BAB IV METODE PENELITIAN

BAB IV

METODE PENELITIAN

4.1.

Desain Penelitian Dari uraian latar belakang masalah, penelitian ini dikategorikan ke dalam

penelitian kasus dan penelitian lapangan. Menurut Rianse dan Abdi dalam Surip (2012:33) penelitian kasus dan penelitian lapangan adalah penelitian yang bertujuan untuk mempelajari secara intensif tentang latar belakang keadaan sekarang dan interaksi lingkungan suatu unit sosial, individu, kelompok, dan lembaga atau masyarakat. Metode penelitian yang digunakan adalah metode deskriptif kuantitatif yaitu metode untuk menyelidiki obyek yang dapat diukur dengan angka-angka ataupun ukuran lain yang bersifat eksak yang lebih menekankan kepada penentuan frekuensi terjadinya sesuatu dan atau sejauh mana dua variable berhubungan. Penelitian kuantitatif juga bisa diartikan sebagai riset yang bersifat deskriptif dan cenderung menggunakan analisis dan pendekatan induktif. Melalui penelitian deskriptif, peneliti berusaha mendeskripsikan peristiwa dan kejadian yang menjadi pusat perhatian tanpa memberikan perlakuan khusus terhadap peristiwa tersebut.

49 http://digilib.mercubuana.ac.id/

50

4.2.

Variabel Penelitian Penelitian ini merupakan jenis penelitian studi kasus untuk penyelesaian

suatu masalah, yang dilakukan secara intensif dan terinci juga mendalam terhadap obyek organisasi perusahaan yang bertujuan untuk mempelajari secara intensif latar belakang permasalahan yang terjadi pada suatu perusahaan (Surip, 2012:33). Adapun variable penelitian yang dibahas adalah peramalan (forecasting) sales order produk di PT Belfoods Indonesia. Penelitian ini dibatasi untuk membahas peramalan (forecasting) sales order produk Belfoods Chicken Nugget Favourite kemasan 500 gram dan Belfoods Chicken Nugget Royal kemasan 500 gram yang akan digunakan sebagai dasar perencanaan produksi di PT Belfoods Indonesia.

4.2.1. Definisi Konsep Menurut Makridakis et. al (2000:14) peramalan (forecasting) dapat diartikan sebagai pendekatan sistematis yang digunakan untuk menganilisa pola dari data historis permintaan untuk memproyeksikan permintaan di masa mendatang sebagai

dasar

dalam

membuat

perencanaan

perusahaan

serta

sebagai

pertimbangan untuk beberapa keputusan yang terkait dengan kebutuhan kapasitas produksi, persediaan, dan anggaran yang digunakan agar dapat memenuhi permintaan tersebut. Penelitian ini fokus pada penerapan dan analisa peramalan (forecasting) sales order yang akan datang yang akan digunakan sebagai dasar perencanaan produksi. Kegiatan memperkirakan apa yang akan terjadi pada masa yang akan datang berdasarkan data yang relevan pada masa lalu dan menempatkannya ke masa yang akan datang dengan suatu bentuk model

http://digilib.mercubuana.ac.id/

51

matematis. Dimana secara konsep, peramalan (forecasting) bertujuan untuk memprediksi dari peristiwa atau kondisi masa depan. Metode peramalan yang baik adalah metode yang memberikan hasil peramalan (forecasting) yang jauh berbeda dengan kenyataan yang terjadi dengan tingkat error terkecil, serta memiliki validitas akurasi yang diukur dengan Tracking Signal (TS), dan memprediksi masa depan dengan menggunakan data historis yang akan digunakan sebagai keputusan selanjutnya.

4.2.2. Definisi Operasional Berdasarkan definisi konsep, maka dapat dijabarkan definisi operasionalnya. Adapun definisi operasional dapat dilihat pada Tabel 4.1.

Tabel 4.1. Definisi Operasional Variabel Penelitian Peramalan (forecasting) sales order (Makridakis, 2000:14)

Dimensi

Indikator

Permintaan Jumlah unit yang akan dibeli dalam satu periode waktu tertentu, terdiri dari: 

Data Permintaan



Jenis Produk



Ukuran Kemasan



Harga



Merek

Sumber: Data Diolah (2016)


52

4.3.

Jenis dan Sumber Data Jenis data yang digunakan dalam penelitian ini terdiri dari data kualitatif dan

kuantitatif, yang dijabarkan sebagai berikut: 1) Data Kualitatif Data kualitatif merupakan data yang tidak dapat dihitung atau diukur secara sistematis, data kualitatif dalam penilitian ini terdiri dari: 

Sejarah singkat perusahaan



Lingkup bidang usaha



Sumber daya perusahaan



Proses bisnis perusahaan

2) Data Kuantitatif Data kuantitatif merupakan data yang dapat dihitung atau diukur secara sistematis, data kuatitatif dalam penelitian ini terdiri dari: Tabel 4.2. Data Kuantitatif Penelitian No

Keterangan Data

Satuan

Skala Pengukuran

1

Data peramalan (forecasting) sales order tahun 2016

Karton

Rasio

2

Data sales order tahun 2016

Karton

Rasio

3

Data produksi tahun 2016

Karton

Rasio

4

Data stock tahun 2016

Karton

Rasio

Sumber: Data Diolah (2016)


53

Sumber data dalam penelitian ini adalah subyek dari mana data dapat diperoleh dalam penelitian ini, sumber data dalam penelitian ini adalah sebagai berikut: 1) Data Primer Data primer merupakan data yang diperoleh secara langsung oleh peneliti di tempat penelitian. Data tersebut digunakan untuk mengetahui kondisi saat ini yang relevan dengan fenomena atau permasalahan dalam penelitian ini. Data primer ini diperoleh melalui wawancara langsung dengan bagian PPIC di PT Belfoods Indonesia. 2) Data Sekunder Data sekunder merupakan data yang diperoleh secara tidak langsung oleh peneliti, karena data tersebut sudah terdokumentasi dalam bentuk laporan-laporan, jurnal penelitian terdahulu, buku referensi, dan lain-lain. Data ini digunakan sebagai dasar dalam melakukan analisa dalam penelitian ini untuk mengetahui fenomena atau permasalahan dan sebagai dasar untuk melakukan suatu penyelesaian dalam penelitian ini. Data sekunder ini diperoleh dari laporan-laporan dalam perusahaan yang menjadi objek penelitian, jurnal-jurnal penelitian terdahulu, buku referensi, dan internet.


54

4.4.

Populasi dan Sampel Sugiyono (2008:115) mengemukakan bahwa populasi adalah wilayah

generalisasi yang terdiri atas objek/subjek yang mempunyai kuantitas dan karakteristik tertentu yang ditetapkan oleh peneliti untuk dipelajari dan kemudian ditarik kesimpulannya. Populasi dalam penelitian ini adalah jumlah sales order produk PT Belfoods Indonesia tahun 2016. Sugiyono (2008:116) mendefenisikan sampel sebagai bagian dari jumlah dan karakeristik yang dimiliki oleh populasi tersebut. Sehingga sampel dalam penelitian ini adalah jumlah sales order produk Belfoods Chicken Nugget Favourite dan Royal kemasan 500 gram pada tahun 2016. Jumlah sampel dalam penelitian ini ditunjukkan pada Tabel 4.3.

Tabel 4.3. Sampel Data Sales Order Produk Belfoods Chicken Nugget 2016 Sales Order Belfoods Chicken Nugget (CN) Kemasan 500 gram Tahun 2016 Bulan (karton) CN Favourite CN Royal (Code SKU: FG224207005) (Code SKU: FG224207013) Januari 11,216 9,921 Februari 13,074 9,304 Maret 16,958 10,153 April 17,438 11,190 Mei 18,898 12,644 Juni 30,110 19,994 Juli 19,488 14,349 Agustus 19,102 14,934 September 20,010 15,259 Oktober 21,198 16,055 November 21,929 16,542 Desember 23,579 17,764 Jumlah 232,997 168,108 Sumber: Bagian PPIC Kantor Pabrik PT Belfoods Indonesia (2016)


55

4.5.

Teknik Pengumpulan Data Teknik pengumpulan data dalam penelitian ini terdiri dari 1) Wawancara, berguna untuk mendapatkan informasi relevan yang digunakan sesuai dengan permasalahan, dalam hal ini langsung mewancarai bagian PPIC di PT Belfoods Indonesia untuk mendapatkan keterangan mengenai fenomena atau permasalahan yang terjadi khususnya dalam peramalan (forecasting) sales order yang digunakan sebagai dasar dalam perencanaan produksi.

2) Teknik dokumentasi yaitu mengadakan pengamatan langsung mengenai laporan tentang peramalan, sales order, produksi, dan stock produk Chicken Nugget Royal kemasan 500 gram dan Chicken Nugget Favourite kemasan 500 gram periode Januari - Desember 2016 di PT Belfoods Indonesia berdasarkan dokumen perusahaan dengan keperluan penelitian untuk diolah dalam penelitian. 3) Observasi yaitu dengan melakukan pengamatan langsung terhadap objek penelitian yaitu PT Belfoods Indonesia, kemudian mencatat informasi selama penelitian dalam perusahaan. 4) Studi Pustaka berdasarkan teori akademis yang relevan dan pengumpulan data berdasarkan penelitian terdahulu yang dilakukan berupa jurnal Internasional dan Nasional, buku-buku literatur yang mendukung penelitian.


56

4.6.

Teknik Analisis Data Dalam penelitian ini metodologi penelitian dilakukan dengan tahapan-tahapan

sebagai berikut: 1) Melakukan pengumpulan dan ploting data permintaan pada periode Januari – Desember 2016 untuk mengetahui pola data. 2) Menentukan pola data permintaan yang diperoleh dari data sekunder PT Belfoods Indonesia (pengumpulan data) pada periode Januari-Desember 2016 dengan cara melakukan plot data untuk mengetahui pola datanya. 3) Dari pola data yang ada, yang akan digunakan untuk menghitung nilai peramalan masing-masing metode (dalam penelitian ini metode peramalan yang digunakan adalah metode-metode peramalan pemulusan). 4) Apabila pola data penjualan masa lalu tidak mendukung terhadap metode peramalan yang akan digunakan, maka perlu dilakukan analisis metode lagi untuk mendapatkan metode peramalan yang sesuai. 5) Apabila pola data permintaan masa lalu sudah dapat mendukung terhadap metode peramalan yang akan digunakan, maka selanjutnya dilakukan perhitungan peramalan dengan metode tersebut. 6) Melakukan penghitungan peramalan dengan metode-metode pemulusan (smoothing) yang sesuai dengan pola data yang ada, yang meliputi antara lain: 

Single Moving Average


 Rumus 3.1 – 3.2

57



Double Moving Average

 Rumus 3.3 – 3.7



Single Exponential Smoothing

 Rumus 3.8



Double Exponential Smoothing - Brown

 Rumus 3.9 – 3.13



Double Exponential Smoothing - Holt

 Rumus 3.14 – 3.16



Triple Exponential Smoothing – Brown

 Rumus 3.17 – 3.23

7) Melakukan perhitungan nilai error dari masing-masing metode peramalan yang digunakan untuk menghitung nilai peramalan, yang meliputi: 

Mean Absolut Deviation (MAD)

 Rumus 3.25



Mean Absolut Percentage Error (MAPE)

 Rumus 3.28 - 3.29



Tracking Signal (TS)

 Rumus 3.30 - 3.33

8) Menentukan metode peramalan yang tepat berdasarkan nilai error terkecil yang diketahui dari nilai MAD, MAPE dan memiliki nilai Tracking Signal (ST) yang baik (dalam batas kendali). 9) Melakukan penghitungan proyeksi peramalan permintaan untuk periode Januari - Desember 2017 dengan metode yang dipilih berdasarkan nilai error terkecil. 10) Mendapatkan hasil peramalan (forecasting) sales order periode Januari Desember 2017. Dalam menentukan strategi untuk menilai suatu metode peramalan smoothing (pemulusan), dapat dilihat pada Gambar 4.1.


58

Tahap 1:

Memilih suatu Deret Berkala (kelompok data) untuk dianalisis.

Tahap 2:

Memilih suatu Metode Peramalan

Tahap 3:

Inisialisasi Metode (menggunakan kelompok data inisialisasi)

Tahap 4:

Menggunakan metode pemulusan untuk meramalkan seluruh kelompok "pengujian" Ukuran Uji Akurasi: MAD & MAPE

Tahap 5:

Mengoptimalkan Parameter - Modifikasi prosedur inisialisasi - Melacak nilai parameter yang optimum

Tahap 6:

Keputusan Penilaian - Potensi penggunaan

Gambar 4.1. Strategi Untuk Menilai Metode Peramalan Sumber: Makridakis et. al (2000:82) Gambar 4.1 menjelaskan suatu strategi untuk menilai setiap metodologi peramalan smoothing (pemulusan). Pada tahap 1, diidentifikasi deret berkala (kelompok data) yang menjadi perhatian. Hal ini dapat berupa deret data nyata (misalnya, penjualan suatu produk). Kelompok data tersebut kemudian dibagi menjadi dua (2) bagian yaitu kelompok inisialisasi dan kelompok pengujian. Tahap 2 dilakukan penilaian (evaluasi) dari suatu metode peramalan dari daftar


59

metode pemulusan. Tahap 3, memanfaatkan kelompok data inisialisasi untuk dapat mulai menggunakan metode peramalan tersebut. Pendugaan adanya komponen trend, komponen musiman, dan nilai-nilai parameter dilakukan pada tahap ini. Pada tahap 4, metode diterapkan pada kelompok pengujian untuk melihat kebaikan metode tersebut. Setelah setiap ramalan ditentukan, dihitung nilai error (galat), dan untuk seluruh kelompok pengujian ditentukan ukuran kerhasilan peramalan tertentu. Tahap 5, sebenarnya merupakan suatu fase iterative, karena tidak adanya jaminan bahwa nilai paramenter awal tersebut optimal, tahap ini memerlukan modifikasi dari proses inisialisasi dan atau pelacakan untuk nilai parameter optimum dalam model. Akhirnya pada tahap 6, metode peramalan tersebut dinilai kecocokannya untuk berbagai macam pola data (misalnya, seperti yang ditunjukkan pada Gambar 3.2) dan dengan cara demikian potensi penggunaan model tersebut menjadi jelas (Makridakis et. al, (2000:80). 4.6.1

Flowchart Aplikasi Metode Peramalan

Untuk mempermudah dalam melakukan analisa metode peramalan pada penelitian ini, perlu dibuat suatu flowchart aplikasi metode peramalan. Flowchart aplikasi untuk masing-masing metode peramalan ditunjukkan pada Gambar 4.2 sampai dengan Gambar 4.7. Metode peramalan yang diaplikasikan dalam flowchart ini meliputi metode: Single Moving Average (DMA), Double Moving Average (DMA), Single Exponential Smoothing (SES), Double Exponential Smoothing-Brown (DES-Brown), Double Exponential Smoothing-Holt (DESHolt), Triple Exponential Smoothing-Brown (TES-Brown).


60

a) Flowchart Aplikasi Metode Single Moving Average (SMA)

Mulai

Analisa Data Aktual

Inisialisasi Jumlah Pemulusan (ordo) Periode Moving Average

Peramalan Dengan Metode Single Moving Average

Analisa Error MAD, MAPE, Tracking Signal

Ya Meramalkan Permintaan Periode ke Depan

Hasil Peramalan Permintaan

Selesai Gambar 4.2. Flowchart Aplikasi Metode Single Moving Average Sumber: Pengolahan Data (2016)


Tidak

61

Bagan alir aplikasi metode Single Moving Average (SMA) pada Gambar 4.2 dapat dijelaskan sebagai berikut: 1) Melakukan analisa data aktual permintaan produk dengan cara ploting data permintaan yang akan diramalkan. Dalam penelitian ini menggunakan data permintaan selama 12 bulan (1 tahun). 2) Menentukan inisialisasi periode yang akan dilakukan dalam moving average (ordo). Dalam penelitian ini menggunakan ordo 2, 3, dan 4 bulan, karena data yang digunakan hanya 1 tahun. 3) Melakukan perhitungan peramalan dengan menggunakan metode Single Moving Average (SMA) 4) Melakukan analisa error dari hasil peramalan, dengan cara mengukur akurasi peramalan yang meliputi MAD dan MAPE. Dalam penelitian ini sebagai pembanding dalam mengukur akurasi peramalan adalah nilai MAD dan MAPE dari perusahaan. 5) Apabila nilai MAD dan MAPE nilainya masih lebih tinggi dari nilai MAD dan MAPE dari perusahaan maka metode peramalan tidak dapat diterima, maka perlu dilakukan lagi inisialisasi periode moving average (ordo). 6) Apabila nilai MAD dan MAPE nilainya lebih kecil dari nilai MAD dan MAPE dari perusahaan maka metode peramalan dapat diterima. 7) Memantau hasil ramalan dengan menggunakan Tracking Signal (TS), untuk mengetahui gerakan data hasil ramalan sebagai uji validitas metode


62

peramalan (forecasting), apakah berada dalam batas kendali atau tidak. Dalam penelitian ini standar batas maksimum Tracking Signal (TS) yang digunakan adalah batas maksimum dari ± 4 atau ± 5, (Stevenson, 2009:101). 8) Apabila nilai Tracking Signal (TS) hasil ramalan berada di luar batas-batas kendali, maka metode peramalan tidak dapat diterima, maka perlu dilakukan lagi inisialisasi periode moving average (ordo). 9) Apabila nilai Tracking Signal (TS) hasil ramalan berada dalam batas-batas kendali, maka metode peramalan dapat diterima. 10) Melakukan perhitungan peramalan ke depan dengan metode yang dipilih berdasarkan MAD dan MAPE terkecil, serta memiliki Tracking Signal (TS) yang terkendali. 11) Mendapatkan hasil peramalan pada periode ke depan dengan metode Single Moving Average (SMA).


63

b) Flowchart Aplikasi Metode Double Moving Average (DMA) Mulai

Analisa Data Aktual

Inisialisasi Jumlah Pemulusan (ordo) Periode Moving Average I dan II

Pemulusan Moving Average I

Pemulusan Moving Average II

Menentukan Konstanta dan Slope

Tidak

Peramalan Dengan Metode Double Moving Average


Ya Meramalkan Permintaan Periode ke Depan dan Periode ke Depan = dan PeriodeTerakhir Sedangkan m ke Depan Berdasarkan Periode Yang Diramal ke Depan

Hasil Peramalan Permintaan

Selesai

Gambar 4.3. Flowchart Aplikasi Metode Double Moving Average Sumber: Pengolahan Data (2016)


64

Bagan alir aplikasi metode Double Moving Average (DMA) pada Gambar 4.3 dapat dijelaskan sebagai berikut: 1) Melakukan analisa data aktual permintaan produk dengan cara ploting data permintaan yang akan diramalkan. Dalam penelitian ini menggunakan data permintaan selama 12 bulan (1 tahun). 2) Menentukan inisialisasi periode yang akan dilakukan moving average (ordo). Dalam penelitian ini menggunakan ordo 3 bulan dan 4 bulan, karena data yang digunakan hanya 1 tahun. 3) Melakukan perhitungan pemulusan moving average I (S't). 4) Melakukan perhitungan pemulusan moving average II (S''t). 5) Melakukan perhitungan nilai kostanta (at) dan slope (bt). 6) Melakukan perhitungan peramalan dengan menggunakan metode Double Moving Average (DMA). 7) Melakukan analisa error dari hasil peramalan, dengan cara mengukur akurasi peramalan yang meliputi MAD dan MAPE. Dalam penelitian ini sebagai pembanding dalam mengukur akurasi peramalan adalah nilai MAD dan MAPE dari perusahaan. 8) Apabila nilai MAD dan MAPE nilainya masih lebih tinggi dari nilai MAD dan MAPE dari perusahaan maka metode peramalan tidak dapat diterima, maka perlu dilakukan lagi inisialisasi periode moving average (ordo).


65

9) Apabila nilai MAD dan MAPE nilainya lebih kecil dari nilai MAD dan MAPE dari perusahaan maka metode peramalan dapat diterima. 10) Memantau hasil ramalan dengan menggunakan Tracking Signal (TS), untuk mengetahui gerakan data hasil ramalan sebagai uji validitas metode peramalan (forecasting), apakah berada dalam batas kendali atau tidak. Dalam penelitian ini standar batas maksimum Tracking Signal (TS) yang digunakan adalah batas maksimum dari ± 4 atau ± 5, (Stevenson, 2009:101). 11) Apabila nilai Tracking Signal (TS) hasil ramalan berada di luar batas-batas kendali, maka metode peramalan tidak dapat diterima, maka perlu dilakukan lagi inisialisasi periode moving average (ordo). 12) Apabila nilai Tracking Signal (TS) hasil ramalan berada dalam batas-batas kendali, maka metode peramalan dapat diterima. 13) Melakukan perhitungan peramalan ke depan dengan metode yang dipilih berdasarkan MAD dan MAPE terkecil, serta memiliki Tracking Signal (TS) yang terkendali. 14) Mendapatkan hasil peramalan pada periode ke depan dengan metode Double Moving Average (DMA).


66

c) Flowchart Aplikasi Metode Single Exponential Smoothing (SES)

Mulai

Analisa Data Aktual

Inisialisasi Parameter Nilai α (Alpha) Untuk Pemulusan Exponential

Peramalan Dengan Metode Single Exponential Smoothing Tidak Inisialisasi,


Ya Meramalkan Permintaan Periode ke Depan

Hasil Peramalan Permintaan Selesai Gambar 4.4. Flowchart Aplikasi Metode Single Exponential Smoothing Sumber: Pengolahan Data (2016)


67

Bagan alir aplikasi metode Single Exponential Smoothing (SES) pada Gambar 4.4 dapat dijelaskan sebagai berikut: 1) Melakukan analisa data aktual permintaan produk dengan cara ploting data permintaan yang akan diramalkan. Dalam penelitian ini menggunakan data permintaan selama 12 bulan (1 tahun). 2) Menentukan inisialisasi nilai alpha (α) antara 0 – 1, penentuan nilai alpha (α) ditentukan secara bebas dengan cara coba dan salah (trial error). Dalam penelitian ini menggunakan nilai alpha (α) ganjil yaitu 0.1, 0.5, 0.9 karena untuk mengetahui nilai alpha (α) mana yang lebih baik, 3) Melakukan perhitungan peramalan dengan menggunakan metode Single Exponential Smoothing (SES). 4) Melakukan analisa error dari hasil peramalan, dengan cara mengukur akurasi peramalan yang meliputi MAD dan MAPE. Dalam penelitian ini sebagai pembanding dalam mengukur akurasi peramalan adalah nilai MAD dan MAPE dari perusahaan. 5) Apabila nilai MAD dan MAPE nilainya masih lebih tinggi dari nilai MAD dan MAPE dari perusahaan maka metode peramalan tidak dapat diterima, maka perlu dilakukan lagi inisialisasi dalam menentukan nilai alpha (α). 6) Apabila nilai MAD dan MAPE nilainya lebih kecil dari nilai MAD dan MAPE dari perusahaan maka metode peramalan dapat diterima.


68

7) Memantau hasil ramalan dengan menggunakan Tracking Signal (TS), untuk mengetahui gerakan data hasil ramalan sebagai uji validitas metode peramalan (forecasting), apakah berada dalam batas kendali atau tidak. Dalam penelitian ini standar batas maksimum Tracking Signal (TS) yang digunakan adalah batas maksimum dari ± 4 atau ± 5, (Stevenson, 2009:101). 8) Apabila nilai Tracking Signal (TS) hasil ramalan berada di luar batas-batas kendali, maka metode peramalan tidak dapat diterima, maka perlu dilakukan lagi inisialisasi dalam menentukan nilai alpha (α). 9) Apabila nilai Tracking Signal (TS) hasil ramalan berada dalam batas-batas kendali, maka metode peramalan dapat diterima. 10) Melakukan perhitungan peramalan ke depan dengan metode yang dipilih berdasarkan MAD dan MAPE terkecil, serta memiliki Tracking Signal (TS) yang terkendali. 11) Mendapatkan hasil peramalan pada periode ke depan dengan metode Single Exponential Smoothing (SES).


69

d) Flowchart Aplikasi Metode Double Exponential Smoothing – Brown (DES – Brown) Mulai

Analisa Data Aktual


Pemulusan Exponential I Inisialisasi Pemulusan Exponential II

Menentukan Konstanta dan Slope

Inisialisasi

Tidak

Peramalan Dengan Metode Double Exponential Smoothing - Brown

Analisa Error MAD, MAPE, Tracking Signal Ya

Meramalkan Permintaan Periode ke Depan dan Periode ke Depan = dan PeriodeTerakhir Sedangkan m ke Depan Berdasarkan Periode Yang Diramal ke Depan Hasil Peramalan Permintaan Selesai

Gambar 4.5. Flowchart Aplikasi Metode Double Exponential Smoothing Brown Sumber: Pengolahan Data (2016)


70

Bagan alir aplikasi metode Double Exponential Smoothing – Brown (DES – Brown) pada Gambar 4.5 dapat dijelaskan sebagai berikut: 1) Melakukan analisa data aktual permintaan produk dengan cara ploting data permintaan yang akan diramalkan. Dalam penelitian ini menggunakan data permintaan selama 12 bulan (1 tahun). 2) Menentukan inisialisasi nilai alpha (α) antar 0 – 1, penentuan nilai alpha (α) ditentukan secara bebas dengan cara coba dan salah (trial error). Dalam penelitian ini menggunakan nilai alpha (α) ganjil yaitu 0.1, 0.5, 0.9 karena untuk mengetahui nilai alpha (α) mana yang lebih baik, 3) Melakukan perhitungan pemulusan exponential I (S't), dengan inisialisasi nilai S'1 = data aktual ke-1, (Makridakis, 2000:115). 4) Melakukan perhitungan pemulusan exponential II (S''t), dengan inisialisasi nilai S''1 = data aktual ke-1, (Makridakis, 2000:115). 5) Melakukan perhitungan nilai kostanta (at) dan slope (bt), dengan inisialisasi nilai a1 dan b1 = 0, (Makridakis, 2000:114). 6) Melakukan perhitungan peramalan dengan menggunakan metode Double Exponential Smoothing – Brown (DES – Brown)). 7) Melakukan analisa error dari hasil peramalan, dengan cara mengukur akurasi peramalan yang meliputi MAD dan MAPE. Dalam penelitian ini sebagai pembanding dalam mengukur akurasi peramalan adalah nilai MAD dan MAPE dari perusahaan.


71

8) Apabila nilai MAD dan MAPE nilainya masih lebih tinggi dari nilai MAD dan MAPE dari perusahaan maka metode peramalan tidak dapat diterima, maka perlu dilakukan lagi inisialisasi dalam menentukan nilai alpha (α). 9) Apabila nilai MAD dan MAPE nilainya lebih kecil dari nilai MAD dan MAPE dari perusahaan maka metode peramalan dapat diterima. 10) Memantau hasil ramalan dengan menggunakan Tracking Signal (TS), untuk mengetahui gerakan data hasil ramalan sebagai uji validitas metode peramalan (forecasting), apakah berada dalam batas kendali atau tidak. Dalam penelitian ini standar batas maksimum Tracking Signal (TS) yang digunakan adalah batas maksimum dari ± 4 atau ± 5, (Stevenson, 2009:101). 11) Apabila nilai Tracking Signal (TS) hasil ramalan berada di luar batas-batas kendali, maka metode peramalan tidak dapat diterima, maka perlu dilakukan lagi inisialisasi dalam menentukan nilai alpha (α). 12) Apabila nilai Tracking Signal (TS) hasil ramalan berada dalam batas-batas kendali, maka metode peramalan dapat diterima. 13) Melakukan perhitungan peramalan ke depan dengan metode yang dipilih berdasarkan MAD dan MAPE terkecil, serta memiliki Tracking Signal (TS) yang terkendali. 14) Mendapatkan hasil peramalan pada periode ke depan dengan metode Double Exponential Smoothing - Brown (DES - Brown).


72

e) Flowchart Aplikasi Metode Double Exponential Smoothing – Holt (DES – Holt) Mulai

Analisa Data Aktual

Inisialisasi 2 Parameter Nilai α (Alpha) dan γ (Gamma) Untuk Pemulusan Exponential

Pemulusan Exponential

Inisialisasi, Inisialisasi

Estimasi Trend

Tidak

Peramalan Dengan Metode Double Exponential Smoothing - Holt

Analisa Error MAD, MAPE, Tracking Signal Ya Meramalkan Permintaan Periode ke Depan dan Periode ke Depan = dan PeriodeTerakhir Sedangkan m ke Depan Berdasarkan Periode Yang Diramal ke Depan Hasil Peramalan Permintaan

Selesai

Gambar 4.6. Flowchart Aplikasi Metode Double Exponential Smoothing Holt Sumber: Pengolahan Data (2016)


73

Bagan alir aplikasi metode Double Exponential Smoothing – Holt (DES – Holt) pada Gambar 4.6 dapat dijelaskan sebagai berikut: 1) Melakukan analisa data aktual permintaan produk dengan cara ploting data permintaan yang akan diramalkan. Dalam penelitian ini menggunakan data permintaan selama 12 bulan (1 tahun). 2) Menentukan inisialisasi nilai alpha (α) dan gamma (γ) antara 0 – 1, penentuan nilai alpha (α) dan gamma (γ) ditentukan secara bebas dengan cara coba dan salah (trial error). Dalam penelitian ini menggunakan nilai alpha (α) ganjil yaitu 0.1, 0.5, 0.9, dan nilai gamma 0.1 (γ = 0.1) karena untuk mengetahui nilai alpha (α) mana yang lebih baik, dan nilai gamma (γ) dibatasi hanya satu yang digunakan yaitu γ = 0.1 karena merupakan pemulusan tambahan untuk mengatasi trend. 3) Melakukan perhitungan pemulusan exponential, dengan inisialisasi nilai S1 = data aktual ke-1, (Makridakis, 2000:117). 4) Melakukan perhitungan nilai trend (bt), dengan inisialisasi nilai b1 = ((aktual 2 – aktual 1) + (aktual 4 – aktual 3))/2, (Makridakis, 2000:117). 5) Melakukan perhitungan peramalan dengan menggunakan metode Double Exponential Smoothing – Holt (DES – Holt). 6) Melakukan analisa error dari hasil peramalan, dengan cara mengukur akurasi peramalan yang meliputi MAD dan MAPE. Dalam penelitian ini sebagai pembanding dalam mengukur akurasi peramalan adalah nilai MAD dan MAPE dari perusahaan.


74

7) Apabila nilai MAD dan MAPE nilainya masih lebih tinggi dari nilai MAD dan MAPE dari perusahaan maka metode peramalan tidak dapat diterima, maka perlu dilakukan lagi inisialisasi dalam menentukan nilai alpha (α). 8) Apabila nilai MAD dan MAPE nilainya lebih kecil dari nilai MAD dan MAPE dari perusahaan maka metode peramalan dapat diterima. 9) Memantau hasil ramalan dengan menggunakan Tracking Signal (TS), untuk mengetahui gerakan data hasil ramalan sebagai uji validitas metode peramalan (forecasting), apakah berada dalam batas kendali atau tidak. Dalam penelitian ini standar batas maksimum Tracking Signal (TS) yang digunakan adalah batas maksimum dari ± 4 atau ± 5, (Stevenson, 2009:101). 10) Apabila nilai Tracking Signal (TS) hasil ramalan berada di luar batas-batas kendali, maka metode peramalan tidak dapat diterima, maka perlu dilakukan lagi inisialisasi dalam menentukan nilai alpha (α). 11) Apabila nilai Tracking Signal (TS) hasil ramalan berada dalam batas-batas kendali, maka metode peramalan dapat diterima. 12) Melakukan perhitungan peramalan ke depan dengan metode yang dipilih berdasarkan MAD dan MAPE terkecil, serta memiliki Tracking Signal (TS) yang terkendali. 13) Mendapatkan hasil peramalan pada periode ke depan dengan metode Double Exponential Smoothing - Holt (DES - Holt).


75

f) Flowchart Aplikasi Metode Triple Exponential Smoothing – Brown (TES – Brown) Mulai

Analisa Data Aktual


Pemulusan Exponential I

Inisialisasi

Pemulusan Exponential II

Pemulusan Exponential III

Menentukan Konstanta, Slope, dan Peremajaan

Tidak

Inisialisasi

Peramalan Dengan Metode Triple Exponential Smoothing - Brown

Analisa Error MAD, MAPE, Tracking Signal Ya Meramalkan Permintaan Periode ke Depan dan Periode ke Depan = dan PeriodeTerakhir Sedangkan m ke Depan Berdasarkan Periode Yang Diramal ke Depan

Hasil Peramalan Permintaan Selesai

Gambar 4.7. Flowchart Aplikasi Metode Triple Exponential Smoothing Brown Sumber: Pengolahan Data (2016)


76

Bagan alir aplikasi metode Triple Exponential Smoothing – Brown (TES – Brown) pada Gambar 4.7 dapat dijelaskan sebagai berikut: 1) Melakukan analisa data aktual permintaan produk dengan cara ploting data permintaan yang akan diramalkan. Dalam penelitian ini menggunakan data permintaan selama 12 bulan (1 tahun). 2) Menentukan inisialisasi nilai alpha (α) antara 0 – 1, penentuan nilai alpha (α) ditentukan secara bebas dengan cara coba dan salah (trial error). Dalam penelitian ini menggunakan nilai alpha (α) ganjil yaitu 0.1, 0.5, 0.9 karena untuk mengetahui nilai alpha (α) mana yang lebih baik. 3) Melakukan perhitungan pemulusan exponential I, II, III (S't, S''t, S'''t), dengan inisialisasi nilai S'1, S''1, S'''1 = data aktual ke-1, (Makridakis, 2000:121). 4) Melakukan perhitungan nilai at, bt, ct dengan inisialisasi nilai a1, b1, c1 = 0, (Makridakis, 2000:120). 5) Melakukan perhitungan peramalan dengan menggunakan metode Triple Exponential Smoothing – Brown (TES – Brown). 6) Melakukan analisa error dari hasil peramalan, dengan cara mengukur akurasi peramalan yang meliputi MAD dan MAPE. Dalam penelitian ini sebagai pembanding dalam mengukur akurasi peramalan adalah nilai MAD dan MAPE dari perusahaan.


77

7) Apabila nilai MAD dan MAPE nilainya masih lebih tinggi dari nilai MAD dan MAPE dari perusahaan maka metode peramalan tidak dapat diterima, maka perlu dilakukan lagi inisialisasi dalam menentukan nilai alpha (α). 8) Apabila nilai MAD dan MAPE nilainya lebih kecil dari nilai MAD dan MAPE dari perusahaan maka metode peramalan dapat diterima. 9) Memantau hasil ramalan dengan menggunakan Tracking Signal (TS), untuk mengetahui gerakan data hasil ramalan sebagai uji validitas metode peramalan (forecasting), apakah berada dalam batas kendali atau tidak. Dalam penelitian ini standar batas maksimum Tracking Signal (TS) yang digunakan adalah batas maksimum dari ± 4 atau ± 5, (Stevenson, 2009:101). 10) Apabila nilai Tracking Signal (TS) hasil ramalan berada di luar batas-batas kendali, maka metode peramalan tidak dapat diterima, maka perlu dilakukan lagi inisialisasi dalam menentukan nilai alpha (α). 11) Apabila nilai Tracking Signal (TS) hasil ramalan berada dalam batas-batas kendali, maka metode peramalan dapat diterima. 12) Melakukan perhitungan peramalan ke depan dengan metode yang dipilih berdasarkan MAD dan MAPE terkecil, serta memiliki Tracking Signal (TS) yang terkendali. 13) Mendapatkan hasil peramalan pada periode ke depan dengan metode Triple Exponential Smoothing - Brown (TES - Brown).


BAB IV METODE PENELITIAN

Recommend Documents