PERAMALAN

3.1.   Defenisi Peramalan / Analisa Kebutuhan

          Peramalan atau forecast adalah merupakan suatu fungsi bisnis yang berusaha memperkirakan penjualan dan penggunaan produk sehingga produk-produk itu dapat dibuat dalam kuantitas yang tetap (Gaspersz, 2004).

 3.1.1 Macam-macam Peramalan

Ada berapa macam tipe peramalan yang digunakan. Adapun tipe-tipe dalam peramalan adalah sebagai berikut (Heizer dan Render, 2005):

  1. Times Series Model

Metode time series adalah metode peramalan secara kuantitatif dengan menggunakan waktu sebagai dasar peramalan.

  1. Causal Model

Metode peramalan yang menggunakan hubungan sebab-akibat sebagai asumsi, yaitu bahwa apa yang terjadi di masa lalu akan terulang pada saat ini.

  1. Judgemental Model

Bila time series dan causal model bertumpu pada kuantitatif, pada judgemental mencakup untuk memasukkan faktor-faktor kuantitatif/subjektif ke dalam metode peramalan. Secara khusus berguna bilamana faktor-faktor subjektif yang diharapkan menjadi sangat penting bilamana data kuantitatif yang akurat sudah diperoleh.

  3.1.2 Klasifikasi Peramalan

Klasifikasi peramalan merupakan identitas dari peramalan itu sendiri. Peramalan memiliki dua klasifikasi peramalan diantaranya sebagai berikut (Heizer dan Render, 2005):

  1. Peramalan berdasarkan teknik penyelesaiannya, yang terdiri dari beberapa macam teknik. Teknik-teknik tersebut antara lain adalah sebagai berikut (Heizer dan Render, 2005):

a. Teknik peramalan secara kualitatif

Peramalan yang melibatkan pendapat pribadi, pendapat ahli, metode Delphi penelitian pasar dan lain-lain. Bertujuan untuk menggabungkan seluruh informasi yang diperoleh secara logika, unbased & sistematis yang dihubungkan dengan faktor interest pengambil keputusan. Beberapa teknik kualitatif yang sering dipergunakan adalah:

a)  Delphi Method

b)  Market Research

c)  Panel Consensus

d)  Visionary Forecast

e)  Historical Analogue

f)   Management Estimate

g)  Structured Group Methods

  1. Teknik peramalan secara kuantitatif

Digunakan pada saat data masa lalu cukup tersedia. Beberapa teknik kuantitatif yang sering dipergunakan:

a)  Time Series Model

b)  Causal Model

2.  Peramalan berdasarkan pengelompokkan horizon waktu:

  1. Peramalan jangka panjang, yaitu peramalan yang jangka waktu peramalan lebih dari 24 bulan, misalnya peramalan yang diperlukan dalam kaitannya dengan anggaran produksi.

b. Peramalan jangka menengah, yaitu peramalan yang jangka waktu peramalan antara 3-24 bulan, misalnya peramalan untuk perencanaan penjualan, perencanaan dan anggaran produksi.

  1. Peramalan jangka pendek, yaitu peramalan yang jangka waktu peramalan kurang dari 3 bulan, misalnya peramalan dalam hubungannya dengan perencanaan pembelian material, penjadwalan kerja dan penugasan.

Komponen utama yang mempengaruhi penjualan masa lampau yaitu. Kecenderungan (trend), siklus (cycle), musim (season), dan kejadian luar biasa (erratic events) (Gaspersz, 2004).

 3.2.   Teori tentang Metode Peramalan yang Digunakan

          Perhitungan peramalan dapat dicari dengan beberapa metode yaitu: metode weigthed moving average (WMA), metode single exponential smoothing (SES), dan metode regresi linier. Berikut ini adalah penjabaran dari masing-masing metode.

 3.2.1 Metode Weigthed Moving Average (WMA)

Metode Weigthed Moving Average atau rata-rata bergerak terbobot ini lebih responsive terhadap perubahan. Rumus perhitungan dengan metode WMA (Gaspersz, 2004):

Metode untuk mengetahui sejauh mana keandalan dari model peramalan Weigthed Moving Average, kita dapat mengetahui dengan cara membuat tracking signal membangun peta kontrol. Model Weigthed Moving Average ini biasanya akan menjadi efektif apabila pola data bersifat relatif stabil dari waktu ke waktu dan tidak menunjukkan kecenderungan (trend).

3.2.2 Metode Single Exponential Smoothing (SES)

Model peramalan ini bekerja hampir serupa dengan alat thermostat, dimana apabila galat ramalan (forecast error) adalah positif, yang berarti nilai aktual permintaan lebih tinggi dari pada nilai ramalan (A–F>0), maka model pemulusan eksponensial akan secara otomatis meningkatkan ramalan. Sebaliknya apabila galat ramalan (forecast error) adalah negatif, yang berarti nilai aktual permintaan lebih rendah dari pada nilai ramalan (A–F>0), maka model pemulusan eksponensial akan secara otomatis menurunkan ramalan. Proses penyesuaian ini berlangsung terus-menerus, kecuali galat ramalan telah mencapai nol. Kenyataan inilah yang mendorong peramal (forecaster) lebih suka menggunakan model peramalan pemulusan eksponensial, apabila pola historis dari data aktual permintaan bergejolak atau tidak stabil dari waktu ke waktu. Rumus perhitungan dengan metode Single Exponential Smoothing (Gaspersz, 2004):

Keterangan:

Ft       =  nilai ramalan untuk periode waktu ke-t

Ft-1     =  nilai ramalan untuk satu periode waktu yang lalu, t-1

At-1     =  nilai aktual untuk satu periode waktu yang lalu, t-1

a        =  konstanta pemulusan (smoothing constant)

          Permasalahan umum yang dihadapi apabila menggunakan model pemulusan eksponensial adalah memilih konstanta pemulusan a, yang diperkirakan tepat. Nilai konstanta pemulusan a dapat dipilih di antara nilai 0 dan 1, karena berlaku: 0 < a < 1. Bagaimanapun juga untuk penetapan nilai a yang diperkirakan tepat, kita dapat menggunakan panduan berikut (Gaspersz, 2004):

  1. Apabila pola historis dari data aktual permintaan sangat berbeda atau tidak stabil dari waktu ke waktu, kita memilih nilai a yang mendekati satu. Biasanya dipilih nilai a = 0,9; namun pembaca dapat mencoba nilai-nilai a yang lain mendekati satu, katakanlah: a = 0,8; 0,95; 0,99, dan lain-lain, tergantung pada sejauh mana gejolak dari data itu. Semakin bergejolak, nilai a yang dipilih harus semakin tinggi menuju ke nilai satu.
  2. Apabila pola historis dari data aktual permintaan tidak berfluktuasi atau relatif stabil dari waktu ke waktu, kita memilih nilai a yang mendekati nol. Biasanya dipilih nilai a = 0,1; namun pembaca dapat mencoba nilai-nilai a yang lain yang mendekati nol, katakanlah: a = 0,2; 0,15; 0,05; 0,01, dan lain-lain, tergantung pada sejauh mana kestabilan dari data itu. Semakin stabil, nilai a yang dipilih harus semakin kecil menuju ke nilai nol. 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.

 3.2.3 Metode Regresi Linier

Regresi linier adalah suatu metode populer untuk berbagai macam permasalahan. Peramalan time series, formula regresi linier cocok digunakan bila pola data adalah trend. Rumus perhitungan regresi linier adalah sebagai berikut (Gaspersz, 2004):      

 
   

 

 

 

 

 

 
   

 

 

 

 

Keterangan:

Ŷ   =   Koefisien regresi

a   =   Koefisien a

b   =   Koefisien b

x   =   Variabel bebas

Y   =   Variabel terikat

n   =   Banyaknya data atau periode yang digunakan sebagai data masa lalu

 3.3.             Teori tentang Ukuran Akurasi Peramalan

Ukuran akurasi secara umum yang dipergunakan untuk peramalan. Berikut ini adalah macam-macam ukuran peramalan berserta penjabarannya (Gaspersz, 2004).

3.3.1 Mean Absolute Deviation

Rata-rata penyimpangan absolut merupakan penjumlahan kesalahan prakiraan tanpa menghiraukan tanda aljabarnya dibagi dengan banyaknya data yang diamati, yang dirumuskan sebagai berikut (Gaspersz, 2004):

MAD

Keterangan:

MAD           = Mean absolute deviation

ei                = forecast

 3.3.2 Mean Forecast Error

Rata-rata kesalahan kuadrat (MSE, mean square error) memperkuat pengaruh angka-angka kesalahan besar, tetapi memperkecil angka kesalahan prakiraan yang lebih kecil dari satu unit (Gaspersz, 2004).

MSE

Keterangan:

MSE            = Mean square error

 

3.3.3 Mean Absolute Percentage Error

Rata-rata persentase kesalahan kuadrat merupakan pengukuran ketelitian dengan cara-cara persentase kesalahan absolute, (MAPE) menunjukkan rata-rata kesalahan absolut prakiraan dalam bentuk persentasenya terhadap data aktualnya (Gaspersz, 2004).

MAPE

Keterangan:

MPE            = Mean Absolute Percentage Error

e                  = error

 

 

 

 

3.3.4 Tracking Signal

Tracking signal pada setiap peramalan, terkadang digunakan untuk melihat apakah nilai-nilai yang dihasilkan berada didalam atau diluar batas-batas pengendalian dimana nilai-nilai tracking signal itu bergerak antara -4 sampai +4. Tracking signal yang memiliki nilai MAD terkecil maka aakan dibuat peta moving range berdasarkan MAD tersebut (Gaspersz, 2004).

Keterangan:

RSFE          =  Rnning  sum of the forecast errors

MAD           = Mean absolute deviation

 3.3.5 Moving Range

Peta Moving Range dirancang untuk membandingkan nilai permintaan aktual dengan nilai peramalan. Kata lain, dapat melihat data permintaan aktual dan membandingkannya dengan nilai peramalan pada periode yang sama. Peta tersebut dikembangkan ke periode yang akan datang hingga dapat membandingkan data peramalan dengan permintaan aktual. Peta Moving Range digunakan untuk pengujian kestabilan sistem sebab-akibat yang mempengaruhi permintaan. Rumus perhitungan peta moving range adalah sebagai berikut (Heizer dan Render, 2005):

MR absolute         = |(Ft-1 – At-1) – (Ft – At)|

 
   

 

 
   

 

 
   

Keterangan:

MR absolute         = movung range absolute

Ft-1                                        = nilai ramalan untuk periode waktu yang lalu

Ft                                           = nilai ramalan untuk periode waktu ke-t

At-1                        = nilai aktual untuk periode waktu yang lalu

At                          = nilai aktual untuk periode waktu ke-t

BKA                      = batas kontrol atas

BKB                      = batas kontrol bawah

Peta Moving Range jika ditemukan satu titik yang berada diluar batas kendali pada saat peramalan diverifikasi maka harus ditentukan apakah data harus diabaikan atau mencari peramalan baru. Jika ditemukan sebuah titik berada diluar batas kendali maka harus diselidiki penyebabnya. Penemuan itu mungkin saja membutuhkan penyelidikan yang ekstensif. Jika semua titik berada di dalam batas kendali, diasumsikan bahwa peramalan permintaan yang dihasilkan telah cukup baik. Jika terdapat titik yang berada di luar batas kendali, jelas bahwa peramalan yang didapat kurang baik dan harus direvisi. Kegunaan peta Moving Range yang pertama ialah untuk melakukan verifikasi hasil peramalan Least Square terdahulu. Dalam kasus-kasus tersebut, jika peta Moving Range menunjukkan keadaan diluar kriteria kendali, maka hal itu berarti ada data yang tidak berasal dari sistem sebab-akibat yang sama dan harus dibuang. Fungsi peramalan pun harus diulangi lagi. 

3.5    Analisis Mengenai Peramalan

Berdasarkan hasil perhitungan peramalan yang telah dilakukan maka dapat dilakukan analisis terhadap hasil tersebut. Metode peramalan pertama yang dilakukan adalah metode weight moving average dengan menggunakan pembobotan 3, hal ini menyebabkan peramalan 3 pada bulan pertama dikosongkan. Peramalan metode weight moving average dilakukan untuk mendapatkan nilai peramalan dari indeks waktu ke-13 atau bulan januari.

Peramalan dilakukan pada indeks waktu ke-13 karena pada indeks waktu ke-13 belum diketahui nilai aktualnya sehingga dibutuhkan peramalan terhadap penjualan meja serbaguna. Nilai peramalan yang diperoleh pada indeks ke-13 adalah sebesar 598 unit, sedangkan berdasarkan pengolahan dengan menggunakan software WINQSB diperoleh nilai peramalan penjualan pada indeks ke-13 adalah sebesar 598. Nilai tersebut menunjukkan bahwa penjualan meja serbaguna pada bulan Januari untuk tahun selanjutnya diramalkan bahwa akan terjual sebanyak 598 unit. Data penjualan aktual dibandingkan dengan bulan Januari adalah sebesar 600 unit, tingkat penjualan meja serbaguna untuk tahun selanjutnya menurun sebanyak 2 unit. Hasil peramalan yang diperoleh diukur keakuratannya dengan menghitung nilai mean absolute deviation (MAD) serta dengan membuat peta kontrol berdasarkan nilai tracking signal.

Berdasarkan hasil peramalan yang telah dilakukan brdasarkan metode weight moving average diperoleh nilai MAD sebesar 2,22 dan tidak ditemukannya nilai tracking signal yang melampaui batas kontrol yang telah ditentukan yaitu 4 untuk batas kontrol atas (BKA) dan -4 untuk batas kontrol bawah (BKB).

Metode peramalan yang kedua adalah metode Single Exponential Smoothing (SES) yang menggunakan nilai konstanta pemulusan (α) untuk menghitung data penjualan yang diramalkan. Perhitungan dengan metode ini terlebih dahulu dilakukan dengan menggunakan software, konstanta yang digunakan yaitu dari 0,1 hingga 0,9. Berdasarkan pengolahan data aktual dengan menggunakan software ditemukan nilai MAD terkecil pada konstanta 0,1 dengan MAD 1,66. Nilai MAD semakin meningkat dengan semakin besarnya konstanta yang digunakan, selain itu data penjualan peramalan yang diperoleh mendekati data penjualan aktual.

Konstanta 0,1 tersebut digunakan untuk mengetahui hasil peramalan dengan menggunakan perhitungan secara manual. Berdasarkan perhitungan secara manual diperoleh nilai peramalan untuk penjualan meja serbaguna pada indeks ke-13 adalah sebesar 599 unit, sedangkan nilai MAD yang diperoleh sebesar 1,75, namun ditemukannya nilai tracking signal yang melampaui batas kontrol, yaitu pada indeks ke-11. Hal tersebut menunjukkan bahwa metode ini belum dapat memperoleh hasil peramalan yang akurat. Sehingga tidak dapat digunakan dalam melakukan peramalan penjualan meja serbaguna ini.

Metode peramalan yang terakhir adalah metode regresi linear yang merupakan metode peramalan untuk meramalkan satu tahun kedepan. Berdasarkan perhitungan manual metode regresi linier, nilai peramalan untuk indeks waktu ke-13 hingga ke-24 secara berturut-turut sebanyak 598 unit. Perhitungan peramalan metode regresi linier dengan menggunakan software WinQSB untuk indeks waktu ke-13 hingga ke-24 menunjukan hasil yang sama yaitu 598 unit, artinya jumlah produk yang kemungkinan akan terjual pada indeks waktu ke-13 sampai dengan indeks waktu ke-24 sebanyak 598 unit. Hasil perhitungan manual dan software menunjukan hasil yang sama hal ini dikarenakan nilai intercept dan slope yang dimasukan pada perhitungan manual dan software sama. Selain itu, metode yang digunakan dan jenis pembulatan angkanya juga sama.

Metode yang paling akurat adalah metode yang memiliki nilai MAD terkecil. Berdasarkan ketiga metode peramalan tersebut yaitu WMA, SES dan regresi linier, nilai MAD terkecil dimiliki oleh metode regresi linier yaitu sebesar 1,58. Hal ini berarti metode yang memiliki akurasi terbaik adalah regresi linier. Langkah pengukuran tingkat akurasi selanjutnya adalah moving range. Pengukuran tingkat keakurasian dari metode terpilih diperiksa kembali keakurasiannya dengan menggunakan metode moving range. Berdasarkan peta kontrol moving range seluruh data masih terdapat dalam batas kontrol atau tidak ada yang melampaui, sehingga peramalan metode regresi linier dapat diimplementasikan kedalam dunia nyata.

About these ads

Tinggalkan Balasan

Isikan data di bawah atau klik salah satu ikon untuk log in:

WordPress.com Logo

You are commenting using your WordPress.com account. Logout / Ubah )

Twitter picture

You are commenting using your Twitter account. Logout / Ubah )

Facebook photo

You are commenting using your Facebook account. Logout / Ubah )

Google+ photo

You are commenting using your Google+ account. Logout / Ubah )

Connecting to %s