yang dibutuhan dalam rangka memenuhi permintaan barang ataupun jasa. Nasution, 2003; 25
Sedangkan peramalan permintaan merupakan tingkat permintaan produk- produk yang diharapkan akan terealisir untuk jangka waktu tertentu pada masa yang
akan datang. Peramalan permintaan ini digunakan untuk meramalkan permintaan dari produk yang bersifat bebas tidak bergantung, seperti peramalan produk jadi.
Nasution, 2003; 26 Metode peramalan dibagi dua yaitu ; metode peramalan Time Series dan
metode peramalan non time series. Dalam penelitian ini menggunakan metode peramalan time series yang merupakan metode peramalan secara kuantitatif dengan
menggunakan waktu sebagai dasar peramalan.
2.5.1 Peramalan dalam Horizon Waktu
Dalam hubungannya dengan horizon waktu peramalan maka kita dapat mengklasifikasikan peramalan tersebut dalam 3 kelompok Nasution, 2003; 26 :
1. Peramalan jangka panjang, umumnya 2 sampai 10 tahun. Peramalan ini digunakan untuk perencanaan produk dan perencanaan sumber daya.
2. Peramalan jangka menengah, umunya 1 sampai 24 bulan. Peramalan ini lebih mengkhususkan dibandingkan peramalan jangka panjang, biasanya digunakan
untuk menentukan aliran kas, perencanaan produksi, dan penentuan anggaran. 3. Peramalan jangka pendek, umumnya 1 sampai 5 minggu. Peramalan ini
digunakan untuk mengambil keputusan dalam hal perlu tidaknya lembur, penjadwalan kerja dan lain-lain keputusan kontrol jangka pendek.
Dalam penelitian ini menggunakan peramalan jangka menengah yang umunya dilakukan 1 atau 2 tahun yang digunakan untuk menentukan jalur distribusi paling
optimal berdasarkan data permintaan sebelumnya.
2.5.2 Prosedur Peramalan
Dalam melakukan peramalan terdapat beberapa prosedur, yaitu :
1. Tentukan pola data permintaan Dilakukan dengan cara memplotkan data secara grafis dan menyimpulkan apakah
data berpola trend, musiman, siklikal atau siklus, eratik random. Trend kecenderungan T adalah sifat dari dari permintaan di masa lalu terhadap waktu
terjadinya, apakah permintaan tersebut cenderung naik, turun atau konstan. Siklus C merupakan pola permintaan suatu produk yang berulang secara periodik
biasanya lebih dari satu tahun, sehingga tidak perlu dimasukkan dalam peramalan jangka pendek. Musiman S adalah pola permintaan suatu produk yang naik atau
turun disekitar garis trend dan biasanya berulang setiap tahun disebabkan faktor cuaca, musim libur panjang, dan lain-lain. Random R merupakan pola
permintaan suatu produk yang mengikuti pola bervariasi secara acak karena faktor bencana alam, bangkrutnya perusahan dan lain-lain pola ini dibutuhkan
dalam menentukan persediaan pengamatan untuk mengantisipasi kekurangan persediaan bila terjadi lonjakan permintaan. Nasution, 2003; 5.
2. Mencoba beberapa metode Time Series sesuai dengan pola permintaan tersebut untuk melakukan peramalan.
3. Mengevaluasi tingkat kesalahan masing-masing metode yang akan dicoba. Tingkat kesalahan masing-masing metode yang akan dicoba, tingkat kesalahan
diukur dengan kriteria MAD, MSE, MAPE. Ukuran akurasi hasil peramalan merupakan ukuran kesalahan error permintaan, merupakan tingkat perbedaan
antara hasil peramalan dengan permintaan yang sebenarnya terjadi. Dalam peramalan Time Series, metode peramalan terbaik adalah metode yang
memenuhi kriteria ketepatan ramalan, kriteria ini adalah, yaitu Nasution, 2003; 30- 31 :
a Rata-rata Deviasi Mutlak Mean Absolute Deviation = MAD MAD merupakan rata-rata kesalahan mutlak selama periode tertentu tanpa
memperhatikan apakah hasil peramalan lebih besar atau tetap kecil dibandingkan kenyataan. Secara matematis, MAD dirumuskan sebagai berikut :
∑
− =
n F
A MAD
t t
Dimana : A
t
= permintaan aktual pada periode t F
t
= hasil peramalan forecast pada periode t n
= jumlah periode peramalan yang terlibat b Rata-rata Kuadrat Kesalahan Mean Square Error = MSE
MSE dihitung dengan menjumlahkan kuadrat semua kesalahan. Peramalan pada tiap periode dan membaginya dengan jumlah periode peramalan. Secara
sistematis MSE dirumuskan sebagai berikut :
∑
− =
n F
A MSE
2 t
t
c Rata-rata Persentase Kesalahan Absolute Mean Absolute Percentage Error – MAPE
MAPE merupakan ukuran kesalahan relative. MAPE biasanya lebih berarti bila dibandingkan MAD. Karena MAPE menyatakan persentase kesalahan hasil
peramalan terhadap permintaan aktual selama periode tertentu yang akan memberikan informasi persentase kesalahan terlalu tinggi atau terlalu rendah.
Secara sistematis sebagai berikut :
∑
−
=
t t
t
A F
A n
100 MAPE
4. Memilih metode peramalan terbaik diantara metode yang dicoba. Metode terbaik akan memberikan tingkat kesalahan terkecil dibandingkan
metode lainnya dan tingkat kesalahan tersebut berada di bawah tingkat kesalahan yang telah ditetapkan.
Metode yang digunakan dalam Time Series, yaitu : a. Metode Rata-rata bergerak Tertimbang Weighted Moving Average
Dalam metode rata-rata bergerak memberikan timbangan yang sama bagi seluruh data pengamatan, walaupun data yang paling akhir lebih penting dan
perlu dipertimbangkan dalam penyusunan ramalan sedangkan dalam metode rata-rata bergerak tertimbang memberikan timbangan yang berbeda terhadap
data tersebut sesuai dengan peranan atau pentingnya data tersebut pada penyusunan ramalan pada periode berikutnya Ariyani, 2003; 33.
Formula metode Weighted Moving Average adalah Baroto, 2002 : 38 :
m t
m t
t t
t
f c
f c
f c
f
− −
−
+ +
=
2 2
1
dimana :
t
f
= ramalan permintaan pada periode t
1 −
t
f = permintaan actual pada periode t-1
1
c = robot masing-masing data yang digunakan
1 =
∑
i
c ditentukan secara subyektif
m = jumlah periode yang digunakan untuk peramalan
subyektif Pada metode WMA peramalan permintaan untuk setiap periode
mendatang diasumsikan sama.
b. Metode Pemulusan Eksponensial Tunggal Single Exponential Smoothing Kelemahan metode Moving Average dalam hal kebutuhan akan data masa lalu
yang cukup banyak dapat diatasi dengan menggunakan metode pemulusan eksponensial Ariyani, 2005; 54.
Formula untuk metode Single Exponential Smoothing adalah Baroto, 2002; 39 :
1 t
t t
f α
1 αf
f
−
− +
=
Di mana :
t
f
= perkiraan permintaan periode t
α = suatu nilai 0
α 1 yang ditentukan secara subyektif
t
f = permintaan actual periode t
1 t
f
−
= perkiraan permintaan pada periode t-1 Metode SES mengasumsikan peramalan permintaan untuk setiap
periode ke depan selalu sama.
c. Metode Pemulusan Eksponensial Ganda Double Exponential Smoothing Dasar pemikiran dari metode pemulusan eksonensial yang linier ini adalah
baik nilai pemulusan eksponensial tunggal maupun ganda terdapat pada waktu sebelum data sebenarnya, bila itu adalah trend. Di samping itu untuk
menyesuaikan trend, maka nilai-nilai pemulusan eksponential tunggal ditambahkan nilai-nilai pemulusan eksponensial ganda Ariyani, 2003; 40.
Formula Double Exponential Smoothing adalah Baroto, 2002; 40 :
t 1
t
e t
α α
F +
+ =
Di mana
1
α ,
α
adalah parameter proses dan e mempunyai nilai harapan dari 0 dan sebuah variasi
2 e
σ . Misalkan
α 1
β −
=
, sehingga :
t 1
1 t
2 t
2 1
t t
t
f β
f αβ
... f
αβ αβf
αf F
+ +
+ +
+ =
− −
−
Persamaan di atas dapat pula ditulis ulang sebagai berikut :
t i
t 1
t t
i t
f β
f β
α F
+ =
− −
=
∑
Double Exponential Smoothing adalah modifikasi dari Single Exponential
Smoothing yang dirumuskan sebagai berikut : 1
t βX
αXt Xt
2 2
− +
= Di mana :
=
2
Xt
t
F = peramalan double exponential smoothing α = faktor smothing
β
=
α 1
−
dan
Xt
= F
t
d. Metode Winter’s Metode peramalan Winter’s digunakan untuk suatu data yang berpola
musiman. Baroto, 2002; 44 Formulasi untuk metode Winter’s adalah :
t 1
t 0,
.tC α
α t
+ =
Dengan :
1 0,2N
2N α
α α
− =
N f
f α
1 2
1
− =
dimana N
f f
N 1
t t
1
∑
=
= dan
N f
f
2N 1
N t
t 2
∑
= =
=
2 1
N α
f α
1 2
0,2N
− +
=
t
C =
1.t t
α α
f +
dimana 1
N C
N 1
t t
=
∑
=
5. Melakukan peramalan dengan metode terbaik yang dipilih.
2.5.3 Verifikasi dan Pengendalian Peramalan Moving Range Chart
