Forecasting Industrial Engineering

2. Production Planning
and Inventory Control
(Forecasting)
Yanuar Pandu Negoro, S.T. , M.LogSCM.

3. Peramalan (Forecasting) :
- Forecasting is a Prediction, projection or estimation of occurrences of uncertain
future event or level of activity (Tersine, 1994).
- Forecasting is the art of specifying meaningful information about the future (Narasimhan, et.al.,
1995)
Forecasting / peramalan memberikan sebuah prediksi terhadap perencanaan / tindakan apa yang
harus dilakukan pada waktu yang akan datang, dengan memanfaatkan sebanyak mungkin informasi
yang tersedia hingga pada saat ini.
Pentingnya sebuah peramalan adalah :
– Sebagai dasar referensi untuk melaksanakan aktivitas perencanaan
– Untuk mengantisipasi kemungkinan perubahan keadaan, sehingga perencanaan yang dilakukan
sesuai untuk kondisi yang akan datang
MEMPREDIKSI (Predicting) TIDAK SAMA DENGAN MENEBAK (Guessing) !!!!

4. Prinsip Peramalan
• Tidak ada peramalan yang benar-benar tepat/sempurna, setiap peramalan akan selalu memiliki tingkat
kesalahan, sehingga perlu dilakukan perhitungan error pada setiap metode peramalan
• Peramalan akan lebih akurat apabila dilakukan dalam pada kumpulan berbagai produk dibandingkan apabila
dilakukan terhadap 1 jenis produk
• Tingkat akurasi peramalan akan semakin menurun seiring dengan meningkatnya horizon waktu peramalan
• Hanya dapat dilakukan terhadap independent demand , tidak diperbolehkan melakukan peramalan terhadap
dependent demand
– Independent Demand
Permintaan terhadap material , parts atau produk yang bebas, tidak terkait dengan struktur akhir Bill of Material (BOM) sebuah produk akhir
– Dependent Demand
Permintaan terhadap material , parts atau produk yang terkait langsung dari struktur Bill of Material (BOM) untuk sebuah produk akhir

5. Definisi
• Bill of Material (BOM) merupakan rangkaian struktur komponen
yang digunakan untuk memproduksi barang jadi.
• Bill of Material (BOM) adalah sebuah daftar yang
mencantumkan seluruh sub assembly, part, dan bahan baku
beserta jumlahnya masing-masing, yang diperlukan untuk
membuat sebuah produk jadi.
Bill of Material (B.O.M.)

6. Fungsi BOM
• Mendefinisikan sebuah produk, untuk membedakan 1 produk dengan
produk yang lain nya
• Memudahkan penjadwalan produksi induk (MPS)
• Dasar perencanaan kebutuhan bahan baku (MRP)
• Dasar perhitungan harga pokok produksi
• Memudahkan koordinasi antar berbagai divisi, khusus nya yang berikaitan
dengan produksi
• Sebagai acuan untuk pengembangan produk
Bill of Material (B.O.M.)

7. Bill of Material (BOM)

8. • Huruf menunjukkan
proses assembly dan
subassembly
• Angka menunjukkan
parts yang dibutuhkan
• Angka didalam tanda
kurung ( ),
menunjukkan jumlah
parts yang dibutuhkan
untuk assembly /
subassembly
Bill of Material (BOM) Tree
A
10 (3)
LT = 1
B (1)
LT = 2
C (1)
LT = 2
20 (1)
LT = 1
D (2)
LT = 2
10 (1)
LT = 1
30 (1)
LT = 1
30 (2)
LT = 1
40 (1)
LT = 1
50 (1)
LT = 1
Level 0
Level 1
Level 2
Level 3

9. Assembly
Component Parts
Number (SKU)
Quantity per
Assembly
Lead
Time
Description
A B 1 2
C 1 2
10 3 1
B D 2 2
20 1 1
30 2 1
C 40 1 1
50 1 1
D 10 1 1
30 1 1
Single-Level Explosion
Assembly Component
Quantity
Required
Description
A 10 5
20 1
30 4
40 1
50 1
( B ) 1
( C ) 1
( D ) 2
Summary Explosion

10. Component Parts Number (SKU) Assembly Used on Quantity Description
30 D 1
. B 2
. . A 1
C 2
. A 1
Indented Implosion BOMFor Component 30
Component
Parts Number
(SKU)
Assembly Used
On
Quantity per
Assembly
Description
D A 2
B 2
10 A 5
B 2
D 1
30 A 4
B 2
C 2
D 1
Summary Implosion BOMfor Component D, 10 & 30

11. Faktor-Faktor yang
mempengaruhi Peramalan

12. Langkah-langkah melakukan Forecasting
1. Menentukan tujuan dari forecasting
2. Menetapkan Independent Demand yang akan diramalkan
3. Menentukan horizon waktu peramalan
4. Memilih teknik peramalan
5. Mengumpulkan data
6. Membuat peramalan
7. Mengaplikasikan hasil peramalan
8. Memonitor hasil peramalan

13. Sistem Peramalan
Data Historis
Tujuan
model
Forecast
(Prediction)
Feedback on
forecast
accuracy
Data checked for
accuracy and
reasonableness
Update sesuai
kebutuhan
Knowledge of
changed
condition
Pembandingan
dengan kondisi
aktual

14. Horizon Peramalan
• Horizon Peramalan : seberapa jauh ke depan peramalan akan dilaksanakan, erat kaitan nya
dengan seberapa jauh perencanaan yang akan kita lakukan
• Periode Peramalan : menunjukkan basis waktu peramalan (misal : mingguan, 2 mingguan,
bulanan, tahunan, dst)
• Penentuan waktu peramalan tergantung dari tujuan dan situasi & kondisi dari masing-
masing industri
DATA FORECAST
Horison Peramalan
Periode
peramalan

15. Horizon Peramalan
• Peramalan jangka panjang
– Berkaitan dengan perencanaan bisnis, analisa fasilitas, proyek jangka panjang, pengembangan produk baru, investasi modal
– Karakteristik :
• Analisa data hanya dilakukan 1 kali (one-time analysis)
• Keputusan dan pertimbangan dilakukan oleh jajaran top level management
• Lebih banyak menggunakan data eksternal
• Dilakukan terhadap beberapa produk / family produk
• Peramalan jangka menengah
– Berkaitan dengan perencanaan anggaran, perencanaan produksi dan perencanaan pembelian material
– Karakteristik :
• Bersifat periodikal, dilakukan dalam jangka waktu tertentu (1 bulan / 3 bulan sekali)
• Dilakukan oleh mid level management
• Menggunakan teknik kualitatif dan kuantitatif
• Dilakukan terhadap beberapa produk / family produk
• Peramalan jangka pendek
– Berkaitan dengan perencanaan distribusi inventory, perencanaan material.
– Karakteristik :
• Dilakukan secara teratur dan berulang-ulang
• Menggunakan data internal perusahaan
• Menggunakan teknik kuantitatif
• Dilakukan secara terperinci untuk banyak item

16. Data Peramalan
• Perencanaan produksi berusaha
memenuhi permintaan pasar
(demand)
• Data permintaan pasar sulit
diukur
• Penjualan biasa dipakai sebagai
pendekatan
• Baik jika bisa memperoleh data
penjualan pasar keseluruhan
Total Market
Our
company
market
Competitor
market

17. Metode Peramalan
• Metode Kualitatif
– Bergantung penilaian dan pengalaman seseorang
(subyektifitas)
– Data tidak tersedia dan atau tidak mencukupi, kondisi
yang berubah.
– Dapat terhubung langsung dangan lingkungan dan
informasi dari dalam perusahaan.
• Metode Kuantitatif
− Prosedur formal, yang menggunakan model matematika
− Menggunakan data masa lalu untuk memperkirakan masa
yang akan datang
− Diasumsikan pola data masa lalu akan berlanjut pada masa
yang akan datang
Forecasting
Method
Qualitative
Method
Quantitative
Method
Causal
Method
Time Seires
Method
Smoothing
Method
Average
Method

18. Metode Peramalan Kualitatif
Metode Management Decision /
Jury Of Executives
• Peramalan yang dilakukan oleh
eksekutif/manajer tingkat atas
perusahaan karena kemampuan (intuisi
dan pengalaman) yang dimiliki yang
dikombinasikan dengan statistik.
• Biasanya digunakan untuk perencanaan
produk baru dan perencanaan jangka
panjang.
• Kelebihan: memberikan pandangan
yang lebih luas & lebih cepat dalam
mencapai kata sepakat dalam
menentukan nilai.
• Kelemahan: salah satu eksekutif dapat
mendominasi eksekutif yang lain
Metode Delphi
• Cara yang sistematis untuk mendapatkan
keputusan bersama dari suatu grup yang
terdiri dari para ahli berbagai disiplin
ilmu di luar perusahaan.
• Para ahli tersebut tidak pernah
ditemukan satu dengan yang lain.
• Kelebihan: memberikan perpektif lebih
luas. Biasanya utk perencanaan jangka
panjang termasuk perubahan teknologi.
• Kelemahan: membutuhkan waktu lebih
lama & tidak menghasilkan satu
kesepakatan tapi rentang jawaban.

19. Metode Peramalan Kualitatif
Penelitian Pasar (Market Research)
• Metode ini mengumpulkan dan
menganalisa fakta secara sistematis
yang berhubungan dengan pemasaran
dan dapat memecahkan masalah yang
berhubungan dengan produk dan
metode pemasaran.
• Teknik yang biasa digunakan survey
konsumen.
• Sering digunakan untuk perenacanaan
produk baru, iklan dan promosi.
• Hasilnya dapat langsung digunakan
untuk peramalan produk baru.
• Kelamahannya adalah sulit membuat
kuisener dan butuh waktu lama.
Metode Ekspektasi Pengguna (User's
Expectation)
• Perusahaan mengumpulkan pendapat
dari pihak-pihak diluar perusahaan
untuk mendapat tentang rencana
pembelian /penggunaan konsumen.

20. Metode Peramalan Kuantitatif
Metode Causal
• Metode peramalan yang didasari atas konsep sebab-akibat, bahwa demand akan
muncul karena memiliki faktor penyebab. Jika hubungan antara sebab-akibat
dapat diketahui maka demand di waktu yang akan datang dapat diketahui
– Demand = Variabel dependent / Variabel tidak bebas
– Faktor penyebab = Variabel Independent / Variabel bebas
• Metode ini umumnya menggunakan regresi linier maupun non linear sebagai
alat untuk mencari hubungan sebab akibat tersebut.
bX
a
Y 

n
X
b
Y
a
 


)
(


  


 2
2
)
(
)
)(
(
)
(
X
X
n
Y
X
XY
n
b

21. t y
Week t2
Sales ty
1 1 150 150
2 4 157 314
3 9 162 486
4 16 166 664
5 25 177 885
 t = 15 t2
= 55  y = 812  ty = 2499
(t)2
= 225


  


 2
2
)
(
)
)(
(
)
(
X
X
n
Y
X
XY
n
b
n
X
b
Y
a
 


)
(
5
.
143
5
)
15
(
3
,
6
812



a
3
.
6
225
275
12180
12495
225
)
55
(
5
)
812
(
15
)
2499
(
5







b
y = 143.5 + 6.3t

22. Time Series Forecasts
• Metode peramalan yang memprediksi demand di masa depan berdasarkan data masa lalu
• Dengan mempelajari perilaku data historis, maka hubungan antara demand dan waktu
dapat diformulasikan dan digunakan untuk memprediksi demand di masa yang akan.
• Data historis yang digunakan dalam peramalan time series, pasti memiliki salah satu atau
lebih komponen berikut :
– Trend
– Seasonality
– Cycle Business
– Konstan
– Random Variations

23. Komponen Time Series
• Trend
– Pergerakan data umum nya dalam jangka waktu yang lama
– Secara terus menerus menunjukkan pola naik / turun
– Dipengaruhi oleh tren, budaya, teknologi, usia, populasi, dll
– Contoh : Penjualan SEPEDA saat ini, Penjualan handphone / alat elektronik,
Penjualan item fashion, dll

24. Nonlinear Trends
Parabolic
Exponential
Growth

25. Komponen Time Series
• Seasonal
– Pergerakan data umum nya dalam jangka waktu tertentu (misal : bulanan,
tahunan, dll)
– Memiliki pola fluktuatif (naik/turun) secara reguler
– Dipengaruhi oleh musim, hari besar, masa liburan, aktivitas agriculture

26. Komponen Time Series
• Business Cycle
– Dipengaruhi oleh faktor siklus bisnis antara lain ekonomi makro, kebijakan politik,
hubungan bilateral, dll
– Pergerakan naik/turun yang berulang-ulang
– Durasi pergerakan dalam beberapa tahun
– Sering kali bersifat kausal

27. Komponen Time Series
• Random Variations
– Dipengaruhi oleh kejadian yang tidak dapat diprediksi (misal : COVID-19)
– Tidak memiliki pola tertentu
– Periode jangka pendek dan tidak berulang
M T W T F

28. Forecast Variations
Trend
Irregular
variation
Cycles
Seasonal variations
90
89
88

29. Metode Peramalan Time Series
• Naïve Method
• Simple Average
• Moving Average
• Weighted Moving Average
• Exponential Smoothing (ES)
• ES with Trend & Seasonality

30. Time Series – Naïve Method
• Konsep dasar, penjualan
periode yang akan datang
adalah sama dengan
periode saat ini
t
1
t X
F 

Keterangan :
Ft+1 = Peramalan (forecast) periode t+1
Xt = Data Penjualan Aktual periode t

31. Time Series – Simple Average
• Konsep dasar, mengambil rata-rata data
penjualan periode sebelumnya sebagai nilai
permintaan periode berikut nya.
• Bertujuan untuk meratakan data (data
leveling)
• (+) : Sangat mudah digunakan
• (-) : Semua data dianggap memiliki tingkat
revelansi yang sama

32. Time Series – Moving Average
• Konsep dasar, mengambil rata-rata dari
penjualan beberapa periode terakhir
untuk peramalan permintaan periode
selanjutnya
• Bertujuan untuk mengurangi variasi
random/ pemulusan (smoothing) data
• Semua data terdahulu dianggap memiliki
relevansi yang sama
• Cocok untuk data yang relatif stabil dan
tidak memiliki pola trend/seasonal

34. Time Series – Weighted Moving Average
• Konsep nya sama dengan Moving Average,
tetapi nilai data diberi bobot dimana
periode yang paling dekat dengan periode
peramalan diberi bobot yang lebih besar





 
t
1
n
t
i
i
1
i
t
1
t X
F 
n = Jumlah Periode
i = Bobot yang digunakan untuk periode ti+1
47.2 = 0.6*47 + 0.3*48 + 0.1* 46
32.7 = 0.6*23 + 0.3*47 + 0.1* 48

35. Single Exponential Smoothing (SES)
• Mirip dengan Weighted Moving Average
• Memperhitungkan kesalahan dari
peramalan pada periode sebelumnya
• Peramalan menggunakan seluruh data
historis, akan tetapi kita hanya
menggunakan data peramalan paling akhir
dan error nya
• Memberikan bobot yang lebih besar
terhadap pengamatan yang paling terkini
• Tidak memperhitungkan Trend dan
Seasonality
)
(
1 t
t
t
t F
A
F
F 


 
α = Smoothing Constant , dimana nilai nya
adalah 0 < α < 1
α = 1 ; Data historis tidak memiliki pengaruh
terhadap peramalan (under smoothing)
α = 0 ; Data historis memiliki pengaruh yang
sama terhadap peramalan (over smoothing)
Memilih nilai α :
• Biasanya lebih condong kearah nilai 0
• Typical value of α = 0.1 s/d 0.3
Ft+1 = Forecast demand pada periode t+1
Ft = Forecast demand pada periode t
At = Actual demand pada periode t
t
t
t F
A
F )
1
(
1 
 




36. Semakin kecil nilai Alpha, semakin smooth grafik yang dihasilkan
Alpha 0.3
Periode Demand Error
1 10
2 18 - 10 8.00
3 29 Ft = 10 + 0.3 (18-10) 12.4 16.60
4 15 Ft = 12.4 + 0.3 (29-12.4) 17.4 -2.38
5 30 Ft = 17.4 + 0.3 (15-17.4) 16.7 13.33
6 12 Ft = 16.7 + 0.3 (30-16.7) 20.7 -8.67
7 16 Ft = 20.7 + 0.3 (12-20.7) 18.1 -2.07
8 Ft = 18.1 + 0.3 (16-18.1) 17.4
Forecast
Alpha 0.6 Alpha 0.8
Periode Demand Forecast Error Periode Demand Forecast Error
1 10 1 10
2 18 10 8.00 2 18 10 8.00
3 29 14.8 14.20 3 29 16.4 12.60
4 15 23.3 -8.32 4 15 26.5 -11.48
5 30 18.3 11.67 5 30 17.3 12.70
6 12 25.3 -13.33 6 12 27.5 -15.46
7 16 17.3 -1.33 7 16 15.1 0.91
8 16.5 8 15.8
)
(
1 t
t
t
t F
A
F
F 


 

37. • Langkah-langkah :
1. Update exponential
smoothing
2. Update trend
3. Forecast P periode pada
masa yang akan datang
Holt’s Exponential Smoothing (Double
E.S.)
• Digunakan apabila terdapat pola
data Trend
• Mirip dengan single exponential
smoothing, dengan tambahan trend
smoothing parameter
)
)(
1
(
1 t
t
t
t T
F
A
F 



 

t
t
t
t T
F
F
T )
1
(
)
( 1
1 
 


 

1
1 . 

 
 t
t
p
t T
P
F
F
Ft+1 = Forecast demand pada periode t+1
Ft = Forecast demand pada periode t
At = Actual demand pada periode t
α = Base smoothing parameter ; (0 < <1)
β = Trend smoothing parameter ; (0 < <1)
P = Jumlah periode akan datang yang akan
diramalkan

38. Alpha 0,3
Beta 0,2
Periode Demand Forecast Error
1 10 - - - - - -
2 18 - 10,00 - 0 10,00 8,00
3 29 Ft = 0.3 (18) +(1 - 0.3) (10 + 0) 12,40 Tt = 0.2 (12.40-10) + (1-0.2)(0) 0,48 12,88 16,12
4 15 Ft = 0.3 (29) +(1 - 0.3) (12.40 + 0.48) 17,72 Tt = 0.2 (17.72-12.40) + (1-0.2)(0.48) 1,45 19,16 -4,16
5 30 Ft = 0.3 (15) +(1 - 0.3) (17.72 + 1.45) 17,91 Tt = 0.2 (17.91-17.72) + (1-0.2)(1.45) 1,20 19,11 10,89
6 12 Ft = 0.3 (30) +(1 - 0.3) (17.91 + 1.20) 22,38 Tt = 0.2 (22.38-17.91) + (1-0.2)(1.20) 1,85 24,23 -12,23
7 16 Ft = 0.3 (12) +(1 - 0.3) (22.38 + 1.85) 20,56 Tt = 0.2 (20.56-22.38) + (1-0.2)(1.85) 1,12 21,68 -5,68
8 Ft = 0.3 (16) +(1 - 0.3) (20.56 + 1.12) 19,97 Tt = 0.2 (19.97-20.56) + (1-0.2)(1.12) 0,78 20,75
9 22,30
10 23,08
11 23,86
12 24,63
Exponential Smoothing Trend
t
t
t
t T
F
F
T )
1
(
)
( 1
1 
 


 


39. Winter’s Exponential Smoothing
(Triple E.S.)
• Menambahkan 1 element baru
yaitu Seasonal pada Holt’s E.S.
• Langkah-langkah :
1. Update exponential smoothing
2. Update trend
3. Update Seasonal
4. Forecast P periode pada masa yang
akan datang
)
).(
1
(
. 1
1 





 T
T
P
T
T
T T
F
S
A
F 

1
1 ).
1
(
)
.( 
 


 T
T
T
T T
F
F
T 

P
T
T
T
T S
F
A
S 


 ).
1
(
. 

Ft+1 = Forecast demand pada periode t+1
Ft = Forecast demand pada periode t
At = Actual demand pada periode t
α = Base smoothing parameter ; (0 < <1)
β = Trend smoothing parameter ; (0 < <1)
 Seasonal smoothing parameter ; (0 <  <1)
P = Jumlah periode akan datang yang akan
diramalkan T
T
T
P
T S
PT
F
F ).
( 




40. Alpha 0,2
Beta 0,1
Gamma 0,5
Demand Error
1 155 155 / ( (155+180+260+560) / 4) 0,54
2 180 180 / ( (155+180+260+560) / 4) 0,62
3 260 260 / ( (155+180+260+560) / 4) 0,90
4 560 560 / ( (155+180+260+560) / 4) 1,94
1 160 160 / 0.54 298,06 298.06 - (560 / 1.94) 9,31 0.5 * (160/298.06) + (1-0.5) * (0.54) 0,54
2 185 (0.2*(185/0.62))+((1-0.2)*(298.06+9.31)) 305,26 0.1 * (305.26 - 298.06) + (1-0.1) * (9.31) 9,10 0,61 (298.06+9.31)*0.62 191,61 -6,61
3 270 311,46 8,81 0,88 283,06 -13,06
4 600 318,09 8,59 1,91 621,13 -21,13
1 165 322,82 8,21 0,52 175,36 -10,36
2 190 326,64 7,77 0,60 203,49 -13,49
3 280 330,90 7,42 0,86 295,51 -15,51
4 635 337,05 7,29 1,90 647,15 -12,15
1 172 341,13 6,97 0,51 180,42 -8,42
2 226 354,04 7,56 0,62 208,23 17,77
3 329 365,36 7,94 0,88 312,76 16,24
4 721 374,60 8,07 1,91 708,67 12,33
1 196,72
2 241,58
3 352,03
4 777,77
1 213,32
2 261,54
3 380,52
4 839,47
E.S. Trend Seasonal Forecast
2005
Periode
2000
2001
2002
2003
2004

41. Mengukur Keakuratan Peramalan
1. MEAN ABSOLUTE DEVIATION
2. MEAN SQUARE DEVIATION
3. MEAN FORECAST ERROR
4. MEAN ABSOLUTE PRECENTAGE ERROR
 )
n
F
A
MSE
n
t
t
t



 1
2
 )
n
RSFE
n
F
A
MFE
n
t
t
t




1










n
t t
t
t
A
F
A
n
MAPE
1
100
At = Actual demand periode-t
Ft = Forecast demand periode-t
n = jumlah periode peramalan yang terlibat
n
F
A
MAD
n
t
t
t



 1

42. 5. Tracking Signal
adalah suatu ukuran bagaimana baiknya
suatu ramalan memperkirakan nilai-
nilai aktual.
Tracking Signal dihitung sebagai
Running Sum Of Forecast Error (RSFE)
dibagi dengan Mean Absolute Deviation
(MAD)
 )
 )
















n
t
t
t
n
t
t
n
t
t
t
n
t
t
F
A
n
F
A
Signal
Tracking
n
F
A
F
A
MAD
RSFE
Signal
Tracking
1
1
1
1
Tracking Signal positif : nilai aktual permintaan > peramalan
Tracking signal negatif : nilai aktual permintaan < peramalan
Tracking Signal yang baik apabila memiliki RSFE yang rendah
dan memiliki positive error sama banyak atau seimbang dengan
negative error, sehingga pusat tracking signal mendekati nol.
Apabila Tracking signal telah dihitung, dapat dibangun peta
kontrol tracking signal yang memiliki batas kontrol atas atau
batas kontrol bawah
Para Ahli menyatakan bahwa batas kontrol tracking signal yang
diperbolehkan adalah ± 4, sebagai batas pengendalian untuk
tracking signal

43. Contoh
Hitung MAD, MSD, MAPE

44. Perhitungan MAD
83
,
2
6
0
3
7
2
1
4







MAD

45. Perhitungan MSD
17
,
13
6
0
9
49
4
1
16







MSD

46. Perhitungan MAPE
%
25
,
3
6
0
3
,
3
43
,
8
06
,
2
14
,
1
55
,
4







MAPE

48. -5
-4
-3
-2
-1
0
1
2
3
4
5
1 2 3 4 5 6
Tracking Signal Batas Atas Batas Bawah

49. Verifikasi Peramalan
• Dilakukan untuk memverifikasi apakah fungsi peramalan yang digunakan
mewakili pola data yang ada.
• Metoda verifikasi : moving range chart
• Moving Range
• Average moving range
• Control limits
 )  )
1
1 A
F
A
F t
t
t
t
MR 








1
n
MR
MR
MR
LCL
MR
UCL
66
.
2
66
.
2





50. Verifikasi Peramalan
center line
UCL
LCL
region
A
region
B
region
C
region
A
region
B
region
C
Kondisi di luar kendali jika:
1.Ada titik di luar UCL atau LCL
2.Dari 3 titik plot berturutan 2 titik berada
pada region A ( 1.77 MR)
3.Dari 5 titik plot berturutan terdapat 4
titik berada pada region B ( 0.89 MR)
4.Ada 8 titik plot berturutan berada pada
bagian atas atau bawah garis tengah
(region C)

51. Contoh Verifikasi
45
.
38
45
.
38
45
.
14
11
159





LCL
UCL
MR
Ft' = 155 + t

52. Contoh Verifikasi 38.45
25.63
12.82
-38.45
-12.82
-25.63
MR * 1,773
MR * 0,887

53. Yang harus dilakukan apabila peramalan out of control
• Periksa perubahan yang mungkin terjadi (misal : ada periode
dimana pabrik shutdown, ada permasalahan pada tenaga
sales, dll)
• Jika penyebab dapat di identifikasi, maka hasil ramalan dapat
di anggap valid dan masih dapat dipergunakan
• Jika tidak, tunggu/cari bukti-bukti penyebab yang baru, jika
tetap tidak ada bukti dan out of control maka harus
dipertimbangkan untuk mengganti metode peramalan

54. • Hitung persentase kuantitas item masing-masing terhadap
kuantitas famili pada data masa lalu (semua dalam unit agregat)
• Gunakan persentase ini untuk menentukan kuantitas item masing-
masing dari Rencana Agregat. Output adalah MPS dalam satuan
agregat
• Lakukan pembagian MPS (yang masih dalam satuan agregat)
dengan nilai konversi sehingga dihasilkan MPS dalam satuan
individu item
Aggregate Planning
Teknik Persentase

55. Contoh(1)
Data item (unit)
Perioda 1 2 3 4 5 6 Harga per unit
Produk A 200 220 240 230 250 260 Rp. 3000
Produk B 600 650 700 690 720 770 Rp. 2000
Produk C 50 55 60 58 60 60 Rp. 5000
Data Agregat (dalam satuan Rp. 1000)
Perioda 1 2 3 4 5 6 Total Persentase
Produk A 600 660 720 690 750 780 4200 29,6%
Produk B 1200 1300 1400 1380 1440 1540 8260 58,3%
Produk C 250 275 300 290 300 300 1715 12,1%
Family X 2050 2235 2420 2360 2490 2620 14.175 100,0%

56. Contoh(2)
t At tAt t2
1 2050 2050 1
2 2235 4470 4
3 2420 7260 9
4 2360 9440 16
5 2490 12450 25
6 2620 15720 36
21 14175 51390 91
n
t
b
A
a
n
t
n
t
t
 
 

 1 1
 
  
 
  


 n
t
n
t
n
t
n
i
n
t
t
t
t
t
n
t
A
tA
n
b
1
2
1
2
1 1 1
)
(
b = 101,6 a = 2006,9
Ft = 2006,9 + 101,6 t
Dari data agregat tersebut, dilakukan peramalan.

57. Contoh(3)
• Berdasarkan model ramalan tersebut, dapat dihitung
permintaan agregat pada perioda ke 7, yaitu:
F7 = 2.006.900 + 101.600 x 7 = 2.718.100
F8 = 2.006.900 + 101.600 x 8 = 2.819.700
F9 = 2.006.900 + 101.600 x 9 = ?
• Bila dalam penentuan rencana agregat (aggregate plan)
diasumsikan menggunakan strategi chase, maka nilai rencana
agregat akan sama dengan nilai ramalan

58. Contoh(4)
• Dengan demikian nilai rencana agregat pada perioda ke 7 adalah: Rp.
2.718.100
• Dengan teknik persentase, disagregasi dilakukan untuk memperoleh MPS,
yaitu:
Produk A = x Rp. 2.718.100 =
Produk B = x Rp. 2.718.100 =
Produk C = x Rp. 2.718.100 =
0,296
0,583
0,121
Rp. 804.557,6
Rp. 1.584.652,3
Rp. 328.890,1
MPS ini masih dalam unit agregat, sehingga perlu dilakukan
konversi untuk memperoleh unit item. Konversi ini
menggunakan harga jual per unit masing-masing produk