BAB III LANDASAN TEORI

BAB III LANDASAN TEORI 3.1

KONSEP DASAR PERAMALAN Definisi forecasting sendiri sebenarnya beragam, berikut beberapa difinisi tentang forecasting: 1. Perkiraan munculnya sebuah kejadian di masa depan, berdasarkan data yang ada di masa lalu. 2. Proses menganalisis data histori dan data saat ini untuk menentukan trend dimasa mendatang. 3. Proses estimasi dalam situasi yang tidak diketahui. 4. Pernyataan yang dibuat tentang masa depan. 5. Penggunaan ilmu dan teknologi untuk memperkirakan situasi dimasa depan. 6. Upaya sistematis untuk mengantisipasi kejadian atau kondisi dimasa depan. Dari definisi diatas, dapat disimpulkan bahwa forecasting berkaitan dengan upaya memperkirakan apa yang akan terjadi dimasa depan, berbasis pada metode ilmiah (ilmu dan teknologi) serta dilakukan secara sistematis. Walaupun demikian, kegiatan forecasting tidaklah semata – mata berdasarkan prosedur ilmiah atau terorganisir, karena ada kegiatan forecasting yang menggunakan intuisi (perasaan) atau lewat diskusi normal dalam sebuah grup (Singgih Santoso, 2009, hal.7). Dalam pemilihan metode peramalan dan pengembangan sistem peramalan, perlu diperjelas terlebih dahulu maksud dan tujuan peramalan sehingga metode yang akan dipilih dapat disesuaikan dengan maksud tersebut. Perencanaan produksi meliputi penyusunan serangkaian rencana yang

1 http://digilib.mercubuana.ac.id/z

2

bersifat hierarkis mulai dari rencana jangka panjang untuk produk dengan agregasi yang tinggi, rencana jangka menengah untuk produk-produk yang lebih rinci dalam rentang waktu rencana medium, hingga rencana jangka pendek atau rencana operasional dengan rentang waktu rencana yang relatif pendek (Sukaria Sinulingga, 2009, hal.109). Beberapa pertanyaan yang perlu dijawab sebelum perencangan sistem peramalan dibuat adalah : 1. Agregat, produk-produk mana saja yang akan dicakup? 2. Area geografis mana saja yang akan dicakup? 3. Berapa panjangkah rentang waktu peramalan (forecast horizon)? 4. Bagaimana rentang waktu perencanaan dibagi menjadi periode - periode yang lebih pendek? 5. Berapa sering hasil peramalan harus di up-date. 6. Bagaimana tingkat akurasi yang diinginkan.

3.2

TUJUAN DAN KEGUNAAN PERAMALAN Peramalan sangat diperlukan untuk menjadi masukan dalam keputusan perencanaan dan pengendalian produksi. Maka kegunaan peramalan diantaranya : 1. Menentukan apa yang dibutuhkan untuk perluasan pabrik (peramalan fasilitas). 2. Menentukan perencanaan lanjutan bagi produk-produk yang ada untuk dikerjakan dengan fasilitas-fasilitas yang ada (ramalan perencanaan produksi dan produk). 3. Menentukan penjadwalan jangka pendek produk-produk yang ada untuk dikerjakan berdasarkan peralatan yang ada (ramalan perencanaan produksi dan produk).

http://digilib.mercubuana.ac.id/z

3

3.3

KARAKTERISTIK PERAMALAN YANG BAIK Sedikitnya ada empat elemen yang disebut sebagai karakteristik peramalan yaitu ketelitian (accuracy), biaya (cost), respon (response), dan kesederhanaan (simplicity)

1. Ketelitian Sasaran pertama dalam peramalan permintaan ialah mendapatkan hasil peramalan dengan tingkat akurasi yang tinggi. Ada dua ukuran yang digunakan dalam mengevaluasi akurasi peramalan yaitu penyimpangan (bias) dan konsistensi (consistency). Penyimpangan terjadi apabila hasil peramalan memperlihatkan secara terus menerus angka yang tinggi atau rendah. Konsistensi berkaitan dengan ukuran atau besarnya eror. 2. Biaya Biaya yang dibutuhkan untuk mengembangkan model peramalan serta menggunakannya sering cukup besar. Makin banyak item yang akan diramalkan dan makin tinggi tingkat ketelitian yang diinginkan makin besar pula biaya yang dibutuhkan. Tingkat akurasi peramalan dapat diperbaiki apabila peramalan dengan menggunakan model yang sederhana diganti dengan model yang lebih komprehensif tetapi biaya peramalan juga akan meningkat tajam. 3. Respon Sistem peramalan haruslah stabil dalam arti hasil peramalan tidak memperlihatkan fluktuasi yang bersifat liar karena faktor random yang berlebihan. Pada pihak lain, apabila tingkat permintaan yang sebenarnya berubah maka peramalan juga harus menunjukkan hasil peramalan yang berubah. Untuk mengkompromikan kedua kedua situasi yang saling konflik ini maka sistem peramalan perlu mencakup dua fitur yaitu monitoring terhadap terjadinya perubahan nyata permintaan dan


4

kemampuan sistem untuk melakukan respon sesaat secara cepat terhadap perubahan tersebut. 4. Kesederhanaan Metode peramalan yang lebih sederhana selalu lebih diinginkan dibandingkan dengan metode yang rumit karena akan lebih mudah dirancang, digunakan dan dipahami. Apabila kesulitan terjadi dengan penggunaan metode yang sederhana maka akan lebih mudah menelusuri masalah yang terkait serat melakukan perbaikannya. Namun demikian, pilihan yang terbaik ialah yang harus sesuai dengan sasaran penggunaannya.

3.4

BEBERAPA SIFAT HASIL PERAMALAN Dalam membuat peramalan atau menerapkan suatu peramalan maka ada beberapa hal yang harus dipertimbangkan, yaitu: 1. Ramalan pasti mengandung kesalahan, artinya peramalan hanya bisa mengurangi ketidakpastian yang akan terjadi, tetapi tidak dapat menghilangkan ketidakpastian tersebut. 2. Peramalan seharusnya memberikan informasi tentang beberapa ukuran kesalahan, artinya karena kesalahan pasti mengandung kesalahan, maka adalah penting bagi peramal untuk menginformasikan seberapa besar kesalahan yang mungkin terjadi. 3. Peramalan jangka pendek lebih akurat dibandingkan peramalan jangka panjang. Hal ini disebabkan karena pada peramalan jangka pendek, faktor-faktor yang mempengaruhi permintaan relative masih konstan sedangkan masih panjang periode peramalan, maka semakin besar pula kemungkinan terjadinya perubahan faktor-faktor yang mempengaruhi permintaan.


5

3.5

TEKNIK PERAMALAN 3.5.1 Faktor-faktor yang Mempengaruhi Pemilihan 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. Namun upaya memperkecil risiko tersebut dibatasi oleh biaya yang dikeluarkan akibat mengupayakan hal tersebut. Faktor-faktor yang harus dipertimbangkan: 1.

Horizon Peramalan Ada dua aspek dari horizon waktu yang berhubungan dengan masing-masing metode peramalan yaitu: a. Cakupan waktu dimasa yang akan datang Dimana perbedaan dari metode peramalan yang digunakan sebaiknya disesuaikan. b. Jumlah periode dimana ramalan diinginkan Beberapa teknik dan metode hanya dapat disesuaikan untuk peramalan satu atau dua periode di muka, sedangkan teknik dan metode lain dapat dipergunakan untuk peramalan beberapa periode dimasa mendatang.

2. Tingkat Ketelitian Tingkat ketelitian yang dibutuhkan sangat erat hubungannya dengan tingkat perincian yang dibutuhkan dalam suatu peramalan. Untuk beberapa pengambilan keputusan mengharapkan variasi atau penyimpangan atas ramalan yang dilakukan antara 10 persen sampai dengan 15 persen bagi maksud-maksud yang mereka harapkan, sedangkan untuk hal atau kasus lain mungkin menganggap bahwa adanya variasi atau penyimpangan atas ramalan sebesar 5 persen adalah cukup berbahaya.


6

3.

Ketersediaan Data Metode yang dipergunakan sangat besar manfaatnya, apabila dikaitkan dengan keadaan atau informasi yang ada atau data yang dipunyai. Apabila dari data yang lalu diketahui adanya pola musiman, maka untuk peramalan satu tahun kedepan sebaiknya digunakan metode variasi musim. Sedangkan apabila dari data yang lalu diketahui adanya pola hubungan antara variabel-variabel yang saling mempengaruhi, maka sebaiknya dipergunakan metode sebab akibat (causal) atau korelasi (correlation).

4. Bentuk Pola Data Dasar utama dari metode peramalan adalah anggapan bahwa macam dari pola yang didapati di dalam data yang diramalkan akan berkelanjutan.

Sebagai

contoh,

beberapa

deret

yang

menggambarkan pola musiman, demikian pula halnya dengan suatu pola trend. Metode peramalan yang lain mungkin lebih sederhana, terdiri dari suatu nilai rata-rata, dengan fluktuasi yang acakan atau random yang terkandung. Oleh karena adanya perbedaan

kemampuan

metode

peramalan

untuk

mengidentifikasikan pola-pola data, maka perlu adanya usaha penyesuaian antara pola data yang telah diperkirakan terlebih dahulu dengan teknik dan metode peramalan yang akan digunakan. 5. Biaya Umumnya ada empat unsur biaya yang tercakup dalam penggunaan

suatu

prosedur

peramalan,

yaitu

biaya-biaya

pengembangan, penyimpanan (storage) data, operasi pelaksanaan dan kesempatan penggunaan teknik-teknik dan metode lainnya. Adanya perbedaan yang nyata dalam jumlah biaya, mempunyai pengaruh atas dapat menarik tidaknya penggunaan metode tertentu untuk suatu keadaan yang dihadapi.


7

6. Jenis Dari Model Sebagai tambahan perlu diperhatikan anggapan beberapa pola dasar yang penting dalam data. Banyak metode peramalan telah menganggap

adanya

beberapa

model

dari

keadaan

yang

diramalkan. Model-model ini merupakan suatu deret dimana waktu digambarkan sebagai unsur penting untuk menentukan perubahanperubahan dalam pola, yang mungkin secara sistematik dapat dijelaskan dengan analisis regresi atau korelasi. Model yang lain adalah

model

sebab

akibat

atau

“causal

model”,

yang

menggambarkan bahwa ramalan yang dilakukan sangat tergantung pada terjadinya sejumlah peristiwa yang lain, atau sifatnya merupakan campuran dari model-model yang telah disebutkan di atas. Model-model tersebut sangat penting diperhatikan, karena masing-masing model tersebut mempunyai kemampuan yang berbeda-beda

dalam

analisis

keadaan

untuk

pengambilan

keputusan. 7. Mudah Tidaknya Penggunaan dan Aplikasinya Satu prinsip umum dalam penggunaan metode ilmiah dari peramalan untuk menejemen dan analisis adalah metode-metode yang dapat dimengerti dan mudah diaplikasikan yang akan dipergunakan dalam pengembalian keputusan dan analisa. Prinsip ini didasarkan pada alasan bahwa, bila seorang menejer atau analisis bertanggung jawab atas keputusan yang diambilnya atau hasil analisa yang dilakukannya, maka ia sudah tentu tidak menggunakan

dasar

yang

tidak

diketahuinya

atau

tidak

diyakininya. Jadi, sebagai ciri tambahan dari teknik dan metode peramalan adalah bahwa yang diperlukan untuk memenuhi kebutuhan dari keadaan ialah teknik dan metode peramalan yang dapat disesuaikan dengan kemampuan dari manager atau analisis yang akan menggunakan meteode peramalan tersebut.


8

3.5.2 Kegunaan Pemilihan Teknik Peramalan Metode yang dipergunakan sangat besar manfaatnya, apabila dikaitkan dengan informasi atau data yang dipunyai. Apabila dari data yang lalu diketahui adanya pola musiman, maka untuk peramalan satu tahun kedepan sebaiknya dipergunakan metode variasi musim. Sedangkan apabila dari data yang lalu diketahui adanya pola hubungan antara variabel-variabel yang saling mempengaruhi, maka sebaiknya dipergunakan metode sebab akibat (causal) atau korelasi (cross section). Sebagaimana diketahui bahwa metode merupakan cara berpikir yang sistematis dan pragmatis atas pemecahan suatu masalah. Dengan dasar ini, maka metode peramalan merupakan cara memperkirakan apa yang akan terjadi pada masa yang akan datang secara sistematis dan pragmatis. Sehingga metode peramalan sangat berguna untuk dapat memperkirakan secara sistematis dan pragmatis atas dasar data yang relevan pada masa yang lalu, dengan demikian metode peramalan diharapkan dapat memberikan obyektifitas yang lebih besar. Disamping itu juga metode peramalan juga memberikan urutan pengerjaan dan pemecahan atas pendekatan suatu masalah dalam peramalan. Sehingga bila digunakan pendekatan yang sama atas permasalahan dalam suatu kegiatan peramalan, maka akan didapat dasar pemikiran dan pemecahan yang sama, karena argumentasinya sama. Selain itu, metode peramalan memberikan cara pengerjaan yang teratur dan terarah, sehingga dengan demikian

dapat

dimungkinkannya

penggunaan

teknik-teknik

penganalisaan yang lebih maju. Dengan penggunaan teknik-teknik tersebut, maka diharapkan dapat memberikan tingkat kepercayaan dan keyakinan yang lebih besar, karena dapat diuji dan dibuktikan penyimpangan atau deviasi yang terjadi secara ilmiah. Dari uraian ini, dapatlah disimpulkan bahwa metode peramalan sangat berguna, karena akan membantu dalam mengadakan pendekatan analisa terhadap tingkah laku atau pola dari data yang lalu, sehingga dapat memberikan


9

cara pemikiran, pengerjaan dan pemecahan yang sistematis dan pragmatis, serta memberikan tingkat keyakinan yang lebih besar atas ketepatan hasil ramalan yang dibuat, atau yang disusun.

3.5.3

Klasifikasi Teknik Peramalan Dalam sistem peramalan, penggunaan berbagai model peramalan akan memberikan nilai ramalan yang berbeda dan derajat dari galat peramalan yang berbeda pula. Salah satu seni dalam melakukan peramalan adalah memilih model peramalan yang terbaik yang mampu mengidentifikasi dan menanggapi pola aktifitas historis dari data. Pada umumnya peramalan dapat dibedakan dari beberapa segi tergantung dari cara melihatnya. Apabila dilihat dari sifat penyusunannya, maka peramalan dapat dibedakan atas dua macam, yaitu: 1. Dilihat dari sifat penyusunannya a.

Peramalan yang subjektif, yaitu peramalan yang didasarkan atas perasaan atau intuisi dari orang yang menyusunnya. Dalam hal ini pandangan orang yang menyusunnya sangat menentukan baik tidaknya hasil ramalan tersebut.

b.

Peramalan yang objektif, yaitu peramalan yang didasarkan atas data yang relevan pada masa lalu, dengan menggunakan teknik-teknik dan metode dalam penganalisaannya.

2. Dilihat dari jangka waktu ramalan yang disusun a. Peramalan jangka pendek, yaitu peramalan yang dilakukan untuk penyusunan hasil ramalan yang jangka waktunya satu tahun atau kurang. Peramalan ini dugunakan untuk mengambil keputusan dalam hal perlu tidaknya lembur, penjadwalan kerja, dan lain-lain keputusan kontrol jangka pendek.


10

b.

Peramalan

jangka

menengah,

yaitu

peramalan

yang

dilakukan untuk penyusunan hasil ramalan yang jangka waktunya satu hingga lima tahun ke depan. Peramalan ini lebih

mengkhususkan

dibandingkan

peramalan

jangka

panjang, biasanya digunakan untuk menentukan aliran kas, perencanaan produksi, dan penentuan anggaran. c.

Peramalan jangka panjang, yaitu peramalan yang dilakukan untuk penyusunan hasil ramalan yang jangka waktunya lebih dari lima tahun yang akan datang. Peramalan jangka panjang digunakan

untuk

pengambilan

keputusan

mengenai

perencanaan produk dan perencanaan pasar, pengeluaran biaya perusahaan, studi kelayakan pabrik, anggaran, purchase order, perencanaan tenaga kerja serta perencanaan kapasitas kerja. 3. Berdasarkan sifat ramalan yang disusun, maka peramalan dapat dibedakan atas dua macam, yaitu: 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 penyusunannya. Biasanya peramalan secara kualitatif ini didasarkan atas hasil penyelidikan, seperti Delphi, S-curev, analogies dan penelitian bentuk atau morphological

research

atau

didasarkan

atas

ciri-ciri

normative seperti decision matrices atau decisions tress. b. Peramalan Kuantitatif Yaitu peramalan yang didasarkan atas data kuantitatif pada masa lalu. Hasil peramalan yang dibuat sangat tergantung


11

pada metode yang dipergunakan dalam peramalan tersebut. Dengan metode yang berbeda akan diperoleh hasil peramalan yang

berbeda,

apapun

yang

perlu

diperhatikan

dari

penggunaan metode tersebut, adalah baik tidaknya metode yang dipergunakan, sangat ditentukan oleh perbedaan atau penyimpangan antara hasil dengan kenyataan yang terjadi. Metode yang baik adalah metode yang memberikan nilai-nilai perbedaan atau penyimpangan yang mungkin. Peramalan kuntitatif hanya dapat digunakan apabila terdapat tiga kondisi sebagai berikut: 

Adanya informasi tentang keadaan yang lain.



Informasi tersebut dapat dikuantifikasikan dalam bentuk data.



Dapat

diasumsikan

bahwa

pola

yang

berkelanjutan pada masa yang akan datang.


lalu

akan

12

Gambar 3. 1 Taksonomi Peramalan

a) Metode Peramalan Kualitatif (Judgement Method) Peramalan

kualitatif

umumnya

bersifat

subjektif,

dipengaruhi oleh intuisi, emosi, pendidikan dan pengalaman seseorang. Oleh karena itu, hasil peramalan dari satu orang dengan orang yang lain dapat berbeda. Meskipun demikian, peramalan dengan metode kualitatif tidak berarti hanya menggunakan intuisi, tetapi juga bisa mengikutsertakan model-model statistik sebagai bahan masukan dalam melakukan judgement (keputusan), dan dapat dilakukan secara perseorangan maupun kelompok. Beberapa metode

yang digolongkan sebagai model

kualitatif adalah sebagai berikut: 1. Metode Delphi, Sekelompok pakar mengisi kuesioner, Moderator menyimpulkan hasilnya dan memformulasikan menjadi suatu


13

kuesioner baru yang diisi kembali oleh kelompok tersebut, demikian seterusnya. Hal ini merupakan proses pembelajaran (learning process) dari kelompok tanpa adanya tekanan atau intimidasi individu. Metode dikembangkan pertama kali oleh Rand Corporation pada tahun 1950-an. Adapun tahapan yang dilakukan adalah: a. Tentukan beberapa pakar sebagai partisipan. Sebaiknya bervariasi dengan latar belakang disiplin ilmu yang berbeda. b. Melalui kuesioner (atau e-mail), diperoleh peramalan dari seluruh partisipan. c. Simpulkan hasilnya, kemudian distribusikan kembali kepada seluruh partisipan dengan pertanyaan yang baru. d. Simpulkan kembali revisi peramalan dan kondisi, kemudian dikembangkan dengan pertanyaan yang baru. e. Apabila diperlukan, ulangi tahap 4. Seluruh hasil akhir didistribusikan kepada seluruh partisipan. 2. Dugaan

manajemen

Consensus,

dimana

(management peramalan

estimate)

semata-mata

atau

Panel

berdasarkan

pertimbangan manajemen, umumnya oleh menejemen senior. Metode ini akan cocok dalam situasi yang sangat sensitif terhadap intuisi dari suatu atau sekelompok kecil orang yang karena pengalamannya mampu memberikan opini yang kritis dan relevan. Teknik akan dipergunakan dalam situasi dimana tidak ada alternatif lain dari model peramalan yang dapat diterapkan. Bagaimanapun metode ini mempunyai banyak keterbatasan sehingga perlu dikombinasikan dengan metode peramalan yang lain. 3. Riset Pasar (market research), merupakan metode peramalan berdasarkan hasil-hasil dari survei pasar yang dilakukan oleh tenaga-tenaga pemasar produk atau yang mewakilinya. Metode


14

ini akan menjaring informasi dari pelanggan atau pelanggan potensial (konsumen) berkaitan dengan rencana pembelian mereka dimasa mendatang. Riset pasar tidak hanya akan membantu peramalan, tetapi juga untuk meningkatkan desain produk dan perencanaan untuk produk-produk baru. 4. Metode kelompok terstruktur (structured group methods), seperti metode Delphi, dan lain-lain. Metode kelompok terstruktur merupakan

teknik

peramalan

berdasarkan

pada

proses

konvergensi dari opini beberapa orang atau ahli secara interaktif tanpa menyebutkan identitasnya. Grup ini tidak bertemu secara bersama dalam suatu forum untuk berdiskusi, tetapi mereka diminta pendapatnya secara terpisah dan tidak boleh secara berunding. Hal ini dilakukan untuk menghindari pendapat yang bias karena pengaruh kelompok. Pendapat yang berbeda secara signifikan dari ahli yang lain dalam grup tersebut akan dinyatakan lagi kepada yang bersangkutan, sehingga akhirnya diperoleh angka estimasi pada interval tertentu yang dapat diterima. Metode kelompok terstruktur ini dipakai dalam peramalan teknologi yang sudah digunakan pada pengoperasian jangka panjang selain itu, metode ini juga bermanfaat dalam pengembangan produk baru, pengembangan kapasitas produksi, penerobosan ke segmen pasar baru dan strategi keputusan bisnis lainnya. 5. Analogi

historis

(Historical

Analogi),

merupakan

teknik

peramalan berdasarkan pola data masa lalu dari produk-produk yang dapat disamakan secara Analogi. Misalnya peramalan untuk pengembangan pasar televisi multi sistem menggunakan model permintaan televisi hitam putih atau televisi berwarna biasa. Analogi historis cenderung akan menjadi terbaik untuk


15

penggantian produk di pasar dan apabila terdapat hubungan substitusi langsung dari produk dalam pasar itu.

b) Metode Peramalan Kuantitatif (Statistical Method) Pada dasarnya metode peramalan kuantitatif ini dapat dibedakan atas dua bagian, yaitu: 1. Metode peramalan yang didasarkan atas penggunaan analisa pola hubungan antara variabel yang akan diperkirakan dengan variabel waktu, yang merupakan deret waktu atau "time-series ". 2. Metode peramalan yang didasarkan atas penggunaan analisa pola hubungan antara variabel yang akan diperkirakan dengan variabel lain yang mempengaruhinya, yang disebut metode korelasi atau sebab akibat (causal method). Prosedur umum yang digunakan dalam peramalan secara kuantitatif adalah: 1. Definisikan tujuan peramalan. 2. Pembuatan diagram pencar. 3. Pilih minimal dua metode peramalan yang dianggap sesuai. 4. Hitung parameter-parameter fungsi peramalan 5. Hitung kesalahan setiap metode peramalan. 6. Pilih metode yang terbaik, yaitu yang memiliki kesalahan terkecil. 7. Lakukan verivikasi peramalan.

c) Metode Time Series Metode time series adalah metode yang dipergunakan untuk menganalisis serangkaian data yang merupakan fungsi dari waktu. Metode ini mengasumsikan beberapa pola atau kombinasi pola selalu berulang sepanjang waktu, dan pola dasarnya dapat diidentitikasi


16

semata-mata atas dasar data historis dari serial itu. Dengan analisis deret waktu dapat ditunjukkan bagaimana permintaan terhadap suatu produk tertentu bervariasi terhadap waktu. Sifat dari perubahan permintaan dari tahun ke tahun dirumuskan untuk meramalkan penjualan pada masa yang akan datang. Ada empat komponen utama yang mempengaruhi analisis ini, yaitu: a. Pola Siklis (Cycle) Penjualan produk dapat memiliki siklus yang berulang secara periodik. Banyak produk dipengaruhi pola pergerakan aktivitas ekonomi yang terkadang memiliki kecenderungan periodik. Komponen siklis ini sangat berguna dalam peramalan jangka menengah. Pola data ini terjadi bila data memiliki kecenderungan untuk naik atau turun terus-menerus. Pola data dalam bentuk trend ini digambarkan pada gambar 3.2

Pola Siklis :

Gambar 3.2 Pola Siklis


17

b. Pola Musiman (Seasonal) Perkataan musim menggambarkan pola penjualan yang berulang setiap periode. Komponen musim dapat dijabarkan ke dalam faktor cuaca, libur, atau kecenderungan perdagangan. Pola musiman berguna dalam meramalkan penjualan dalam jangka pendek. Pola data ini terjadi bila nilai data sangat dipengaruhi oleh musim, misalnya permintaan bahan baku jagung untuk makanan ternak ayam pada pabrik pakan ternak selama satu tahun. Selama musim panen harga jagung akan menjadi turun karena jumlah jagung yang dibutuhkan tersedia dalam jumlah yang besar. Pola data musiman dapat digambarkan pada gambar 3.3

Pola Musiman :

Gambar 3.3 Pola Musiman


18

c. Pola Horizontal Terjadi bilamana data berfluktuasi disekitar nilai rata-rata yang konstan. Suatu produk yang penjualannya tidak meningkat atau menurun selama waktu tertentu termasuk jenis ini. Pola khas dari data horizontal atau stasioner seperti ini dapat dilihat dalam Gambar 3.4 Pola Horizontal :

Gambar 3.4 Pola Horizontal d. Pola Trend Pola data ini terjadi bila data memiliki kecenderungan untuk naik atau turun terus-menerus. Pola data dalam bentuk trend ini dapat digambarkan pada gambar 3.5.

Pola Trend :


19

Gambar 3.5 Pola Trend Dalam meramalkan biaya-biaya yang termasuk di dalam biaya operasi dipergunakan Pola Trend karena biaya tersebut cenderung naik jika mesin atau peralatan semakin tua atau semakin lama jangka waktu pemakaiannya. Berikut

adalah

beberapa

metode

yang

digunakan

dalam

meramalkan permintaan secara time series: Rata – Rata Bergerak (Moving Average)

a.

Moving Average diperoleh dengan merata-rata permintaan berdasarkan beberapa data permintaan masa lalu terbaru. Tujuannya adalah untuk menghindari atau menghilangkan variasi acak permintaan dalam hubungannya dengan waktu. Disebut ratarata bergerak karena jika ada data permintaan aktual terbaru, maka data terdahulu akan dikeluarkan dari perhitungan. Metode MA dapat ditulis dengan persamaan 3.1 :

Ft =

At + At 1 + ....+ At (n 1 ) n

…………………………...(3.1)

Dimana : At

= Permintaan aktual pada periode-t

n

= Banyaknya data permintaan yang dilibatkan dalam perhitungan MA

Ft

= Peramalan permintaan pada periode-t

Kelemahan dari metode MA adalah sebagai berikut : 1. Peramalan

selalu

mempertimbangkan

berdasarkan

data

terbaru

tanpa

data-data sebelumnya.

2. Setiap data dianggap memiliki bobot yang sama. 3. Diperlukan dana yang cukup besar dalam penyimpanan dan proses


20

data karena membutuhkan memori yang besar.

b.

Rata – Rata Bergerak Ganda (Double Moving Average) Suatu cara peramalan dengan mengambil sekelompok pengamatan, mencari rata-ratanya dan menggunakannya untuk melakukan peramalan. Sifat dari metode ini harus mempunyai data dalam waktu tertentu. Misal dengan metode 4 moving average ramalan bulan ke 5 baru bisa dihitung setelah bulan 4 berakhir demikian seterusnya. Menentukan ramalan dengan metode double moving averages sedikit lebih sulit dibandingkan dengan

moving

averages.

Ada

beberapa

langkah

dalam

menentukan ramalan dengan metode double moving averages, antara lain sebagai berikut. 

Menghitung moving average/ rata-rata bergerak pertama, diberi simbol S’t, dihitung dari data historis yang ada. Hasilnya diletakkan pada periode terakhir moving average pertama.

 Menghitung moving average/rata-rata bergerak kedua, diberi simbol S’’t, dihitung dari rata-rata bergerak kedua. Hasilnya diletakkan pada periode terakhir moving average kedua.  Menentukan besarnya nilai αt (Konstanta) at = S’t + (S’t – S’’t) = 2S’t – S’’t  Menentukan besarnya nilai bt (slope) bt = 2/(n−1).(S’t – S”t ) Sehingga metode DMA dapat dinyatakan pada persamaan 3.2 : Ft+m = at +bt.m ……………………………………..…(3.2)


21

Dimana : Ft+m = Peramalan permintaan pada periode-t

c.

at

= Nilai konstanta

bt

= Nilai slope

m

= Jangka waktu forecast kedepan

Rata – Rata Bergerak dengan Bobot (Weighted Moving Average) Metode WMA merupakan solusi untuk mengatasi kelemahan kedua dari metode MA. Secara matematis dapat ditulis dengan persamaan 3.3: Ft = ∑(Wt x At) ………………………………………(3.3) Dimana :

d.

Ft

= Peramalan permintaan pada periode-t

Wt

= Bobot permintaan aktual pada periode t

At

= Permintaan aktual pada periode

Pemulusan Exponential Tunggal (Single Exponential Smoothing) Metode ini adalah pengembangan dari metode moving average, metode moving average memang mudah menghitungnya akan tetapi metode ini memberikan bobot yang sama pada setiap data. Untuk mengatasi hal ini maka digunakan metode single exponential smoothing. Pada metode single exponential smoothing bobot yang diberikan pada data yang ada adalah sebesar α untuk data yang terbaru, α(1-α) untuk data yang lama, α(1-α)2 untuk


22

data yang lebih lama, dan seterusnya. Besarnya α adalah antara 0 dan 1. Semakin mendekati 1 berarti data terbaru lebih diperhatikan. Persamaan matematisnya dapat ditulis dengan persamaan 3.4: Ft+1 = α . At + (1 – α) . Ft atau Ft+1 = Ft + α . (At – Ft)…………………………….... (3.4) Dimana :

e.

Ft+1

= Peramalan permintaan pada periode t

α

= Konstanta

At

= Permintaan aktual pada periode-t

Pemulusan Exponential Ganda (Double Exponential Smoothing) Pada metode ini proses penentuan ramalan dimulai dengan menentukan besarnya alpha secara trial dan error. Sedangkan tahap-tahap dalam menentukan ramalan adalah sebagai berikut.  Menentukan Smoothing pertama (S’t) S’t

= α At + (1- α) S’t-1

 Menentukan Smoothing kedua (S’’t) S”t

= α S’t + (1- α) S’’t-1

 Menentukan besarnya nilai αt (Konstanta) at = S’t + (S’t – S’’t) = 2S’t – S’’t  Menentukan besarnya nilai bt (slope) bt = α/(1 – α).(S’t – S”t ) Sehingga metode DES dapat dinyatakan pada persamaan 3.5: Ft+m = at +bt.m ………………………………….. (3.5)


23

Dimana : Ft+m = Peramalan permintaan pada periode-t

f.

at

= Nilai konstanta

bt

= Nilai slope

m

= Jangka waktu forecast kedepan

Metode Winter Teknik moving average dan exponential smoothing hanya cocok digunakan bila data yang ada bersifat stasioner. Bila data permintaan bersifat musiman dan mempunyai trend, maka dapat diselesaikan dengan metode Winter. Salah satu masalah dalam penggunaan metode Winter adalah penentuan nilai α, β dan γ yang akan meminimumkan MSE dan MAPE. Pendekatan untuk menentukan nilai parameter tersebut biasanya dilakukan secara trial and error.

g.

Metode Winter dengan Trend Model Winter menggunakan model trend dari Holt, dimana model ini dimulai dengan perkiraan trend pada persamaan 3.6:

T  b ( F  F)  ( 1  b ) T t t t  1 t  1 ………………… (3.6) Dimana β merupakan konstanta pecahan, Tt adalah perkiraan trend pada periode-t, dan Ft adalah rata-rata eksponential, maka peramalan baru akan melibatkan rata-rata eksponential ditambah trend. h.

Metode Winter Dengan Faktor Musiman


24

Pola dari permintaan musiman merupakan karakteristik dari beberapa rangkaian permintaan. Proses umum dari permintaan musiman dapat dinyatakan dalam persamaan 3.7:

A .  t t t

…………………………………………..... (3.7)

Dimana µ adalah tingkat permintaan rata-rata, δ adalah faktor musiman, dan εt adalah distribusi permintaan normal dengan mean nol. i.

Metode Winter lengkap Metode Winter yang lengkap merupakan kombinasi dari metode Winter sebelumnya.

3.2.2 Ukuran Akurasi Hasil Peramalan Dalam

membuat

peramalan

atau menerapkan

hasil

suatu

peramalan, maka pasti ada beberapa hal yang harus dipertimbangkan, yaitu: 1.

Peramalan pasti mengandung kesalahan, artinya peramal hanya bisa mengurangi ketidakpastian yang akan terjadi, tetapi tidak dapat menghilangkan ketidakpastian tersebut.

2.

Peramalan seharusnya memberikan informasi tentang berapa ukuran kesalahan, artinya karena peramalan pasti mengandung kesalahan, maka penting bagi peramal untuk menginformasikan seberapa besar kesalahan yang mungkin terjadi.

3.

Peramalan jangka pendek lebih akurat dibandingkan peramalan jangka panjang. Hal ini disebabkan karena peramalan jangka pendek dipengaruhi oleh faktor-faktor permintaan yang bersifat konstan. Ukuran akurasi hasil peramalan yang merupakan ukuran kesalahan

peramalan merupakan ukuran tentang tingkat perbedaan antara hasil


25

peramalan dengan permintaan yang sebenarnya terjadi. Ada 4 ukuran yang biasanya digunakan, yaitu: 1.

Rata-rata Deviasi Mutlak (Mean Absolut Deviation) Mean Absolut Deviation merupakan rata-rata kesalahan mutlak selama periode tertentu tanpa memperhatikan apakan hasil peramalan lebih besar atau lebih kecil dibandingkan kenyataannya. ∑|

|

…………………………………. (3.8) 2.

Rata – rata Kuadrat Kesalahan (Mean Square Error) Mean Square Error dihitung dengan menjumlahkan kuadrat semua kesalahan peramalan pasa setiap periode dan membaginya dengan jumlah periode peramalan. ∑(

)

.....………………………….…..(3.9) 3.

Rata – rata kesalahan peramalan (Mean Forecast Error) Mean Forecast Error sangat efektif untuk mengetahui apakah suatu hasil peramalan selama periode tertentu terlalu tinggi atau rendah. Mean Forecast Error dihitung dengan menjumlahkan semua kesalahan peramalan selama periode peramalan dan membaginya dengan jumlah periode peramalan. ∑(

)

…………………………………. (3.10) 4.

Rata – rata persentase Kesalahan Absolut (Mean Absolute Percentage Error) Mean Absolute Percentage Error merupakan ukuran kesalahan relative dan biasanya dibandingkan dengan Mean Absolut Deviation, karena Mean Absolute Percentage Error menyatakan persentase


26

kesalahan hasil peramalan terhadap permintaan aktual selama periode tertentu yang akan memberikan informasi persentase kesalahan terlalu tinggi atau terlalu rendah. (

)∑|

|

……………………….. (3.11)

3.2.3 Verifikasi dan Pengendalian Ramalan Setelah dilakukan perhitungan peramalan, untuk mengetahui bahwa perhitungan tersebut sudah mencerminkan data masa lalu dan sistem sebab akibat yang mendasari permintaan produk, maka perlu dilakukannya proses pemeriksaan atau verifikasi untuk mengetahui validitas metode peramalan. Bentuk termudah dari cara pengendalian peramalan adalah peta kendali statistik yaitu peta kendali bergerak (Moving Range Chart/MR chart). MR Chart dirancang untuk membandingkan nilai yang diramalkan dengan nilai permintaan aktual dari suatu permintaan pada periode yang sama MR dapat dinyatakan dalam persamaan 3.12.

MR  |Ft  At   Ft 1  At 1  | ……………………. (3.12) Sementara rata-rata rentang bergerak dapat dinyatakan dengan persamaan 3.13.

MR 

 MR ………………………………………..…... (3.13) n 1

Sedangkan untuk batas kontrol atas dan bawah dapat dinyatakan dengan persamaan 3.14 dan 3.15.

UCL  2,66MR ........................................................................ (3.14) LCL  2,66MR …………………………………………….... (3.15)


27

Pada proses pemeriksaan atau verifikasi tersebut, persamaan peramalan dikatakan valid jika semua titik yang diplot masuk kedalam batasan – batasan kendali. Kondisi yang tidak terkendali perlu dilakukan pengujian, pengujian pada peta MR dibagi ke dalam 6 daerah dengan lebar yang sama. Daerah tersebut dapat dinyatakan dengan persamaan 3.16 dan 3.17.

Daerah, A  2 / 3(2,66MR)  1,77MR ……………….. (3.16) Daerah, B  1 / 3(2,66MR)  0,89MR …………….….. (3.17) Pengujian untuk suatu kondisi tak terkendali adalah: 1. Dari 3 titik yang berurutan, 2 titik atau lebih terdapat pada salah satu daerah A 2. Dari 5 titik yang berurutan, 4 titik atau lebih terdapat pada salah satu daerah B 3. Terdapat 8 titik yang berurutan pada salah satu sisi dari garis tengah

Daerah dari pengujian tersebut dapat dijelaskan pada Gambar 3.1.


28

Gambar 3.1 Grafik Permintaan Produk Dekoratif Sumber: Perencanaan dan Pengendalian Produksi


29


BAB III LANDASAN TEORI

Recommend Documents