BAB III TINJAUAN PUSTAKA 3.1 Teori Dunia industri biasanya tak lepas dari suatu peramalan, hal ini disebabkan bahwa peramalan dapat memprediksi kejadian di masa yang akan datang untuk mengambil keputusan yang tepat. Peramalan kebutuhan ini bertujuan untuk melihat atau memperkirakan prospek ekonomi atau kegiatan usaha serta pengaruh lingkungan terhadap prospek tersebut. Setiap kebijakan ekonomi maupun kebijakan perusahaan tidak akan terlepas dari usaha untuk meningkatkan kesejahteraan masyarakat atau meningkatkan keberhasilan perusahaan untuk mencapai tujuannya di masa yang akan datang, dimana kebijakan tersebut dilaksanakan. Usaha untuk melihat dan mengkaji situasi dan kondisi tersebut tidak terlepas dari kegiatan peramalan. Peramalan dibutuhkan karena adanya perbedaan waktu antara kesadaran akan dibutuhkannya suatu kebijakan baru dengan waktu kebijakan tersebut. Maka dalam menentukan kebijaksanaan, perlu diperkirakan kesempatan ataupun peluang yang ada, dan ancaman yang mungkin mengahalang. Dalam manufaktur peramalan merupakan langkah awal dari Production and Inventory Management,
41 http://digilib.mercubuana.ac.id/
42
Manufacturing Planning and Control, atau Manufacturing Resources Planning. Obyek yang diramalkan adalah kebutuhan.
3.2 Definisi Peramalan Peramalan adalah perkiraan atau estimasi tingkat permintaan suatu produk untuk periode yang akan datang berdasarkan dengan permintaan di masa lampau dan memberikan pola pergerakan atau pertumbuhan permintaan pasar. Oleh karena itu, peramalan pada dasarnya adalah suatu taksiran, tetapi dengan menggunakan cara – cara tertentu peramalan dapat lebih dari pada sekedar taksiran. Kegiatan peramalan merupakan suatu fungsi bisnis yang berusaha memperkirakan penjualan dan penggunaan produk sehingga produk produk tersebut dapat dibuat dengan jumlah yang tepat.
Dalam hal ini terdapat tiga kegunaan dari peramalan, yakni: 1. Menentukan apa yang akan dibutuhkan untuk perluasan pabrik 2. Menentukan perencanaan lanjutan bagi produk – produk yang ada untuk dikerjakan dengan fasilitas – fasilitas yang ada 3. Menentukan penjadwalan jangka pendek produk – produk untuk dikerjakan berdasarkan peralatan
yang
ada.
(Pengendalian
produksi, John E. Biegel, Hal 21) Pada make to stock peramalan merupakan input utama yang menjadi
dasar
penetapan
produksi,
perencanaan
http://digilib.mercubuana.ac.id/
kapasitas,
dan
43
perencanaan material. Pada make to order, peramalan hanya merupakan bahan pertimbangan untuk menentukan kebutuhan mesin. Teknik peramalan dibagi menjadi dua, diantaranya adalah teknik peramalan secara kualitatif yaitu peramalan yang melibatkan pendapat pribadi, pendapat ahli, metode delphi, penelitian pasar dan lain – lain. Bertujuan untuk menggabungkan seluruh informasi yang diperoleh secara logika dan sistematis yang dihubungkan dengan faktor kepentingan si pengambil keputusan. Sedangkan teknik peramalan kuantitatif yaitu peramalan yang digunakan pada saat data masa lalu cukup tersedia beberapa teknik kuantitatif yang sering dugunakan adalah metode pemulusan eksponensial, rata – rata bergerak, regresi linier, dan masih banyak lainnya (Gaspersz, 2004). Metode kuantitatif dapat digolongkan menjadi dua teknik: 1. Teknik Deret berkala (Time Series) Memperlakukan sistem seperti kotak hitam dan tidak ada usaha untuk menemukan faktor yang berpengaruh kepada perilaku sistem tersebut. Metode ini cocok untuk peramalan jangka pendek atau menengah. 2. Teknik eksplanatoris (kausal) Mengasumsikan adanya hubungan sebab akibat diantara input dan output suatu sistem. Metode yang paling sering digunakan dalam teknik deret berkala : 1. Metode Smoothing 2. Metode Dekomposisi.
http://digilib.mercubuana.ac.id/
44
3.3 Metode Smoothing 3.3.1
Metode Average (Rataan) Metode ini disebut sebagai model rata rata bergerak terbobot lebih responsif terhadap perubahan, karena data dari peride yang baru biasanya diberi bobot lebih besar. Menurut Gaspersz (2004) suatu model rata –rata bergerak n- periode terbobot, weighted MA (n), dinyatakan sebagai berikut:
Metode Average terdiri dari : a.
Rata – rata ( Simple Average ) Metode rata rata secara sederhana menghitung rataan dari data yang ada. Persamaan metode rata rata yaitu:
= b.
∑
....................................................................................(1-1)
Moving Average Istilah Moving Average menggambarkan prosedur jika ada data baru, rata – rata baru dapat dihitung dan data yang lalu dihapus. Rata – rata baru tersebut akan digunakan untuk meramal. Persamaan Moving Average yaitu: =
c.
⋯
= ∑
....................................................(1-2)
Double Moving Average
http://digilib.mercubuana.ac.id/
45
Peramalan Double Moving Average meliputi 3 aspek yaitu: 1. Menggunakan single Moving Average pada waktu t 2. Terjadi penyesuaian antara Single Moving Average dengan double moving average (S’t – S”t) pada saat t 3. Terjadi penyesuaian trend t – N + 1 aspek ini dapat dilihat pada persamaan berikut:
”
..................................................(1-3)
.................................................(1-4)
at = S’t + (S’t – S”t) = 2 S’t – S”t..........................................................................(1-5) (
− S”t)...........................................................................................................(1-6)
Ft+m+ = at + btm..........................................................................(1-7) 3.3.2 Metode Exponential Smoothing a. Single Exponential Smoothing Persamaan adalah: Ft+1 = aX1 + (1-α)Ft................................................................................................(1-8) Ft+1 = F1 + α(Xt – Ft)............................................................................................(1-9) Secara sederhana dapat dituliskan sebagai berikut: Ft+1 = Ft + α ( et ).....................................................................................................(1-10)
http://digilib.mercubuana.ac.id/
46
et adalah kesalahan ramalan (nilai sebenarnya dikurangi ramalan) untuk periode t. Berdasarkan rumus diatas peramalan linear regression with time dihitung berdasarkan hasil peramalan dan kesalahan peramalan
periode
sebelumnya.
Jadi kesalahan
peramalan
sebelumnya digunakan untuk mengoreksi peramalan berikutnya b. Double Exponential Smoothing Linier dapat dilakukan jika tersedia 3 data dan satu nilai α. Proses perhitungannya mirip dengan linier moving average dengan persamaan sebagai berikut: S’t = αXt + (1-α) S’t-1............................................................(1-11) S”t = αS’t + (1-α) S” t-1.........................................................(1-12) at = S’t + (S’t – S”t) = aS’t – S”t =
(
......................................(1-13)
− " ).............................................................(1-14)
Sehingga persamaan untuk menentukan peramalan menjadi : Ft+m = at + btm.......................................................................................................(1-15) Dimana m adalah jumlah periode kemuka yang diramalkan.
c. Double Exponential Smoothing Holt’s Two Parameter
http://digilib.mercubuana.ac.id/
47
Metode Holt’s mirip dengan metode Brown dengan perbedaan melakukan smoothing trend secara terpisah. Pemisahan ini menciptakan fleksibilitas dimana smoothing trend dapat dilakukan dengan parameter yang berbeda dengan parameter yang dipakai series asli. Persamaan holt’s adalah sebagai berikut: St = αXt + (St-1 + bt-1)...........................................................(1-16) bt = ᵧ(St – St-1) + (1- ᵧ) b t-1...................................................(1-17) Ft+m = St + btm.....................................................................(1-18) Proses inisialisasi Holt’s membutuhkan dua nilai estimasi, pertama nilai smoothing St dan berikutnya nilai trend bt. d. Triple Exponential Smoothing : Brown’s One Parameter Quadratic Persamaan smoothing kuadratis adalah: S’t = αXt + (1-α) S’t .........................................................(1-19) S”t = αS’t + (1-α) S”t-1 ......................................................(1-20) S’”t = αS”t + (1-α) S’”t-1 ...................................................(1-21) Dimana: at = 3S’t – 3 S”t + S”’t ......................................................(1-22) =
(
)
[(6 − 5 )
– (10 −
8 ) " + (4 − 3 ) "′ ]...(1-
23)
http://digilib.mercubuana.ac.id/
48
=
(
=
)
[(
− 2 " + "′ ).......................................(1-24)
+ 4
+
.............................................(1-25)
e. Triple Exponential Smoothing : Winter’s Three Parameter Trend and Seasonality Metode Winter’s dapat digunakan untuk data musiman. Metode Winter’s didasarkan 3 persamaan smoothing : satu untuk kestasioneran, satu untuk trend, dan satu untuk musiman. Persamaan winter’s adalah: =
+ (1 − )(
+
).................................(1-26)
bt = ᵧ(St – St-1) + (1-ᵧ) b t-1...............................................(1-27) =
+ (1 − )
...............................................(1-28)
Ft+m = (St + 4m) It-L+m......................................................(1-29)
3.4 Ukuran – Ukuran Kesalahan Validasi metode peramalan terutama dengan menggunakan metodemetode di atas tidak dapat lepas dari indikator-indikator dalam pengukuran akurasi peramalan. Bagaimanapun juga terdapat sejumlah indikator dalam pengukuran akurasi peramalan, namun yang paling umum digunakan adalah Mean Absolute Deviation, Mean Absolute Percentage Error dan Mean Squared Error.
http://digilib.mercubuana.ac.id/
49
Akurasi peramalan akan tinggi apabila nilai-nilai MAD, MAPE, dan MSE 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:
.........................................(1-30)
Mean forecast 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 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 (Gaspersz, 2004).
MSE ...............................................................................(1-31)
http://digilib.mercubuana.ac.id/
50
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.
MAPE
............................................................(1-32)
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 nilainilai ramalan. Tracking signal dihitung sebagai running sum of the forecast errors dibagi dengan mean absolute deviation.
......................................................(1-33) Tracking signal yang positif menunjukkan bahwa nilai aktual permintaan lebih besar daripada ramalan, sedangkan apabila negatif berarti nilai aktual permintaan lebih kecil daripada ramalan. Suatu tracking signal disebut baik apabila memiliki RSFE yang rendah dan mempunyai positive error yang sama banyak atau seimbang dengan negative error, sehingga pusat dari tracking signal mendekati nol. Pada setiap peramalan, tracking signal 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.
http://digilib.mercubuana.ac.id/
51
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. MR = .....................................................(1-34)
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.
UCL = +2.66 MR...............................................................................................................(1-35) LCL = - 2.66 MR................................................................................................................(1-36)
3.5 Metode WinQSB Dalam proses pengolahan data yang dilakukan oleh mahasiswa kerja praktek , menggunakan software WinQSB. Program tersebut dapat mengolah data menggunakan metode time series meliputi simple average, moving average, dengan atau tanpa trend, single dan double exponential smoothing dengan atau tanpa trend, adaptive exponential smoothing, linear regresion, dan winters model serta metode forecasting yang lainnya.program ini dapat mengolah data historis lebih dari 1000 data yang bergantung pada memori komputer. Pada program dapat menambah atau mengurangi data historis untuk waktu yang berjalan dengan memilih memodifikasi data asli. Ketika mempraktekkan time series forecasting, anda mungkin diminta untuk menyediakan parameter
http://digilib.mercubuana.ac.id/
52
untuk model spesifik yang anda pilih, atau dengan TSFC search (criterion search) untuk parameter terbaik yang didasarkan pada ukuran performansi yang dispesifikasikan. TSFC mengikuti anda untuk menentukan inisial nilai seperti inisial forecast dan index seasonality. Anda dapat memilih beberapa option dalam memplotingkan hasil dari forecasting. TSFC menghitung peramalan berdasarkan data historis (time series data). Model time series forecasting yang tersedia adalah : a. Simple average b. Weighted moving average c. Linear regression with time d. Holt-winters additive aqorithm e. Holt-winters multiplcative aqorithm f. Dan lain-lain Beberapa metode memerlukan pemakai untuk memasukkan parameter tambahan. Sebagai contohnya, moving average memerlukan jumlah dari periode yang berjalan (moving periods). Terdapat empat ukuran performance yang disediakan dalam TSFC untuk time series forecasting. Keempat ukuran performance tersebut adalah mean absolut deviation (MAD), mean square deviation (MSD), mean absolut percent error (MAPE), cumulative forecast error (CFE). Berdasarkan salah satu dari empat ukuran performance diatas, program dibiarkan mencari parameter terbaik untuk model spesifik yang berdasarkan pada tersedianya rentang parameter.
http://digilib.mercubuana.ac.id/
53
Pada time series forecasting tersedia pilihan dalam memplotkan peramalan dengan layar dengan skala yang berbeda.
3.6
Software WinQSB WinQSB (Quantity System for business) atau umumnya juga dikenal
dengan nama WinQSB (QSB yang berjalan pada sistem operasi Windows) merupakan software yang mengandung algoritma problem solving untuk riset operasi (operational research) dan untuk ilmu
manajemen.
Software
ini
dikembangkan oleh Yih-Long Chang. Software ini terdapat beberapa submodul yang dapat membantu menyelesaikan permasalahan umum dalam menajemen bagi manajer dan masalah bisnis umumnya. WinQSB sendiri terdapat beberapa modul yang dapat digunakan untuk menyelesaikan
masalah
masalah
operation
riset
dan
ilmu
manajemen
seperti analisis Sampling, Agregat dalam sistem Produksi, Analisis Keputusan, Pemrograman dinamis, goal programming, Tata letak fasilitas, peramalan permintaan, Sistem inventory, Penjadwalan kerja, Pemrograman Linier dan Integer, Pernencanaan kebutuhan material (MRP), Proses Markov, dan teori antrian. Masing-masing permasalahan tersebut bisa diselesaikan dengan masingmasing modular yang terdapat dalam aplikasi WinQSB ini WinQSB adalah salah satu software yang juga dapat dimanfaatkan untuk melakukan peramalan permintaan didalam perencanaan dan pengendalian produksi. Tersedia 11 algoritma untuk melakukan peramalan permintaan dengan model peramalan time series, yaitu peramalan dengan menggukakan deret waktu.
http://digilib.mercubuana.ac.id/