III-1 3.1 Landasan Teori Peramalan
Menurut Gaspersz (2004), aktivitas peramalan merupakan suatu fungsi bisnis yang berusaha memperkirakan permintaan dan penggunaan produk sehingga produk-produk itu dapat dibuat dalam kuantitas yang tepat. Dengan demikian peramalan merupakan suatu dugaan terhadap permintaan yang akan datang berdasarkan pada beberapa variabel peramal, sering berdasarkan data deret waktu historis.
Menurut Supranto (1984), forecasting atau peramalan adalah memperkirakan sesuatu pada waktu-waktu yang akan datang berdasarkan data masa lampau yang dianalisis secara ilmiah, khususnya menggunakan metode statistika. Menurut Sofjan Assauri (1993), peramalan merupakan seni dan ilmu dalam memprediksikan kejadian yang mungkin dihadapi pada masa yang akan datang. Dengan digunakannya peralatan metode-metode peramalan maka akan memberikan hasil peramalan yang lebih dapat dipercaya ketetapannya. Oleh karena masing-masing metode peramalan berbeda-beda, maka penggunaannya harus hati-hati terutama dalam pemilihan metode untuk penggunaan dalam kasus tertentu.
Peramalan dapat menggunakan teknik-teknik peramalan yang bersifat formal maupun informal. Aktivitas peramalan ini biasa dilakukan oleh departemen pemasaran dan hasil-hasil dari peramalan ini sering disebut sebagai ramalan permintaan. Bagian permintaan biasanya melakukan perencanaan berdasarkan hasil- hasil ramalan permintaan, sehingga informasi yang dikirim dari
bagian permintaan ke bagian Production Planning and Inventory Control (PPIC) semestinya memisahkan antara permintaan yang dikembangkan berdasarkan rencana permintaan yang umumnya masih bersifat tidak pasti dan pesanan-pesanan yang bersifat pasti.
Sistem peramalan memiliki sembilan langkah yang harus diperhatikan untuk menjamin efektifitas dan efisiensi. Langkah- langkah tersebut termasuk dalam manajemen permintaan yang disebut juga sebagai konsep dasar sistem peramalan, yaitu (Gaspersz 2004):
a. Menentukan tujuan dari peramalan.
b. Memilih item independentdemand yang akan diramalkan.
c. Menentukan horison waktu dari peramalan (jangka pendek, menengah, dan panjang).
d. Memilih model-model peramalan.
e. Memperoleh data yang dibutuhkan untuk melakukan peramalan.
f. Validasi model peramalan.
g. Membuat peramalan.
h. Implementasi hasil-hasil peramalan.
i. Memantau keandalan hasil peramalan.
3.2 Metode Peramalan Yang Digunakan
Penyelesaian peramalan memiliki beberapa metode yang umum seperti metode weight moving average, exponential smoothing, dan regresi linier. Berikut ini adalah penjelasan dari metode tersebut (Gaspersz, 2004).
a. Metode Weight Moving Average (WMA)
Model rata-rata begerak terbobot lebih responsif terhadap perubahan, karena data dari periode yang baru biasanya diberi
absolut dari errors
MAD = forecast
n
= RSFE Tracking Signal MAD
bobot lebih besar. Suatu model rata-rata bergerak n-periode terbobot, weighted MA(n), dinyatakan sebagai berikut:
Selanjutnya untuk mengetahui sejauh mana keandalan dari model peramalan weighted moving average (WMA), maka diharuskan untuk membuat peta kontrol tracking signal. Cara untuk bisa mendapatkan nilai tracking signal harus dicari terlebih dahulu nilai MAD yang didapat dari rumus matematis adalah sebagai berikut (Gaspersz, 2004).
b. Metode Exponential Smoothing (ES)
Metode peramalan dengan pemulusan eksponensial biasanya digunakan untuk pola data yang tidak stabil atau perubahannya besar dan bergejolak. Metode permalan ini bekerja hampir serupa dengan alat thermostat. Apabila galat ramalan (forecast error) adalah positif, yang berarti nilai aktual permintaan lebih tinggi daripada nilai ramalan (A–F>0), maka model pemulusan eksponensial akan secara otomatis meningkatkan nilai ramalannya. Sebaliknya, apabila galat ramalan (forecast error) adalah negatif, yang berarti nilai aktual permintaan lebih rendah daripada nilai ramalan (A – F < 0), maka metode pemulusan eksponensial akan secara otomatis menurunkan nilai ramalan.
pembobot untuk periode n permintaan aktual dalam periode n MA(n) =
pembobot
Weighted
Proses penyesuaian ini berlangsung secara terus-menerus, kecuali galat ramalan telah mencapai nol. Peramalan menggunakan metode pemulusan eksponensial dilakukan berdasarkan formula seperti di bawah ini (Gaspersz, 2004).
Keterangan
Ft : nilai ramalan untuk periode waktu ke-t
Ft-1 : nilai ramalan untu satu periode waktu yang lalu, t-1 At-1 : nilai aktual untuk satu periode waktu yang lalu, t-1
: konstanta pemulusan (smoothing constant)
Cara yang digunakan untuk mengetahui sejauh mana keandalan dari model peramalan berdasarkan pemulusan eksponensial harus menggunakan peta kontrol tracking signal dan membandingkan apakah nilai-nilai ramalan itu telah menggambarkan atau sesuai dengan pola historis dari data aktual permintaan (Gaspersz, 2004).
c. Metode Regresi Linier
Metode regresi linier sering sekali dipakai untuk memecahkan masalah-masalah dalam penaksiran tentunya hal ini berlaku juga dalam peramalan sehingga metode regresi linier menjadi suatu metode yang mempunyai taksiran terbaik diantara metode-metode yang lain. Metode regresi linier dipergunakan sebagai metode peramalan apabila pola historis dari data aktual permintaan menunjukkan adanya suatu kecenderungan menaik dari waktu ke waktu. Istilah regresi linier berarti, bahwa rataan (y|x) berkaitan linier dengan x dalam bentuk persamaan linier populasi (Hasan, 1999).
t t-1 t-1 t-1
F = F + (A - F )
Koefisien regresi dan merupakan dua parameter yang akan ditaksir dari data sampel. Bila taksiran untuk kedua parameter itu masing-masing dinyatakan dengan a dan b maka
y|x dapat ditaksir dengan ŷ dari bentuk garis regresi berdasarkan sampel atau garis kecocokan regresi (Hasan, 1999).
Keterangan
Ŷ : nilai ramalan permintaan pada peiode ke-t a : intersept
b :slope dari garis kecenderungan,merupakan tingkat perubahan dalam permintaan.
x : indeks waktu ( t = 1,2,3,...,n) ; n adalah banyaknya periode waktu
Dengan taksiran a dan b masing-masing menyatakan perpotongan dengan sumbu y dan kenaikannya. Lambang ŷ digunakan di sini untuk membedakan antara taksiran atau nilai prediksi yang diberikan oleh garis regresi sampel dan nilai y amatan percobaan yang sesungguhnya untuk suatu nilai x. Slope dan intersept dari persamaan regresi linier dihitung dengan menggunakan formula berikut (Hasan, 1999):
Keterangan
b : slope dari persamaan garis lurus a : intersept dari persamaan garis lurus x : index waktu
ŷ = a + bx
y|x = + x,
22
n . xy - x . y b =
n . x - x
a = x - b . n x
x-bar : nilai rata-rata dari x
y : variabel permintaan (data aktual permintaan)
y-bar : nilai rata-rata permintaan per periode waktu, rata-rata dari y
Menurut Pangestu (1986), forecasting adalah peramalan (perkiraan) mengenai sesuatu yang belum terjadi. Metode peramalan terdiri atas metode peramalan kualitatif dan metode peramalan kuantitatif. Peramalan kualitatif bersifat subjektif dipengaruhi oleh intuisi, emosi, pendidikan, dan pengalaman seseorang. Oleh karena itu hasil peramalan dari satu orang dengan orang lain dapat berbeda. Meskipun demikian, peramalan dengan metode kualitatif tidak berarti hanya menggunakan intuisi melainkan mengikutsertakan model statistik sebagai bahan masukan dalam melakukan judgment (pendapat, keputusan) dan dapat dilakukan secara perseorangan ataupun kelompok.
Peramalan kualitatif menggunakan empat metode yang umum dipakai, yaitu (Herjanto, 1999):
1. Juri Opini Eksekutif
Metode ini cukup banyak digunakan. Pendekatan ini merupakan pendekatan peramalan yang paling sederhana dan banyak digunakan dalam peramalan bisnis.
2. Metode Delphi
Metode ini, serangkaian kuesioner disebarkan kepada responden. Langkah berikut jawabannya diringkas dan diberikan ke panel ahli untuk dibuat perkiraan.
3. Gabungan Tenaga Penjualan
Metode ini cukup banyak digunakan, karena tenaga penjualan (sales force) merupakan sumber informasi yang baik mengenai permintaan konsumen. Setiap tenaga penjualan meramalkan tingkat penjualan di daerahnya, kemudian
digabungkan pada tingkat provinsi dan seterunya sampai ke tingkat nasional untuk mencapai peramalan yang menyeluruh.
4. Survei Pasar
Masukan diperoleh dari konsumen atau konsumen potensial terhadap rencana pembelian di masa datang. Survei dapat dilakukan dengan kuesioner, telepon, atau wawancara langsung.
Pendekatan ini membantu tidak hanya dalam menyiapkan peramalan, tetapi juga dalam meningkatkan desain produk dan perencanaan untuk suatu produk baru. Metode ini memiliki kekurangan, yaitu memerlukan waktu yang cukup lama, metode ini juga mahal dan sulit.
Metode kuantitatif yang digunakan dalam memperkirakan atau meramalkan dapat dikelompokkan dalam dua jenis, yaitu metode serial waktu dan kausal. Berikut ini akan diuraikan dari jenis-jenis metode kuantitatif (Herjanto, 1999).
a. Metode Serial Waktu
Metode serial waktu (deret berkala, time series) adalah metode yang digunakan untuk menganalisis serangkaian data yang merupakan fungsi dari waktu. Analisis serial waktu dimulai dengan memplotkan data pada suatu skala waktu, mempelajari pola tersebut, dan akhirnya mencari suatu bentuk atau pola yang konsisten atas data.
b. Metode Kausal
Metode Kausal atau disebut juga dengan metode eksplanatori mengasumsikan adanya hubungan sebab akibat antara variabel bebas dan variabel tidak bebas yang dipengaruhinya, atau dalam bentuk lain antara input dan output dari suatu sistem. Sistem itu dapat berbentuk makro (seperti perekonomian nasional) atau mikro (seperti dalam perusahaan atau rumah tangga).
absolut dari
MAD =
n
forecast error
3.3 Ukuran Akurasi Peramalan
Validasi metode peramalan terutama dengan menggunakan metode-metode di atas tidak dapat lepas dari indikator-indikator dalam pengukuran akurasi peramalan. Bagaimanapun juga terdapat sejumlah indikator dalam pengukuran akurasi peramalan, tetapi yang paling umum digunakan adalah mean absolute deviation, mean absolute percentage error, dan mean squared error.
a. Mean Absolute Deviation (MAD)
Akurasi peramalan akan tinggi apabila nilai-nilai MAD, mean absolute percentage error, dan mean squared error semakin kecil. MAD merupakan nilai total absolut dari forecast error dibagi dengan data. Atau yang lebih mudah adalah nilai kumulatif absolut error dibagi dengan periode. Jika diformulasikan maka formula untuk menghitung MAD adalah sebagai berikut:
b. Mean Squared Error (MSE)
Menurut Gaspersz (2004), mean squared error biasa disebut juga galat peramalan. Galat peramalan ini juga dapat berfungsi untuk menghitung nilai MAD yang telah dibahas pada sub bab sebelumnya.
Galat ramalan tidak dapat dihindari dalam sistem peramalan, namun galat ramalan itu harus dikelola dengan benar.
Pengelolaan terhadap galat ramalan akan menjadi lebih efektif apabila peramal mampu mengambil tindakan mengambil tindakan yang tepat berkaitan dengan alasan-alasan terjadinya galat ramalan itu. Dalam sistem peramalan, penggunaan berbagai
MSE n
ei
MAPE
n x
e
i
100
= RSFE Tracking Signal MAD
model peramalan akan memberikan nilai ramalan yang berbeda dan derajat dari galat ramalan yang berbeda pula.
Rata-rata kesalahan kuadrat memperkuat pengaruh angka- angka kesalahan besar, tetapi memperkecil angka kesalahan prakiraan yang lebih kecil dari satu unit.
c. Mean Absolute Percentage Error (MAPE)
Rata-rata persentase kesalahan kuadrat merupakan pengukuran ketelitian dengan cara persentase kesalahan absolute. MAPE menunjukkan rata-rata kesalahan absolut prakiraan dalam bentuk persentasenya terhadap data aktualnya.
d. Tracking Signal
Menurut Gaspersz (2004), suatu ukuran bagaimana baiknya suatu ramalan memperkirakan nilai-nilai aktual suatu ramalan diperbaharui setiap minggu, bulan atau triwulan, sehingga data permintaan yang baru dibandingkan terhadap nilai-nilai ramalan.
Tracking signal dihitung sebagai running sum of the forecast errors dibagi dengan mean absolute deviation.
Tracking signal yang positif menunjukkan bahwa nilai aktual permintaan lebih besar daripada ramalan, sedangkan apabila negatif berarti nilai aktual permintaan lebih kecil daripada ramalan. Pada setiap peramalan, tracking signal terkadang
MR =
Ft1At1
Ft At
digunakan untuk melihat apakah nilai-nilai yang dihasilkan berada di dalam atau di luar batas-batas pengendalian dimana nilai-nilai tracking signal itu bergerak antara -4 sampai +4.
e. Moving Range (MR)
Moving range dibuat untuk membandingkan nilai-nilai observasi atau data aktual dengan nilai peramalan dari kebutuhan yang sama. Dapat dikatakan bahwa moving range adalah peta kontrol statistik yang digunakan pada pengendalian kualitas. Peta moving range memiliki batasan-batasan yang terdiri dari batas kontrol atas dan batas kontrol bawah. Jika ada sebuah titik atau data yang berada di luar batas tersebut maka ada beberapa data yang harus dihilangkan atau mencari metode peramalan yang lain.
Moving Range digunakan untuk mengetahui sejauh mana arah pergerakan (misal: permintaan) bergerak. Perhitungan Moving Range menggunakan rumus:
3.4. Pembahasan Peramalan
Pembahasan pada modul peramalan ini dimana akan melakukan perhitungan atas ketiga metode, yaitu metode Weighted Moving Average (WMA), Single Exponential Smoothing (SES), dan metode regresi linier. Masing-masing dari metode- metode tersebut dapat meramalkan penjualan lemari tas untuk periode yang telah ditentukan peramalan. Data penjualan aktual ini merupakan syarat digunakan sebagai peramalan, karena untuk ketiga metode tersebut merupakan metode yang bersifat kuantitatif sehingga data yang akan digunakan untuk meramalkan penjualan di periode selanjutnya ialah data historis.
Data penjualan aktual lemari tas dapat dilihat pada tabel 3.1.
