ke-7 sampai 12, hasil peramalan dengan metode MA sebesar 350 unit, metode SES sebesar 449,6875 unit, metode SEST sebesar 350,6121unit. Pada metode SEST menghasilkan peramalan penjualan pada tahun ke-7 sampai 12 menunjukkan nilai semakin menurun, pada tahun ke-7 hasil penjualan sebesar 369,5633. Sehingga dapat dapat disimpulkan metode peramalan menggunakan SEST lebih akurat dan teliti dibandingkan metode lain yang digunakan.

BAB IV. PENUTUP

4.1 Kesimpulan

Dari praktikum ini dapat ditarik suatu kesimpulan bahwa dari metode yang digunakan menghasilkan hasil peramalan penjualan yang berbeda. Pada metode peramalan tahun ke-7 sampai 12, Namun pada metode MA dan SES menunjukkan nilai yang sama pada tahun ke-7 sampai 12, hasil peramalan dengan metode MA sebesar 350 unit, metode SES sebesar 449,6875 unit, metode SEST sebesar 350,6121 unit. Pada metode SEST menghasilkan peramalan penjualan pada tahun ke-7 sampai 12 menunjukkan nilai berbeda dan semakin menurun, pada tahun ke-7 hasil penjualan sebesar 369,5633 unit, tahun ke-8 sebesar 323,8205 unit, tahun ke-9 sebesar 278,0777, tahun ke-10 sebesar 232,335 unit, tahun ke-11 sebesar 186,5922 unit, dan tahun ke-12 sebesar 140,8494 unit. Sehingga dapat dapat disimpulkan metode peramalan menggunakan SEST lebih akurat dan teliti.

4.2 Saran

Data yang dihasilkan kurang akurat, sehingga perlu dukungan aplikasi lain yang dapat menambah keakuratan data.

DAFTAR PUSTAKA

Arsyad, Lincolin. 1995. Peramalan Bisnis. Jakarta: Gralia Indonesia.

Djalal, Nachrowi dan Hardius. 2004. Teknik Pengambilan Keputusan. Jakarta: PT.Gramedia India Sarana Indonesia

El-Mefleh, M.A. 2005. Forecast Combination Methods and Economic Applications, Journal of Forecasting. http://aabss.org/journal2000/f10elmefleh2k.jmm.html.

Makridakis, W., Mc Gee. 1999. Metode dan Aplikasi Peramalan. Edisi kedua, Bina Rupa Aksara, Jakarta.

Santoso, Singgih. 2009. Business Forecasting. Jakarta: Elex Media Komputindo.

Winkler, Robert L. and Makridakis, S. 1983. Average Of Forecast: Some Empirical Result. Journal of Management Science. Vol 29. No. 9.