P. 1
peramalan

peramalan

|Views: 398|Likes:

More info:

Published by: محمد يوسف هداية الله on Mar 16, 2011
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as DOC, PDF, TXT or read online from Scribd
See more
See less

09/21/2013

pdf

text

original

BAB III PERAMALAN

Teori Peramalan 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. Pertimbangan ini dibutuhkan karena tidak ada satupun metode dari peramalan tersebut yang dapat dipergunakan secara universal untuk seluruh keadaan atau situasi. Di samping itu perlu diperhatikan bahwa peramalan selalu salah, di mana jarang sekali terjadi apa yang diramalkan tentang permintaan misalnya sama persis dengan jumlah yang terjadi dalam permintaan nyata. 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. 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 hasilhasil 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 pesananpesanan yang bersifat pasti Menurut Gaspersz (2004). atau panjang). Pesanan-pesanan yang bersifat pasti ini antara lain pesanan pelanggan. f. dikenal dua sumber utama yang berkaitan dengan informasi permintaan produk. service or spare parts and samples. Dengan demikian item-item yang dapat diramalkan dalam industri manufaktur adalah produk-produk untuk make-to-stock. parts atau produk yang tidak terkait langsung dengan struktur bill of material untuk produk akhir atau item tertentu dan oleh karena itu digolongkan ke dalam independent demand. Memilih model-model peramalan. distribution center demands (or branch warehouse demands). Validasi model peramalan. b. yaitu ramalan terhadap produk independent demand yang bersifat tidak pasti dan pesanan-pesanan yang bersifat pasti. Menentukan tujuan dari peramalan. e. dan oleh karena itu digolongkan sebagai dependent demand harus direncanakan atau dihitung. atau produk yang terkait langsung terhadap atau diturunkan dari struktur bill of material untuk produk akhir atau item tertentu. Pada dasarnya terdapat sembilan langkah yang harus diperhatikan untuk menjamin efektifitas dan efisiensi dari sistem peramalan dalam manajemen permintaan yang disebut juga sebagai konsep dasar sistem peramalan. resource availability. Memilih item independent demand yang akan diramalkan. Memperoleh data yang dibutuhkan untuk melakukan peramalan. menengah. yaitu: a. c. alokasi tertentu untuk area geografis. d. Dalam beberapa perusahaan industri manufaktur. Aktivitas peramalan hanya boleh dilakukan terhadap material. service parts dan kebutuhan internal perusahaan dan independent demand lainnya. Menentukan horizon waktu dari peramalan (jangka pendek. . parts. tidak boleh diramalkan. make-to-order. kebutuhan-kebutuhan untuk pusat distribusi dan operasi antar pabrik ditangani secara terpisah. dan lainlain. kebutuhan pemeliharaan (kecuali pemeliharaan preventif periodik). assemble-to-order. Sedangkan untuk material.

g. Pemilihan manufaktur. mingguan. Implementasi hasil-hasil peramalan. kita dapat mengetahui total permintaan dari suatu item atau produk agar memudahkan manajemen produksi dan inventori. Bagaimanapun juga peramal harus memilih interval ramalan atau bagaimana seringnya mengembangkan suatu ramalan. i. h. Penentuan horizon waktu peramalan akan tergantung pada situasi dan kondisi aktual dari masing-masing industri manufaktur serta tujuan dari peramalan itu sendiri. bulanan. termasuk kapasitas dan sumber daya lainnya dalam industri manufaktur. . Perencanaan produksi dan inventori. Selanjutnya dengan mengkombinasikannya dengan pelayanan pesanan (order service) yang bersifat pasti. proyek-proyek jangka panjang. analisis fasilitas. Di samping itu peramal harus memilih banyaknya periode di masa mendatang yang akan diramalkan. semesteran ataupun tahunan. produk-produk atau pasar-pasar baru. Dengan demikian jelas bahwa tujuan utama peramalan dalam manajemen permintaan adalah untuk mencapai efektivitas dan efisiensi dari manajemen produksi dan inventori dalam industri manufaktur. Dalam sistem peramalan berlaku aturan bahwa semakin jauh periode di masa mendatang yang diramalkan hasil ramalan akan semakin kurang akurat. tujuan utama dari peramalan dalam manajemen perawatan adalah untuk meramalkan permintaan dari item-item independent demand di masa yang akan datang. Alternatif yang umum dipilih adalah menggunakan interval waktu harian. Peramalan jangka panjang berkaitan dengan perencanaan bisnis. Memantau keandalan hasil peramalan. Membuat peramalan. Menurut Gaspersz (2004). semestinya mengacu kepada data total permintaan produk di masa yang akan datang. item-item yang independent terpenting demand bagi yang akan diramalkan adalah tergantung pada situasi dan kondisi aktual dari masing-masing industri Namun manajemen industri memperhatikan bahwa item-item independent demand adalah item-item yang bebas atau tidak terkait langsung dengan struktur Bill Of Material (BOM) untuk produk akhir yang akan dibuat oleh industri manufaktur itu.

Teori Tentang Metode Peramalan Yang Digunakan Menurut Eddy Herjanto. Ekstrapolasi dan kausal dikategorikan sebagai model kuantitatif sedangkan yang ketiga dikategorikan sebagai model kualitatif.investasi modal. pembelian menggunakan blanket purchase order. pendidikan. dll. yaitu ekstrapolasi. Peramalan jangka pendek berkaitan dengan perencanaan distribusi inventori. lebih banyak berdasarkan pertimbangan manajemen puncak. Meskipun . Karakteristik dari peramalan jangka panjang adalah dilakukan analisis satu kali. Oleh karena itu hasil peramalan dari satu orang dengan orang lain dapat berbeda. Terdapat sejumlah model peramalan yang telah dikembangkan pada saat ini. Di samping berdasarkan waktu. dilakukan oleh manajemen puncak dan dilakukan terhadap beberapa produk atau famili dari produk. produksi. emosi. dan pertimbangan. Namun berdasarkan alasan data yang tersedia dan kemudahan penggunaan dari model peramalan itu hanya terdapat beberapa model umum yang sangat populer untuk diterapkan. Pemilihan model-model peramalan akan tergantung pada pola data dan horizon waktu dari peramalan. lebih banyak menggunakan data eksternal. Hal yang berlaku umum berkaitan dengan agregasi ini adalah bahwa peramalan pada tingkat agregasi yang lebih tinggi akan lebih akurat dibandingkan peramalan pada tingkat agregasi yang lebih rendah atau pada tingkat disagregasi. Pada dasarnya model peramalan dapat diklasifikasikan ke dalam tiga kategori. peramalan juga dapat dilakukan berdasarkan lokasi geografis. Peramalan jangka menengah berkaitan dengan perencanaan anggaran. kausal. perencanaan material dan lain-lain. Pada umumnya peramalan kualitatif bersifat subjektif dipengaruhi oleh intuisi. Manajemen Produksi dan Operasi. dan kelompok produk yang dalam sistem peramalan dikenal sebagai peramalan berdasarkan dimensi agregasi dan agregasi. dan pengalaman seseorang. Metode peramalan terdiri atas metode peramalan kualitatif dan metode peramalan kuantitatif.

kemudian digabungkan pada tingkat provinsi dan seterunya sampai ke tingkat nasional untuk mencapai peramalan yang menyeluruh. kemudian jawabannya diringkas dan diberikan ke panel ahli untuk dibuat perkiraan. Juri Opini Eksekutif Pendekatan ini merupakan pendekatan peramalan yang paling sederhana dan banyak digunakan dalam peramalan bisnis. metode ini juga mahal dan sulit. Setiap tenaga penjualan meramalkan tingkat penjualan di daerahnya. telepon. c. Metode Delphi Dalam metode ini. time series) adalah metode yang digunakan untuk menganalisis serangkaian data yang merupakan fungsi dari waktu. Dalam peramalan kualitatif dikenal empat metode yang umum dipakai. Survei dapat dilakukan dengan kuesioner. Analisis serial waktu dimulai dengan memplotkan data pada suatu skala . Selain memerlukan waktu. tetapi juga dalam meningkatkan desain produk dan perencanaan untuk suatu produk baru. peramalan dengan metode kualitatif tidak berarti hanya menggunakan intuisi melainkan mengikutsertakan model statistik sebagai bahan masukan dalam melakukan judgment (pendapat. yaitu: a. atau wawancara langsung. b. Survei Pasar Masukan diperoleh dari konsumen atau konsumen potensial terhadap rencana pembelian dimasa datang. Metode Serial Waktu Metode serial waktu (deret berkala. Pada dasarnya. metode kuantitatif yang digunakan dalam perkiraan dapat dokelompokkan dalam dua jenis. karena tenaga penjualan (sales force) merupakan sumber informasi yang baik mengenai permintaan konsumen.demikian. keputusan) dan dapat dilakukan secara perseorangan ataupun kelompok. yaitu: a. Pendekatan ini membantu tidak saja dalam menyiapkan peramalan. Gabungan Tenaga Penjualan Metode ini cukup banyak digunakan. d. serangkaian kuesioner disebarkan kepada responden.

semesteran. b. Kecendrungan (trend). atau dalam bentuk lain antara input dan output dari suatu sistem. Konstan. kuartalan. dan akhirnya mencari suatu bentuk atau pola yang konsisten atas data. Pola berupa garis lurus horizontal. Sistem itu dapat berbentuk makro (seperti perekonomian nasional) atau mikro (seperti dalam perusahaan atau rumah tangga). seperti daur hidup bisnis. Metode Kausal bertujuan untuk meramalkan keadaan di masa datang dengan menemukan dan mengukur beberapa variabel bebas (independent) yang penting beserta pengaruhnya terhadap variabel tidak bebas yang diamati. b). yaitu apabila data tidak teratur sama sekali. jarang sekali suatu variabel memiliki pola konstan dalam jangka panjang. misalnya tahunan.waktu. baik yang awalnya meningkat maupun menurun dari waktu ke waktu. dapat diramalkan bagaimana pengaruh yang terjadi pada variabel tidak bebas apabila terjadi perubahan pada variabel bebasnya. Metode Kausal Metode Kausal atau disebut juga dengan metode eksplanatori mengasumsikan adanya hubungan sebab akibat antara variabel bebas dan variabel tidak bebas yang dipengaruhinya. . d). yaitu apabila data dalam jangka panjang mempunyai kecendrungan. e). bulanan atau mingguan. c).Data yang bersifat residu tidak dapat digambarkan. yaitu apabila polanya merupakan gerakan yang berulang-ulang secara teratur dalam setiap periode tertentu. Residu atau variasi acak. Musiman (seasonal). Dengan mengetahui model hubungan antara variabel yang bersangkutan. Pola dari serangkaian data dalam serial waktu dapat dikelompokkan dalam pola dasar sebagai berikut: a). Siklus (cyclical). Pola seperti ini terdapat dalam jangka pendek atau menengah. mempelajari pola tersebut. yaitu apabila data berfluktuasi dari sekitar rata-rata secara stabil. yaitu apabila data dipengaruhi oleh fluktuasi ekonomi jangka panjang.

Informasi tersebut dapat dikuantitatifkan dalam bentuk data numerik. Metode Weight Moving Average Model rata-rata begerak terbobot lebih responsif terhadap perubahan. weighted MA(n). n) Selanjutnya menggunakan formula untuk weighted MA(n).. dinyatakan sebagai berikut : Weighted MA(n) = ∑ ( pembobot untuk periode n ) ( permintaan aktual dalam periode n ) ∑ ( pembobot ) Secara umum pemberian bobot untuk model rata-rata bergerak n-periode terbobot. peramalan berdasarkan model rata-rata bergerak 4 bulan terbobot dilakukan sebagai berikut: . Tersedia informasi tentang masa lalu... akan dilakukan sebagai berikut : Tabel 3. weighted MA(n). c.Peramalan kuantitatif dapat diterapkan bila terdapat tiga kondisi berikut: a. . Pemilihan metode-metode peramalan akan tergantung pada pola data dan horizon waktu dari peramalan. Menurut Gaspersz (2004) suatu model rata-rata bergerak n-periode terbobot. karena data dari periode yang baru biasanya diberi bobot lebih besar. Dapat diasumsikan bahwa beberapa aspek pola masa lalu akan terus berlanjut dimasa yang akan datang. 2. b.1 Pemberian bobot untuk model rata-rata bergerak Periode 1 periode yang lalu 2 periode yang lalu 3 periode yang lalu : : n-1 periode yang lalu n periode yang lalu Jumlah Koefisien Pembobot (P) n n-1 n-2 : : n – (n – 2) = 2 n – (n – 1) = 1 Σpi (i = 1.

Untuk bisa mendapatkan nilai tracking signal harus dicari terlebih dahulu nilai MAD yang didapat dari rumus : MAD = ∑ ( absolut dari forecast errors) n RSFE MAD Tracking Signal = Metode Exponential Smoothing Metode peramalan dengan pemulusan eksponensial biasa digunakan untuk pola data yang tidak stabil atau perubahannya besar dan bergejolak. maka metode pemulusan eksponensial akan secara otomatis menurunkan nilai ramalan. dimana apabila galat ramalan (forecast error) adalah positif. Sebaliknya apabila galat ramalan (forecast error) adalah negatif. seyogianya kita membangun peta kontrol tracking signal. kecuali galat ramalan telah mencapai nol. yang berarti nilai aktual permintaan lebih rendah daripada nilai ramalan (A – F < 0). Proses penyesuaian ini berlangsung secara terus-menerus. yang berarti nilai aktual permintaan lebih tinggi daripada nilai ramalan (A–F>0). Metode permalan ini bekerja hampir serupa dengan alat thermostat. . maka model pemulusan eksponensial akan secara otomatis meningkatkan nilai ramalannya.Weighted MA(4) = ( 4 ) ( A1) + ( 3) ( A2 ) + ( 2 ) ( A3 ) + ( 1) ( A4 ) 10 Dimana : A1 = permintaan aktual 1 bulan (periode) yang lalu A2 = permintaan aktual 2 bulan (periode) yang lalu A3 = permintaan aktual 3 bulan (periode) yang lalu A4 = permintaan aktual 4 bulan (periode) yang lalu Selanjutnya untuk mengetahui sejauhmana keandalan dari model peramalan weighted MA(4).

dapat dipilih nilai α yang mendekati nol. Nilai konstanta pemulusan dapat dipilih di antara nilai 0 dan 1.Peramalan menggunakan metode pemulusan eksponensial dilakukan berdasarkan formula seperti di bawah ini. karena berlaku 0 < α <1. t-1 = konstanta pemulusan (smoothing constant) umum yang dihadapi apabila mengunakan model Permasalahan pemulusan eksponensial adalah memilih konstanta pemulusan (α ) yang dikira tepat. t-1 = nilai aktual untuk satu periode waktu yang lalu. Semakin stabil. Bagaimanapun juga untuk penetapan nilai α yang diperkirakan tepat. 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. Metode Regresi Linier Dalam ilmu statistika.1. dipilih nilai α yang mendekati 1.Ft-1 ) dimana : Ft Ft-1 At-1 α = nilai ramalan untuk periode waktu ke-t = nilai ramalan untu satu periode waktu yang lalu. dapat digunakan panduan sebagai berikut : Apabila pola historis dari data aktual permintaan sangat bergejolak atau tidak stabil dari dari waktu ke waktu.9 dan semakin bergejolak nilai α yang dipilih harus semakin tinggi menuju angka 1. Biasanya dipilih nilia α = 0. Biasanya dipilih nilai α = 0. Apabila pola historis dari data aktual permintaan tidak berfluktuasi atau relatif stabil dari waktu ke waktu. nilai α yang dipilih harus semakin kecil menuju nilai nol. Ft = Ft-1 + α (A t-1 . metode regresi linier sering sekali dipakai untuk memecahkan masalah-masalah dalam penaksiran tentunya hal ini berlaku juga .

. x = indeks waktu ( t = 1.. 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.merupakan tingkat perubahan dalam permintaan. Metode regresi linier dipergunakan sebagai metode peramalan apabila pola historis dari data aktual permintaan menunjukkan adanya suatu kecenderungan menaik dari waktu ke waktu. y|x ) berkaitan linier dengan x µ y|x = α + β x. Istilah regresi linier berarti.dalam peramalan sehingga metode regresi linier menjadi suatu metode yang mempunyai taksiran terbaik diantara metode-metode yang lain. n adalah banyaknya periode waktu Dengan taksiran a dan b masing-masing menyatakan perpotongan dengan sumbu y dan kenaikannya. ŷ = a + bx dimana : ŷ = nilai ramalan permintaan pada peiode ke-t a = intersep b = slope dari garis kecenderungan. bahwa rataan (µ dalam bentuk persamaan linier populasi. Bila taksiran untuk kedua parameter itu masing-masing dinyatakan dengan a dan b maka µ y|x dapat ditaksir dengan ŷ dari bentuk garis regresi berdasarkan sampel atau garis kecocokan regresi..n) ..3.. Koefisien regresi α dan β merupakan dua parameter yang akan ditaksir dari data sampel.2.

Atau yang lebih mudah adalah nilai kumulatif absolut error dibagi dengan periode. Mean Absolute Percentage Error dan Mean Squared Error. MAPE. namun yang paling umum digunakan adalah Mean Absolute Deviation. Jika diformulasikan maka formula untuk menghitung MAD adalah sebagai berikut : MAD = ∑ ( absolut dari forecast error ) n .Slope dan intersep dari persamaan regresi linier dihitung dengan menggunakan formula berikut : b= n. ∑ y n . Mean Absolute Deviation Bagaimanapun juga terdapat sejumlah indikator dalam pengukuran akurasi peramalan. ∑x n dimana : b a x y = slope dari persamaan garis lurus = intersep dari persamaan garis lurus = index waktu = variabel permintaan (data aktual permintaan) x-bar = nilai rata-rata dari x y-bar = nilai rata-rata permintaan per periode waktu. MAD merupakan nilai total absolut dari forecast error dibagi dengan data. rata-rata dari y Teori Ukuran Akurasi Peramalan Validasi metode peramalan terutama dengan menggunakan metodemetode di atas tidak dapat lepas dari indikator-indikator dalam pengukuran akurasi peramalan. ∑ xy .∑ x . dan MSE semakin kecil. Akurasi peramalan akan tinggi apabila nilai-nilai MAD.b .( ∑ x) 2 2 a= ∑x . ∑ x .

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. namun galat ramalan itu harus dikelola dengan benar. tetapi memperkecil angka kesalahan prakiraan yang lebih kecil MSE = ∑ n ei . Galat peramalan ini juga dapat berfungsi untuk menghitung nilai MAD yang telah dibahas pada sub bab sebelumnya.Mean Forecast Error Menurut Gaspersz (2004). Galat ramalan tidak dapat dihindari dalam sistem peramalan. aktivitas pesaing. 1 2 Alasan terjadi galat ramalan Tindakan yang harus diambil Perubahan dari pola data dasar Mengubah model peramalan Faktor eksternal (termasuk Identifikasi dan lakukan promosi. konflik internasional. dengan faktor eksternal itu dan lain-lain Variasi acak normal Terima model peramalan itu Kesalahan pemasukan data Identifikasi dan koreksi Perubahan dalam faktor Identifikasi dan lakukan ekstrinsik penyesuaian model peramalan dengan faktor ekstrinsik itu Mencari data asli atau substitusi data itu Terima model peramalan itu 3 4 5 6 7 Kehilangan data Tingkat disagregasi Rata-rata dari satu unit.2 Alasan terjadi galat ramalan dan tindakan yang harus diambil No. kesalahan kuadrat memperkuat pengaruh angka-angka kesalahan besar. hari penyesuaian model peramalan raya. Dalam sistem peramalan. mean forecast error biasa disebut juga galat peramalan. cuaca. penggunaan berbagai model peramalan akan memberikan nilai ramalan yang berbeda dan derjat dari galat ramalan yang berbeda pula. Tabel 3.

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. e ∑ x (100 ) i MPE = n Tracking Signal Menurut Gaspersz (2004). (MAPE) menunjukkan ratarata kesalahan absolut prakiraan dalam bentuk persentasenya terhadap data aktualnya. Tracking Signal = RSFE MAD Tracking signal yang positif menunjukkan bahwa nilai aktual permintaan lebih besar daripada ramalan.Mean Absolute Percentage Error (MAPE) Rata-rata persentase kesalahan kuadrat merupakan pengukuran ketelitian dengan cara-cara persentase kesalahan absolute. . 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. bulan atau triwulan. sehingga pusat dari tracking signal mendekati nol. Tracking signal dihitung sebagai running sum of the forecast errors dibagi dengan mean absolute deviation. sehingga data permintaan yang baru dibandingkan terhadap nilai-nilai ramalan. Pada setiap peramalan. suatu ukuran bagaimana baiknya suatu ramalan memperkirakan nilai-nilai aktual Suatu ramalan diperbaharui setiap minggu.

Moving Range digunakan untuk mengetahui sejauh mana arah pergerakan (misal : permintaan) bergerak. 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. Peta moving range memiliki batasan-batasan yang terdiri dari batas kontrol atas dan batas kontrol bawah. Perhitungan Moving Range menggunakan rumus : MR = − At ( Ft −1 − At −1 ) − ( Ft ) . Dapat dikatakan bahwa moving range adalah peta kontrol statistik yang digunakan pada pengendalian kualitas.Moving Range Moving range dibuat untuk membandingkan nilai-nilai observasi atau data aktual dengan nilai peramalan dari kebutuhan yang sama.

You're Reading a Free Preview

Download
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->