TINJAUAN PUSTAKA
3.2. Optimasi Produksi
3.3.3. Teknik Peramalan
Peramalan sebenarnya upaya untuk memperkecil resiko yang timbul akibat pengambilan keputusan dalam suatu perencanaan produksi. Semakin besar upaya yang dikeluarkan tentu resiko yang dapat dihindari semakin besar pula.
Teknik peramalan dapat dibedakan dalam dua kategori utama5
a. Peramalan Kualitatif yaitu peramalan yang didasarkan atas kualitatif pada masa lalu. Hasil peramalan yang dibuat sangat tergantung pada orang yang menyusunnya. Hal ini penting karena hasil peramalan tersebut ditentukan berdasarkan pemikiran yang bersifat intuisi, judgement atau pendapat, dan pengetahuan serta pengalaman dari penyusunnya. Biasanya peramalan secara kualitatif ini didasarkan atas hasil penyelidikan. Meskipun demikian, peramalan dengan metode kualitatif tidak berarti hanya menggunakan intuisi, tetapi juga bisa mengikutsertakan model-model statistik sebagai bahan masukan dalam melakukan keputusan, dan dapat dilakukan secara perseorangan maupun kelompok. Metode peramalan kualitatif dapat digolongkan menjadi: Metode Delphi, Dugaan Manajemen, Riset Pasar, Analogi Historis.
, yaitu :
b. Peramalan Kuantitatif yaitu peramalan yang didasarkan atas data kuantitatif pada masa lalu. Hasil peramalan yang dibuat sangat tergantung pada metode yang dipergunakan dalam peramalan tersebut. Dengan metode yang berbeda akan diperoleh hasil peramalan yang berbeda, adapun yang perlu diperhatikan dari penggunaan metode tersebut adalah baik tidaknya metode yang
5
dipergunakan, sangat ditentukan oleh perbedaan atau penyimpangan antara hasil ramalan dengan kenyataan yng terjadi. Metode yang baik adalah metode yang memberikan nilai-nilai perbedaan atau penyimpangan sekecil mungkin. Pada dasarnya terdapat sembilan langkah yang harus diperhatikan untuk menjamin efektivitas dan efisiensi dari sistem peramlan dalam manajemen permintaan, yaitu6
a. Menentukan tujuan peramalan :
Tujuan utama dari peramalan dalam manajemen permintaan adalah unutk meramalkan item-item independent demand dimasa yang akan datang untuk mencapai efektivitas dan efisiensi dari manajemen produksi dan inventori dalam industri manufaktur.
b. Memilih item yang akan diramalkan
Memilih item yang akan diramalkan tergantung situasi dan kondisi aktual dari masing-masing industri manufaktur. Item yang dipilih yaitu produk akhir yang merupakan item independent demand.
c. Menentukan horizon peramalan
Penentuan horizon peramlan tergantung pada situasi dan kondisi aktual dari masing-masing industri manufaktur serta tujuan dari peramalan itu sendiri. Horizon peramalan dapat berupa mingguan, bulanan, triwulan, semesteran atau tahunan. Pemilihan interval waktu mingguan dimaksudkan untuk peramalan jangka pendek (short range forecast), Pemilihan interval waktu bulanan dimaksudkan untuk peramalan jangka
6
Seetharama L Narashiman, dkk. Production Planning and Inventory Control. (USA: Prentice Hall, Inc, 1995), h. 47-58
menengah (mid range forecast) Pemilihan interval waktu triwulan dan tahunan dimaksudkan untuk peramalan jangka panjang (long range forecast).
d. Memilih model peramalan
Permilihan model-model peramalan akan tergantung pada pola data dan horizon waktu peramalan. Model peramalan dikategorikan menjadi tiga yaitu model ektrapolasi, kausal dan pertimbangan. Model ekstrapolasi sering diebut metode time series. Metode kausal melihat sebab akibat yang mempengaruhi permintaan, dan model pertimbangan merupakan metode peramalan kualitatif.
e. Mengumpulkan dan analisis data
Data yang digunakan untuk peramalan dikumpulkan dan kemudian dianalisis berdasarkan model yang telah dipilih untuk kemudian dilihat parameter-parameter dari model peramalan tersebut.
f. Validasi model peramalan
Validasi model peramalan dilakukan dengan menghitung kesalahan dari setiap model peramalan, dan memilih model peramalan yang memiliki kesalahan paling kecil.
g. Membuat peramalan
Pembuatan peramalan dilakukan dengan menggunakan model peramalan yang telah dipilih
h. Implementasi hasil-hasil peramalan
Implementasi hasil peramalan yaitu menggunakan peramalan untuk diterapkan kepada industri manufaktur.
i. Memantau keandalan hasil peramalan
Memanatau keandalan hasil peramalan dilakukan dengan menggunakan peta kontrol untuk mengetahui apakah metode yang digunakan telah representatif atau tidak untuk digunakan pada peramalan permintaan tersebut.
Metode peramalan kuantitatif dibedakan atas dua bagian, yaitu7
1. Metode Time Series, digunakan untuk menganalisa serangkaian data yang merupakan fungsi dari waktu. Metode ini mengasumsikan beberapa pola atau kombinasi pola selalu berulang sepanjang waktu, dan pola dasarnya dapat diidentifikasi semata-mata atas dasar data historis dari serial itu. Ada empat komponen yang mempengaruhi analisis ini, yaitu pola siklis, pola musiman, pola horizontal, dan pola tren. Metode peramalan yang termasuk model time series terbagi dua, yaitu metode penghalusan (smoothing) dan metode proyeksi kecendrungan dengan regresi.
:
a. Metode Penghalusan (Smoothing)
Metode Smoothing digunakan untuk mengurangi ketidak-teraturan musiman dari data yang lalu, dengan membuat rata-rata tertimbang dari sederetan data masa lalu. Ketetapan peramalan dengan metode ini akan
7
Spyros, Makridakis, dkk, Metode dan Aplikasi Peramalan. (Jakarta: Bina Rupa Raksa.2006), h.101-120
terdapat pada peramalan jangka pendek, sedangkan untuk peramalan jangka panjang kurang akurat.
Metode Smoothing terdiri dari beberapa jenis, antara lain : metode rata-rata bergerak (moving average) dan metode exponential smoothing. Metode rata-rata bergerak (moving average) terbagi menjadi metode single moving average (SMA), linear moving average (LMA), dan double moving average. Metode pemulusan exponential smoothing terbagi menjadi:
1) Pemulusan Eksponensial Tunggal (Single Exponential Smoothing / SES), digunakan untuk data runtut waktu yang mengikuti pola stasioner. Bentuk umum yang digunakan untuk menghitung ramalan adalah: t t t Y Y Yˆ+1=α +(1−α)ˆ Dimana: 1 ˆ + t
Y = nilai ramalan untuk periode berikutnya
α = konstanta pemulusan
Yt = data baru atau nilai Y yg sebenarnya pada periode t
t
Yˆ = nilai pemulusan yang lama atau rata-rata pemulusan hingga
periode t-1
2) Pemulusan Eksponensial Ganda: Metode Satu Parameter dari Brown digunakan dalam peramalan data runtut waktu yang mengikuti suatu trend linier. Bentuk umum yang digunakan untuk menghitung ramalan adalah:
S't = α Xt + (1-α) S't-1 S"t= αS't + (1-α) S"t-1 at =S't + (S't + S"t) =2S't-S"t bt= ( ' '' ) 1 S t−S t −α α
Persamaan yang digunakan untuk membuat peramalan pada periode p yang akan datang adalah:
Ft+m =at + bt m Dimana :
S’t = nilai pemulusan eksponensial
S’’t = nilai pemulusan eksponensial ganda
α = konstanta pemulusan
at = perbedaan antara nilai-nilai pemulusan eksponensial
bt = faktor penyesuai tambahan = pengukuran slope suatu kurva Ft = nilai aktual pada periode t
m = jumlah periode ke depan yang akan diramalkan
Sistem peramalan metode Brown memerlukan S’1 dan S’’1, karena S'2= α X2 + (1-α) S'1 dan S"2 = αS'2 + (1-α) S"1, pada saat t = 1, nilai S’1 dan S’’1 tidak diketahui, maka dapat digunakan nilai observasi pertama (X1).
3) Pemulusan Eksponensial Ganda: Metode Dua Parameter dari Holt digunakan dalam peramalan data runtut waktu yang mengikuti suatu trend linier. Bentuk umum yang digunakan untuk menghitung ramalan adalah:
St = α Xt + (1-α) (St-1 + bt-1)
Persamaan yang digunakan untuk membuat peramalan pada periode p yang akan datang adalah:
Ft+m =St + bt m Dimana :
St = nilai pemulusan eksponensial
α = konstanta pemulusan untuk data (0 < α < 1)
γ = konstanta pemulusan untuk estimasi trend (0 < γ < 1) Xt = nilai aktual pada periode t
bt = estimasi trend
m = jumlah periode ke depan yang akan diramalkan
Sistem peramalan metode Holt memerlukan S1, karena St = α Xt + (1-α) (St-1 + bt-1), pada saat t = 1, nilai S1 tidak diketahui, maka dapat digunakan nilai observasi pertama (X1). Untuk estimasi trend pada saat t = 1, nilai b1 tidak diketahui, maka dapat digunakan selisih nilai observasi kedua (X2) dengan nilai observasi pertama (X1), yaitu b1 = X2 – X1.
4) Pemulusan Eksponensial Ganda: Metode Tiga Parameter dari Winter Digunakan dalam peramalan data runtut waktu yang mengikuti suatu pola musiman.
Didasarkan pada tiga persamaan pemulusan, yaitu: untuk unsur stasioner, untuk trend, dan untuk musiman.
(
− −1) (
+ 1−)
−1= t t t
t S S b
Bentuk umum yang digunakan untuk menghitung ramalan adalah: Pemulusan eksponensial (1 )( −1 −1) − + − + = t t L t t t A T S Y A α α Estimasi trend Tt =β(At−At−1)+(1−β)Tt−1 Estimasi musiman t L t t t S A Y S =µ +(1−µ) −
Persamaan yang digunakan untuk membuat peramalan pada periode p yang akan datang adalah:
p L t t t p t A T p S Yˆ+ =( + ) − + Dimana :
At = nilai pemulusan eksponensial
α = konstanta pemulusan untuk data (0 < α < 1)
β = konstanta pemulusan untuk estimasi trend (0 < β < 1)
µ = konstanta pemulusan untuk estimasi musiman (0 < µ < 1) Yt = nilai aktual pada periode t
Tt = estimasi trend St = estimasi musiman L = panjangnya musim
p = jumlah periode ke depan yang akan diramalkan
Metode ini memerlukan estimasi nilai awal yang akan digunakan untuk mendapatkan nilai pemulusan awal, estimasi trend awal, dan keempat estimasi musiman. Nilai pemulusan awal dapat diestimasi dengan menggunakan nilai aktual awal. Nilai trend awal dapat
diestimasi dengan menggunakan nilai 0 (slope persamaan trend yang diperoleh dari data masa masa lalu tidak ada). Nilai estimasi pengaruh musiman awal dengan menggunakan nilai 1 (untuk menghilangkan penaruh musiman dalam data asli Y1 Y1/S1 = Y1/1 = Y1
b. Metode Proyeksi Kecendrungan dengan Regresi
Metode kecenderungan dengan regresi merupakan dasar garis kecenderungan untuk suatu persamaan, sehingga dengan dasar persamaan tersebut dapat diproyeksikan hal-hal yang akan diteliti pada masa yang akan datang. Untuk peramalan jangka pendek dan jangka panjang, ketepatan peramalan dengan metode ini sangat baik. Data yang dibutuhkan untuk metode ini adalah tahunan, minimal lima tahun. Namun, semakin banyak data yang dimilki semakin baik yang diperoleh. Bentuk fungsi dari metode ini dapat berupa konstan, linier, kuadratis dan eksponensial.
2. Metode Kausal, metode ini mengasumsikan faktor yang diperkirakan
menunjukkan adanya hubungan sebab akibat dengan satu atau beberapa variabel bebas. Misalnya, jumlah pendapatan berhubungan dengan faktor-faktor seperti jumlah penjualan, harga jual, dan tingkat promosi. Kegunaan dari metode kausal adalah untuk menemukan bentuk hubungan antara variabel tersebut dan menggunakannya untuk meramalkan nilai dari variabel tidak bebas.