2.11 Peramalan Untuk Perencanaan Persediaan Bahan Baku 2.11.1 Pengertian Peramalan
Peramalan adalah proses untuk memperkirakan berapa kebutuhan di masa datang yang meliputi kebutuhan dalam ukuran kuantitas, kualitas, waktu dan
lokasi yang dibutuhkan dalam rangka memenuhi permintaan barang ataupun jasa Arman Hakim 2006. Peramalan tidak terlalu dibutuhkan dalam kondisi
permintaan pasar yang stabil, karena perubahan permintaannya relatif kecil. Tetapi peramalan akan sangat dibutuhkan bila kondisi permintaan pasar bersifat kompleks
dan dinamis. Dalam kondisi pasar bebas, permintaan pasar lebih bersifat kompleks dan
dinamis karena permintaan tersebut tergantung dari keadaan sosial, ekonomi, politik, aspek teknologi, produk pesaing, dan produk substitusi. Oleh karena itu peramalan
yang akurat merupakan informasi yang sangat dibutuhkan dalam pengambilan keputusan manajemen.
Dalam hubungannya dengan horison waktu peramalan, kita dapat mengklasifikasikan peramalan tersebut ke dalam 3 kelompok, yaitu:
1. Peramalan Jangka Panjang, umurnya 2 sampai 10 tahun. Peramalan ini
digunakan untuk perencanaan produk dan perencanaan sumber daya. 2.
Peramalan Jangka Menengah, umumnya 1 sampai 24 bulan. Peramalan ini lebih mengkhusus 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 Iain-lain keputusan untuk pengontrolan jangka
pendek.
2.12. Metode Peramalan
2.12.1 Metode-Metode Dalam Peramalan
Secara umum, peramalan diklasifikasikan menjadi 2 macam, yaitu: 1.
Peramalan yang bersifat subjektif 2.
Peramalan yang bersifat objektif Perbedaan antara kedua macam peramalan ini didasarkan pada cara
mendapatkan nilai ramalan. Peramalan subjektif lebih menekankan pada keputusan-keputusan hasil diskusi, pendapat pribadi seseorang dan intuisi yang
meskipun kelihatannya kurang ilmiah tetapi dapat memberikan hasil yang baik. Peramalan subjektif ini akan diwakili oleh Metode Penelitian Pasar.
Metode Penelitian Pasar. Metode ini mengumpulkan dan menganalisis fakta
secara sistematis pada bidang yang berhubungan dengan pemasaran. Salah satu teknik utama dalam penelitian pasar ini adalah survai konsumen. Survei
konsumen akan memberikan informasi mengenai selera yang diharapkan konsumen, di mana informasi tersebut diperoleh dari sampel dengan cara
kuesioner. Penelitian pasar sering digunakan dalam merencanakan produk baru, sistem periklanan, dan promosi yang tepat. Hasil dari penelitian pasar ini kadang-
kadang juga dipakai sebagai dasar peramalan permintaan produk baru. Peramalan objektif merupakan prosedur peramalan yang mengikuti aturan-
aturan matematis dan statistik dalam menunjukkan hubungan antara permintaan dengan satu atau lebih variabel yang mempengaruhinya. Selain itu peramalan
obyektif juga mengasumsikan bahwa tingkat keeratan dan macam dari hubungan antara variabel-variabel bebas dengan permintaan yang terjadi pada masa lalu
akan berulang pada masa yang akan datang. Peramalan objektif terdiri atas dua metode, yaitu metode intrinsik dan metode ektrinsik.
1. Metode Intrinsik Metode ini membuat peramalan hanya ber-dasarkan pada proyeksi
permintaan historis tanpa mempertimbang-kan faktor-faktor eksternal yang mungkin mempengaruhi besarnya permintaan. Metode ini hanya cocok untuk
peramalan jangka pendek pada kegiatan produksi, di mana dalam rangka pengendalian produksi dan pengendalian persediaan bahan baku seringkali
perusahaan harus melibatkan banyak item yang berbeda. Hal ini tentu membosankan sehingga memerlukan metode-metode peramalan yang mudah
dan murah. Metode intrinsik diwakili oleh Analisis Deret Waktu Time Series.
2. Metode Ekstrinsik Metode ini mempertimbangkan faktor-faktor eksternal yang dapat
mempengaruhi besarnya permintaan di masa datang dalam model peramalannya. Metode ini lebih cocok untuk peramalan jangka panjang karena dapat
menunjukkan hubungan sebab-akibat yang jelas dalam hasil peramalannya sehingga disebut Metode Kausal dan dapat memprediksi titik-titik perubahan.
Kelemahan dari metode ini terletak dalam hal mahalnya biaya aplikasinya dan frekuensi perbaikan hasil peramalan yang rendah karena sulitnya menyediakan
informasi perubahan faktor-faktor eksternal yang terukur. Metode ekstrinsik banyak dipakai untuk peramalan pada tingkat agregat. Metode ini akan diwakili
oleh Metode Regresi.
2.12.2. Metode Rata – Rata Bergerak Moving Average
1. Metode Simple Moving Average
Adalah metode Time Series yang paling sederhana. Pada metode ini diasumsikan bahwa pola time series hanya terdiri dari komponen Average Level dan komponen
Random Error. Menurut Teguh Baroto 2002 rumusnya sebagai berikut :
m f
f f
f f
M t
t t
t
.. ..........
3 2
1 1
Keterangan : m = adalah jumlah periode yang digunakan sebagai dasar peramalan nilai m ini bila minimal 2 dan maksimal tidak
ada ditentukan secara subjektif. = ramalan permintaan real untuk periode t.
t
f
= permintaan aktual pada periode t.
t
f 2.
Metode Weighted Moving Average Model peramalan Time Series dalam bentuk lain dimana untuk mendapatkan
tanggapan yang lebih cepat, dilakukan dengan cara memberikan bobot lebih pada data-data periode yang terbaru dari pada periode yang terdahulu.
Menurut Teguh Baroto 2002 rumusnya sebagai berikut :
m t
m t
f c
f c
f c
t f
2 1
2 1
1
Keterangan : = ramalan permintaan real untuk periode t
t f
= permintaan aktual pada periode t ft
1
c
= bobot masing - masing data yang digunakan ,
ditentukan secara subjektif
1 c
m = jumlah periode yang digunakan untuk peramalan subjektif
2.12.3 Metode Pemulusan Eksponential Eksponential Smoothing
Teknik MA mempunyai kelemahan dalam kebutuhan akan data-data masa lalu yang cukup banyak dapat diatasi dengan teknik ES. Model matematis ES ini
dapat dikembangkan dari persamaan berikut:
F
t
= F
t-1
di mana bila data permintaan aktual yang lama A
t
-N tidak tersedia, maka dapat diganti dengan nilai pendekatan yang berupa nilai ramalan sebelumnya F
t-i
sehingga persamaan di atas dapat ditulis menjadi:
F
t
= F
t-1
atau: F
t
= F
t-1
Dari persamaan terakhir terlihat bahwa peramalan dengan teknik ES pada periode t.l F
t
+1 akan didasarkan atas pembobotan data permintaan aktual terakhir At dengan bobot 1N dan pembobotan ramalan yang paling akhir F
t -
1
dengan bobot 1 - 1N. Karena N bilangan positif maka 1N akan menjadi konstanta yang bemilai antara nol N = ~ sampai dengan 1 N = 1.
Dengan mengganti 1N dengan a maka persamaan tersebut akan menjadi: F
t
= α A
t
+l- αF
t - 1
Bila kita notasikan f
t
sebagai peramalan permintaan pada periode -1 sehingga ft = F
t-1
maka persamaan di atas menjadi:
F
t
= α A
t
+l- αf
t
Dari persamaan di atas terlihat bahwa teknik ES banyak mengurangi kelemahan teknik MA dalam penyimpanan data karena hanya data permintaan aktual
terakhir, ramalan terakhir, dan suatu nilai konstanta a yang harus disimpan. Cara lain untuk menuliskan persamaan di atas adalah dengan menyusunnya seperti berikut:
F
t - 1
=
F t - 1
+ α A
t
- F
t - 1
di mana A
t
- F
t-1
merupakan kesalahan ramalan dalam periode -t e
t
, sehingga persamaan di atas dapat ditulis sebagai berikut:
F
t
=F
t-1
+a e
t
Dari persamaan terakhir terlihat bahwa bila α mempunyai nilai mendekati satu
maka ramalan yang baru akan menyesuaikan kesalahan dengan yang besar pada ramalan sebelumnya. Kebalikannya, bila
α mendekati nol, maka ramalan yang baru akan menyesuaikan dengan kesalahan yang kecil.
Penentuan besarnya nilai α harus dipertimbangkan dengan baik. Salah satu
metode yang dapat dipakai adalah dengan memilih nilai α berdasarkan nilai N yang
dilibatkan dalam teknik MA. Metode ini hanya dapat diterapkan oleh perusahaan yang telah lama menggunakan teknik MA dengan nilai N yang cukup memadai. Rata-rata usia
data dengan teknik MA = N - 12, sedangkan rata-rata usia data dengan teknik ES = 1 -
α α. Untuk menghitung nilai α dalam hubungannya dengan N adalah dengan membuat persamaan berikut :
Atau
Jadi bila N = 2 maka a =23 = 0,66. Bila N = 3 maka a =24 = 0,50. Begitu seterusnya.
2.13. Pengukuran Ketepatan Metode Peramalan
Ukuran akurasi hasil peramalan yang merupakan ukuran kesalahan peramalan adalah ukuran tentang tingkat perbedaan antara hasil peramalan dengan permintaan
yang sebenarnya terjadi Arman Hakim 2006. Ada 4 ukuran yang biasa digunakan, yaitu:
1. 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 lebih kecil dibandingkan kenyataannya. Secara matematis, MAD dirumuskan sebagai berikut:
MAD = di mana:
A
= Permintaan aktual pada periode-t Ft = Peramalan Permintaan Forecast pada periode-t
n = Jumlah periode peramalan yang terlibat
2. Rata-rata Kuadrat Kesalahan Mean Square Error = MSE
MSE dihitung dengan menjumlahkan kuadrat semua kesalahan peramalan pada setiap periode dan membaginya dengan jumlah periode peramalan. Secara
matematis, MSE dirumuskan sebagai berikut:
MSE = 3. Rata-rata Kesalahan Peramalan Mean Forecast Error = MFE
MFE sangat efektif untuk mengetahui apakah suatu peramalan selama periode tertentu terlalu tinggi atau terlak rendah. Bila hasil peramalan tidak bias
maka nilai MFE akac mendekati nol. MFE dihitung dengan menjumlahkan semua kesalahan peramalan selama periode peramalan dan membaginya dengan jumlah
periode peramalan. Secara matematis, MFE dinyatakan sebagai berikut: MFE =
4. Rata-rata Persentase Kesalahan Absolut Mean Absolute Percentage Error = MAPE.
MAPE merupakan ukuran kesalahan relarif. MAPE biasanya lebih berarti 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 matematis, MAPE dinyatakan sebagai berikut:
MAPE =
2.14. Uji Verifikasi Peramalan
