6 menterjemahkan informasi ke dalam faktor input yang dibutuhkan dalam
peramalan permintaan. Banyak faktor lingkungan yang mempengaruhi permintaan suatu
organisasi yang menghasilkan barang atau jasa, namun tidak mungkin mengidentifikasi semua faktor dan menghitung kemungkinan pengaruhnya
terhadap organisasi. Beberapa faktor umum lingkungan yang mempengaruhi peramalan, yaitu:
a. Kondisi umum bisnis dan ekonomi b. Reaksi dan tindakan pesaing
c. Tindakan pemerintah d. Kecenderungan pasar, yang dipengaruhi oleh:
1. Siklus kehidupan produk 2. Gaya dan mode
3. Perubahan permintaan konsumen e. Inovasi teknologi
Assauri 1999 menyatakan bahwa “Prakiraan atau peramalan merupakan
seni dan ilmu dalam memprediksikan kejadian yang mungkin dihadapi pada masa yang akan datang”.
2.2 Beberapa Metode Peramalan
Banyak jenis metode peramalan yang tersedia untuk manajemen. Namun yang lebih penting bagi para praktisi adalah bagaimana memahami karakteristik
suatu metode peramalan agar cocok bagi situasi pengambilan keputusan tertentu. Secara umum metode peramalan dapat diklasifikasikan dalam dua kategori utama,
Universitas Sumatera Utara
7 yaitu metode kuantitatif dan metode kualitatif. Metode kuantitatif dapat dibagi ke
dalam deret berkala atau runtut waktu time series, indikator ekonomi dan model ekonometri. Sedangkan metode kualitatif dapat berupa pengumpulan pendapat
yang dapat dibagi menjadi pengumpulan pendapat para ahli, survei pasar dan ada pula yang mengelompokkan dalam metode eksploratoris dan normatif.
Metode kuantitatif sangat beragam dan setiap teknik memiliki sifat ketepatan dan biaya yang harus dipertimbangkan dalam memilih metode tertentu.
Metode kuantitatif didasarkan atas prinsip-prinsip statistik yang memiliki tingkat ketepatan tinggi atau dapat meminimumkan kesalahan error, lebih sistematis,
dan lebih popular dalam penggunaannya. Makridakis, Wheelwright dan McGee 1999 menjelaskan bahwa pada umumnya peramalan kuantitatif dapat diterapkan
bila terdapat tiga kondisi berikut: - Tersedia informasi tentang masa lalu
- Informasi tersebut dapat dikuantitatifkan dalam bentuk data numerik - Diasumsikan bahwa beberapa pola masa lalu akan terus berlanjut.
Peramalan dengan menggunakan metode deret waktu didasarkan pada pendugaan masa depan yang dilakukan berdasarkan nilai masa lalu dari suatu
variabel dan atau kesalahan peramalan di masa lalu. Tujuan metode peramalan deret waktu seperti itu adalah menemukan pola dalam deret data historis dan
mengekstrapolasikan pola dalam deret data tersebut ke masa depan. Menurut Makridakis, Wheelwright dan McGee 1999, langkah penting
dalam memilih suatu metode deret waktu yang tepat adalah dengan mempertimbangkan jenis pola datanya.
Universitas Sumatera Utara
8 Pola data dapat dibedakan menjadi empat, yaitu :
a. Pola horisontal, terjadi bilamana data berfluktuasi di sekitar nilai rata-rata yang konstan atau stasioner terhadap nilai rata-ratanya.
b. Pola musiman, terjadi bilamana suatu deret data dipengaruhi oleh faktor musiman misalnya kuartal tahun tertentu, bulanan atau hari pada minggu
tertentu c. Pola siklis, terjadi bilamana datanya dipengaruhi oleh fluktuasi ekonomi
jangka panjang seperti yang berhubungan dengan siklus bisnis atau ekonomi.
d. Pola trend, terjadi bilamana terdapat kenaikan atau penurunan jangka panjang dalam data.
Jika terdapat deret data yang mencakup kombinasi dari pola-pola data tersebut, maka metode peramalan yang dapat membedakan setiap pola harus
digunakan bila diinginkan adanya pemisahan komponen pola tersebut. Berikut ini Gambar 2.1 Jenis-Jenis Pola Data
Universitas Sumatera Utara
9 penjelasan perhitungan atau rumus dari tiga metode peramalan berdasarkan
pergerakan garis trend. Menghitung nilai trend dapat dilakukan dengan beberapa metode, dalam tulisan
ini akan disampaikan tiga metode yang paling sering digunakan yaitu :
a. Metode kuadrat terkecil least square method Perhitungan nilai trend dengan metode ini juga biasa disebut dengan
metode linier yang dilakukan dengan menggunakan persamaan: Y = a + b. t
dimana: Y = data time series periode t
t = waktu hari, minggu, bulan, triwulan, tahun a, b = bilangan konstan
Nilai a dan b diperoleh dari: a
= ∑Yn dan b = ∑t.Y ∑t
2
b. Metode trend kuadratis quadratic trend method Menghitung nilai trend dengan metode ini dilakukan dengan menggunakan
persamaan: Y = a + b.t + c.t
2
dimana: Y = data time series periode t
t = waktu hari, minggu, bulan, triwulan, tahun a, b, c = bilangan konstan
Nilai a, b dan c diperoleh dari:
Universitas Sumatera Utara
10 a
= ∑Y ∑t
2
.t
2
- ∑t
2
.Y ∑t
2
n∑t
2
.t
2
- ∑t
2 2
b = ∑t .Y∑t
2
c = n∑t
2
.Y- ∑t
2
∑Yn∑t
2
.t
2
- ∑t
2 2
c. Model Siklis Musiman Untuk pola data yang bersifat siklis atau musiman, persamaan garis yang
mewakili dapat didekati dengan fungsi trigonometri, yaitu: t
n v
t n
u a
t Y
2 sin
2 cos
...................................1
Dimana n adalah jumlah periode peramalan Jumlah Kuadrat Kesalahan Terkecil didefinisikan sebagai Makridakis,
1999:
n i
t N
v t
N u
a t
Y E
1 2
] 2
sin 2
cos [
Bentuk diskriminannya adalah sebagai berikut :
Maka: 2.3 Pemilihan Metode Prakiraan
2 2
sin 2
2 cos
2 sin
2 cos
1
n t
N k
n t
N k
n k
t N
t N
k ’
2 sin
2 2
cos 2
sin 2
2 sin
2 cos
2 cos
2 2
sin 2
2 cos
1 2
2 t
N k
n t
N k
n k
t N
n t
N k
t N
k n
k t
N n
t N
k n
t N
k k
n n
n k
Universitas Sumatera Utara
11 Pada bagian ini akan dikemukakan suatu kerangka pemilihan metode-metode
kualitatif, deret berkala dan kausalik. Kerangka tersebut sebagian besar berdasarkan
penelitian oleh
Wheelwright dan
Clarke 1999,
yang mengidentifikasikan faktor-faktor yang perlu diperhatikan oleh perusahaan dalam
memilih metode prakiraan atau peramalan. Faktor-faktor terpenting adalah sebagai berikut :
1. Keahlian pemakai dan kecanggihan sistem. Metode prakiraan harus disesuaikan dengan pengetahuan dan keahlian si
pemakai. Pada umumnya para manajer enggan menggunakan hasil suatu teknik yang tidak mereka kuasai. Faktor lain adalah status sistem
peramalan cenderung berkembang kearah metode yang secara sistematis semakin canggih, bukan suatu langkah perubahan yang besar. Jadi metode
yang dipilih jangan terlalu canggih bagi pemakai atau terlalu lanjut dibandingkan sistem peramalaan saat ini. Kadang-kadang model yang
lebih sederhana lebih baik hasilnya, sehingga kecanggihan bukanlah tujuan utama.
2. Waktu dan sumber daya yang tersedia. Pemilihan metode peramalan akan bergantung pada waktu yang tersedia
untuk mengumpulkan datadan mempersiapkan prakiraan atau peramalan. Ketersediaan waktu ini termasuk waktu untuk pemakai, prediktor dan
pengumpul data. Persiapan untuk suatu peramalan yang rumit mungkin memerlukan waktu berbulan-bulan untuk pengumpulan data dan
menghabiskan ribuan dolar. Untuk peramalan rutin yang dilakukan oleh
Universitas Sumatera Utara
12 sistem komputerisasi, mungkin sangat sedikit biaya maupun waktu yang
diperlukan. 3. Karakteristik pemakaian atau keputusan.
Pemakaian, pada gilirannya sangat erat berkaitan dengan beberapa karakteristik seperti ketepatan, jangka waktu prakiraan, dan jumlah hal
yang akan diprakirakan atau diramalkan. Sebagai contoh, keputusan mengenai sediaan dan penjadwalan memerlukan prakiraan jangka pendek
dengan ketepatan tinggi untuk sejumlah besar barang. Metode deret berkala umumnya tepat untuk kebutuhan ini. Sebaliknya, keputusan yang
menyangkut perencanaan proses dan fasilitas bersifat jangka panjang, mungkin kurang memerlukan ketepatan tinggi untuk perkiraan tunggal
mengenai total permintaan. Metode kualitatif atau kausalik lebih sesuai untuk keputusan tersebut. Perencanaan agregat dan keputusan pelanggaran
yang bersifat jangka menengah seringkali menggunakan metode deret berkala atau kausalik.
4. Ketersediaan data Pemilihan metode peramalan seringkali dibatasi oleh data yang tersedia.
Model ekonometri mungkin membutuhkan data yang tidak mudah tersedia dalam waktu singkat, sehingga perlu memiliki metode lain. Metode deret
waktu Box-jenkins memerlukan sekitar 60 butir data 5 tahun data bulanan. Kualitas data yang tersedia juga perlu dipertimbangkan. Data
perlu diperiksa dari kemungkinan faktor atau butir yang tidak sesuai.
Universitas Sumatera Utara
13 5. Pola data.
Pola data akan mempengaruhi jenis metode prakiraan yang dipilih. Jika deret waktu berbentuk datar, dapat digunakan metode tingkat satu. Akan
tetapi, apabila pola data menunjukkan kecendrungan trend atau musiman seasonal, akan diperlukan metode yang lebih canggih. Pola data juga
menentukan apakah metode deret waktu sudah cukup atau diperlukan suatau metode kausalik. Jika pola data tidak stabil, mungkin perlu dipilih
suatu metode kualitatif. Jadi, pola data merupakan salah satu faktor penting yang mempengaruhi metode peramalan. Salah satu cara untuk
menentukan pola data adalah dengan mengalurkan data dalam suatu grafik. Hal ini perlu selalu dilakukan sebagai langkah pertama da;am melakukan
teknik peramalan. Hal lain yang berkenaan dengan pemilihan metode peramalan adalah
perbedaan suai fit dan perkiraan prediksi. Jika beberapa model yang berbeda diuji, seringkali dianggap bahwa model yang sangat tepat dengan data historis
kesalahan terkecil juga merupakan model prediktif terbaik. Hal ini tidak benar. sebagai contoh, misalkan observasi terhadap permintaan dilakukan selama
delapan periode waktu dan kita ingin mendapatkan model deret waktu terbaik untuk data yang diperoleh. Suatu model polinominal tingkat tujuh dapat dibentuk
dengan sangat tepat melalui setiap titik dari kedelapan data masa lalu tersebut. Akan tetapi, model ini bukanlah prediktor terbaik untuk masa depan Schroeder,
1997. Model prediktif terbaik adalah model yang menggambarkan deret waktu
yang menjadi acuan, tetapi tidak “memaksakan sesuai” dengan data. Cara yang
Universitas Sumatera Utara
14 tepat untuk menyesuaikan model-model yang dibuat berdasarkan data masa
lampau adalah memisahkan model suai fit dengan model prediksi. Pertama kumpulan data dibagi ke dalam dua bagian.
Beberapa model berdasarkan asumsi yang dapat diterima mengenai musiman seasonality, kecendrungan trend, dan siklus kemudian disesuaikan
dengan kumpulan data pertama. Model-model ini digunakan untuk nilai prediksi bagi kumpulan data kedua, dan model dengan kesalahan terkecil pada kumpulan
data kedua, merupakan model terbaik. Pendekatan ini menggunakan model suai fit untuk kumpulan data pertama dan model prediksi untuk kumpulan data kedua
sebagai dasar pemilhan model. Akhirnya, suatu pertanyaan menarik mengenai pemilihan model adalah
ketetapan peramalan kualitatif manusia dibandingkan dengan peramalan berdasarkan model kuantitatif. Ebert 1976 membandingkan manusia dengan
model untuk bermacam pola permintaan berdasarkan deret berkala. Ia menemukan bahwa apabila data memiliki sejumlah besar ingar-acak random
noice atau pola musiman non linear, model lebih baik dari prakiraan manusia dengan perhatian ditekankan tingkat pertama dengan nilai acak digunakan,
prakiraaan manusia seringkali lebih baik dari model. Penelitian ini menunjukkan bahwa model kuantitatif tidak selalu menghasilkan prakiraan yang lebih baik
ketimbang manusia Schroeder, 1997.
2.4 Pengertian Persediaan
