PERAMALAN PRODUKSI LEMARI HIJAB MENGGUNAKAN

METODE WMA, SES, DAN REGRESI

Aan Andri Yana, Annisaa Utami Pangestu, Eka Aprilia, Fransiscus Serrano, Hanna Amalia, Puspita.
Mahasiswa Program Studi Teknik Industri, Fakultas Teknologi Industri,
Universitas Gunadarma
(Jl. Margonda Raya No. 100 Pondok Cina, Depok 16424)
andri_94yana@yahoo.com, pangestuannisaa@gmail.com,ekaaaprilia@gmail.com, serranonano123@gmail.com,
hannaamalias@gmail.com, puspitaavielzah@gmail.com

ABSTRAK
Perusahaan yang bergerak dalam bidang manufaktur tentunya memerlukan perencaan dan pengendalian
produksi. Permintaan pasar yang fluktuatif memaksa perusahaan untuk melakukan perencanaan dan
pengendalian produksi agar dapat lebih efektif, optimal, dan terstruktur dengan cara melakukan peramalan.
Peramalan merupakan tahap awal dari perencanaan produksi, dimana hasil peramalan merupakan basis bagi
seluruh tahapan dalam perencanaan produksi selanjutnya. Peramalan dilakukan agar perusahaan dapat
memperkirakan permintaan pasar dimasa mendatang (penjualan aktual pada periode selanjutnya) dengan
menggunakan data penjualan aktual pada periode sebelumnya.Terdapat beberapa metode yang dapat
digunakan dalam melakukan peramalan. Metode yang digunakan dalam perencanaan produksi diantaranya
adalah WMA (Weight Moving Average), SES(Single Exponential Smoothing) dan regresi linier. Metode inilah
yang kemudian diterapkan dalam peramalan produksi lemari hijab. Tujuannya adalah untuk mengetahui
metode mana yang dipilih untuk dapat menghasilkan peramalan dengan nilai kesalahan terkecil. Mengetahui
kelayakan atau penyimpangan dari metode terpilih berdasarkan nilai MAD dan tracking signal. Mengetahui
pengendalian hasil peramalan berdasarkan moving range (MR). Harapan dari perusahaan setelah
mengaplikasikan ketiga metode peramalan tersebut adalah agar perusahaan dapat memperkiakan besarnya
penjualan aktual pada periode selanjutnya untuk memenuhi kebutuhan pasar dengan jumlah yang tepat.
Berdasarkan hasil perhitungan maka metode peramalan yang terbaik adalah metode regresi linierdengan
peramalan jumlah penjualan aktual sebesar 644. Nilai MAD dari metode tersebut adalah sebesar5,009
dan berdasarkan tracking signal nilai peramalan pada metode tersebut tidak keluar dari batas kontrol.
Berdasarkan peta moving range (MR) dapat diketahui bahwa semua data masuk kedalam BKA dan BKB serta
MR absolute nya adalah sebesar 95.
Kata Kunci : Peramalan, WMA (Weight Moving Average), SES(Single Exponential Smoothing),
RegresiLinier,Tracking Signal, MAD (Mean Absolut Deviation), MR (Moving Range).

PENDAHULUAN
Perusahaan yang bergerak dalam bidang manufaktur tentunya memerlukan perencaan dan pengendalian
produksi. Perencanaan dan pengendalian produksi merupakan proses untuk merencanakan dan mengendalikan
aliran material dalam sistem produksi. Permintaan pasar yang fluktuatif memaksa perusahaan untuk melakukan
perencanaan dan pengendalian produksi agar dapat lebih efektif, optimal, dan terstruktur dengan cara melakukan
peramalan. Peramalan merupakan tahap awal dari perencanaan produksi, dimana hasil peramalan merupakan
basis bagi seluruh tahapan dalam perencanaan produksi selanjutnya. Peramalan dilakukan agar perusahaan dapat
memperkirakan permintaan pasar dimasa mendatang dengan menggunakan data penjualan aktual pada periode
sebelumnya. Terdapat beberapa metode yang dapat digunakan dalam melakukan peramalan. Metode yang
digunakan dalam melakukan peramalan diantaranya adalah WMA (Weight Moving Average), SES(Single
Exponential Smoothing)dan regresi linier. Metode inilah yang kemudian diterapkan dalam peramalan produksi
lemari hijab.
Weight moving average (WMA) merupakan salah satu metode peramalan dengan pemberian bobot
yang berbeda untuk setiap data historis masa lalu yang tersedia, terakhir atau terbaru akan memiliki bobot lebih

besar dibandingkan dengan data hsitoris yang lama. Hal tersebut dikarenakan data terbaru merupakan data yang
paling relevan untuk digunakan dalam peramalan. Metode ini sangat memperhatikan dan menggunakan data
historis dimasa lalu. Single exponential smoothing (SES) merupakan suatu prosedur yang secara terus menerus
memperbaiki peramalan dengan merat-rata (menghaluskan=smoothing) nilai masa lalu dari suatu data runtut
waktu dengan cara menurun (exponential) dengan menggunakan satu nilai alpha (single). Regresi merupakan
suatu metode peramalan dimana faktor yang diramalkan menunjukan sebab akibat dengan satu atau lebih
variabel bebas. Harapan dari perusahaan setelah mengaplikasikan ketiga metode peramalan tersebut adalah agar
perusahaan dapat memperkiakan besarnya penjualan aktual pada periode selanjutnya untuk memenuhi
kebutuhan pasar dengan jumlah yang tepat.
Berdasarkan permasalahan diatas maka ketiga metode peramalan tersebut diterapkan dalam peramalan
produksi lemari hijab untuk membahas bagaimana menentukan jumlah penjualan aktual lemari hijab pada
periode berikutnya berdasarkan kebutuhan pasar dan persediaan perusahaan. Tujuannya adalah untuk
mengetahui metode mana yang dipilih untuk dapat menghasilkan peramalan dengan nilai kesalahan terkecil.
Mengetahui kelayakan atau penyimpangan dari metode terpilih berdasarkan nilai MAD dantracking
signal. Mengetahui pengendalian hasil peramalan berdasarkan moving range (MR). Peramalan yang dilakukan
hanya berdasarkan data penjualan aktual yang ditambah dengan asusmsi penambahan penjualan selama 12
bulan.

TINJAUAN PUSTAKA
Tahap pertama dalam perencanaan dan pengendalian produksi bila produksi bertipe made to
stockadalah menentukan suatu peramalan akurat dari permintaan untuk item yang diproduksi. Peramalan ini
digunakan sebagai dasar untuk menentukan kebijakan pengendalian dari sistem persediaan, membuat
perencanaan produksi, pembebanan mesin, menentukan kebutuhan mesin, peralatan, bahan serta untuk
menentukan tingkat tenaga kerja selama periode produksi. Peramalan tidak hanya digunakan untuk
memperkirakan permintaan produk saja, namun secara luas juga digunakan dalam sistem lainnya. Peramalan
dilakukan oleh berbagai depertemen dalam suatu industri yakni departemen pemasaran, produksi, pembelian,
persediaan, keuangan, dan litbang[1].
Kriteria pemilihan metode peramalan yang terbaik memiliki kriteria MAD (mean absolute deviation),
MSE (mean square error), dan MAPE (mean absolute procentage of error). MAD merupakan kriteria untuk
mengevaluasi metode peramalan dengan cara menghitung jumlah nilai absolut deviation dibagi dengan t
terbesar. Nilai MAPE didapatkan dengan cara membagi absolute deviation pada tiap periode dengan permintaan
actual dan dikalikan 100%. Kriteria MAD, MSE, dan MAPE dapat dinyatakan secara matematis sebagai
berikut[1].

Keterangan :
= Permintaan aktual pada periode t
= Ramalan permintaan (real) untuk periode t

= Jumlah periode yang digunakan untuk peramalan (subjektif)

Metode peramalan berdasarkan tekniknya dapat dikategorikan ke dalam metode kualitatif dan metode
kuantitatif. Metode peramalan berdasarkan tingkat awal peramalan dapat dibagi menjadi metode top down,
bottom up, dan interprestasi permintaan. Metode top down, bottom up, dan interprestasi permintaan dapat
dilakukan dengan metode kualitatif atau kuantitatif. Metode kualitatif digunakan bila tidak ada atau sedikit data
di masa lalu tersedia. Metode kualitatif yang banyak dikenal adalah metode Delphi dan kelompok nominal.
Metode kuantitatif digunakan untuk meramalkan permintaan masa depan yang terdiri dari metode time
series dan noontime series[1].
Metode time series adalah metode peramalan secara kuantitatif dengan menggunakan waktu sebagai
dasar peramalan. Metode peramalan terbaik dalam time series adalah metode yang memenuhi kriteria ketepatan
ramalan. Kriteria ini berupa mean absolute deviation (MAD), mean square of error (MSE) ataumean absolute
procentage of error (MAPE). Pola permintaan dalam time series terdiri dari 4 jenis yaitutrend, musiman,
siklikal, dan random. Metode peramalan yang digunakan dalam time series adalah weight moving
average, single exponential smoothing, dan regresi linier[1].
Regresi linier merupakan prosedur-prosedur statistikal yang paling banyak digunakan sebagai metode
peramalan karena relatif lebih mudah dipahami dan hasil peramalan dengan metode ini lebih akurat dalam
berbagai situasi. Pola hubungan antara suatu variabel yang mempengaruhinya dapat dinyatakan dengan suatu
garis lurus. Persamaan regresi linier dapat dinyatakan sebagai berikut[2].

Keterangan :
y = Besarnya nilai yang diramal
x = Variable bebas
a = Nilai trend pada periode dasar
b = Tingkat perkembangan nilai yang diramal
Metode single exponential smoothing dalam bentuk sederhana tidak memperhitungkan pengaruh trend
sehingga nilai
sangat kecil dan dapat dihilangkan. Nilai-nilai
yang rendah lebih cocok bila
permintaan produk relatif stabil yang berarti tanpa trend atau variasi siklikal sedangkan nilai-nilai

yang

tinggi adalah lebih berguna di mana perubahan-perubahan yang sesungguhnya cenderung terjadi karena lebih
tanggap terhadap permintaan fluktuatif. Kasus sederhana dari pemulusan eksponensial tunggal sebagai berikut [2].
Keterangan :
Xt = Nilai aktual terbaru
Ft
= Nilai peramalan terakhir
Ft+1 = Peramalan untuk periode yang mendatang
= Konstanta pemulusan
Peramalan yang baik mempunyai beberapa kriteria yang penting antara lain akurasi biaya dan
kemudahan. Akurasi dari suatu peramalan diukur dengan kebiasan dan kekonsistensian peramalan tersebut.
Hasil peramalan dikatakan bias bila peramalan tersebut terlalu tinggi atau terlalu rendah dibandingkan
kenyataan yang sebenarnya terjadi. Biaya yang diperlukan dalam pembuatan suatu peramalan adalah tergantung
dari jumlah item yang diramalkan, lamanya periode peramalan, dan metode peramalan yang dipakai.
Penggunaan metode peramalan yang sederhana, mudah dibuat, dan mudah diaplikasikan akan memberikan
keuntungan bagi perusahaan[2].

Weighted moving average (WMA) atau metode ratarata bergerak yang memiliki bobot. WMA memiliki
bobot yang digunakan pada setiap perubahan harga. Metode ini merupakan model peramalan time series yang
dilakukan dengan cara memberikan bobot pada data-data periode yang terbaru dari pada bobot pada periode
yang sebelumnya. Nilai dari bobot ini dapat berapa saja dengan ketentuan nilai bobot untuk harga yang terbaru
adalah lebih besar dar ipada nilai bobot untuk harga sebelumnya. Perumusan metodeweight moving
average adalah sebagai berikut[3].

Nilai tracking signal ini merupakan suatu ukuran baiknya suatu ramalan dengan memperkirakan nilainilai actual. Rumus yang digunakan untuk menentukan tracking signal, yaitu sebagai berikut[3].

Keterangan :
RSFE : Jumlah kumulatif dari nilai error
MAD : Perbandingan kumulatif absolut error dengan periode penjualan
Nilai tracking signal bernilai positif berarti nilai aktual permintaan lebih kecil dari ramalan, sedangkan
apabila bernilai negatif artinya nilai aktual permintaan lebih kecil daripada ramalan. Nilai suatu tracking
signal dikatakan baik apabila jumlah dari selisih data aktual dengan peramalan mendekati nol atau dengan kata
lain jumlah error positifnya seimbang dengan error negatif. Nilai tracking signal yang telah dihitung maka
selanjutnya dapat dibangun peta control untuk melihat sebaran dan pergerakan data dari nilai tracking
signal tersebut. Nilai tracking signal ini sebaiknya maksimum 4 sebagai batas pengendaliannya. Nilai yang
didapatkan melebihi batas maksimum tersebut, artinya model peramalan perlu ditinjau kembali karena akurasi
peramalan tidak dapat diterima [4].

METODOLOGI PENULISAN
Metodologi penulisan merupakan langkah-langkah prosedur yang dilakukan pada proses pembuatan
laporan akhir peramalan. Metodologi penulisan pada laporan akhir ini terdiri dari beberapa bagian atau kerangka
penulisan menyangkut kegiatan yang dilakukan dalam meramalkan penjualan aktual pada periode
selanjutnya produk lemari hijab. Langkah pertama yang dilakukan menentukan tujuan penulisan. Tujuan
penulisan dibuat untuk menjelasakan maksud dibuatnya laporan akhir peramalan. Langkah kedua yaitu
pembuatan tinjauan pustaka. Tinjauan pustaka digunakan untuk membandingkan pembahasan masalah atau
memperkuat hasil yang dapat dalam pembahasan. Tinjauan pustaka berisikan teori-teori tentang modul
peramalan yang terdapat penjelasan mengenai tiga metode peramalan yang digunakan dalam pembuatan laporan
akhir ini yaitu metode Weight Moving Average (WMA), Single Exponential Smoothing (SES) dan Regresi
Linier. Langkah ketiga yaitu mencari data penjualan aktual penjualan produk lemari hijab. Data aktual penjualan
lemari hijab didapat dari penambahan angka 37 yaitu dua angka NPM terhadap data penjualan yang telah
ditentukan.
Langkah keempat adalah peramalan item yaitu produk lemari hijab. Perusahaan akan
meramalkanpenjualan aktual dari lemari hijab pada bulan januari dengan menggunakan data penjualan aktual
selama 12 bulan sebelumnya. Langkah kelima adalah menentukan horizon waktu peramalan. Waktu peramalan
yang digunakan adalah horizon perencanaan satu tahun dengan periode perencanaan selama 12 periode.
Langkah keenam adalah memilih metode peramalan yang akan digunakan. Metode peramalan yang digunakan
adalah weight moving average (WMA), single exponential smoothing (SES) dan regresi linier. Langkah
ketujuh adalah mengolah dan menganalisis data. Pengolahan data dilakukan dengan menggunakan perhitungan
manual sesuai dengan tahapan rumus yang telah ditentukan pada metode peramalan yang digunakan. Langkah
selanjutnya adalah melakukan pengolahan perangkat lunak dengan tujuan untuk membandingkan perhitungan
manual yang telah dilakukan agar lebih akurat. Pengolahan perangkat lunak yang digunakan dengan
menggunakan perangkat lunak POM QM. Langkah selanjutnya adalah mengukur keakuratan dari hasil
peramalan dengan menggunakan tracking signal dan MAD.Tracking Signal digunakan untuk memantau

keandalan hasil peramalan, peta kontrol dibuat dengan nilai BKA sebesar 4 dan BKB sebesar -4, hal ini
dikarenakan pada batasan tersebut sudah dianggap layak atau batasan tersebut lebih sering digunakan untuk
sebuah perusahaan.
Langkah selanjutnya adalah membuat tahapan validasi model peramalan dengan menentukan metode
peramalan mana yang paling akurat berdasarkan nilai MAD yang terkecil. Langkah selanjutnya menentukan
metode yang terpilih yaitu metode regresi linier, kemudian melakukan uji keakuratan metode yang terpilih
dengan perhitungan moving range. Langkah selanjutnya adalah membuat peramalan dan mengimplementasi
hasil peramalan. Pengolahan data peramalan yang telah selesai dilakukan diimplementasi pada produksi lemari
hijab pada bulan januari. Langkah terakhir adalah membuat kesimpulan untuk menjawab tujuan penulisan
sedangkan saran bertujuan sebagai kritik atau masukan yang membangun guna penulisan yang lebih baik.

HASIL DAN PEMBAHASAN

Perhitungan peramalan lemari hijab dilakukan untuk menentukan pengendalian dari inventory dan
perencanaan produksi. Perhitungan peramalan produk lemari hijab menggunakan metode kuantitatif.
Perhitungan peramalan produk lemari hijab dengan metode kuantitatif terdiri dari metode weight moving
average, single exponential smoothing, dan regresi linier. Berikut ini merupakan pembahasan berdasarkan data
penjualan aktual perusahaan.
Data penjualan aktual merupakan hasil penjumlahan dari data penjualan dengan asumsi jumlah peningkatan
permintaan. Berikut merupakan Tabel 1 data penjualan aktual produk lemari hijab dengan jumlah asumsi
peningkatan permintaan bernilai 37 yang akan diolah dengan menggunakan metode peramalan kuantitatif.
Tabel 1 Data Penjualan Aktual Lemari Hijab
Indeks Waktu
Penjualan Aktual
Bulan
Penjualan
+Asumsi
(t)
(A)
Januari
1
588
37
625
Februari
2
574
37
611
Maret
3
592
37
629
April
4
597
37
634
Tabel 1 Data Penjualan Aktual Lemari Hijab (Lanjutan)
Indeks Waktu
Penjualan Aktual
Bulan
Penjualan
+Asumsi
(t)
(A)
Mei
5
589
37
626
Juni
6
596
37
633
Juli
7
607
37
644
Agustus
8
597
37
634
September
9
595
37
632
Oktober
10
596
37
633
November
11
608
37
645
Desember
12
602
37
639
Januari
13
Berdasarkan tabel diatas dapat dilihat bahwa penjualan untuk setiap bulannya memiliki jumlah penjualan
yang berbeda. Perbedaan penjualan pada setiap bulannya tidak terlalu jauh berbeda dan mengalami kenaikan
serta penurunan jumlah penjualan. Asumsi merupakan peningkatan terhadap penjualan yang bernilai 37 untuk
setiap bulannya. Penjualan aktual merupakan penjumlahan dari data penjualan dengan peningkatan penjualan
(asumsi). Data penjualan aktual ini yang nantinya akan digunakan untuk melakukan peramalan. Metode
peramalan yang pertama adalah metode WMA.
Metode weight moving average merupakan metode peramalan kuantitatif rata-rata bergerak dengan bobot.
Perhitungan peramalan produk lemari hijab dengan metode weight moving averages menggunakan nilai bobot 3.
Perhitungan ramalan weight moving averages dengan nilai bobot 3 diperoleh berdasarkan data penjualan aktual
tiga bulan pertama yaitu bulan januari, febuari, dan maret. Data penjualan tiga bulan pertama tersebut digunakan
untuk menentukan hasil ramalan penjualan pada bulan April dan begitu seterusnya. Berikut merupakan Tabel 2
perhitungan dengan metode weight moving average.

Tabel 2 Perhitungan dengan Metode Weight Moving Average

Bulan

Indeks Waktu
(t)

Penjualan Aktual
(A)

Januari
Februari
Maret
April
Mei
Juni
Juli
Agustus
September
Oktober
November
Desember
Januari

1
2
3
4
5
6
7
8
9
10
11
12
13

625
611
629
634
626
633
644
634
632
633
645
639

Ramalan Berdasarkan MA=3

(F,MA=3)
Sebelum
Pembulatan

Setelah
Pembulatan

622,33
628,5
629,17
630,83
637,33
637,17
634,67
632,83
638,83
640

623
629
630
631
638
638
635
633
639
640

Berikut ini merupakan contoh perhitungan hasil ramalan bulan April:

Ft =

Perhitungan peramalan dengan menggunakan metode weight moving average dilakukan dengan
menggunakan data penjualan aktual tiga bulan pertama yakni januari, febuari, dan maret karena menggunakan
bobot yang bernilai 3 sehingga menggunakan data penjualan aktual tiga bulan pertama untuk memperoleh hasil
peramalan bulan april. Data penjualan aktual pada bulan Maret diberikan bobot yang paling besar yaitu 3. Hal
tersebut dikarenakan data terbaru merupakan data yang paling relevan untuk digunakan dalam peramalan. Hasil
peramalan penjualan produk lemari hijab dengan nilai terbesar yaitu pada bulan januari periode berikutnya
sebesar 640. Hasil peramalan penjualan produk lemari hijab dengan nilai terkecil yaitu pada bulan april sebesar
623. Hasil peramalan penjualan produk lemari hijab untuk januari tahun berikutnya adalah sebesar
640. Peramalan dengan menggunakan metode ini sangat bergantung pada data historis penjualan sebelumnya.
Hasil peramalan dibulatkan keatas, dikarenakan produk yang diproduksi dalam jumlah satuan unit. Peramalan
penjualan lemari hijab ini merupakan jenis peramalan jangka menengah karena peramalan dilakukan dalam
jangka waktu 3 bulan. Penentuan jumlah bobot yang bernilai 3 dikarenakan hasil peramalan yang diperoleh akan
lebih akurat dibandingkan dengan bobot yang bernilai lebih dari 3. Peramalan dengan bobot yang semakin besar
akan menyebabkan error atau kesalahan lebih banyak dan hasil peramalan menjadi kurang sensitif. Langkah
selanjutnya adalah membuattracking signal dari metode WMA.
Tracking signal untuk metode weight moving average dilakukan untuk mengetahui keakurasian metode
peramalan. Berikut merupakan hasil perhitungan tracking signal dapat dilihat pada Tabel 3tracking signal dari
peramalan metode WMA berikut.
Tabel 3 Tracking Signal Dari Peramalan Metode WMA
Period
e

(1)
1
2
3
4

Peramala
n (f)
(2)
623
629
630
631

Aktu
al
(A)

RSFE
Komulat
if

Absolu
t
Error

(3)

Erro
r
e=
A-f
(4)

(5)

(6)

634
626
633
644

11
-3
3
13

11
8
11
24

11
3
3
13

KomulatifAbsol
ut Error
(7)
11
14
17
30

MA
D
(7)/
(1)
(8)
11
7
5,67
7,5

Trackin
g
Signal
(5)/(8)
(9)
1
1,14
1,94
3,2

5
6
7
8
9

638
638
635
633
639

634
632
633
645
639
MAD =

-4
-6
-2
12
0

20
14
12
24
24

4
6
2
12
0
6

34
40
42
54
54

6,8
6,67
6
6,75
6

2,94
2,1
2
3,56
4

Contoh perhitungan tracking signal priode 1 :

Tracking Signal =

=1
Berdasarkan tabel tracking signal yang diperoleh informasi mengenai seberapa besar penyimpangan data
penjualan hasil peramalan dengan data penjualan aktual. Nilai error menunjukan selisih harga penjualan lemari
hijab antara penjualan aktual dengan data penjualan lemari hijab dengan hasil dari metode peramalan weight
moving average. Nilai RSFE kumulatif merupakan jumlah kumulatif dari selisih antara hasil penjualan aktual
dengn hasil peramalan pada setiap periode contohnya pada periode kedua nilai RSFE kumulatif sebesar 8 yang
diperoleh dari jumlah error pada periode pertama yang bernilai 11 dan periode kedua yang bernilai 3.
Nilai absolute error merupakan nilai mutlak dari hasil selisih antara penjualan aktual dengan data penjualan
lemari hijab. Nilai absolut error kumulatif adalah jumlah kumulatif dari nilai mutlak hasil selisih antara
penjualan aktual dengan data penjualan
lemari hijab. MAD adalah perbandingan antara
kumulatif absolut error dengan masing-masing periode penjualan lemari hijab. Nilai tracking signal adalah
perbandingan antara RSFE kumulatif dengan MAD. Hasil nilai tracking signaluntuk model peramalan weight
moving average pada tiap periode berada dalam batas-batas yang dapat diterima yaitu maksimum
.
Hal ini berarti bahwa keakurasian dari hasil peramalan dengan menggunakan metode weight moving
average memiliki keandalan karena nilai nilai tracking signal pada tiap periode hasil peramalan berada dalam
batas tracking signal yaitu
. Langkah selanjutnya adalah membuat grafik tracking signal berdasarkan
hasil peramalan metode weight moving average untuk melihat nilai tracking signal yang dapat diterima dengan
menggunakan grafik. Berikut merupakan Gamba1 grafiktracking signal metode weight moving average.

Gambar 1 Grafik Tracking Signal WMA

Berdasarkan grafik tracking signal untuk metode weight moving average dapat diketahui bahwa sumbu
x merupakan periode data penjualan aktual dan sumbu y merupakan nilai tracking signal. Garis yang bewarna

biru merupakan simbol dari batas kontrol atas sebesar 4 dan garis bewarna abu-abu merupakan simbol dari batas
kontrol bawah sebesar -4. Nilai batas 4 dan 4 berasal dari nilai 3,75 yang merupakan teori batas kendali
statistik yang menetapkan hubungan antara Deviasi Absolut Mean dan Standar Deviasi. Hubungan antara MAD
dan deviasi standar dalam populasi yang terdistribusi normal didirikan sebagai 1,25 MAD = 1 SD (standar
deviasi dari distribusi).
Garis bewarna orange merupakan nilai tracking signal yang diperoleh dari perhitungan peramalan
metode WMA. Nilai tracking signal tersebut didapatkan dari pembagian nilai RSFE kumulatif dengan nilai
MAD. Nilai tracking signal tersebut berada diantara nilai BKA dan BKB, sehingga dapat dikatakan
pengendalian peramalan menggunakan metode WMA dikatakan baik. Nilai tracking signal tersebut
menunjukkan sebaran nilai peramalan selama 12 periode. Nilai tracking signal apabila positif, memiliki arti
bahwa data penjualan aktual lebih besar dari data peramalan, sedangkan nilai tracking signal apabila negatif
artinya bahwa nilai data peramalan lebih besar daripada nilai penjualan aktual. Berdasarkan grafiktracking
signal yang disajikan diatas, nilai tracking signal menggunakan metode WMA bernilai positif, hal tersebut
menyebabkan peramalan kurang baik karena peramalan yang baik memiliki nilai yang berada disekitar nilai nol.
Suatu tracking signal yang baik memiliki nilai positive error yang seimbang dengannegative error.
Setelah didapatkan hasil peramalan dengan perhitungan manual dari metode WMA tersebut, maka langkah
selanjutnya melakukan pengolahan software untuk membandingkan hasil yang diperoleh dari perhitungan
manual dan software. Berikut adalah output pengolahan software POM-QM yang dapat dilihat pada
Gambar 1 sampai dengan Gambar 4 berikut.
Software yang digunakan adalah dengan menggunakan Forecasting pada program POM-QM. Metode
pertama yang akan diolah dengan software adalah metode Weight Moving Average (WMA). Berikut ini
adalah forecasting results yang ditunjukan Gambar 2 Output Forecasting Results WMA

Gambar 2 Output Forecasting Results WMA

Gambar 2 menunjukan output forecasting result WMA yang merupakan keseluruhan hasil
perhitungan software menggunakan POM-QM dengan menggunakan metode WMA. Pada kolom valueterdapat
angka-angka yang menjelaskan kolom measure. Untuk mean error merupakan error rata-rata dari hasil
peramalan pada bulan ke-13 sebesar 3,148. Mean absolute deviation merupakan nilai penyimpangan ratarata absolut yaitu sebesar 5,963. Mean Square Error merupakan penyimpangan rata-rata kuadrat pada
peramalan adalah sebesar 57,673. Standard error merupakan nilai rata-rata standar deviasi dari setiap sampel
yaitu sebesar 8,611. Mean absolute percent error merupakan nilai persentase rata kesalahan pada peramalan
bulan ke-13 yaitu sebesar 0,009 atau sebesar 9%. Nilai forecast pada kolom next periodmerupakan nilai
peramalan pada bulan ke-13 yaitu sebesar 640 unit lemari hijab. Keluaran selanjutnya berisi rata-rata nilai
peramalan aktual, nilai peramalan, dan nilai-nilai kesalahan berdasarkan metode WMA dengan bobot sebesar 3.
Berikut adalah details and error analysis WMA ditunjukkan oleh Gambar 3.

Gambar 3 Details and Error Analysis WMA

Gambar 3 menunjukkan output pada details and error analysis WMA yang memiliki 6 kolom
perhitungan. Kolom pertama merupakan nilai yang terdapat pada variabel (y) atau permintaan aktual. Kolom
kedua adalah forecast yang merupakan hasil peramalan berdasarkan data-data 3 bulan yang telah didapat
sebelumnya. Kolom ketiga merupakan kolom error yang didapat dari pengurangan kolom pertama dengan
kolom kedua. Kolom keempat error yang merupakan pemutlakan dari nilai error. Kolom kelima merupakan
kuadrat dari nilai error yang telah dimutlakan yaitu pada kolom ketiga. Kolom keenam merupakan
persentase error dari hasil peramalan yang didapat. Average merupakan nilai rata-rata dari setiap hasil kolom
yaitu 632,083. Next period forecast merupakan hasil dari peramalan untuk periode selanjutnya yaitu periode
bulan ke-13 yaitu sebesar 640 unit lemari hijab yang diproduksi pada bulan ke-13. Nilaistandard error pada
kolom kelima merupakan nilai standar deviasi error pada setiap sampel yaitu sebesar
8,611. Pengolahan software menghasilkan keluaran ketiga yaitu control (tracking signal). Output Control
Tracking Signal memberikan informasi yang lengkap mulai dari permintaan aktual, peramalan, error,mencari
nilai MAD, sampai dengan mencari track signal. Berikut ini merupakan Gambar 4 Output Tracking Signal.

Gambar 4 Tracking signal WMA

Gambar 4 Tracking Signal WMA merupakan output ketiga pengolahan software metode WMA yang
menunjukan 8 kolom perhitungan. Kolom pertama adalah demand yang merupakan data aktual permintaan.
Kolom kedua adalah forecast yang merupakan hasil peramalan lemari hijab mulai dari periode pada bulan April.
Kolom error merupakan nilai selisih anatara forecast dan demand, sedangkan kolom RSFE yang merupakan
kumulatif dari tiap baris pada kolom error dan kolom |RSFE| merupakan pemutlakan dari nilaierror.
Kolom Cum Abs yang merupakan kumulatif dari tiap baris pada kolom |RSFE|. Kolom Cum MADmerupakan
nilai MAD yang didapatkan dari hasil bagi Cum Abs dengan periodenya. Kolom tracking signalmerupakan hasil
perhitungan tracking signal yaitu pembagian antara RSFE dengan MAD. Berdasarkan peramalan yang telah
dicari, maka berikutnya adalah gambar keluaran empat yaitu grafik. Berikut merupakan Gambar 5 Graph WMA

Gambar 5 Graph WMA

Gambar 5 Output Graph WMA merupakan grafik yang menjelaskan metode yang digunakan
dalam peralaman permintaan lemari hijab adalah metode Weight Moving Average (WMA) dengan bobot sebesar
3. Sumbu X merupakan periode peramalan yaitu sebanyak 13 periode. Sumbu Y merupakan demandnilai aktual
dan nilai peramalan. Data peramalan yang berwarna biru dan data aktual yang berwarna hitam. Data permintaan
aktual dimulai dari periode kesatu hingga dua belas, sedangkan data peramalan dimulai dari periode keempat
hingga tiga belas. Data peramalan dan data aktual memiliki fluktuasi yang tidak terlalu jauh, ini berarti
peramalan yang didapat tidak terlalu melenceng dari data aktual sebelumnya.
Metode peramalan kedua yang digunakan adalah metode single exponential smoothing (SES).
Perhitungan manual metode single exponential smoothing (SES) diawali dengan memilih konstanta pemulusan
() yang tepat. Nilai dapat dilihat dari nilai MAD terkecil diantara semua konstanta pemulusan.
Nilai nantinya digunakan untuk perhitungan peramalan produk lemari hijab dengan menggunakan
metode single exponential smoothing (SES). Nilai tersebut dapat diketahui dari pengolahan perangkat lunak
POM QM. Tabel 4 berikut adalah tabel pengelompokkan nilai MAD:
Tabel 4 Pengelompokan MAD dan
SES ()
MAD
0,1
6,52
0,2
6,49
0,3
6,50
0,4
6,78
0,5
7,09
0,6
7,46
0,7
7,77
0,8
8,06
0,9
8,29
Tabel diatas merupakan tabel pengelompokkan nilai MAD dari masing-masing , maka untuk
kosntanta pemulusan atau nilai alpha () yang tepat untuk digunakan adalah = 0,2. Hal ini disebabkan
konstanta pemulusan tersebut menghasilkan nilai MAD terkecil, yaitu sebesar 6,49. Berikut ini adalah contoh
perhitungan peramalan berdasarkan konstanta pemulusan = 0,2 dengan metode single exponential
smoothing seperti pada Tabel 5 berikut.
Tabel 5 Perhitungan dengan Metode Single Exponential Smoothing (SES)
Ramalan berdasarkan

Bulan

Januari
Februari
Maret

Indeks Waktu
(t)

1
2
3

Penjualan
Aktual (A)

625
611
629

(F,

Sebelum
Pembulatan

Setelah
Pembulatan

632,083
630,664
626,731

633
631
627

April
Mei
Juni
Juli
Agustus
September
Oktober
November
Desember
Januari

4
5
6
7
8
9
10
11
12
13

634
626
633
644
634
632
633
645
639
= 7585

627,185
628,548
628,038
629,021
632,017
632,414
632,331
632,465
634,972
635,778

628
629
629
630
633
633
633
633
635
636

Berikut ini adalah contoh perhitungan peramalan berdasarkan konstanta pemulusan = 0,3 dengan
metodesingle exponential smoothing.
Rumus : Ft= Ft-1 +
( At-1- Ft-1)
Contoh perhitungan mencari nilai peramalan pada bulan Januari:
F1 =
=
= 632,083
633

Mencari nilai peramalan pada bulan Februari:

F2 = 632,083 + 0,2 (625 632,083)= 630,664

631

Mencari nilai peramalan pada bulan Maret:

F 3= 630,664 + 0,2 (611 630,664)= 626,731

627

Perhitungan nilai single exponential smoothing diatas berdasarkan data penjualan aktual selama 12
bulan. Peramalan dilakukan dengan menggunakan sebesar 0,2. Peminilai nilai sebesar 0,2 dikarenakan pada
niali tersebut memiliki MAD yang paling kecil yaitu sebesar 6,49. Total nilai penjualan aktual produk lemari
hijab selama 12 bulan adalah 7585 unit. Hasil perhitungan manual metode peramalan single exponential
smoothing menghasilkan nilai peramalan pada periode bulan januari sebesar 636 unit lemari hijab. Pada
perhitungan dilakukan pembulatan, hal ini dakrenakan lemari hijab yang diproduksi adalah dalam satuan unit
sehingga dilakukan pembulatan keatas. Langkah selanjutnya setelah membuat perhitungan single exponential
smoothing (SES) adalah membuat perhitungan tracking signal. Nilai yang dihasilkan pada tracking
signal didapatkan dari tahapan menghitung nilai error, RSFE kumulatif, absoluterror, kumulatif Abs. error dan
MAD. Tabel 6 merupakan perhitungan tracking signal metode SES adalah sebagai berikut.
Tabel 6 Tracking Signal Peramalan Metode SES

(2)

Aktual
(A)
(3)

Errore=Af
(4)

RSFE
Kumulatif
(5)

Abs.
Error
(6)

Kum.
Abs.
Error
(7)

633
631
627
628
629
629
630
633
633
633
633

625
611
629
634
626
633
644
634
632
633
645

-8
-20
2
6
-3
4
14
1
-1
0
12

-8
-28
-26
-20
-23
-19
-5
-4
-5
-5
7

8
20
2
6
3
4
14
1
1
0
12

8
28
30
36
39
43
57
58
59
59
71

Periode

Forecast (f)

(1)
1
2
3
4
5
6
7
8
9
10
11

MAD =
7/1

Tracking
Signal
=5/8
(9)

(8)
8
14
10
9
8,4
7,8
8,143
7,25
7
6,55
6,454

-1
-2
-2.6
-2.22
-2.738
-2.435
-0.614
-0.552
-0.714
-0.76
1.084

12

635

639
MAD=

11

4
6,25

75

6,25

1.76

Berdasarkan tabel hasil perhitungan tracking signal diatas, kolom pertama berisi periode peramalan,
yaitu bulan februari hingga desember. Kolom kedua adalah nilai hasil peramalan yang telah dicari pada tabel
sebelumnya dengan menggunakan rumus Ft= Ft-1 + ( At-1- Ft-1) . Kolom ketiga merupakan nilai aktual atau nilai
penjualan yang telah ada pada awal peramalan. Kolom keempat merupakan selisih dari nilai aktual dengan nilai
peramalannya. Kolom kelima merupakan hasil kumulatif penjumlahan perhitungan error yang terdapat dikolom
keempat. Kolom keenam merupakan nilai absolute error, yang artinya nilai error yang negatif pada kolom
empat diubah tanda menjadi positif. Kemudian pada kolomabsolute error, hasil penjumlahan error yang telah
didapat selanjutnya dicari nilai rata-rata absolut errordan dibandingkan dengan nilai MAD pada periode
terakhir. Nilai rata-rata dari kolom absolute error harus sama dengan nilai MAD pada periode terakhir agar
menunjukkan bahwa perhitungan yang dilakukan sudah benar. Kolom ketujuh merupakan nilai kumulatif dari
kolom keeenam dan kolom kedelapan merupakan nilai MAD. Nilai MAD diperoleh dari nilai
kumulatif absolute error dibagi dengan periode pada kolom pertama. Kolom kesembilan merupakan
nilai tracking signal yaitu nilai RSFE kumulatif dibagi dengan nilai MAD. Nilai MAD pada metode single
exponential smoothing (SES) akan dibandingkan dengan metode-metode lainnya yaitu weight moving
average (WMA) dan regresi linier. Setelah nilai tracking signal selesai dihitung, maka langkah selanjutnya akan
dibuat suatu grafik yang dapat menggambarkan penyimpangan nilai data terhadap nilai-nilai peramalanya.
Grafik tersebut dapat menghasilkan informasi mengenai ada atau tidaknya nilai yang keluar dari BKA dan BKB.
Nilai ketetapan yang diberikan pada BKA dan BKB dalam pembuatan grafik adalah BKA sebesar 4 dan BKB
sebesar -4. Gambar 6 merupakan grafik tracking signalmetode single exponential smoothing (SES).

Gambar 6 Grafik Tracking Signal SES

Berdasarkan grafik tracking signal untuk metode single exponential smoothing dapat diketahui bahwa
sumbu x merupakan periode data penjualan aktual dan sumbu y merupakan nilai tracking signal.Garis yang
bewarna biru merupakan simbol dari batas kelas atas sebesar 4 dan garis bewarna abu-abu merupakan simbol
dari batas kelas bawah sebesar -4. Nilai batas 4 dan 4 berasal dari nilai 3,75 yang merupakan teori batas
kendali statistik yang menetapkan hubungan antara Deviasi Absolut Mean dan Standar Deviasi. Hubungan
antara MAD dan deviasi standar dalam populasi yang terdistribusi normal didirikan sebagai 1,25 MAD = 1 SD
(standar deviasi dari distribusi).
Garis bewarna merah merupakan nilai tracking signal yang diperoleh dari perhitungan peramalan metode
SES. Nilai tracking signal tersebut didapatkan dari pembagian nilai RSFE kumulatif dengan nilai MAD.
Nilai tracking signal tersebut berada diantara nilai BKA dan BKB, sehingga dapat dikatakan pengendalian
peramalan menggunakan metode SES dikatakan baik. Nilai tracking signal tersebut menunjukkan sebaran nilai
peramalan selama 12 periode. Nilai tracking signal apabila positif, memiliki arti bahwa data penjualan aktual
lebih besar dari data peramalan, sedangkan nilai tracking signal apabila negatif artinya bahwa nilai data
peramalan lebih besar daripada nilai penjualan aktual.

Setelah didapatkan hasil peramalan dengan perhitungan manual dari metode SES tersebut, maka langkah
selanjutnya melakukan pengolahan software untuk membandingkan hasil yang diperoleh dari perhitungan
manual dan software. Berikut adalah output pengolahan software POM-QM yang dapat dilihat pada
Gambar 7 sampai dengan Gambar 10 berikut.
Keluaran pertama adalah keluaran gambar details and error analysis. Keluaran tersebut berdasarkan
tahapan langkah proses yang telah ditentukan. Keluaran tersebut merupakan penjabaran nilai dari peramalan
menggunakan metode SES. Gambar 7 berikut ini adalah keluaran hasil pengolahan software nilaidetails and
error analysis dengan metode single exponential smoothing (SES) dengan menggunakan aplha 2.

Gambar 7 Output Forecasting Results

Gambar 7 merupakan keluaran hasil peramalan yang merupakan pengolahan perangkat lunak POM
QM. Berdasarkan hasil keluaran dapat diketahui beberapa informasi. Informasi yang didapat berupa nilai mean
error atau nilai kesalahan rata-rata pada peramalan tersebut adalah 1,54. Nilai MAD (Mean Absolute Deviation)
atau nilai yang menjelaskan kesalahan mutlak pada peramalan tersebut sebesar 6,494 sedikit berbeda dengan
perhitungan manual yang memiliki nilai MAD sebesar 6,25. Nilai MSE (Mean Square Error) pada peramalan
tersebut sebesar 76,784 yang menjelaskan rata-rata kesalahan kuadrat pada peramalan. Kemudian nilai standar
error yang terdapat pada peramalan tersebut sebesar 9,599. Nilai MAPE (Mean Absolute Percent Error) yang
menjelaskan rata-rata persentase kesalahan kuadrat sebesar 0,01. Hasil peramalan lemari hijab yang seharusnya
diproduksi pada masa yang akan datang sebesar 635,78. Nilai tersebut berbeda sedikit dengan nilai perhitungan
manual sebesar 636. Hal tersebut dikarenakan pada perhitungan manual pengolahan nilai data dilakukan dengan
membulatkan nilai data tetapi pada pengolahan perangkat lunak nilai data tidak dibulatkan.

Gambar 8 Output Details and Error Analysis

Gambar 8 menunjukan nilai keluaran pengolahan perangkat lunak details and error analysis.Keluaran
ini merupakan penjabaran nilai-nilai peramalan selama 12 bulan. Hasil keluaran tersebut pada kolom pertama
merupakan kolom demand atau nilai penjualan aktual mulai dari bulan februari hingga desember. Rata-rata nilai
penjualan aktual selama 12 bulan adalah 632,083 atau 633 unit lemari hijab. Nilaiforecast atau nilai peramalan
dimulai dari bulan januari, pada bulan januari nilai peramalan produk lemari hijab yang seharusnya diproduksi
pada periode mendatang sebesar 633 unit. Hasil peramalan pada periode yang akan datang sebesar 635,78 atau
636 unit lemari hijab. Nilai error pada peramalan bulan februari sebesar -14, nilai tersebut merupakan selisih
antara nilai peramalan dengan nilai penjualan aktual produk lemari hijab pada periode kedua. Nilai
simbol error yang diberi tanda mutlak merupakan penjabaran dari nilai error yang negatif diubah menjadi nilai

positif. Kolom keenam merupakan nilai mean square error(MSE) yang merupakan nilai error yang
dikuadratkan. Nilai persentase error peramalan pada bulan februari sebesar 0,032. Gambar keluaran pengolahan
perangkat lunak berikutnya adalah keluaran tracking signal.Gambar 9 berikut merupakan keluaran tracking
signal adalah sebagai berikut.

Gambar 9 Output Tracking Signal

Gambar 9 merupakan keluaran hasil peramalan pertama menunjukkan penjabaran nilai tracking
signal selama 12 bulan. Nilai-nilai keluaran tersebut dimulai dari bulan januari sampai bulan desember. Nilai
keluaran yang dihasilkan pada pengolahan perangkat lunak tersebut tidak jauh memiliki perbedaan dengan nilai
hasil perhitungan manual. Perbedaan terletak pada pembulatan angka. Pada pengolahan perangkat lunak, nilai
data yang dimasukkan berupa bilangan desimal, namun pada perhitungan manual nilai desimal tersebut
dibulatkan sehingga hasil pengolahan data memiliki perbedaan nilai sedikit. Hasil keluaran tersebut pada kolom
pertama merupakan kolom demand atau nilai penjualan aktual mulai dari bulan januari hingga desember.
Nilai forecast atau nilai peramalan dimulai dari bulan januari. Berdasarkan perhitungan peramalan
bulan februari nilai peramalan lemari hijab yang seharusnya diproduksi pada periode mendatang sebesar
630,667 atau 631 unit. Nilai error pada peramalan bulan februari sebesar -19,667, nilai tersebut merupakan
selisih antara nilai peramalan dengan nilai penjualan aktual produk lemari hijab pada periode kedua. Nilai RSFE
merupakan nilai error yang dikumulatifkan dari periode 2 hingga periode 12. Sebagai contoh nilai RSFE pada
periode ketiga sebesar -24,483 yang merupakan hasil kumulatif error periode pertama dan kedua.
Kolom RSFE yang diberi tanda mutlak merupakan nilai error yang negatif diubah menjadi positif.
Nilai Cum Abs merupakan nilai kumulatif dari kolom RSFE yang diberi tanda mutlak. Kolom selanjutnya
adalah MAD yang merupakan nilai Cum Abs dibagi dengan besar nilai periodenya. Sebagai contoh nilai MAD
pada bulan februari sebesar 13,375, nilai ini menjelaskan rata-rata kesalahan mutlak pada periode kedua. Kolom
terakhir merupakan penjabaran nilai tracking signal yang merupakan pembagian antara nilai RSFE kumulatif
dengan nilai MAD. Sebagai contoh nilai tracking signal pada bulan januari sebesar -1, nilai tersebut
menjelaskan suatu ukuran baik atau buruknya suatu peramalan memperkirakan nilai-nilai aktual. Keluaran hasil
pengolahan perangkat lunak selanjutnya adalah keluaran hasil peramalan. Keluaran hasil peramalan selanjutnya
adalah keluaran grafik peramalan. Gambar 10 merupakan keluaran grafik peramalan adalah sebagai berikut.

Gambar 10 Output Grafik SES

Berdasarkan keluaran grafik peramalan dengan metode single exponential smoothing, garis bewarna
hitam merupakan data penjualan aktual dan garis bewarna biru merupakan hasil peramalan yang dimulai dari
bulan kedua. Sumbu horizontal pada grafik tersebut menerangkan periode peramalan selama 12 bulan,
sedangkan sumbu vertikal menerangkan penjualan aktual. Hubungan grafik diatas menginformasikan bahwa
data penjualan aktual dengan nilai peramalannya memiliki rentang nilai yang tidak jauh sehingga hasil
peramalan pada periode yang akan datang dapat dikatakan baik atau peramalan telah akurat. Hasil peramalan
metode single exponential smoothing (SES) perhitungan manual dan pengolahan perangkat lunak memiliki
tahapan proses nilai data yang berbeda. Namun, meskipun proses nilai data berbeda antara perhitungan manual
dan pengolahan perangkat lunak, nilai peramalan lemari hijab yang seharusnya diproduksi pada bulan januari
adalah sama yaitu sebesar 632,083 atau 633 unit.
Metode selanjutnya adalah regresi linier yang merupakan salah satu metode peramalan kuantitatif,
dimana penyelesaiannya dilakukan berdasarkan prinsip-prinsip statistik. Metode regresi linier biasanya
digunakan apabila pola data historis dari penjualan aktual menunjukan adanya suatu kecenderungan menaik atau
menurun dari waktu ke waktu. Berikut ini adalah perhitungan dengan menggunakan regresi linier, seperti
terlihat pada Tabel 7.
Tabel 7 Perhitungan dengan Metode Regresi Linier
PenjualanAktu
Bulan
Periode
al
X2
X.Y
(n)
(X)
(Y)
Januari
1
625
1
625
Februari
2
611
4
1222
Maret
3
629
9
1887
April
4
634
16
2536
Mei
5
626
25
3130
Juni
6
633
36
3798
Juli
7
644
49
4508
Agustus
8
634
64
5072
September
9
632
81
5688
Oktober
10
633
100
6330
November
11
645
121
7095
Desember
12
639
144
7668
Jumlah ()
78
7585
650
49559
Berdasarkan tabel diatas dapat dilihat bahwa periode merupakan variabel x, dimana periode merupakan
bulan didalam peramalan. Contohnya seperti periode satu merupakan bulan januari. Penjualan aktual merupakan
variabel Y, dimana penjualan aktual ini merupakan jumlah dari penjualan dengan asumsi atau peningkatan
permintaan untuk masing-masing periode. Langkah berikutnya adalah menghitung hasil peramalan berdasarkan
metode regresi. Perhitungan dilakukan dengan menghitung variabel x dan y kemudian mencari nilai a dan b.
Berikut merupakan hasil peramalan dengan metode regresi linier, seperti pada Tabel 8.
Tabel 8 Hasil Peramalan dengan Metode Regresi Linier
Hasil Ramalan (F)
Periode(X
Penjualan Aktual
Sebelum
Setelah
Bulan
)
(Y)
Pembulata Pembulata
n
n
Januari
1
625
622,216
623
Februari
2
611
624,01
625
Maret
3
629
625,804
626
April
4
634
627,598
628
Mei
5
626
629,392
630
Juni
6
633
631,186
632
Juli
7
644
632,98
633
Agustus
8
634
634,774
635
September
9
632
636,568
637

Oktober
November
Desember
Januari

10
11
12
13

633
645
639

638,362
640,156
641,95
643,744

639
641
642
644

Berikut merupakan salah satu contoh perhitungan mencari a dan b kemudian menghitung peramalan dengan
menggunakan metode regresi linier:

Persamaan regresi: y = a + bx = 620,422 + (1,794)x

Peramalan penjualan: y (x = 1) = 620,422 + (1,794)1 = 622,216 623
Berdasarkan perhitungan yang telah dilakukan dengan rumus persamaan regresi Y = a + bx didapat
hasil peramalan atau forecast. Pada bulan April didapat hasil sebesar 628, Mei sebesar 630. Kemudian pada
bulan Juni sebesar 632, Juli sebesar 632, Agustus sebesar 635, September sebesar 637, Oktober 639, November
sebesar 641, dan pada Desember sebesar 642 dan Januari sebesar 644. Dapat dilihat pada
kolomforecast mengalami kenaikan setiap bulannya. Kenaikan tersebut tidak terlalu jauh yakni sekitar 1 sampai
2 poin. Perhitungan dengan metode regresi dilakukan dengan terlebih dahulu mencari nilai a dan b untuk
kemudian dimasukan kedalam persamaan regresi untuk mendapatkan hasil peramalannya. Metode ini sangat
memperhatikan periode dari penjualan dan penjualan aktual untuk memperoleh hasil peramalan.
Tracking signal regresi linier merupakan langkah selanjutnya setelah melakukan perhitungan
menggunakan metode regresi linier. Nilai yang dihasilkan pada tracking signal didapatkan dari tahapan
menghitung nilai error, RSFE kumulatif, absolut error, kumulatif Abs. error dan MAD. Tabel 9 merupakan
perhitungan tracking signal metode regresi linier adalah sebagai berikut.
Tabel 9 Tracking Signal Dari Peramalan Metode Regresi Linier
Perio Forecast Aktu Errore=
RSFE
Absol KumulatifAbsolutE MA Tracki
de
(f)
al (A)
A-f
Kumula
ut
rror
D=
ng
tif
Error
(7)
7/1
Signal
=5/8
(2)
(3)
(4)
(9)
(5)
(6)
(8)
(1)
1
623
625
2
2
2
2
2
1
2
625
611
-14
-12
14
16
8
-1.5
6.33
3
626
629
3
-9
3
19
-1.421
3
4
628
634
6
-3
6
25
6.25
-0.48
5
630
626
-4
-7
4
29
5.8 -1.2069
6
632
633
1
-6
1
30
5
-1.2
5.85
7
633
644
11
5
11
41
0.8536
7
8
635
634
-1
4
1
42
5.25 0.7619
9
637
632
-5
-1
5
47
5.22 0.1914
9
10
639
633
-6
-7
6
53
5.3
1.3207
5
5.18
11
641
645
4
-3
4
57
0.5789
1
5
12
642
639
-3
-6
3
60
5
-1,2
MAD=
5
5

Berdasarkan tabel diatas dapat dilihat hasil-hasil perhitungan berdasarkan data yang sudah ada. Berikut ini
merupakan contoh perhitungan untuk menentukan nilai MAD untuk periode 2.
MAD=
=
=8

Kolom pertama berisi periode peramalan, yaitu periode bulan dimana terdapat 12 bulan yaitu dari bulan
januari hingga desember. Kolom kedua adalah nilai hasil peramalan yang telah dicari pada tahap sebelumnya.
Kolom ketiga merupakan nilai aktual atau nilai penjualan yang telah ditentukan pada awal peramalan. Kolom
keempat merupakan selisih antara nilai aktual dengan nilai peramalan. Kolom kelima merupakan hasil kumulatif
penjumlahan perhitungan error yang terletak pada kolom keempat. Kolom keenam merupakan nilai absolute
error, yang artinya nilai error yang negatif pada kolom empat diubah menjadi positif dan diletakkan di kolom
keenam. Kolom absolute error akan dicari nilai rata-ratanya dan dibandingkan dengan nilai MAD pada periode
terakhir. Nilai rata-rata dari kolom absolute error harus sama dengan nilai MAD pada periode terakhir agar
menunjukkan bahwa perhitungan yang dilakukan sudah benar. Nilai rata-rata dari kolom absolute error didapat
sebesar 4,917 sehingga dibulatkan menjadi 5. Nilai ini sudah sama dengan hasil MAD pada periode terakhir.
Kolom ketujuh merupakan nilai kumulatif dari kolom keeenam dan kolom kedelapan merupakan nilai MAD.
Nilai MAD diperoleh dari nilai kumulatifabsolute error dibagi dengan periode pada kolom pertama. Kolom
kesembilan merupakan nilai tracking signal yaitu nilai RSFE kumulatif dibagi dengan nilai MAD.
Langkah selanjutnya adalah membandingkan Nilai MAD pada metode weight moving average(WMA)
dengan metode-metode lainnya yaitu single exponential smoothing (SES) dan regresi linier. Nilaitracking
signal yang telah didapat selanjutnya dibuat dalam bentuk grafik. Grafik ini dibuat sehingga dapat lebih mudah
dalam pembacaannya dan grafik juga dapat memvisualisasikan penyimpangan nilai data terhadap nilai-nilai
peramalanya. Grafik tersebut dapat menghasilkan informasi mengenai ada atau tidaknya nilai yang keluar dari
BKA dan BKB. Nilai ketetapan yang diberikan pada BKA dan BKB dalam pembuatan grafik adalah BKA
sebesar 4 dan BKB sebesar -4. Gambar 15 merupakan grafik tracking signal metode regresi linier adalah
sebagai berikut.

Gambar 11 Grafik Tracking Signal Peramalan Metode Regresi Linier

Berdasarkan grafik tracking signal untuk metode regresi linier dapat diketahui bahwa sumbu x
merupakan periode data penjualan aktual dan sumbu y merupakan nilai tracking signal. Garis yang bewarna
biru merupakan simbol dari batas kelas atas sebesar 4 dan garis berwarna abu-abu merupakan simbol dari batas
kelas bawah sebesar -4. Niali batas BKA dan BKB sebesar 4 dan -4 dikarenakan nilai ini merupakan bata yang
umum digunakan, sedangkan jika menggunakan batas BKA dan BKB sebesar 2 dan -2 kemungkinan
penyebaran data akan melewati batas BKA dan BKB yang ditentukan. Garis bewarna orange merupakan
nilai tracking signal yang diperoleh dari perhitungan peramalan metode regresi linier. Nilaitracking
signal tersebut didapatkan dari pembagian nilai RSFE kumulatif dengan nilai MAD. Nilai tracking
signal tersebut berada diantara nilai BKA dan BKB, sehingga dapat dikatakan pengendalian peramalan
menggunakan metode regresi linier dikatakan baik. Nilai tracking signal tersebut menunjukkan sebaran nilai
peramalan selama 12 periode. Nilai tracking signal yang bernilai positif, memiliki arti bahwa data penjualan
aktual lebih besar dari data peramalan, sedangkan nilai tracking signal yang bernilai negatif adalah nilai data

peramalan lebih besar dari pada nilai penjualan aktual. Berdasarkan grafik tracking signalyang disajikan diatas,
nilai tracking signal menggunakan metode regresi linier berada diantara nilai positif error dan negative error.
Setelah didapatkan hasil peramalan dengan perhitungan manual dari metode regresi tersebut, maka
langkah selanjutnya melakukan pengolahan software untuk membandingkan hasil yang diperoleh dari
perhitungan manual dan software. Berikut adalah output pengolahan software POM-QM yang dapat dilihat pada
Gambar 12 sampai dengan Gambar 15 berikut.
Pengolahan perangkat lunak untuk peramalan penjualan lemari hijab dengan metode regresi linier
menggunakan perangkat lunak POM-QM. Hasil atau keluaran pertama untuk pengolahan perangkat
lunaktersebut dapat dilihat pada Gambar 12 berikut ini

Gambar 12 Output Forecasting Results Regresi Linier

Gambar 12 Output Forecasting Results Regresi Linier menunjukan perhitungan software metode Regresi
Linier yang dapat dilihat terdapat nilai MAD sebesar 5,009 artinya ukuran kesalahan berdasarkan perhitungan
mengambil jumlah nilai absolute dari tiap kesalahan peramalan dengan jumlah periode data sebesar 5. Nilai
MSE sebesar 37,236, artinya ukuran kesalahan peramalan berdasarkan jumlah error kuadrat sebesar 37,236.
Nilai MAPE sebesar 0,008, artinya persentase rata-rata kesalahan peramalan sebesar 0, hal tersebut
menunjukkan bahwa hasil peramalan sangat akurat. Correlation coeficient menunjukan hubungan korelasi
antara kedua variabel yaitu jumlah produksi dengan waktu produksi pada tiap bulan selama setahun terdapat
korelasi sebesar 0,712 atau 71,2% ini berarti korelasi antara kedua variabel cukup kuat. Pengolahan perangkat
lunak menghasilkan keluaran kedua yaitu Details and Error Analysis yang memberikan keterangan mengenai
nilai peramalan pada bulan selanjutnya, nilai intersep, maupun slope. Hasil atau ouput tersebut dapat dilihat
pada Gambar 13 berikut ini.

Gambar 13 Output Details and Error Analysis Regresi Linier

Gambar 13 Output Details and Error Analysis untuk penjelasan tiap kolom sama dengan output Details
and Error Analysis sebelumnya, hanya saja terdapat tiga kolom yaitu time, x2 dan x*y. Kolom tersebut
menunjukan periode waktu selama 12 bulan, hasil kudrat dari periode dan hasil kali demanddengan periode.
Kolom forecast menunjukkan nilai peramalan, contohnya pada bulan januari memiliki nilai peramalan 622,218
atau 623 unit. Sedangkan untuk nilai peramalan pada periode ke 13 adalah sebesar 643,742 atau 644
unit. Terdapat juga hasil slope dan intercept yang merupakan nilai a dan b pada persamaan regresi. Output

Control Tracking Signal memberikan informasi yang lengkap mulai dari permintaan aktual,
peramalan, error, mencari nilai MAD, sampai dengan mencari track signal. Berikut ini merupakan
gambar 14 Output Tracking Signal.

Gambar 14 Output Control Tracking Signal

Gambar 14 merupakan output tracking signal yang digunakan untuk mengetahui ukuran bagaimana
baiknya suatu ramalan memperkirakan nilai-nilai actual. Terdapat kolom error yang merupakan selisih nilai
peramalan dan nilai aktual, contohnya error pada bulan m maret adalah sebesar 3,195 didapat dari nilai aktual
dikurangi nilai peramalan pada bulan maret. Kolom Cum Abs Error merupakan kolom error yang dimutlakkan.
Kolom Cum Abs merupakan nilai kumulatif dari kolom RSFE yang diberi tanda mutlak
Kolom MAD merupakan nilai Cum Abs dibagi dengan besar nilai periodenya. Sebagai contoh nilai
MAD pada bulan maret sebesar 6,329, nilai ini menjelaskan rata-rata kesalahan mutlak pada periode
ketiga Tracking signal yang positif menunjukkan bahwa nilai aktual permintaan lebih besar daripada ramalan,
sedangkan tracking signal yang negatif berarti nilai aktual permintaan lebih kecil daripada ramalan.Gambar
grafik disajikan dalam pengolahan software, menunjukkan grafik hubungan antara variabel x dengan variabel y.
Berikut ini merupakan Gambar 15 Output Grafik Forecasting.

Gambar 15 Output Grafik Forecasting

Gambar 15 Output Grafik Forecasting merupakan grafik dari hasil peramalan 12 periode mendatang
menunjukkan ramalan permintaan paling tinggi sebesar 645. Terdapat ua macam titik yang terdapat pada grafik
yaitu titik untuk data dan titik untuk hasil ramalan. Kedua titik tersebut berada diatas karena semua hasilnya
diatas 600. Sumbu X merupakan time atau perioda waktu peramlan yaitu selama 13 bulan. Sumbu Y merupakan
hasil peramalan dengan nilai y maksimum nya sebesar 645. Hal tersebut menunjukan hasil peramalan tertinggi.
Perhitungan moving range dilakukan dengan menggunakan metode peramalan yang paling baik, atau
peramalan yang memiliki nilai MAD terkecil. Nilai MAD terkecil yaitu sebesar 5 dengan menggunakan metode
regresi linier. Regresi linier memiliki pola data trend sehingga pola datanya konstan atau
stabil.Perhitungan moving range untuk metode regresi linier dapat di lihat pada Tabel 13.
Tabel 10 Tabulasi Hasil Perhitungan Moving Range
Bulan
Peramalan
PenjualanAktual
A-F
MR Absolute
Januari
623
625
2
Februari
625
611
-14
16

Maret
April
Mei
Juni
Juli
Agustus
September
Oktober
November
Desember

626
628
630
632
633
635
637
639
641
642

629
634
626
633
644
634
632
633
645
639

3
6
-4
1
11
-1
-5
-6
4
-3

Total

17
3
10
5
10
12
4
1
10
7
95

Contoh perhitungan:
MR absolute(2) = |(Ft-1 At-1) (F1 A1)|
= |(623-625) (625-611)|
= 16

BKA = 2,66 x 8,64 = 22,98

BKB = -2,66 x 8,64= -22,98
Hasil dari tabel diatas selanjutnya dibuat grafik. Langkah selanjutnya adalah membuat grafikmoving
range. Nilai yang di masukkan kedalam grafik adalah pada tabel A-F. Grafik tersebut dibuat agar lebih mudah
dalam membaca data dan memvisualisasikan penyimpangan nilai data terhadap nilai-nilai peramalanya. Grafik
tersebut dapat menghasilkan informasi mengenai ada atau tidaknya nilai yang keluar dari BKA dan BKB. Nilai
BKA dan BKB untuk moving range
berbeda dengan BKA dan BKB untuk metode lain. Metode moving
range memiliki rumus tersendiri dalam menentukan BKA dan BKB seperti contoh perhitungan yang ada diatas.
Nilai BKA untuk moving range adalah sebesar 22,98 dan BKB sebesar -22,98. Gambar 16 merupakan
grafik moving range adalah sebagai berikut.

Gambar 16 Grafik Petak Moving Range

Berdasarkan grafik moving range tersebut diketahui bahwa garis bewarna biru merupakan simbol dari
batas kelas atas sebesar 22,98 dan garis berwarna abu-abu merupakan simbol dari batas kelas bawah sebesar
-22,98. Garis bewarna orange merupakan nilai A-f yang diperoleh dari perhitungan moving range.Nilai A-f ini
memperlihatkan sebaran nilai peramalan selama 12 periode. Nilai A-f ini terletak diantara nilai BKA dan BKB.
Terdapat 12 nilai data yang berada diantara nilai BKA dan BKB. Hal tersebut menginformasikan bahwa nilai
hasil peramalan untuk waktu yang akan datang dapat dikatakan baik karena nilai data seluruhnya berada
diantara BKA dan BKB.

KESIMPULAN DAN SARAN

Berdasarkan hasil perhitungan maka metode peramalan yang terbaik adalah metode regresi linierdengan
peramalan jumlah penjualan aktual sebesar 644. Nilai MAD dari metode tersebut adalah sebesar5,009
dan berdasarkan tracking signal nilai peramalan pada metode tersebut tidak keluar dari batas kontrol.
Berdasarkan peta moving range (MR) dapat diketahui bahwa semua data masuk kedalam BKA dan BKB serta
MR absolute nya adalah sebesar 95.
Saran ditujukan untuk perbaikan penulisan selanjutnya. Saran dari penulis adalah agar lebih menggunakan
banyak refrensi sebagai tinjauan pustaka. Sebaiknya lebih memperhatikan perhitunganperamalan untuk ketida
metode yang digunakan, yitu WMA, SES, dan regresi linier. Penulisan juga harus dilakukan dengan ketelitian
yang tinggi untuk megurangi kesalahan.

DAFTAR PUSTAKA
[1]

[3]

[4]

Baroto,Teguh. 2002. Perencanaan dan Pengendalian Produksi. Jakarta: Ghalia Indonesia.

[2]
Hari Purnomo. 2004. Pengantar Teknik Industri. Yogyakarta: Graha Ilmu.
Gasperz, Vincent. 2004. Production Planning and Inventory Control. Jakarta: PT Gramedia Pustaka Utama.
Difana Meilani, Ryan Eka Saputra. 2013. Pengendalian Persediaan Bahan Baku Vulkanisir Ban Studi Kasus PT
Gunung Pulo Sari. http://industri.ft.unand.ac.id/Pdf/josifiles/vol_12_no_1_april_2013/JOSI%20%20Vol.
%2012%20N (Diakses pada tanggal 4 April 2015).

Pengertian Statistical Processing Control Menurut Ahli

Pengertian Statistical Processing Control

Statistical Processing Control merupakan sebuah teknik statistik yang digunakan
secara luas untuk memastikan bahwa proses memenuhi standar.

Dengan kata lain, selain Statistical Process Control merupakan sebuah proses
yang digunakan untuk mengawasi standar, membuat pengukuran dan
mengambil tindakan perbaikan selagi sebuah produk atau jasa sedang
diproduksi. (Render dan Heizer, 2005, p286).

Menurut Gerald Smith (2003:p1): Statistical Process Control merupakan

kumpulan dari metode-metode produksi dan konsep manajemen yang dapat
digunakan untuk mendapatkan efisiensi, produktivitas dan kualitas untuk
memproduksi produk yang kompetitif dengan tingkat yang maksimum, dimana
Statistical Process Control melibatkan penggunaan signal-signal statistik untuk
meningkatkan performa dan untuk memelihara pengendalian dari produksi pada
tingkat kualitas yang lebih tinggi.

Pengertian lain dari Statistical Process Control menurut pendapat Vincent

Gasperz (1998, pl) ialah suatu metodologi pengumpulan dan analisis data
kualitas, serta penentuan dan interpretasi pengukuran-pengukuran yang
menjelaskan tentang proses dalam suatu sistem industri, untuk meningkatkan
kualitas dari output guna memenuhi kebutuhan dan ekspektasi pelanggan.

Persamaan dari beberapa ahli ada empat yaitu kumpulan, pengukuran, produksi
dan kualitas. Jadi, Statistical Process Control dapat disimpulkan sebagai
kumpulan dari metode-metode dan pengukuran untuk meningkatkan kualitas
yang lebih tinggi dari suatu produk maupun jasa yang diproduksinya guna
memenuhi kebutuhan pelanggan.

Langkah-langkah dalam pengendalian proses statistikal dapat diuraikan sebagai

berikut :
Merencanakan penggunaan alat-alat statistikal (statistical tools).
Memulai menggunakan alat-alat statistikal tersebut.
Mempertahankan atau menstabilkan proses dengan cara menghilangkan variasi
penyebab khusus yang dianggap merugikan.
Merencanakan perbaikan proses terus menerus dengan mengurangi variabel
penyebab umum.
Mengevaluasi dan meninjau ulang terhadap penggunaan alat-alat statistikal itu.
Dalam pengendalian proses statistikal dikenal dua jenis data (Vincent, 1998,
p43) yaitu :
1. Data Atribut
Data atribut (Attributes Data), yaitu data kualitatif yang dapat dihitung untuk
pencatatan dan analisis. Data atribut bersifat diskrit. Jika suatu catatan hanya
merupakan suatu ringkasan atau klasifikasi yang berkaitan dengan sekumpulan
persyaratan yang telah ditetapkan, maka cacatan itu dianggap sebagai atribut.
Contoh dari atribut adalah ketiadaan label dalam kemasan produk, kesalahan
proses administrasi buku tabungan nasabah, banyaknya jenis cacat pada produk
dan lain-lain. Data atribut biasanya diperoleh dalam bentuk unit-unit
nonkonformans atau ketidaksesuaian dengan spesifikasi atribut yang ditetapkan.

2. Data Variabel

Data variabel (Variables Data) merupakan data yang kuantitatif yang diukur
menggunakan alat pengukuran tertentu untuk keperluan pencatatan dan
analisis. Jika suatu catatan dibuat berdasarkan keadaan aktual, diukur secara
langsung, maka karakteristik kualitas yang diukur itu disebut sebagai variabel.
Contoh dari data variabel adalah : diameter pipa, ketebalan produk kayu lapis,
berat semen dalam kantong, banyaknya kertas setiap rim, konsentrasi elektrolit
dalam persen, dan lain-lain. Ukuran-ukuran berat, panjang, lebar, tinggi,
diameter, volume biasanya merupakan data variabel.

Tujuan utama penggunaan SPC (Statistical Process Control) di dalam suatu

proses adalah untuk meminimalkan variability, memperbaiki kualitas produk,
serta menjaga kestabilan proses.

Manfaat SPC (Statistical Process Control) adalah :

Meminimalisasi variasi yang muncul di dalam proses untuk meningkatkan
kemampuan bersaing.
Mengurangi biaya (melalui kegiatan kontrol disetiap tahapan proses).
Meningkatkanproduktivitas (mengurangi kesalahan/cacat)
Meningkatkan keterampilan karyawan dalam mengendalikan proses
Tujuh alat dasar yang digunakan dalam SPC (Statistical Process Control) adalah:
Diagram Alir (Flow Chart)
Diagram Pareto (Pareto Analysis)
Lembar Periksa (Check Sheet)
Diagram Sebab-Akibat (Cause-and-Effect Diagram)
Diagram Batang (Histogram)
Peta Kontrol atau Bagan Kendali (Control Chart)
Diagram Tebar (Scatter Diagram)

Gambar Alat Bantu Pengendalian Kualitas

Sumber: Jay Heizer and Barry Render, 2005

Diagram Alir/Diagram Proses (Process Flow Chart)

Menurut Render dan Heizer (2005, p267) diagram alir secara grafis menunjukkan
sebuah proses atau sistem dengan menggunakan kotak dan garis yang saling
berhubungan. Diagram ini cukup sederhana, tetapi merupakan alat yang sangat
baik untuk mencoba memahami sebuah proses atau menjelaskan langkahlangkah sebuah proses.

Diagram alir digunakan untuk membuat proses menjadi lebih mudah dilihat
berdasarkan urutan-urutan atau langkah-langkah dari proses itu, sehingga
bermanfaat bagi analisis dari proses terus-menerus (Vincent, 1998, p189).

Diagram alir digunakan apabila berkaitan dengan hal-hal berikut :

Terdapat masalah dalam proses yang ditunjukkan melalui tingkat performasi
proses yang rendah.
Memberikan pelatihan kepada karyawan baru.
Mengembangkan sistem pengukuran.
Menganalisis ketidaksinkronan, kesenjangan, dll yang berkaitan dengan proses.
Landasan untuk perbaikan proses secara terus-menerus.
Langkah-langkah pembuatan diagram alir proses yaitu :
Langkah 1 : Harus membuat suatu diagram alir awal dengan mengguankan
dokumen definisi proses untuk mendefinisikan input, pemasok, output dan
pelanggan.
Langkah 2 : Memperbaiki diagram alir proses dengan cara pemeriksaan kembali
apakah diagram alir itu telah sesuai dengan proses sekarang.
Langkah 3 : Validasi diagram alir berkaitan dengan apakah diagram alir proses
terlalu spesifik ataukah terlalu global, akurasi ruang lingkup proses, keterlibatan
antar fungsi manajemen, dll.
Langkah 4 : Interpretasi diagram alir proses melalui menghitung total waktu
tunggu, total waktu kerja, identifikasi kesempatan untuk menciptakan biaya
rendah atau tanpa biaya dalam proses itu, serta identifikasi aktivitas-aktivitas
tidak bernilai tambah serta aktivitas-aktivitas yang tidak saling berkait.

Diagram Pareto (Pareto Analysis)

Diagram pareto pertama kali diperkenalkan oleh Alfredo Pareto dan digunakan
pertama kali oleh Joseph Juran. Diagram pareto merupakan sebuah metode

untuk mengelola kesalahan, masalah, atau cacat untuk membantu memusatkan

perhatian pada usaha penyelesaian masalah. Dengan memakai diagram pareto,
dapat terlihat masalah mana yang dominan sehingga dapat mengetahui prioritas
penyelesain masalah. Fungsi Diagram pareto adalah untuk mengidentifikasi atau
menyeleksi masalah utama untuk peningkatan kualitas dari yang paling besar ke
yang paling kecil. (Render dan Heizer, 2005, p266).

Sedangkan menurut Vincent (1998, p53) Diagram Pareto adalah grafik batang
yang menunjukkan masalah berdasarkan urutan banyaknya kejadian.

Kegunaan dari diagram pareto adalah untuk :

Menunjukan masalah utama yang dominan dan perlu segera diatasi.
Menyatakan perbandingan masing-masing persoalan yang ada dan kumulatif
secara keseluruhan.
Menunjukan tingkat perbaikan setelah tindakan perbaikan (koreksi) dilakukan
pada daerah yang terbatas.
Menunjukan perbandingan masing-masing persoalan sebelum dan setelah
perbaikan.
Langkah-langkah pembuatan diagram pareto, yaitu :
Langkah 1 : Menentukan masalah apa yang akan diteliti, mengidentifikasi
kategori-kategori atau penyebab-penyebab dari masalah yang akan
diperbandingkan. Setelah itu, merencanakan dan melaksanakan pengumpulan
data.
Langkah 2 : Membuat suatu ringkasan daftar atau tabel yang mencatat frekuensi
kejadian dari masalah yang telah diteliti dengan menggunakan formulir
pengumpulan data atau lembar periksa.
Langkah 3 : Membuat daftar masalah secara berurut berdasarkan frekuensi
kejadian dari yang tertinggi sampai terendah, serta hitunglah frekuensi
kumulatif, persentase dari total kejadian, dan persentase dari total kejadian
secara kumulatif.
Langkah 4 : Menggambar 2 buah garis yaitu sebuah garis vertikal dan sebuah
garis horisontal.

a. Garis vertikal

Garis vertikal sebelah kiri : skala pada garis ini merupakan skala dari nol sampai
total keseluruhan dari variabel masalah yang terjadi (misalnya total kerusakan
produk).
Garis vertikal sebelah kanan : skala pada garis ini adalah skala dari 0% sampai
100%.
b. Garis Horizontal
Garis ini dibagi ke dalam banyaknya interval sesuai dengan banyaknya item
masalah yang diklasifikasikan.
Langkah 5 : Buatlah histogram pada diagram pareto.
Langkah 6 : Gambarkan kurva kumulatif serta cantumkan nilai-nilai kumulatif
(total kumulatif atau persen kumulatif) di sebelah kanan atas dari interval setiap
item masalah.
Langkah 7 : Memutuskan untuk mengambil tindakan perbaikan atas penyebab
utama dari masalah yang sedang terjadi itu.

Diagram Pareto terdiri dari dua jenis, yaitu :

1. Diagram Pareto Mengenai Fenomena, berkaitan dengan hasil-hasil berikut
yang tidak diinginkan dan digunakan untuk mengetahui apa masalah utama
yang ada. Beberapa contohnya antara lain :
Kualitas : kerusakan, kegagalan, keluhan, item-item yang dikembalikan,
perbaikan (reparasi), dan lain-lain.
Biaya : jumlah kerugian, ongkos pengeluaran, dan lain-lain.
Penyerahan (delivery) : penundaan penyerahan, keterlambatan pembayaran,
kekurangan stok, dll.
Keamanan : kecelakaan, kesalahan, gangguan, dll.
2. Diagram Pareto Mengenai Penyebab, berkaitan dengan penyebab dalam
proses dan dipergunakan untuk mengetahui apa penyebab utama dari masalah
yang ada. Beberapa contohnya antara lain :
Operator : umur, pengalaman, keterampilan, sifat individual, pergantian kerja
(shift), dan lain-lain.
Mesin : peralatan, mesin, instrumen, dll.
Bahan baku : pembuatan bahan baku, macam bahan baku, pabrik bahan baku,
dll.
Metode Operasi : kondisi operasi, metode kerja, sistem pengaturan, dll.

Lembar Periksa (Check Sheet)

Menurut Heizer dan Render (2005, p263) check sheet adalah suatu formulir yang
didesain untuk mencatat data. Pencatatan dilakukan sehingga pada saat data
diambil pola dapat dilihat dengan mudah. Lembar pengecekan membantu
analisis menentukan fakta atau pola yang mungkin dapat membantu analisis
selanjutnya.

Sedangkan, menurut Gasperz (1998, p47) check sheet atau lembar periksa
adalah suatu formulir dimana item-item yang akan diperiksa telah dicetak dalam
formulir itu, dengan maksud agar data dapat dikumpulkan secara mudah dan
ringkas. Dengan demikian, lembar periksa adalah catatan yang sederhana dan
teratur dalam pengumpulan dan pencatatan data sehingga memudahkan dalam
mengontrol proses dan pengambilan keputusan.

Penggunaan lembar periksa bertujuan untuk :

Memudahkan proses pengumpulan data terutama untuk mengetahui bagaimana
sesuatu masalah sering terjadi.
Mengumpulkan data tentang jenis masalah yang sedang terjadi.
Menyusun data secara otomatis, sehingga data itu dapat dipergunakan dengan
mudah.
Memisahkan antara opini dan fakta.
Langkah-langkah pembuatan lembar periksa yaitu :
Langkah 1 : Menjelaskan tujuan pengumpulan data.
Langkah 2 : Identifikasi apa variabel atau atribut karakteristis kualitas yang
sedang diukur.
Langkah 3 : Menentukan waktu atau tempat pengukuran.
Langkah 4 : Mengumpulkan data untuk item yang sedang diukur.
Langkah 5 : Menjumlahkan data yang telah dikumpulkan.
Langkah 6 : Memutuskan untuk mengambil tindakan perbaikan atas ,penyebab
masalah yang sedang terjadi.

Diagram Sebab-Akibat (Cause and Effect Diagram)

Diagram Sebab-Akibat adalah suatu diagram yang menunjukkan hubungan
antara sebab dan akibat. Diagram Sebab-Akibat sering juga disebut sebagai

diagram tulang ikan (fishbone diagram), karena bentuknya seperti kerangka

ikan. (Vincent, 1998, p61).

Sedangkan menurut Render dan Heizer (2005, p265) Diagram ini disebut juga
diagram tulang ikan (fishbone chart) dan berguna untuk memperlihatkan faktorfaktor utama yang berpengaruh pada kualitas dan mempunyai akibat pada
masalah yang kita pelajari. Selain itu, kita juga dapat melihat faktor-faktor yang
lebih terperinci yang berpengaruh dan mempunyai akibat pada faktor utama
tersebut yang dapat kita lihat pada panah-panah yang berbentuk tulang ikan.

Diagram sebab-akibat ini pertama kali dikembangkan pada tahun 1950 oleh
seorang pakar kualitas dari Jepang yaitu Dr. Kaoru Ishikawa yang menggunakan
uraian grafis dari unsur-unsur proses untuk menganalisa sumber-sumber
potensial dari penyimpangan proses.

Diagram sebab-akibat dapat dipergunakan untuk :

Membantu mengidentifikasi akar penyebab dari suatu masalah.
Membantu membangkitkan ide-ide untuk solusi suatu masalah.
Membantu dalam penyelidikan atau pencarian fakta lebih lanjut.
Langkah-langkah pembuatan diagram sebab-akibat, yaitu :
Langkah 1 : Mulai dengan pernyataan masalah-masalah utama yang penting dan
mendesak untuk diselesaikan.
Langkah 2 : Tuliskan pernyataan masalah itu pada kepala ikan, yang
merupakan akibat (effect).
Langkah 3 : Tuliskan faktor-faktor penyebab utama (sebab-sebab) yang
mempengaruhi masalah kualitas sebagai tulang besar, juga ditempatkan
dalam kotak.
Langkah 4 : Tuliskan penyebab-penyebab sekunder yang mempengaruhi
,penyebab-penyebab utama (tulang-tulang besar), serta penyebab-penyebab
sekunder itu dinyatakan sebagai tulang-tulang berukuran sedang.
Langkah 5 : Tuliskan penyebab-penyebab tersier yang mempengaruhi penyebabpenyebab sekunder (tulang-tulang berukuran sedang), serta penyebab-penyebab
tersier itu dinyatakan sebagai tulang-tulang berukuran kecil.

Langkah 6 : Tentukan item-item yang penting dari setiap faktor dan tandailah
faktor-faktor penting tertentu yang kelihatannya memiliki pengaruh nyata
terhadap karakteristik kualitas.
Langkah 7 : Catatlah informasi yang perlu di dalam diagram sebab-akibat itu,
seperti : judul, nama produk, proses, kelompok, daftar partisipan, tanggal, dll.

Ada 5 Faktor penyebab utama terjadinya penyimpangan kualitas hasil kerja

(Sritomo, 2003, p268), yaitu :
Manusia (Man)
Metode kerja (Work-method)
Mesin atau peralatan kerja lainnya (Machine/equipment)
Bahan baku (Raw materilas)
Lingkungan kerja (Work environment)
Diagram Batang (Histogram)
Histogram adalah suatu alat yang membantu untuk menentukan variasi dalam
proses. Berbentuk diagram batang yang menunjukkan tabulasi dari data yang
diatur berdasarkan ukurannya. Tabulasi data ini umumnya dikenal dengan
distribusi frekuensi. Histogram menunjukkan karakteristik-karakteristik dari data
yang dibagi-bagi menjadi kelas-kelas. Histogram dapat berbentuk normal atau
berbentuk seperti lonceng yang menunjukkan bahwa banyak data yang terdapat
pada nilai rata-ratanya. Bentuk histogram yang miring atautidak simetris
menunjukkan bahwa banyak data yang tidak berada pada nilai rata-ratanya
tetapi kebanyakan data nya berada pada batas atas atau bawah.

Histogram merupakan suatu alat yang membantu kita untuk menemukan variasi.
Histogram merupakan suatu potret dari proses yang menunjukkan distribusi dari
pengukuran dan frekuensi dari setiap pengukuran itu. (Vincent, 1998, p69)

Histogram dapat digunakan untuk :

Mengkomunikasikan informasi tentang variasi dalam proses.
Membantu manajemen dalam membuat keputusan-keputusan yang berfokus
pada usaha perbaikan terus-menerus (continuous improvement efforts).
Peta Kontrol atau Bagan Kendali (Control Chart)
Peta kendali adalah suatu alat yang secara grafis digunakan untuk memonitor
dan mengevaluasi apakah suatu aktivitas/proses berada dalam pengendalian

kualitas secara statistika atau tidak sehingga dapat memecahkan masalah dan
menghasilkan perbaikan kualitas. Peta kendali menunjukkan adanya perubahan
data dari waktu ke waktu, tetapi tidak menunjukkan penyebab penyimpangan
meskipun penyimpangan itu akan terlihat pada peta kendali.

Peta Kontrol digunakan untuk :

Mencapai suatu keadaan terkendali secara statistikal.
Memantau proses terus-menerus sepanjang waktu agar proses tetap stabil
secara statistikal dan hanya mengandung variasi penyebab umum.
Menentukan kemampuan proses (process capability).
Manfaat dari peta kendali adalah untuk :
Memberikan informasi apakah suatu proses produksi masih berada didalam
batas-batas kendali kualitas atau tidak terkendali.
Memantau proses produksi secara terus-menerus agar tetap stabil.
Menentukan kemampuan proses (capability process).
Mengevaluasi performance pelaksanaan dan kebijaksanaan pelaksanaan proses
produksi.
Membantu menentukan kriteria batas penerimaan kualitas produk sebelum
dipasarkan.
Variasi adalah ketidakseragaman dalam sistem produksi atau operasional
sehingga menimbulkan perbedaan dalam kualitas pada produk (barang atau
jasa) yang dihasilkan. (Vincent, 1998, p28)

Ada dua sumber atau penyebab timbulnya variasi, yaitu :

1. Variasi penyebab khusus (Special causes of variation)

Variasi penyebab khusus adalah kejadian-kejadian diluar sistem industri yang
mempengaruhi variasi dalam sistem industri itu. Penyebab khusus dapat
bersumber dari faktor-faktor seperti manusia, peralatan, material, lingkungan,
metode kerja dan lain-lain. Jenis variasi ini dalam pengendalian proses statistikal
menggunakan peta kontrol, yang ditandai dengan titik-titik pengamatan yang
melewati atau keluar dari batas-batas pengendalian yang didefinisikan.

2. Variasi penyebab umum (Common causes of variation)

Variasi penyebab umum merupakan faktor-faktor di dalam sistem atau yang

melekat pada proses yang menyebabkan timbulnya variasi dalam sistem serta
hasil-hasilnya. Jenis variasi ini dalam pengendalian proses statistikal
menggunakan peta kontrol, yang ditandai dengan titik-titik pengamatan yang
berada dalam batas-batas pengendalian yang didefinisikan.

Pada dasarnya setiap peta kontrol memiliki :

Garis tengah (Central Line/CL) merupakan garis yang menunjukkan nilai rata-rata
dan batas kendali dari karakteristik sebagai indikasi dimana proses tersebut.

Sepasang batas kontrol (Control Limits), dimana satu batas kontrol ,ditempatkan
di atas garis tengah yang dikenal sebagai batas kontrol atas (Upper Control
Limit/UCL) merupakan garis yang menunjukkan nilai rata-rata batas kendali
bagian atas. Sedangkan yang satu lagi ditempatkan di bawah garis tengah yang
dikenal sebagai batas kontrol bawah (Lower Control Limit/LCL) merupakan garis
yang menunjukkan nilai rata-rata batas kendali bagian bawah.

Tebaran nilai-nilai karakteristik kualitas yang menggambarkan keadaan dari

proses. Jika semua nilai-nilai yang ditebarkan (diplot) pada peta itu berada di
dalam batas-batas kontrol tanpa memperlihatkan kecendrungan tertentu, maka
proses yang berlangsung dianggap sebagai proses yang berada dalam keadaan
terkontrol atau terkendali secara statistikal, atau dikatakan berada dalam
pengendalian statistikal. Namun, jika nilai-nilai yang ditebarkan pada peta itu
jatuh atau berada di luar batas-batas kontrol atau memperlihatkan
kecendrungan tertentu atau memiliki bentuk yang aneh, maka proses yang
berlangsung dianggap sebagai proses yang berada dalam keadaan di luar kontrol
(tidak terkontrol) atau tidak berada dalam pengendalian statistikal sehingga
perlu diambil tindakan korektif untuk memperbaiki proses yang ada.

Dalam setiap peta kontrol, batas kontrol dapat dihitung dengan menggunakan
rumus :
UCL = (Nilai rata-rata) + 3 (Simpangan baku)
LCL = (Nilai rata-rata) - 3 (Simpangan baku)

Simpangan baku adalah variasi yang disebabkan oleh penyebab umum.

Peta-peta kontrol untuk data atribut adalah peta kontrol p, peta kontrol np, peta
kontrol c, dan peta kontrol u.

Control Chart for Variabel ( grafik pengendali variabel )

09
FEB
2010
3 Comments
by yuriyuda in Quality Control - Process Control - Six Sigma

Variabel disini maksudnya adalah jenis data yang memiliki ukuran dan besaran
tertentu, misalnya panjang, lama, berat, diameter, dll.

Terdapat dua jenis control chart untuk data variabel, yakni x-bar dan R atau S

Kedua control chart jenis x-bar dan R atau S fungsinya saling melengkapi guna
mencapai tujuan terkontrolnya suatu proses sehingga tidak bisa dipakai terpisah
kecuali untuk tujuan khusus tertentu.

Di satu sisi, yang digunakan sebelum x-bar yakni control chart R atau S
merapihkan interval variasi data kedalam interval yang terkontrol ( gambar a
menjadi gambar b, bentuk distribusi datanya menjadi kurva normal yang ideal )

Sedangkan pada sisi yang lain, control chart x-bar mengarahkan rata-rata data
hasil dari proses control chart R ke titik yang sebenarnya, mengikuti pola
distribusi normal (gambar c menjadi gambar d, kurva normal yang telah ideal
digeser posisinya ke dalam interval ideal dengan patokan nilai rata-rata data )

Sehingga jika hanya control chart R (atau S) atau x-bar saja yang dipakai, maka
sebenarnya data proses belum sepenuhnya terkontrol (gambar a dan c) sehingga
bisa saja terdapat kecacatan proses yang tidak terdeteksi.

Berikut adalah langkah pembuatan control chart :

i. Menentukan grup analisis berdasarkan klasifikasi tertentu

misalnya berdasarkan waktu produksi atau waktu pelayanan

ii. Melakukan pengambilan sampel sesuai dengan kaidah pada teknik sampling
survei untuk mengisi grup analisis.

ingat !! semua anggota grup analisis harus berjumlah sama, karena jika
jumlahnya berbeda maka kelak pada tahap pembuatan control chart akan
muncul masalah, yakni tidak pastinya Upper Control Limit (UCL) dan Lower
Control Limit (LCL).

Masing-masing sampel akan memiliki besar UCL dan LCL sendiri, sehingga sulit
untuk mengambil kesimpulan dengan dasar yang baku dan universal.

berikut adalah contoh control chart yang dibuat berdasarkan jumlah anggota
grup yang saling berbeda :

iii. Menentukan titik sasaran (rata-rata data atau rata-rata range)

Hitung :

 Rata-rata dari rata-rata (grand average, symbol x dengan dua garis diatasnya)

R-bar atau Rata-rata dari range (R) grup-grup analisis ( jika anggota grup
analisis dibawah 20 unit )

Range didapat dari selisih antara angka terbesar dengan angka terkecil dalam
grup

S-bar atau Rata-rata dari simpangan baku (S) grup-grup analisis ( jika anggota
grup analisis diatas 19 unit ), rumus dari simpangan baku adalah :

iv. Membuat batas pengendali, rumusnya :

Dimana A2, A3, B3, B4, D3, D4 bisa dilihat besarnya pada tabel ini : (click on me
to download)

( perhatian !! sample dan observations in sample adalah 2 hal yang

berbeda )

v. Menentukan batas spesifikasi

Batas spesifikasi ditentukan oleh manajemen berdasarkan kebutuhan konsumen

atau target produksi.

vi. Plot data grup ke dalam Control Chart

Masukan grup-grup data ke dalam control chart yang telah memiliki control limit
dan specification limit.

vii. Pemeriksaan Control Chart

Periksa grup jika ada yang memenuhi kriteria dalam sensitizing rule ( click on me
to download ), khusus untuk grup yang berada di luar control limit, maka
dilakukan penghitungan ulang control chart dengan grup yang berada diluar
batas tersebut dihilangkan dari penghitungan control limit, dan jika penyebab
dari keluarnya grup tersebut dari control chart :

Diketahui dan bisa dikendalikan, maka grup tersebut tidak dimasukan pada
gambar dan perhitungan revisi control chart selanjutnya
Tidak diketahui atau tidak bisa dikendalikan, maka grup tersebut tetap
dimasukan pada gambar control chart (sebagai rekam kontrol) tetapi tidak
dimasukan pada perhitungan control chart baru tersebut
Hey!! Urusan control chart ini tidak hanya berhenti sampai pembuatan chartnya,
tetapi juga diaplikasikan pada keadaaan di lapangan, misal bila terdapat grup
yang memenuhi kriteria dalam sensitizing rule maka dilakukan pemeriksaan,
evaluasi, dan perbaikan di lapangan sehingga penyebab rusak / defectnya grup
tersebut dapat diperbaiki. Setelah kegiatan evaluasi lapangan beres lalu
dilakukan pembuatan control chart baru.

Pertanyaan yang umum ditanyakan adalah :

Mengapa semakin besar simpangan (sigma / ) maka semakin sedikit barang

yang cacat ?

Karena apabila kita memperbesar nilai sigma, maka besar rentang dalam control
chart akan semakin lebar sehingga semakin detail memperlihatkan cacat yang
terjadi. nah, cacat-cacat yang terlihat itulah yang lalu diperbaiki sehingga
banyak cacat dapat diusahakan mendekati nol.

Agar lebih jelas, lihat perbandingan antara besar sigma dengan banyak cacat per
sejuta (DPMO) berikut :

Sumber :

Pembelajaran pada Mata Kuliah Pengendalian Mutu Statistika Jurusan Statistika

Universitas Padjadjaran,
Introduction to Statistical Quality Control 4th edition, Douglas C. Montgomery,
John Wiley & Sons.Inc Publisher. (download edisi ke-5)

Teori Dasar Statistical Process Control

TEORI DASAR STATISTICAL PROCESS CONTROL
(Oleh Okasatria Novyanto)
Bagi kalangan praktisi di dunia industri tentunya sudah tidak asing lagi dengan
terminologi-terminologi Quality yang sekarang sedang banyak sekali dipelajari
dan dikembangkan oleh berbagai pihak, baik dari kalangan akademis sebagai
dasar referensi teori maupun dari praktisi didunia industri sebagai subjek
sekaligus objek atas Quality knowledge yang sekarang sedang berkembang.
Salah satu metode Quality yang erat kaitannya dengan hal tersebut adalah
Statistical Process Control (SPC). Secara Etimologi, Statistical Process Control
terdiri dari :
1. Process : adalah suatu kegiatan yang melibatkan penggunaan mesin (alat),
penerapan suatu metode, penggunaan suatu material dan atau pendayagunaan
orang untuk mencapai suatu tujuan.
2. Control : adalah suatu rangkaian kegiatan umpan balik (reciprocal) untuk
mengukur suatu hasil yang harus dicapai apabila dibandingkan dengan standard
serta melakukan tindakan jika terjadi penyimpangan (abnormality)
Sedang secara epistimologi, Statistical Process Control (SPC): adalah penerapan
teknik statistik untuk mengukur dan menganalisa variasi yang terjadi selama
proses (produksi-red) berlangsung.
Jenis-jenis Variasi
Satu hal yang harus menjadi filosofi dasar dan harus dipahami oleh kita bahwa
setiap produk ataupun jasa yang dihasilkan dari suatu proses (produksi-red) itu
tidak akan 100% sama, hal ini terjadi karena adanya variasi selama proses
(produksi-red) berlangsung. Variasi dapat didefinisikan sebagai
ketidakseragaman produk atau jasa yang dihasilkan. Dapat pula didefinisikan
sebagai produk atau jasa yang dihasilkan tidak memenuhi spesifikasi standard
yang telah ditetapkan. Variasi dikelompokan menjadi 2 jenis :
1. Variasi yang tidak bisa dihindari (uncontrollable
variation/chance/common/random variation) contoh: kelembaban udara, suhu

ruangan yang berubah-ubah, getaran mesin penggilingan padi, perubahan

voltage PLN, dll
2. Variasi yang bisa dihindari (controllable variation/assignable variation)
Contoh: kurang homogennya bahan baku, kurang cermatnya operator, dll.
Manfaat Umum Penerapan SPC
Secara Umum dengan menerapkan SPC akan diperoleh beberapa manfaat,
antara lain :
1. Meningkatkan daya saing produksi dengan menekan terjadinya variasi.
Mengurangi biaya-biaya yang seharusnya tidak perlu dikeluarkan, misalnya :
rework cost, sorting cost, Punishment cost akibat customer complaint, dll.
2. Meningkatakan mutu bahan dan material yang dibeli melalui penerapan
Incoming Inspection.
3. Meningkatkan produktivitas dengan menekan persentase cacat, kesalahan
ataupun rework.
Lima langkah praktis dalam menerapkan SPC
a. Mendefinisikan, menggambarkan dan memahami tentang proses (produksired) yang akan dilakukan perbaikan.
b. Mengidentifikasi parameter proses yang kritis (critical process parameter)
c. Memindahkan data-data yang sudah diperoleh kedalam format grafik statistik
(menerapkan teknik kendali statistik) d. Memonitor proses pengendalian
e. Mereview dan tindak lanjut
Pada dasarnya inti permasalahan ini terletak pada terjadinya variasi pada
proses (produksi-red) yang disebabkan oleh berbagai faktor secara kompleks.
Faktor-faktor tersebut dapat diklasifikasikan melalui pendekatan 4M +1E (Man,
Material, Measurement, Methode and Environment) dan suatu analisa yang tidak
dapat dilepaskan dengan adanya variasi ini adalah Process Capability Analyze.
Process Capability Analyze
Process Capability Analyze dapat didefinisikan sebagai suatu analisa untuk
mengetahui apakah proses kerja yang sedang berjalan memenuhi spesifikasi
yang telah ditetapkan. Proses disebut capable jika mampu menghasilkan hampir
100 % output sesuai dengan spesifikasi yang telah ditetapkan. Capability adalah
kemampuan suatu proses untuk menghasilkan output sesuai dengan spesifikasi
yang telah ditetapkan. Process Capability ialah suatu kemampuan proses yang
merefleksikan derajat keseragaman dalam memproduksi suatu produk.Capability
index adalah suatu index yang mengggambarkan seberapa jauh proses tersebut
dapat memenuhi spesifikasi yang diharapkan. Dengan mengetahui Capability

index, hal ini akan membantu kita dalam memfokuskan pada target value, target
value yaitu value yang paling diinginkan pelanggan. Meskipun output 100%
berada di dalam spesifikasi limit, bisa jadi pelanggan tidak puas dan
memungkinkan hilangnya bisnis.

Index untuk mengukur Process Capability Analyze :

1. Cp : Index yang menunjukkan kemampuan suatu sistem dalam memenuhi
spesifikasi limit (limit atas-USL dan limit bawah-LSL).
2. Perhitungan Cp menggunakan estimasi sigma dan dapat digunakan untuk
menunjukkan potensi suatu sistem dalam memenuhi spesifikasi.
3. Dalam Cp, tidak memperhitungkan rata-rata proses, hanya terfokus pada
spread (persebaran data). Jika sistem tidak centered di dalam batas spesifikasi,
maka nilai Cp kurang memberikan gambaran yang sebenarnya.
4. Cpk : Index yang menunjukkan seberapa baik suatu sistem dapat memenuhi
spesifikasi limit.
5. Perhitungan Cpk menggunakan estimasi sigma dan dapat digunakan untuk
menunjukkan potensi suatu sistem dalam memenuhi spesifikasi.
6. Dalam Cpk, rata-rata proses diperhitungkan sehingga proses tidak perlu
centered terhadap target.
Mengukur Process Capability Analyze :
Hal-hal yang perlu diketahui :
a. Control Limit merupakan garis batas yang menggambarkan kemampuan
proses berdasarkan pengalaman dan kemampuan teknik. Control Limit ada 2
jenis, yakni : Upper Control Limit (UCL) dan Lower Control Limit (LCL).
XBAR Control Limit :
- UCL = X+ (A2)*(R)
- LCL = X - (A2)*(R)
R Control Limit :
- UCL = (D4)*(R)
- LCL = (D3)*(R)
b. Spesifikasi Limit merupakan batas-batas yang ditentukan oleh konsumen
(internal maupun eksternal) ataupun target yang harus dicapai. Specifikasi Limit
ada 2 jenis, yaitu : Upper Specification Limit (USL) dan Lower Specification Limit
(LSL).

c. Mean (Rata-rata) adalah nilai yang mewakili data secara keseluruhan.

d. Median adalah nilai tengah dari data yang telah diurutkan.
e. Modus adalah nila data yang mempunyai frekuensi tertinggi.
f. Standard Deviation (Sigma) bisa dianggap sebagai akar dari variance
sedangkan variance ialah rata-rata kuadrat dari tiap-tiap titik ke rata-rata.
g. Bias ialah Perbedaan antara data yang dikumpulkan dalam sampel dengan
kondisi yang sebenarnya dalam populasi.
h. Populasi ialah keseluruhan object yang ingin kita ukur dan analisa.Sample
ialah sebagian (kecil) dari populasi dimana kita benar-benar melakukan
pengukuran dan dengan ini kita dapat menarik kesimpulan.
Pengumpulan Data
Dalam melakukan suatu observasi dibutuhkan data-data yang accountable. Data
yang baik apabila diolah maka akan menghasilkan informasi yang berguna atau
bermanfaat. Jadi yang dimaksud dengan data adalah sekumpulan fakta, angka
atau segala sesuatu yang dapat dipercaya kebenarannya sehingga dapat
digunakan sebagai referensi dalam mengambil keputusan. Data terbagi dalam
data variable dan data attribute.
1. Data variable : disebut juga data continues atau measurement. Data ini
berasal dari hasil pengukuran dan nilainya berada dalam suatu interval atau
jangkaun tertentu, contoh : Hasil pengukuran berat badan dari 46 Inspector di
PQA, hasill pengukuran panjang Frame Main DV28EC selama 1 bulan, dll.
2. Data attribute : disebut juga data diskrit atau data non continues. Umumnya
data ini merupakan hasil perhitungan dan berupa bilangan bulat, contoh : Jenis
suku bangsa Inspector PQA, jenis kelamin (pria/ wanita), jumlah karyawan yang
tidak masuk per hari, dll.
Dalam pengumpulan data-data dilapangan, ada beberapa faktor yang
mempengarui hasil pengukuran, diantaranya : kesalahan alat ukur
(repeatability), kesalahan operator (reproducibility), kesalahan alat hitung,
kesalahan metode pengukuran, dll.
Control Chart
Pada dasarnya kurang lebih ada 7 buah QC Tools yang dapat dalam pengendalian
mutu (Quality Control), yakni :
1. Flow Chart
2. Check Sheet
3. Histogram
4. Scatter Diagram

5. Pareto Diagram
6. Cause-and-Effect Diagram
7. Control Chart

Dan dalam hal ini pembahasan akan dikonsentrasikan pada Control Chart (Peta
kendali). Control Chart ialah suatu Quality Tool yang dapat digunakan untuk
mendeteksi apakah sebuah proses tersebut dalam kondisi terkontrol secara
statistik (statistically stable) ataukah tidak. Proses yang tidak dalam kondisi
terkontrol secara statistik akan menunjukan suatu variasi yang berlebih
sebanding dengan perubahan waktu.

Control Chart membedakan antara Common Cause dan Special Cause. Common
Cause ialah Penyebab yang agak susah untuk bisa dihilangkan (Natural variation)
sedang Special Cause ialah Penyebab yang masih mungkin bisa dihilangkan,
misalnya : Kesalahan Operator, materialnya retak dan kotor, Operator masih
baru, tidak ada Standard Operasional Procedure untuk menjalankan suatu mesin
produksi, dll.
Manfaat Control Chart
1. Mengetahui perubahan-perubahan yang terjadi selama satu periode produksi.
2. Memberikan informasi proses secara kronologis, yakni menunjukkan
bagaimana pengaruh berbagai faktor, misalnya : material, manusia, metode, dll.
terhadap proses produksi.
3. Mengidentifikasi gejala penyimpangan suatu proses yakni dengan
memperhatikan pola atas pergerakan titik-titik sehingga dapat dihindari Over
Control yaitu pengontrolan terlalu ketat sehingga dapat menurunkan efisiensi
maupun Under Control yaitu pengontrolan terlalu longgar sehingga dapat
menurunkan mutu.
8 Kategori adanya pola yang Out of Control pada special Cause yang
menunjukan bahwa proses belum stabil secara statistik (Uncontrolled)
a. Dua titik berada lebih dari 3 sigma dari garis tengah.b. Sembilan titik berada
pada lajur baris yang sama dari center line.c. Enam titik pada gambar
kecenderungannya semuanya naik atau turun.
d. Keempat belas titik yang terdapat pada gambar naik dan turun.

e. Titik-titik yang dilingkari berada lebih dari 2 sigma pada CL. f. Titik-titik yang
dilingkari melebihi 1 sigma dari CL.
g. Kelima belas titik berada pada batas 1 sigma dari CL.
h. Kedelapan titik yang dilingkari melebihi 1 sigma dari CL..Jenis Control Chart
Sebagaimana telah disinggung pada pembahasan diatas bahwa pada dasarnya
data diklasifikasikan menjadi 2, yakni : Data attribute dan data variable,
sehingga dengan demikian jenis-jenis Control Chart terbagi atas :
1. Variable Control Chart, yaitu suatu jenis Control Chart dimana data yang
dikumpulkan dan akan dianalisa merupakan data-data variable, misalnya : X-R
Bar Chart dan X-S Bar Chart.
2. Attribute Control Chart, yaitu suatu jenis Control Chart dimana data yang
dikumpulkan dan akan dianalisa merupakan data-data attribute, misalnya : pchart
Contoh Langkah kerja pada penggunaan X-R Bar Control Chart
X-R Bar Control Chart merupakan salah satu variable Control Chart dimana data
yang dikumpulkan dalam setiap pengamatan berbentuk sub-group yang
besarnya sekitar 2 hingga 9 sampel.
Koreksi dalam menentukan frekwensi dan besarnya sample, jika ditemui kondisi
sebagai berikut :
a. Sample size terlalu kecil
Jika Control Chart tidak bisa cepat mendeteksi perubahan ekonomis penting.
b. Sample Size terlalu besar
Jika Control Chart Out of Control untuk perubahan yang tidak bernilai
ekonomis.
c. Frekwensi Penyampelan terlalu sering
Jika sampling and plotting cost melebihi keuntungan ekonomis yang diperoleh
dari proses control tersebut.
d. Frekwensi penyampelan terlalu jarang
Jika Economic loss lebih tinggi biayanya dibandingkan dengan waktu tambahan.
Langkah-langkah Kerja :
1. Tentukan tujuan dari penelitian.
2. Buatlah Blue Print (Rancangan-rancangan) sistematis dari penelitian yang
akan dilakukan.

3. Buatlah lembar data (Check Sheet) dengan menentukan : jenis data yang
dibutuhkan, Critical parameter yang akan dikontrol, besar sample (sub group),
frekuensi pengambilan sampel, dll.
4. Lakukan pengumpulan data.
5. Buatlah Control Chart. Hal ini dapat dilakukan dengan bantuan software
(MINITAB) maupun secara konvensional dengan rumus sebagaimana telah
dibahas dimuka.
6. Perlu diperhatikan bahwa Control Chart yang dibuat pertama kali merupakan
Control Chart percobaan.
7. Periksa apakah ada titik-titik yang Out of Control ataukah tidak dengan
menggunaikan kaidah pengujian 8 titik Out of Control sebagimana telah
dikemukakan diatas. Jika terdapat titik yang Out of Control maka Control Chart
harus diperbaiki (revisi)
8. Merperbaiki (revisi) Control Chart dengan membuang data-data yang Out of
Control (tidak stabil), kemudian hitung kembali dan tampilkan dalam Control
Chart. Perlu diingat bahwa pembuangan data-data yang Out of Control harus
disertai dengan penjelasan logis 5W+1H dan dilengkapi dengan Corrective
Action. Setelah dianggap jelas (close) maka data-data yang Out of Control dapat
dibuang.
9. Ulangi proses 5 ~ 8 dan hingga seluruh titik berada dalam Chart serta dalam
keadaan In Control. Perlu diperhatikan juga bahwa dalam pembentukkan Control
Chart ini dalam satu periode proses pengambilan data harus diperhatikan dalam
keadaan normal serta tidak mengalami perubahan proses kerja yang signifikan
(perubahan material, mesin, sistem kerja, dll.
10. Jika telah tercapai, maka garis kendali yang diperoleh dapat digunakan untuk
mengontrol proses pada periode berikutnya.
11. Menerapkan pengontrolan proses. Sebagai informasi tambahan saja bahwa
seiring dengan mobilitas produksi yang tinggi maka alangkah baiknya jika dalam
aktual penerapan pengontrolan proses itu menggunakan bantuan software
(misal : MINITAB). Hal ini bertujuan jika terjadi Out of Control (abnormality) akan
segera ketahuan dan terdeteksi.
CONTROL CHART
0
21.33 | Posted in control chart
Control Chart pertama kali diperkenalkan oleh Dr. A.W. Shewhart di Bell
Telephone Laboratories pada tahun 1924.

Dr. A.W.Shewhart dan rekan-rekannya terus mengembangkan diagram-diagram

pengendalian mutu selama th 1920-1930.
Dengan teknik-teknik ini, proses penyediaan barang-barang produksi dan jasa
dapat lebih mudah diperkirakan dan lebih konsisten.

Apabila suatu barang atau jasa diproduksi, hasilnya akan tidak persis 100 %
sama, hanya similar tetapi tidak identik, hal ini dikarenakan adanya variasi.
Variasi merupakan hal yang normal dan wajar, namun Shewhart menganggap
variabilitas terdiri atas sesuatu yang dapat dikontrol (variasi terkontrol) dan
sesuatu yang tak terkontrol (variasi tak terkontrol).

Variasi terkontrol :
Yaitu variasi karena sebab-sebab umum (common cause), yang terjadi secara
alamiah merupakan hal yang bisa diprediksi dan bersifat stabil. Shewhart
awalnya menyebut hal ini sebagai chance cause.

Variasi tak terkontrol :

Variasi karena sebab-sebab khusus (special causes), adalah variasi yang terjadi
bila suatu kejadian abnormal masuk kedalam suatu proses dan menghasilkan
perubahan yang tidak diharapkan dan tidak dapat diprediksi sebelumnya.
Shewhart awalnya menyebut hal ini sebagai assignable cause.

Control Chart / Bagan Kendali : Merupakan bagan yang terdiri atas garis UCL
(Upper Control Limit) dan LCL (Lower Control Limit) sebagai batas pengendalian
proses produksi dan memberikan sinyal apabila ada ketidaknormalan proses.

Pemilihan Control Limit : 3SIGMA

99.7% of the Data
Sekitar 99.7% data dalam rentang 3SIGMA dari centre line. ( 99.7% dari data
berada dalam rentang control limit),
Sehingga 1 - 0.997 = 0.003 or 0.3% 3SIGMA (or 0.3% dari data pada area luar
the control limit).

Kegunaan Control Charts :

1.Untuk identifikasi variasi penyebab khusus / special cause / assignable cause.
2.Untuk memberikan sistem peringatan dini (sinyal) pada suatu proses produksi
sehingga tidak sampai terjadi cacat produk. Untuk analisa lebih lanjut mengenai
penyebab khusus, methode SPC lain (pareto, fishbone dsb) dapat digunakan.
3.Alat untuk memahami variasi proses, dan membantu proses menjadi stabil,
setelah proses stabil dapat dilakukan improvement sehingga mencapai
centering.
Memberikan komunikasi teknik antara shift 1, 2,3 , m/c 1,2,3 , line 1,2,3 ,
operator 1,2,3 , s/c 1,2,3 .dan sebagainya.

Besar Subgroup :
Memperhatikan faktor : Biaya, tingkat produksi, sensitifitas pendeteksian

Jumlah Subgroup :
Minimal 25 sub group yang berisi sekitar 100 data adalah cukup untuk mengukur
kestabilan proses dan supaya special causes mempunyai kesempatan untuk
muncul.

Batas Pengendali :
Batas pengendali 3 sigma --> 0.0027 peluang salah signal.

Kondisi Ideal:
ukuran subgroup besar sesering mungkin

Jenis Control Chart :

1.Ind.X and mR Chart : Adalah diagram yang memonitor setiap nilai individu
yang diamati dalam proses digunakan :
a.Untuk data variabel.
b.Jumlah sampel per subgrup 1.

c.Untuk produk homogen.

d.Untuk dangerous or destructive test

2.XBar-R Chart :
Digunakan :
a.Untuk data variabel
b.Jumlah sampel (n) per subgrup 2 9
c.Jika rata rata mudah dihitung

3.P & NP Chart

3.1.p-chart (defective/cacat):
Apabila jumlah sample (n) tidak konstan,& jumlah maksimal cacat = jumlah
sample (n).
3.2.np-chart (defective/cacat)
Apabila jumlah sample (n) konstan, dan jumlah maksimal cacat = jumlah sample
(n).
Digunakan :
a.Untuk data attribut
b.Menggunakan prinsip Binomial
c.Untuk sample n = c (konstan) pakai np-chart.
d.Untuk sample n tidak konstan memakai p-chart

4.C & U Chart

4.1.c-chart (defect/kecacatan)
Apabila jumlah sample (n) konstan, dan jumlah maksimal kecacatan bisa <,>
atau = jumlah sample (n).
4.2.u-chart (defect/kecacatan)
Apabila jumlah sample (n) tidak konstan, dan jumlah maksimal kecacatan bisa
<,> atau = jumlah sample (n).

Defect / kecacatan menunjukkan jenis cacat yang terjadi misal buram, kotor,
meler, tipis, gores untuk painting, sehingga untuk sample 1 part bisa terdiri atas
lebih dari 1 defect/kecacatan.

Digunakan :
a.Untuk data attribut
b.Menggunakan prinsip Poisson
c.C chart untuk sample (n) = c (konstan).
d.U chart utk sample (n) tidak kontan.

Sumber : Kume, Hitoshi, Statistical Methods for Quality Improvement, Tokyo

AOTS
Category: control chart