Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.

Perancangan Pabrik 1

98 views

Published on

Materi Ilmu dan Teknologi Pangan Semester 5

Published in: Food
  • Be the first to comment

  • Be the first to like this

Perancangan Pabrik 1

  1. 1. Plant Design #1 Food Science and Technology Teknologi Pertanian UNS
  2. 2. Proses Riset Pasar: Perumusan masalah – Kondisi pasar poduk A • Bagaimana perkembangan produk A di pasar? • Benarkah permintaan semakin besar? – Produktivitas pemasaran • Apa yang sudah dilakukan produsen agar produk bertahan/semakin kuat dipasaran? • Tantangan apa yang dihadapi dalam memasarkan produk? • Strategi-strategi promosi apa saja yang pernah dilakukan? – Tanggapan masyarakat terhadap produk • Apa masyarakat sudah puas dengan produk yang ada? • Apakah ada gap?
  3. 3. Proses Riset Pasar: Penentuan desain riset – Riset Eksplatoris • Bertujuan untuk memahami akar permasalahan • Biasanya menggunakan analisa data primer dengan sampel yang kecil (ex: wawancara) – Riset Deskriptif • Bertujuan untuk menggambarkan karakteristik dari suatu hal • Menjawab 5W+H(why, when, who, what where and how) – Riset Kausal • Mengetahui hubungan sebab akibat dari suatu hal
  4. 4. Proses Riset Pasar: Pengumpulan dan analisa data – Tipe data • Primer • Sekunder – Teknik Sampling • Random • Stratified • Systematic • Cluster – Analisis Data • Kualitatif dan kuantitatif • Software: SPSS, minitab, Nvivo, dst.
  5. 5. Forecasting: Methods • Qualitative Methods – primarily subjective and rely on human judgment – Ex: Delphi method • Causal Methods – assume that the demand forecast is highly correlated with certain factors in the environment, such as economy, interest rates, etc. • Quantitative Methods (Time Series) – use historical demand only. – based on the assumption that past demand history is a good indicator of future demand. – most appropriate when the basic demand pattern does not vary significantly
  6. 6. Time series: Simple moving average – SMA (1) n D n nti i   )1( 1tSMA where: SMAt+1 = simple moving average at the end of a period t, which typically will be used as a forecast for next period (t +1) Di = actual demand in period i n = number of periods in the moving average Formula:
  7. 7. Data Historis 0 10 20 30 40 50 60 70 80 90 100 1 2 3 4 5 6 7 8 9 10 11 12 JumlahPermintaan Periode Plot dataPeriode Permintaan, y 1 46 2 56 3 54 4 58 5 57 6 60 7 67 8 62 9 80 10 75 11 90 12 95 13 ?
  8. 8. Periode Permintaan SMA, n=3 1 46 2 56 3 54 4 58 52,0 5 57 56,0 6 60 56,3 7 67 58,3 8 62 61,3 9 80 63,0 10 75 69,7 11 90 72,3 12 95 81,7 13 86,7 Time series: Simple moving average – SMA (2) 52 3 545646 SMA4    56 3 585456 SMA5   
  9. 9. Time series: Simple Linear Regression (1) where: n = number of periods y = actual values of dependent variable x = actual values of independent variable
  10. 10. Periode x Permintaan y xy x^2 1 46 46 1 2 56 112 4 3 54 162 9 4 58 232 16 5 57 285 25 6 60 360 36 7 67 469 49 8 62 496 64 9 80 720 81 10 75 750 100 11 90 990 121 12 95 1140 144 Sum 78 800 5762 650 n= 12 b= 3,93 a= 41,12 Y13= 92,21 78*78650*12 800*785762*12   b 12 78*93.3800  a 13*93.312.4113 y
  11. 11. Periode x Permintaan y Estimasi 1 46 2 56 46,0 3 54 47,0 4 58 47,7 5 57 48,7 6 60 49,6 7 67 50,6 8 62 52,2 9 80 53,2 10 75 55,9 11 90 57,8 12 95 61,0 13 64,4 Time series: Exponential Smoothing xxx yyy ˆ)1(ˆ 1   Contoh perhitungan estimasi periode 4 =0.1(54)+0.9(47) = 47.7
  12. 12. Forecasting Error: Methods • ME (Mean Error) • MAE (Mean Absolute Error) • SSE (Sum of Square Error) • MSE (Mean Square Error) • SDE (Standard Deviation of Error) • PE (Percentage Error) • MPE (Mean Percentage Error) • MAPE (Mean Absolute Percentage Error)
  13. 13. SSE dan MSE • SSE = • MSE = • Dimana  n i ie 1 2 ne n i i / 1 2  iii yye ˆ
  14. 14. Periode x Permintaan y Estimation Error SMA R ES SMA R ES 1 46 45,1 0,90 2 56 49 46 49,26 100 3 54 52,9 47 1,19 49 4 58 52,0 56,8 47,7 36,00 1,34 106,09 5 57 56,0 60,8 48,7 1,00 14,22 68,393 6 60 56,3 64,7 49,6 13,44 22,11 109,06 7 67 58,3 68,6 50,6 75,11 2,66 268,92 8 62 61,3 72,6 52,2 0,44 111,55 95,235 9 80 63,0 76,5 53,2 289,00 12,31 717,33 10 75 69,7 80,4 55,9 28,44 29,40 364,99 11 90 72,3 84,4 57,8 312,11 31,90 1036,5 12 95 81,7 88,3 61 177,78 45,13 1154,3 Sum 933,33 321,97 4069,76 Forecasting Error: Sum Square Error

×