berapa harga produk tersebut berdasarkan permintaan Dr dan penawaran Sr dengan kondisi jumlah produk tetap.
3.1.2. Peramalan Data Time Series
Peramalan merupakan suatu upaya untuk memprediksi ketidakpastian masa depan, dengan maksud membantu para pengambil keputusan untuk
memutuskan suatu kebijakan secara lebih baik. Peramalan melibatkan sejumlah studi mengenai data historis dan manipulasi data tersebut untuk mencari pola data
sehingga dapat digunakan untuk memperkirakan pola data di masa depan Hanke, et al., 2003.
Penggunaan peramalan untuk memprediksi masa depan, melibatkan sejumlah proses manipulasi data agar diperoleh peramalan yang efektif. Menurut
Assauri 1980 terdapat tiga langkah peramalan yang dianggap penting, yaitu : 1. Menganalisa data yang lalu dengan cara membuat tabulasi untuk dapat
menemukan pola dari data tersebut. 2. Menentukan metode peramalan yang akan digunakan dan memberikan hasil
yang tidak jauh berbeda dengan kenyataan yang terjadi, atau metode yang menghasilkan penyimpangan data terkecil.
3. Memproyeksikan data yang lalu dengan menggunakan metode peramalan yang dipergunakan dengan mempertimbangkan beberapa faktor perubahan.
Semua prosedur formal peramalan melibatkan penarikan pengalaman
masa lalu ke dalam ketidakpastian masa depan. Sebagai usaha untuk memperoleh keakuratan data masa depan, maka beberapa teknik peramalan dikembangkan agar
kesalahan-kasalahan dalam proses peramalan dapat dikurangi seminimal
mungkin. Menurut Hanke, et al. 2003 pengenalan terhadap operasi teknik peramalan pada data menghasilkan kejadian historis mengarah ke identifikasi lima
tahapan proses peramalan antara lain : 1. Pengumpulan data
Proses ini memerlukan pentingnya perolehan data yang sesuai dan teruji kebenarannya. Tahap ini seringkali merupakan bagian paling menantang dari
keseluruhan proses peramalan, dan paling sulit untuk dimonitor. Hal ini dikarenakan serangkaian tahapan dapat dilakukan pada data dalam menentukan
kesesuaiannya dengan masalah. 2. Pemadatan atau pengurangan data
Proses ini seringkali diperlukan karena mungkin saja terjadi kelebihan data dalam proses peramalan atau sebaliknya terlalu sedikit. Beberapa data mungkin
tidak relevan dengan masalah dan dapat mengurangi keakuratan peramalan. Data lain mungkin sesuai, tetapi hanya dalam periode historis tertentu.
3. Penyusunan model dan evaluasi Tahap ini meliputi pencocokan data terkumpul kedalam model yang sesuai
dalam hal meminimasi kesalahan peramalan. Model yang lebih sederhana, lebih baik keadaannya dalam hal diterimanya proses peramalan oleh pengambil
keputusan. Seringkali harus diseimbangkan antara pendekatan peramalan canggih yang hasilnya sedikit lebih akurat dengan pendekatan sederhana yang lebih mudah
dipahami serta mendapatkan dukungan. Sehingga, pendapat pribadi sering dilibatkan dalam proses pemilihan model.
4. Ektrapolasi model peramalan aktual Proses ini terdiri dari model peramalan aktual yang dihasilkan begitu data
yang sesuai telah terkumpul, dan kemungkinan dikurangi dan model peramalan yang sesuai juga sudah dipilih. Untuk memeriksa keakuratan proses peramalan,
peramalan untuk periode yang baru lewat dibandingkan dengan nilai hitoris aktual. Kesalahan peramalan kemudian diamati dan dirangkum dengan beberapa
langkah. 5. Evaluasi peramalan
Tahapan ini membandingkan nilai peramalan dengan nilai historis aktual. Beberapa nilai terkini kemudian diambil dari himpunan data yang sedang
dianalisa. Setelah model peramalan selesai, maka peramalan dilakukan untuk beberapa periode ke depan dan dibandingkan dengan nilai historis yang telah
diketahui. Beberapa prosedur peramalan menjumlahkan nilai absolut dari kesalahan dan hasil penjumlahan atau dibagi dengan jumlah perlakuan peramalan
sehingga menghasilkan rata-rata kesalahan peramalan. Pengujian pola kesalahan seringkali mengarahkan analisa untuk memodifikasi prosedur peramalan.
Dalam peramalan time series ada beberapa teknik atau metode yang digunakan antara lain sebagai berikut :
1. Metode Naïve : adalah teknik peramalan berdasarkan asumsi bahwa periode saat ini merupakan prediktor terbaik dari masa mendatang.
2. Metode Rata-rata Sederhana : digunakan apabila peramalan dilakukan secara berulang-ulang untuk data yang tidak terlalu besar Firdaus, 2006.
3. Metode Rata-rata Bergerak Sederhana : menggunakan mean semua data untuk meramal Hanke, et al., 2003.
4. Metode Rata-rata Bergerak Ganda : Teknik ini baik untuk data yang mengandung unsur trend Firdaus, 2006.
5. Metode Pelicinan Eksponensial Tunggal : Teknik ini dapat merevisi secara kontinyu hasil peramalan dengan informasi terbaru. Metode ini berdasarkan
pemulusan yang menurun secara eksponensial Firdaus, 2006. Selain itu, metode ini menyediakan rata-rata bergerak tertimbang secara eksponensial
semua nilai pengamatan yang lalu Hanke, et al., 2003. 6. Metode Brown : menjelaskan bahwa ramalan merupakan hasil dari perhitungan
dua kali pelicinan secara eksponensial. Tujuan dari pelicinan kedua adalah untuk mengatasi masalah data yang tidak stasioner dengan model trend yang
linear Makridakis, et al., 1999. 7. Metode Dekomposisi Aditif : Model ini memperlakukan nilai deret waktu
sebagai jumlah dari komponen-komponen dalam model Hanke, et al., 2003. 8. Metode Dekomposisi Multiplikatif : Model ini memperlakukan nilai deret
waktu sebagai hasil perkalian dari komponen-komponen dalam model Hanke, et al., 2003.
9. Metode Winters : Metode winters yang terdiri dari winters aditif dan multiplikatif. Kedua metode ini memberikan cara mudah utuk menjelaskan
musiman didalam model ketika data memiliki pola musiman. Metode alternatif terdiri dari penghapusan musim atau penyesuaian musim pada data.
Model peramalan ini diaplikasikan untuk data musim- terhapus desesasonalized data dan kemudian musiman dimasukkan kembali untuk
mendapatkan ramalan yang akurat Hanke, et al. 2003.
10. Metode Box-Jenkins ARIMA : Model ini menggunakan pendekatan iteratif pada identifikasi suatu model yang mungkin dari model umum Hanke, et al.,
2003. ARIMA adalah singkatan dari autoregressive integrated moving average. Pada ARIMA terbagi atas model MA moving average, AR
autoregressive, ARMA autoregressive moving average, dan ARIMA autoregressive integrated moving average.
Berdasarkan model- model peramalan di atas penilaian terhadap akurasi
hasil peramalan dapat dilakukan dengan mengamati besarnya selisih nilai aktual pengamatan dengan nilai estimasi dari peramalan Firdaus, 2006. Penilaian
tersebut dilakukan dengan membandingkan nilai error yang terkecil baik melalui MSE Mean Square Error, MAE Mean Average Error, maupun MPE Mean
Percentage Error.
3.1.3. Economic Order Quantity EOQ
Kategori