Teknik Peramalan

BAB II : TINJAUAN PUSTAKA

2.8. Teknik Peramalan

Menurut Arman Hakim Nasution, 2003. Peramalan adalah proses untuk memperkirakan beberapa kebutuhan dimasa yang akan datang yang meliputi kebutuhan kuantitas, kualitas, waktu dan lokasi yang dibutuhkan dalam rangka memenuhi permintaan barang, atau jasa. Peramalan permintaan merupakan input utama bagi fungsi-fungsi lainnya dalam system perencanaan operasional fungsi lain akan merubah peramalan tersebut menjadi kebutuhan material daftar komponen-komponen, kebutuhan tenaga kerja, jadwal, dan keputusan-keputusan lainnya, semua rencana harus dimulai dari estimasi yang dimuat tersebut dapat saja merupakan keputusan yang bersifat objectif atau tidak berdasarkan ilmu pengetahuan, tetapi pada kenyataan semua perencanaan aktifitas perusahaan lainnya. Tergantung pada estimasi dari volume bisnis yang akan dilakukan

Menurut Vincent Gasperz, 2004 pada dasar nya metode peramalan dikelompokan menjadi dua bagian yaitu metode kualitatif dan metode kuantitatif dimana pada dasarnya kualitatif ditunjukan untuk peramalan untuk produk baru, proses baru, pasar baru, perubahan social dari masyarakat, perubahan teknologi, atau penyesuaian terhadap ramalan-ramalan berdasarkan metode kuantitatif. Sedangkan metode kuantitatif sering digunakan pada model-model deret waktu (time series) dimana model ini menetapkan rata-rat bergerak (moving averge), perumusan exponensial (exponential smoothing) dan proyeksi kecenderungan (trend projection).

2.8.1 Jenis Pola Data

Menurut Teguh Baroto, 2002 pola data dapat di bedakan menjadi empat jenis :

1. Variasi Acak/Random (R)

Permintaan suatu produk dapat mengikuti pola bervariasi secara acak karena adanya bencana alam, bangkrutnya perusahaan pesaing, promosi khusus, dan kejadian-kejadian lainnya yang tidak memiliki pola tertentu.

2. Kecenderungan/Trend (T)

Trend merupakan sifat dari permintaan masa lalu terhadap wktu terjadinya, apakah permintaan itu cenderung naik, turun, atau konstan.

3. Pola Musiman/Season (S)

Fluktuasi permintaan suatu produk dapat naik turun disekitar garis trend dan biasanya berulang setiap tahun.

4. Siklus/cycle (C)

Permintaan suatu produk dapat memiliki siklus yang berulang secara periodic, biasanya lebih dari satu tahun sehingga pola inji tidak perlu dimasukan dalam peramalan jangka pendek.

2.8.2 Metode-Metode Dalam Peramalan

Metode yang digunakan dalam peramalan yaitu : 1. Metode Simple Moving Average

Adalah metode time series yang paling sederhana. Pada metode ini diasumsikan bahwa pola time series hanya terdiri dari komponen Average level dan komponen Random Error.

Menurut Lalu Simayang, 2004 rumusnya sebagai berikut :

Rumusnya : A_t=

N D D

D_t  _t1... _t(N1)

Kalau diasumsikan komponen Time Series adalah Average Level maka peramalan pada periode t + 1 adalah sama dengan rata-rata Demand sebelumnya.

t

t A

F_1 

Keterangan : D_t = Data Demand pada periode t

F_t1 = Ramalan demand pada periode t + 1 E_t D_t F_t = Error Peramalan pada periode t A_t = Rata-rata demand selama periode t Menurut Teguh Baroto, 2002 rumusnya sebagai berikut :

Rumusnya = m f f f f f_t ^{t t t tM}  _{ 1} ₂  ₃ ...

Keterangan : m = adalah jumlah periode yang digunakan sebagai dasar peramalan ( nilai m ini bila minimal 2 dan maksimal tidak ada ditentukan secara subjectif)

t

f



= ramalan permintaan (real) untuk periode t

t

f = permintaan actual pada periode t 2. Metode Weighted Moving Average

Model peramalan Time series dalam bentuk lain untuk mendapatkan tanggapan yang lebih cepat, dilakukan dengan cara memberikan bobot lebih pada data-data periode yang terbaru dari pada periode yang terdahulu. Menurut Lalu Sumayang, 2004 rumusnya sebagai berikut :

Rumusnya : Ft_1  At W₁Dt W₂Dt_1...WNDt_N_1 Dengan kondisi



^N_  i i W 1 1

Menurut Teguh Baroto,2002 rumusnya sebagai berikut :

Rumusnya : ^f(t)C1f_t1 C2f_t2 C_mf_tm

Keterangan : f^_t = Ramalan permintaan (real) untuk periode t

t

f = Permintaan actual pada periode t

1

C = Bobot masing-masing data yang digunakan (



c1), ditentukan secara subjektif

m = jumlah periode yang digunakan untuk peramalan (subjektif)

3. Metode Single (simple) Eksponential Smoothing Exponential Smoothing Adalah salah satu jenis metode peramalan Time series yang didasarkan pada asumsi bahwa angka rata baru dapat diperoleh dari angka rata-rata lama dan data demand yang terbaru.

Menurut Lalu Sumayang, 2004 rumusnya sebagai berikut : Rumusnya : At ..Dt (1)At_1

Menurut Teguh Baroto, 2002 rumusnya sebagai berikut :

Rumusnya : ^ft f₁ (1) ^ft_1

Keterangan : f^_t = perkiraan pada periode t

 = suatu nilai (0 1)yang ditentukan secara subjektif

t

f = permintaan actual pada periode t

1

 

t

f = perkiraan permintaan pada periode t-1

2.8.3 Pengukuran Ketepatan Metode Peramalan

Didalam pengukuran peramalan pada data histories yang tersedia, perlu dilakukan pengukuran kesesuaian metode tertentu untuk suatu kumpulan data yang diberikan. Dalam banyak situasi peramalan, ketepatan (accuracy) dipandang sebagai criteria penolakan untuk metode peramalan.

Ukuran statistic yang sering digunakan untuk pengukuran ketepatan metode peramalan dimana terdapat nilai pengamatan dan peramalan untuk n periode serta n buah kesalahan adalah (Arman Hakim, 2003)

Jika Xi merupakan data actual untuk periode da Fi merupakan ramalan (nilai kecocokan/fitted value) untuk periode yang sama, maka didefinisikan sebagai berikut :

Fi Xi ei 

Jika terjadi nilai pengamatan dan ramalan untuk n periode waktu, maka akan terdapat n buah kesalahan dan ukuran statistic standar berikutnya dapat didefinisikan sebagai berikut :

1. Kesalahan Rata-rata (Mean Error)

ME =



_n

i n

ei 1

2. NIlai tengah kesalahan absolute (Mean Absolute Error)

MAE =



_n

i n

ei 1

3. Jumlah kuadrat kesalahan (SUM Of Square Error)

SSE =



_n i

ei 1

2

4. Nilai tengah kesalahan kuadrat (mean Square Error)

MSE =



_n

i n

ei

1 2

MSE dihitung dengan menjumlahkan kuadrat semua kesalahan peramalan pada setiap periode dan membaginya dengan jumlah periode peramalan.

5. Deviasi standard kesalahan (standard deviation error) dan deviasi absolute rata-rata (MAD)

SDE =



_n _ i n ei 1 2 1

MAD merupakan rata-rata kesalahan mutlak selama periode tertentu tanpa memperhatikan apakah hasil peramalan lebih besar atau lebih kecil dibandingkan kenyataan. Secara sistematis, dirumuskan sebagai berikut :

MAD =



A_t ^_nF_t

6. Rata- rata kesalahan Peramalan ( Mean Forecast Error = MFE)

MFE sangat efektif untuk mengetahui apakah suatu hasil peramalan selama periode tertentu terlalu tinggi atau terlalu rendah. Bila hasil peramalan tidak bisa, maka nilai MFE akan mendekati nol. MFE dihitung dengan menjumlahkan semua kesalahan peramalan selama periode peramalan dan membaginya dengan jumlah periode peramalan. Secara sistematis, MFE dinyatakan sebagai berikut :

MFE =



(A_t ^_nF_t)

7. Rata-rata Persentase Kesalahan Absolut (Mean Absolute Percentage Error = MAPE)

MAPE merupakan ukuran kesalahan relative. MAPE biasanya lebih berarti dibandingkan MAD karena MAPE menyatakan persentase kesalahan hasil peramalan terhadap permintaan actual selama periode tertentu yang akan memberikan informasi persentase kesalahan terlalu tinggi atatu terlalu rendah. Secara sistematis, MAPE dinyatakan sebagai berikut :

MAPE =



            t t t A F A n 100

Dalam banyak situasi peramalan, perbandingan dari masing-masing metode peramalan yang dicoba adalah dijadikan sebagai acuan pemilihan dan pilihan diambil berdasarkan nilai MSE paling minimum. Bila dihubungkan dengan penetuan konstanta pemulusan pada metode smoothing, maka besar kecil nya nilai  dan  ini dapat dilakukan dengan cara trial and error atatu dapat dibantu dengan program/software computer untuk nilai yang baik.

2.8.4 Verifikasi Dan Pengendalian Peramalan

Langkah penting setelah peramalan dibuat adalah melakukan verifikasi peramalan sedemikian rupa sehingga hasil peramalan tersebut benar-benar mencerminkan data masa lalu dan system sebab akibat yang mendasari permintaan tersebut. Sepanjang aktualitas peramalan tersebut dapat dipercaya, hasil peramalan akan terus digunakan. Jika selama prose verifikasi tersebut ditemukan keraguan validitas metode peramalan yang digunakan, harus dicari metode lainnya yang lebih cocok. Validitas tersebut harus ditentukan dengan uji statistika yang sesuai. Setelah peramalan dibuat, selalu timbul keraguan mengenai kapan kita harus membuat suatu metode peramalan baru. Peramalan harus selalu dibandingkan denagn permintaan actual secara teratur.

Banyak alat yang digunakan untuk memverifikasi peramalan dan mendrteksi perubahan system sebab akibat yang melatar belakangi perubahan pola permintaan. Bentuk yang paling sederhana adalah peta control peramalan yang mirip dengan peta control kualitas. Peta control peramalan ini dapat dibuat dalam kondisi data yang tersedia minim.

2.8.5 Moving Range Chart

Moving Range Chart dirancang untuk membandingkan nilai permintaan actual dengan nilai peramalan. MRC tersebut akan dikembangkan sampai periode yang akan datang, sehingga kita dapat membandingkan data peramalan dengan data permintan actual. Selama periode dasar MRC digunakan untuk melakukan verifikasi teknik dan parameter peramalan. Setelah metode peramalan ditentukan, MRC digunakan untuk menguji kestabilan system sebab akibat yang mempengaruhi permintaan. MR dapat didefinisikan sebagai berikut :

      _              1 1 t t t t y y y y MR Dimana : t y 

= data permintaan atau penjualan riil periode t

t

y = dat ramalan permintaan periode t

1

 

t

y = data permintaan atau penjualan riil periode t-1

1



t

y = dat ramalan permintaan periode t-1

Adapun rata-rata Moving Range didefinisikan sebagai berikut :



_  1 n MR MR

Garis tengah peta Moving Range adalah pada titik nol. Batas control atas dan bawah pada peta Moving Range adalah :

Batas Kontrol Atas = +2,66 MR Batas Kontrol Bawah = -2,66 MR

Dalam penetuan batas control tersebut paling sedikit digunakan 10 dan atau lebih 20 nilai MR. Sementara itu, variable yang akan diplotkan kedalam peta

Moving Range (MRC) adalah y^_ty_t

2.8.6 Uji Kondisi Diluar Kendali

Uji yang paling tepat bagi kondisi diluar kendali adalah adanya titik diluar batas kendali. Teknik yang digunakan berikut ini dirancang agar dapat digunakan dengan jumlah data yang seminimal mungkin. Uji ini dilakukan dengan cara membagi peta kandali ke dalam enam bagian dengan selang yang sama.

Daerah A = Bagian sebelah luar 2/3 (2,66 MR )

1,77 MR (diatas +1,77 MR atau dibawah -1,77 MR ) Daerah B = Bagian sebelah luar 1/3 (2,66 MR )

0,89MR (diatas +0,89 MR atau dibawah -0,89 MR ) Daerah C = Bagian diatas atau dibawah garis tengah

Uji kondisi diluar kendali adalah :

a. Dari tiga titik berturut-turut, ada dua atau lebih titik yang berada didaerah A b. Dari lima titik berturut-turut, ada empat atau lebih titik yang berada didaerah B c. Ada delapan titik berturut-turut, titk yang berada disalah satu sisi (diatas atau

dibawah garis tengah)

Moving Range Chart (MRC) untuk kondisi diluar kendali ini dapat dilihat dibawah ini :

Gambar 2.6. MRC (Moving Range Chart) Untuk Kondisi Diluar Kendali Sumber : Nasution, Arman Hakim, 2003, Perencanaan dan Pengendalian Produksi, Guna Widya, Jakarta, Hal 57