mempengaruhi permintaan relatif masih konstan, sedangkan semakin panjang periode peramalan, maka semakin besar pula kemungkinan terjadinya perubahan
factor-faktor yang mempengaruhi permintaan.
2.4.3 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 permintaan dimasa 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 factor cuaca, musim libur panjang,
dan lain-lain. Random R merupakan pola permintaan suatu produk yang
mengikuti pola bervariasi secara acak karena factor bencana alam, bangkrutnya perusahaan, dan lain-lain. pola ini dibutuhkan dalam menentukan
persediaan pengamatan untuk mengantispasi kekurangan persediaan bila terjadi lonjakan permintaan.
Nasution, 2003: 35. 2.
Mencoba beberapa metode time series sesuai dengan pola permintaan tersebut
untuk melakukan peramalan.
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
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 tentang 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
lebih kecil dibandingkan kenyataannya. Secara matematis, MAD dirumuskan sebagai berikut :
n F
A MAD
t t
Dimana : A = permintaan aktual pada periode – t
F
t
= hasil peramalan forecast pada periode – t
n = jumlah periode peramalan yang terlibat
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
b Rata-rata Kuadarat Kesalahan
Mean Square Error = MSE c
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
t t
2
d Rata-rata Persentase Kesalahan Absolut
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 actual 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
MAPE 100
4. Memilih metode peramalan terbaik diantara metode yang dicoba.
Metode terbaik akan memberikan tingkat kesalahan terkecil dibanding metode lainnya dan tingkat kesalahan tersebut berada dibawah tingkat
kesalahan yang telah ditetapkan. Metode yang digunakan dalam Time Series, yaitu :
a. Metode Rata-rata Bergerak Tertimbang
Weighted Moving Average
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
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 atau data tersebut, dengan peranan atau pentingnya data tersebut pada penyusunan ramalan pada periode
berikutnya Ariyani, 2008: 33
Formula metode Weighted Moving Average adalah Baroto, 2002: 38
:
dimana :
t
f
ramalan permintaan real untuk peride t
t
f permintaan aktual pada periode t
1
c
= bobot masing-masing data yang digunakan
1
1
c
, ditentukan secara subyektif
m = jumlah periode yang digunakan untuk peramalan Subyektif
Pada periode WMA peramalan permintaan untuk setiap periode mendatang diasumsikan sama.
b. Metode Pemulusan Eksponensial Tunggal
Single Eksponential Smoothing
m t
m t
t
f c
f c
f c
t f
2 2
1 1
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
Kelemahan metode Moving Average dalam kebutuhan akan data-data masa lalu yang cukup banyak dapat diatasi dengan metode
pemulusan eksponensial. Ariyani, 2008: 34
Formula untuk metode Single Eksponential Smoothing SES adalah
Baroto, 2002: 39 :
1
1
t t
t
f f
f
dimana :
t
f perkiraan permintaan pada peride t
suatu
nilai
1
yang ditentukan secara subyektif
t
f permintaan aktual pada periode t
1 t
f
perkiraan permintaan pada peride t-1 metode SES mengasumsikan peramalan permintaan untuk
setiap periode ke depan selalu sama. c.
Metode Pemulusan Eksponansial Ganda Double Eksponential
Smoothing Dasar pemikiran dari metode pemulusan eksponensial yang linier
ini adalah baik nilai pemulusan eksponensial tunggal maupun ganda terdapat pada waktu sebelum data sebenarnya, bila pada itu adalah
trend. Disamping itu untuk menyesuaikan
trend, maka nilai-nilai pemulusan eksponensial tunggal ditambahkan nilai-nilai pemulusan eksponensial
ganda. Ariyani. 2008: 36
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
Formula Double Eksponential Smoothing adalah Baroto, 2002: 40 :
t t
e t
a a
F
1
dimana
1
, a a
adalah parameter proses dan e mempunyai nilai harapan dari 0 dan sebuah variasi
2 e
. Misalkan
1
, sehingga :
1 1
1 2
1 ...
f f
f f
F
t t
t t
persamaan diatas dapat pula dituliskan ulang sebagai :
1 1
f f
F
t t
i t
i t
Double Eksponential Smoothing adalah modifikasi dari Single Ekspnential Smoothing yang diruuskan sebagai berikut :
1
2 2
t t
t
dimana :
t F
t
2
= Peramalan double exponential smoothing
Faktor smoothing dan
1 ,
Ft 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
C t
a a
t .
1 1
,
dengan :
1 2
,
2 a
N a
a
N
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
N f
f a
1 2
1
N f
f
t N
t 1 1
N f
f
N N
t t
2 1
2
2 1
1 2
2 ,
N a
f a
N t
t
a a
f C
. 1
1
1
1
N C
N t
t
5. Melakukan peramalan dengan metode terbaik yang dipilih
2.5 Verifikasi dan Pengendalian Peramalan Moving Range Chart
