Peramalan ( Forecasting)

2.4.2 Manfaat Peramalan Permintaan

Peramalan permintaan sangat bermanfaat bagi perusahaan karena berhubungan dengan pengambilan keputusan. Manfaat dari peramalan permintaan adalah sebagai berikut:

1. Untuk menentukan kebijakan dalam persoalan penyusunan anggaran untuk segala aktivitas yang dilaksanakan, seperti anggaran penjualan dan sebagainya.

2. Pedoman untuk pengendalian persediaan, karena bila persediaan terlalu besar maka akan menimbulkan biaya penyimpanan yang tinggi dan sebaliknya bila persediaan terlalu kecil maka akan berpengaruh pada tingkat pelayanan terhadap konsumen. Oleh karena itu, peramalan dapat digunakan sebagai pedoman untuk mengendalikan persediaan.

3. Merupakan langkah evaluasi yang baik untuk mengatur tingkat pelayanan (kemampuan memenuhi permintaan) terhadap konsumen.

2.4.3 Prinsip-Prinsip Peramalan

Peramalan mempunyai prinsip-prinsip yang perlu dipertimbangkan, diantaranya:

1. Secara umum, teknik peramalan berasumsi bahwa sesuatu yang berlandaskan pada sebab yang sama yang terjadi dimasa lalu akan berlanjut dimasa yang akan datang.

2. Tidak ada peramalan yang sempurna, peramalan hanya tidak mengurangi ketidakpastian dari dari suatu kondisi yang akan terjadi dimasa yang akan dating. Dengan demikian hasil peramalan mengandung nilai kesalahan.

3. Peramalan untuk family item cenderung lebih akurat dari pada peramalan untuk produk individu.

4. Peramalan jangka pendek mengandung ketidakpastian yang lebih sedikit dari pada peramalan untuk jangka waktu yang lebih lama. Dengan demikian peramalan untuk jangka waktu yang lebih pendek cenderung lebih akurat.

2.4.4 Langkah-Langkah Peramalan

Langkah-langkah yang harus diperhatikan untuk menjamin efektivitas dan efisiensi dari system peramalan dalam manajemen permintaan, yaitu:

1. Menetukan tujuan dari peramalan Tujuan utama dari peramalan permintaan adalah untuk menentukan permintaan dari produk-produk independent demand dimasa yang akan datang.

2. Memilih produk independent demand yang akan diramalkan Pemilihan produk independent demand tergantung pada situasi dan kondisi actual dari masing-masing industry manufaktur dan tujuan peramalan itu sendiri.

3. Menetukan horizon waktu peramalan semakin jauh periode dimasa datang yang diramalkan (dengan asumsi faktor lain tetap) maka hasil ramalan akan semakin kurang akurat.

4. Mengumpulakan data yang diperlukan untuk melakukan peramalan Data yang diperlukan untuk melakukan peramalan adalah data permintaan, lead time , persediaan dan lain sebagainya. Jangka waktu untuk proses peramalan secara normal minimal 1 tahun.

5. Memilih model-model peramalan Pemilihan model peramalan bergantung pada pola data dan horizon waktu peramalan. Pola data dibedakan menjadi 4, yaitu: · Pola horizontal (H), terjadi bilamana nilai data berfluktuasi di sekitar rata-

rata yang konstan. Deret seperti ini stasioner terhadap nilai rata-rata. · Pola musiman (S), terjadi bilamana suatu deret dipengaruhi oleh factor musiman, misalnya tahun, minggu, atau hari tertentu. · Pola siklis (C), merupakan pola musiman dengan periode waktu jangka panjang, biasanya berhubungan dengan siklus bisnis. · Pola tern (T), terjadi bilamana ada kenaikan atau penurunan jangka panjang dalam data. Dari identifikasi pola dasar maka akan ditemukan formulasi model matematis

(dengan asumsi yang diperlukan) sehingga pola tersebut dapat diteruskan dan diperbaharui untuk masa yang akan datang.

6. Penentuan model peramalan Model peramalan yang baik adalah model peramalan yang dapat memberikan hasil ramalan yang tidak jauh berbeda dengan kenyataan yang terjadi. Dengan kata lain model peramalan yang baik adalah yang dapat memberikan simpangan terkecil antara hasil peramalan dengan nilai kenyataanya.

7. Validasi model peramalan Validasi model peramalan dapat dilakukan dengan menggunakan tracking signal . Tracking signal adalah suatu ukuran bagaimana baiknya suatu ramalan memperkirakan nialai-nilai actual.

8. Membuat peramalan

2.4.5 Metode-metode Peramalan

Secara garis besar ada 2 macam metode peramalan yang dapat digunakan:

1. Peramalan dengan menggunakan metode kualitatif Peramalan dengan metode kualitatif dilakukan dengan beberapa alasan

sebagai berikut: · Data masa lalu belum pernah ada atau susah diperoleh. · Trend data masa lalu diperkirakan berbeda dengan trend masa yang

akan datang.

2. Peramalan dengan menggunakan metode kuantitatif. Peramalan dengan kuantitatif dapat dilakukan dengan beberapa persyaratan sebagai berikut: · Data masa lalu bisa diperoleh dan dapat dikuantifikasi. · Data masa lalu diperkirakan memiliki trend yang sama dengan data

yang akan datang. Metode peramalan kuantitatif dapat digolongkan pada dua bagian, yaitu:

a. Teknik deret berkala (time series), yaitu memperlakukan proses untuk memperoleh output atau taksiran sebagai sistem yang tidak bisa diketahui atau black box dan tidak perlu dilakukan usaha untuk menelusurinya. Berdasar pola datanya, metode time series ada 4 tipe yaitu : pola stasioner, musiman (seasonal), siklik, trend. Gambar 2.2 merupakan gambar dari masing-masing pola data time series :

Pola Data Horizontal Pola Data Musiman Pola Data Horizontal

Pola Data Horizontal

Pola Data Trend

Pola Data Siklus

Pola Data Horizontal

Pola Data Horizontal

Gambar 2.2 Pola data time series

Sumber: Vincent Gaspersz, 2001

Keterangan gambar: - Pola data stationer (horizontal): Suatu data runtut waktu yang bersifat stationer atau horizontal, dimana serial data nilai rata-ratanya tidak berubah sepanjang waktu (data berfluktuasi konstan pada nilai tertentu). - Pola data musiman: Suatu data runtut waktu yang bersifat musiman, dimana data mempunyai perubahan yang berulang (sekumpulan data dipengaruhi faktor musiman). - Pola data siklis: Suatu data yang dipengaruhi fluktuasi ekonomi jangka panjang. - Pola data trend: Suatu data runtut waktu yang bersifat trend. Suatu data runtut waktu dikatakan mempunyai trend jika nilai harapannya berubah sepanjang waktu sehingga data tersebut diharapkan akan meningkat atau menurun selama periode dimana peramalan diinginkan.

b. Teknik expl anator y at au kaus al, yai t u menganggap out put/

taks iran mempunyai hubungan sebab akibat dengan input dalam sistem.

2.4.6 Metode-Metode Peramalan Kuantitatif Time Series

Berikut ini adalah beberapa metode peramalan yang digolongkan model kuantitatif untuk model deret berkala (time series) yaitu: rata-rata bergerak (moving averages model), pemulusan exponential (exponential smoothing), dan adaptive exponential smoothing .

1. Model Rata-rata Bergerak (Moving Averages Model)

Berdasarkan Gaspersz (2001), model rata-rata bergerak menggunakan sejumlah data aktual permintaan yang baru untuk membangkitkan nilai ramalan untuk permintaan di masa yang akan datang. Metode rata-rata bergerak akan efektif bila kita dapat mengasumsikan bahwa permintaan pasar terhadap produk akan tetap stabil sepanjang waktu.

Teknik ini akan bekerja secara sempurna bila pola data yang digunakan stasioner atau relative steady, tidak ada lonjakan atau penurunan terlalu tajam. Teknik ini atau metode ini tidak dapat digunakan untuk menangani data yang memiliki komponen trend dan musiman. Model rata-rata bergerak diperoleh dengan menghitung rata-rata suatu nilai runtut waktu dan kemudian menggunakannya untuk meramal periode selanjutnya. Persamaan metode ini dapat dilihat dibawah ini:

Mt=Yt + 1=(Yt + Yt-1 + Yt-2 + ….. + Yt-n + 1):n……………...(2.19)

2. Model Pemulusan Eksponensial (Exponential Smoothing)

Berdasarkan Gasperz (2001), model peramalan pemulusan eksponensial bekerja hampir sama dengan alat thermostat, dimana bila galat ramalan (forecast error ) adalah positif, yang berarti nilai actual permintaan lebih tinggi dari pada nilai ramalan (A-F>0). Sebaliknya apabila galat ramalan adalah negatif, berarti nilai actual permintaan lebih rendah daripada nilai ramalan (A-F<0), maka model pemulusan eksponensial akan secara otomatis menurunkan nilai ramalan. Proses penyesuaian ini berlangsung terus-menerus, kecuali galat ramalan telah mencapai nol. Model peramalan biasa digunakan apabila pola data historis dari data actual permintaan bergejolak atau tidak stabil dari waktu ke waktu.

a. Metode Single Exponensial Smoothing

Berdasarkan Gaspersz (2001), metode ini adalah suatu prosedur yang terus menerus memperbaiki peramalan dengan merata-rata (menghaluskan atau Berdasarkan Gaspersz (2001), metode ini adalah suatu prosedur yang terus menerus memperbaiki peramalan dengan merata-rata (menghaluskan atau

F t + 1 = a X t + ( 1 - a ) F t …………………………………….…………...(2.20) Dimana:

F t + 1 = Peramalan untuk periode t +1

a = konstanta pemulusan, nilainya berkisar antara 0< a <1

X t = data aktual periode t

F t = peramalan untuk periode t jika t=1 Pada metode ini nilai yang lebih baru diberikan bobot yang relatif besar dari yang

lama. Metode ini cocok untuk data stasioner. Kelebihan dari metode ini adalah tidak memerlukan data yang terlalu banyak dan dapat mengurangi masalah penyimpangan data.

b. Metode Double Exponential Smoothing

Pada metode double exponential secara teoritis akan sesuai jika serial data memiliki pola horizontal (tidak memiliki trend). Jika data tersebut dipakai untuk serial data yang memiliki trend yang konsisten, ramalan yang dibuat akan berada dibelakan trend itu. Metode double exponential smoothing ini menghindari masalah tersebut dengan cara explisit mengenali dan mempertimbangkan adanya trend . Metode ini menggunakan dua konstanta pemulusan. Konstanta tersebut adalah a dan b .

S’ t = aX t + (1-a) S’ t-1 ………………………………………....…...(2.21)

S’’ t = b*S’ t +(1-b) S’ t-1 …………………………………….….…...(2.22)

c. Adaptive Exponential Smoothing

Metode ini dimulai dengan menetapkan nilai a , pads setiap periode, pengecekan terhadap, nilai

a dengan 3 nilai, a -0.05, a , a +0.05, akan diperoleh nilai F(t) dengan error absolut terkecil. Formula untuk metode ini adalah

F(0 )= A(1 ) F(

t )= a A (t) + (I - a ) F(t –1) ………………………………...(2.23) Dimana: F( t ) = peramalan untuk periode t

A (t) = actual data dalam periode t

I = seasonal index untuk periode t

2.4.7 Pengukuran Kesalahan Peramalan

Peramalan yang baik mempunyai berbagai kriteria yang penting antara lain akurasi, biaya dan kemudahan. Akurasi dari suatu hasil peramalan diukur dengan bias dan konsistensi peramalan. Hasil peramalan dikatakan bias bila peramalan tersebut terlalu tinggi atau terlalu rendah dibandingkan dengan kenyataan yang sebenarnya terjadi. Hasil peramalan dikatakan konsisten jika besar kesalahan peramalan relatif kecil. Ukuran akurasi hasil peramalan merupakan tingkat perbedaan antara hasil peramalan dengan permintaan yang sebenarnya terjadi. Ukuran akurasi peramalan yang biasa digunakan yaitu:

1. Mean Error : ME = å

: MAE = å ………………...(2.25)

2. Mean Absolute Error

3. Sum of Square Error 2 : SSE = å

e i ….……………...(2.26)

4. Mean Squared Error i : MSE = å e

5. Standard Deviation of Error : SDE = i å

6. Percentage Error

: PE =

x 100 % ………...(2.29)

å PE 7. Mean Percentage Error i : MPE = ………….…...(2.30)

8. Mean Absolute Percentage Error : MAPE = å PE

dimana e i merupakan kesalahan (error) pada periode i yang nilainya didapat dari selisih antara nilai aktual dengan nilai ramalan periode

i. Secara matematis e i dinyatakan sebagai berikut

e i =X i -F i ……………………………………………………..………...(2.32)

X i : data aktual pada periode i

F i : hasil forecasting pada periode ke-i

2.4.8 Validasi Model Peramalan

Tracking signal adalah 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 error (RFSE) dibagi dengan mean absolute deviation (MAD). Persamaan untuk menentukan tracking signal adalah:

RFSE Y t - Y

Tracking signal =

MAD MAD

Keterangan: RFSE : Running sum of the forecast error Y t : Nilai actual pada periode t

Y : Nilai peramalan pada periode t Tracking signal yang positif menunjukkan bahwa nilai aktual permintaan lebih besar daripada ramalan, sedangkan tracking signal yang negatif berarti nilai aktual permintaan lebih kecil daripada ramalan. Suatu tracking signal disebut baik apabila memiliki RFSE yang rendah, dan mempunyai positif error yang sama banyak atau seimbang dengan negative error, sehingga pusat dari tracking signal mendekati nol. Apabila tracking signal telah dihitung, pets kontrol tracking signal dapat dibangun dengan nilai tracking signal maksimum ± 4, sebagai batas-batas pengendalian untuk tracking signal, yang memiliki batas kontrol atas dan batas kontrol bawah.

2.4.9 Peramalan dengan Metode Croston

Metode croston pada dasarnya memisahkan permintaan suatu item yang intermitten menjadi 2 bagian, yaitu ukuran permintaan dan waktu antar

kedatangan permintaan. Misalkan suatu proses * D z dapat dirumuskan dengan:

D 2 z = a + e z dimana E( z e ) = 0, Var ( e)= z s

Intermittent demand adalah permintaan yang terjadi dalam waktu yang terputus- putus, misalnya spare part. intermittent demand mempunyai sifat:

1. Permintaan mungkin terjadi secara terus-menerus, tetapi terdapat beberapa periode dengan sedikit atau tanpa permintaan yang diikuti dengan periode yang mempunyai permintaan tinggi.

2. Waktu terjadinya permintaan tidak dapat diprediksikan seperti regular demand atau bisa dikatakan mempunyai tingkat ketidakpastian tinggi.

3. Standar deviasi dari permintaan atau hasil peramalan mempunyai nilai yang lebih tinggi daripada rata-rata permintaan. Jika permintaan posistif pada periode t terjadi dengan probabilitas p, maka

distribusi dari A z adalah k-1 P ( A

z = k) = (1-p) p,k>1 Dengan

E ( A z ) = , Var ( A z ) =

Nilai proses * D

dan A z dalam hal ini diasumsikan independent. Dengan menggunakan prosedur single exponential smoothing untuk proses * D

dan A z (Strijbosch et al, 1998), maka akan didapatkan:

A * z = b A z + ( 1 - b ) A z - 1 ………………………………….…………...(2.34)

D * z = a D z + ( 1 - a ) D z - 1 ……………………………………………...(2.35) Dimana:

D z = forecast ukuran permintaan untuk periode z

D * z = ukuran permintaan periode ke z-1

A z = forecast ukuran waktu antar permintaan untuk periode z

A * z = ukuran waktu antar permintaan periode ke z-1

a = parameter ukuran permintaan (0.1-0.9)

b = parameter ukuran waktu antar kedatangan permintaan (0.1-0.9)

-1 = forecast permintaan sebelum D z

A * z -1 = forecast waktu antar kedatangan permintaan sebelum A z Parameter smoothing pada umumnya memenuhi 0< a <0,3 dan 0< b <0,3. Nilai estimasi dari standar deviasi forecast error dari * D

z diperoleh dengan melakukan smoothing terhadap rata-rata deviasi absolute dari forecast error (dan dikalikan

Sehingga hasil forecast permintaan pada suatu periode dapat dihitung dengan menggunakan rumus:

D t ( t ) = ^ ………………………………………………………...(2.36)

Dimana

D t ( t ) =forecast jumlah permintaan untuk satu periode (hari)