- Barang komoditas kadang-kadang juga disebut resales commodities, karena memang barang tersebut dibeli untuk dijual lagi dengan
keuntungan tertentu. 6. Barang proyek
- Inventory jenis ini adalah material dan suku cadang yang digunakan untuk membangun proyek tertentu, misalnya membuat pabrik baru.
- Mata rantai panjangnya hampir sama dengan MRO materials, jadi bermula dari pabrik pembuat barang-barang tersebut dan berakhir di perusahaan pembuat
barang jadi yang dimaksud.
3.4.2.2. Klasifikasi Metode Peramalan
Dalam sistem peramalan, metode yang berbeda akan memberikan hasil yang berbeda dan derajat galat peramalan yang juga berbeda. Salah satu seni
dalam peramalan adalah memilih metode peramalan. Metode peramalan yang ada secara umum dibagi atas dua model yaitu model kualitatif dan model kuantitatif.
Secara lengkap berbagai metode peramalan digambarkan pada Gambar 3.8.
3.4.2.2.1. Peramalan Kualitatif
Yaitu peramalan yang didasarkan atas kualitas pada masa lalu. Hasil peramalan yang dibuat sangat tergantung pada orang yang menyusunnya. Hal ini
penting karena hasil peramalan tersebut ditentukan berdasarkan pemikiran yang besifat intuisi, judgement, pendapat, pengetahuan serta pengalaman dari
penyusunnya.
Universitas Sumatera Utara
Gambar 3.8. Taksonomi Peramalan
Metode Peramalan
Kuantitatif Exponential Smoothing
• Simple Exp. Smoothing
• Double Exp. Smoothing
Average •
Mean •
Single Moving Average •
Double Moving Average
Kausal Time Series
Kualitatif Regresi
• Simple Linear Regresi
• Multiple Linear Regresi
Exploratory •
Scenario Writing •
Delphi •
Cross Impact •
Curve Fitting •
Analogy •
Morphology •
Catastroph Subjective Assesment
• Individual Subjective
• Executive Opinion
• Sales Force
• Market Research
Normative •
Relevance Trees •
System Dynamic Multiple Regresi
Econometrik Dekomposisi
Universitas Sumatera Utara
Beberapa metode peramalan yang yang digoilongkan sebagai model kualitatif adalah sebagai berikut :
a. Metode Delphi
Dalam hal ini, sekelompok pakar mengisi kuisioner, kemudian moderator menyimpulkan hasilnya dan memformulasikan menjadi suatu kuisioner baru
yang diisi kembali oleh kelompok tersebut, demikian seterusnya. Adapun tahapan yang dilakukan adalah menentukan beberapa pakar sebagai
partisipan, melalui kuisioner diperoleh peramalan dari seluruh partisipan, simpulkan hasilnya yang kemudian didistribusikan kembali kepada partisipan
dengan pertanyaan yang baru, simpulkan kembali revisi peramalan dan kondisi.
b. Dugaan Manajemen
Dalam hal ini, peramalan didasarkan pada pertimbangan manajemen, umumnya oleh manajemen senior. Metode ini akan cocok dalam situasi yang
sangat sensitif terhadap intuisi dari suatu kelompok kecil orang yang karena pengalamannya mampu memberikan opini yang kritis dan relevan.
c. Riset Pasar
Merupakan metode peramalan yang didasarkan pada hasil-hasil dari survei pasar yang dilakukan oleh tenaga-tenaga pemasar produk atau yang
mewakilinya. Metode ini akan menjaring informasi dari pelanggan, sehingga riset pasar tidak hanya untuk membantu peramalan, tetapi juga untuk
meningkatkan desain produk dan perencanaan untuk produk-produk baru. d.
Metode Kelompok Terstruktur
Universitas Sumatera Utara
Metode ini hampir sama dengan metode Delphi, namun dalam hal ini grup tidak berjumpa secara bersama dalam suatu forum untuk berdikusi, tetapi
mereka diminta pendapatnya secara terpisah dan tidak boleh secara berunding. Hal ini dilakukan untuk menghindari pendapat yang bias karena pengaruh
kelompok. e.
Analogi Historis Merupakan teknik peramalan yang didasarkan pada pola data masa lalu dari
produk-produk yang dapat disamakan secara analogi. Analogi historis akan cenderung lebih baik untuk penggantian produk di pasar dan apabila terdapat
hubungan substitusi langsung dari produk dalam pasar itu.
3.4.2.2.2. Peramalan Kuantitatif
Yaitu peramalan yang didasarkan pada data kuantitatif pada masa lalu. Hasil peramalan yang dibuat tergantung pada metode yang dipergunakan dalam
peramalan tersebut. Metode yang baik yaitu yang memberi nilai-nilai perbedaan atau penyimpangan yang mungkin. Peramalan kuantitatif hanya dapat digunakan
apabila terdapat tiga kondisi berikut: 1. Adanya informasi tentang keadaan yang lain.
2. Informasi tersebut dapat dikuantifikasikan dalam bentuk data dapat diasumsikan bahwa pola yang lalu akan berkelanjutan pada masa yang
akan datang. Adapun langkah-langkah peramalan secara kuantitatif dapat dilihat pada
Gambar 3.9.
Universitas Sumatera Utara
Gambar 3.9. Langkah – langkah Peramalan Secara Kuantitatif I. Metode Time Series
Metode Time Series dalah metode yang dipergunakan untuk menganalisis serangkaian data yang merupakan fungsi dari waktu. Metode ini mengasumsikan
beberapa pola atau kombinasi pola selalu berulang sepanjang waktu, dan pola dasarnya dapat diidentifikasi semata-mata atas dasar data historis dari serial itu.
Dengan metode deret waktu dapat ditunjukkan bagaimana permintaan terhadap suatu produk tertentu bervariasi terhadap waktu. Sifat dari perubahan permintaan
dari tahun ke tahun dirumuskan untuk meramalkan penjualan pada masa yang akan datang.
Ada empat komponen utama yang mempengaruhi analisis ini, yaitu : a.
Pola siklis, jika penjualan produk memilki siklus yang berulang secara periodik
Langkah I Definisikan Tujuan Peramalan
Langkah II Buat Diagram Pencar
Langkah III Pilih Beberapa Metode Peramalan
Langkah IV Hitung parameter-parameter
Langkah V Hitung setiap kesalahan setiap metode
Langkah VI Pilih Metode dengan kesalahan terkecil
Langkah VII Verifikasi Peramalan
Universitas Sumatera Utara
b. Pola musiman, jika pola penjualan berulang setiap periode
c. Pola horizontal, jika nilai data berfluktuasi di sekitar nilai rata-rata
d. Pola trend, jika data memiliki kecenderungan untuk naik atau turun terus
menerus Dalam meramalkan biaya – biaya yang termasuk di dalam biaya operasi
dipergunakan pola trend karena biaya tersebut cenderung naik jika mesinperalatan semakin tua atau semakin lama jangka waktu pemakaiannya. Ada
beberapa trend yang digunakan di dalam penyelesaian masalah ini yaitu : 1.
Trend linier Bentuk persamaan umum :
Y = a + bt sedangkan peramalannya mempunyai bentuk persamaan
Yt = a + bt
∑ ∑ ∑ ∑ ∑
− −
−
2 2
t t
n Y
t tY
n b
t t
n t
b Y
a
t
∑ ∑
− =
2. Trend Eksponensial atau Pertumbuhan
Bentuk persamaan umum : Y = ae
bt
sedangkan peramalannya mempunyai bentuk persamaan : Yt = ae
bt
∑ ∑ ∑
∑ ∑
− −
=
2 2
ln ln
t t
n Y
t Y
t n
b
t t
n t
b Y
a
t
∑ ∑
− =
ln ln
3. Trend Logaritma
Y = a + b log t
Universitas Sumatera Utara
sedangkan bentuk peramalannya : Yt = a + b log t
∑ ∑
∑ ∑ ∑
− −
=
2 2
log log
log log
t t
n Y
t tY
n b
t t
n t
b Y
a
t
∑ ∑
− =
log 4.
Trend Geometrik Bentuk persamaannya :
Y = at
b
sedangkan bentuk peramalannya : Yt = at
b
∑ ∑
∑ ∑ ∑
− −
=
2 2
log log
log log
log .
log t
t n
Y t
Y t
n b
t t
n t
b Y
a
t
∑ ∑
− =
log log
5. Trend Hiperbola
Bentuk persamaan umumnya adalah : Y =
t
b a
sedangkan peramalnnya : Yt =
t
b a
∑ ∑
∑ ∑ ∑
− −
=
2 2
log log
. log
t n
t Y
t Y
t n
b
t t
n t
b Y
a
t
∑ ∑
− =
log log
log Adapun metode peramalan yang termasuk model Time Series adalah :
A. Metode Penghalusan Smoothing
Metode ini digunakan untuk mengurangi ketidakteraturan musiman dari data yang lalu, dengan membuat rata-rata tertimbang dari sederetan data masa lalu.
Universitas Sumatera Utara
Ketepatan dengan metode ini akan terdapat pada peramalan jangka pendek, sedangkan untuk peramalan jangka panjang kurang akurat.
Metode ini terdiri dari: 1. Metode rata-rata bergerak moving average
a. Single Moving Average
Merupakan peramalan untuk satu periode ke depan dari periode rata-rata. Rumus yang digunakan adalah:
N X
X X
F
t t
N t
t
+ +
+ =
+ +
− +
1 1
1
...
Dimana: X
i
: data pengamatan periode i. N : jumlah deret waktu yang digunakan
F
t+1
: nilai peramalan periode t+1 b.
Linear Moving Avarage Dasar dari metode ini adalah penggunaan moving average kedua untuk
memperoleh penyesuaian bentuk pola trend. c.
Double Moving Avarage Notasi yang diberikan adalah MA M x N, artinya M – periode MA dan
N – periode NA d.
Weigthed Moving Average Weighted moving average adalah metode perhitungan dengan cara
mengalikan tiap-tiap periode dengan faktor bobot dan membagikannya dengan hasil produk yang merupakan penjumlahan faktor bobot. Formula
metode Weighted Moving Average adalah:
Universitas Sumatera Utara
n t
n t
t t
A w
A w
A w
F
− −
−
+ +
+ =
...
2 2
1 1
dimana : w
1
: bobot yang diberikan pada periode t-1 w
2
: bobot yang diberikan pada periode t-2 w
n
: bobot yang diberikan pada periode t-n n
: jumlah periode 2. Metode Eksponensial Smoothing
a. Single Eksponensial Smoothing
Pengertian dasar dari metode ini adalah: nilai ramalan pada periode t+1 merupakan nilai aktual pada periode t ditambah dengan penyesuaian yang
berasal dari kesalahan nilai ramalan yang terjadi pada periode t tersebut. Secara matematis dapat dinyatakan:
1
ˆ 1
ˆ
−
− +
=
t t
t
f f
f α
α dimana :
t
fˆ
: perkirakan permintaan pada periode t α
: suatu nilai 0 α 1 yang ditentukan secara subjektif
t
f
: permintaan aktual pada periode t
1
ˆ
− t
f
: perkiraan permintaan pada periode t-1 b.
Double Exponensial Smoothing Formula Double Exponential Smoothing adalah :
. .m
b a
f
t t
m t
+ =
+
sedangkan :
Universitas Sumatera Utara
1
1
−
− +
=
t t
t
f X
f α
α
1
1
−
− +
=
t t
t
f f
f α
α dimana
t
f : single exponential smoothing
t
f : double exponential smoothing
2
t t
t t
t t
f f
f f
f −
= −
+ =
α
1
t t
t
f f
− −
= α
α β
B. Metode Proyeksi Kecenderungan dengan Regresi Metode ini merupakan dasar garis kecenderungan untuk suatu persamaan,
sehingga dengan dasar persamaan tersebut dapat di proyeksikan hal-hal yang akan diteliti pada masa yang akan datang.
Bentuk fungsi dari metode ini dapat berupa: a. Konstan, dengan fungsi peramalan Yt:
Yt = a, dimana N
Y a
∑
=
1
dimana : Yt = nilai tambah N = jumlah periode
b. Linier, dengan fungsi peramalan: Yt = a + bt
dimana :
n bt
Y a
− =
∑ ∑ ∑ ∑ ∑
− −
− =
2 2
t t
n y
t ty
n b
c. Kuadratis, dengan fungsi peramalan : Yt = a + bt + ct
2
Universitas Sumatera Utara
dimana :
n t
c t
b Y
a
∑ ∑ ∑
− −
=
2
∂ −
=
α θ
b c
2
α β
θα δ
− ∂
− ∂
= b
∑ ∑
− =
∂
4 2
2
t n
t
∑ ∑ ∑
− =
tY n
Y t
δ
∑ ∑ ∑
− =
Y t
n Y
t
2 2
θ
∑ ∑ ∑
− =
3 2
2
t n
t t
α d. Eksponensial, dengan fungsi peramalan :
Yt = ae
bt
dimana :
n t
b Y
a
∑ ∑
− =
ln ln
2 2
ln ln
ln
∑ ∑
∑ ∑
∑
− −
= t
t n
Y t
Y t
n a
e. Siklis, dengan fungsi peramalan :
n t
c n
b a
Y
t
τ τ
2 cos
2 sin
ˆ +
+ =
dimana :
n t
c n
t b
na Y
τ τ
2 cos
2 sin
∑ ∑
+ +
=
n t
n t
c n
b n
t a
n t
Y
τ τ
τ τ
τ
2 cos
2 sin
2 sin
2 sin
2 sin
2
∑ ∑
∑
+ +
=
n t
n t
b n
c n
t a
n t
Y
τ τ
τ τ
τ
2 cos
2 sin
2 cos
2 cos
2 cos
2
∑ ∑
∑ ∑
+ +
=
C. Metode Dekomposisi Yaitu ramalan yang ditentukan dengan kombinasi dari fungsi yang ada
sehingga tidak dapat diramalkan secara biasa. Model tersebut didekati dengan funsi linier atau siklis, kemudian bagi t atas kwartalan sementara berdasarkan
pola data yang ada. Metode dekomposisi merupakan pendekatan peramalan
Universitas Sumatera Utara
yang tertua. Terdapat beberapa pendekatan alternatif umtuk mendekomposisikan suatu derat berkala yang semuanya bertujuan
memisahkan setiap komponen deret data seteliti mungkin.
3.4.2.2.3. Kriteria Performance Peramalan
Seorang perancang tentu menginginkan hasil perkiraan peramalan yang tepat atau paling tidak dapat memberikan gambaran yang paling mendekati
sehingga rencana yang dibuatnya merupakan rencana yang realistis. Ketepatan yang kecil memberikan arti ketelitian peramalan tinggi, keakuratan
hasil peramalan tinggi, begitu pula sebaliknya. Besar kesalahan suatu peramalan dapat dihitung dengan beberapa cara, antara lain adalah:
1. Mean Square Error MSE
m f
f MSE
t t
m t
2 1
ˆ −
=
∑
=
dimana:
t
f
: data aktual periode t
t
fˆ : nilai ramalan periode t
m : banyaknya periode
2. Standard Error of Estimate SEE
k m
f f
SEE
m t
t t
− −
=
∑
=1 2
ˆ dimana :
k = derajat kebebasan Untuk data konstan, k = 1 Untuk data linier, k = 2
Universitas Sumatera Utara
Untuk data kuadratis, k = 3 Untuk data siklis, k = 3 3. Mean Error
n ei
ME
n i
∑
=
=
1
dimana : ei = kesalahan
n = banyaknya periode 4. Mean Absolute Percentage Error MAPE
m PE
MAPE
t m
t
∑
=
=
1
5. Average Error AE
n e
AE
i
∑
= 6.
Mean Absolute Deviation MAD
n F
D MAD
t t
∑
− =
dimana : t = periode
D
t
= permintaan pada periode t F
t
= peramalan pada periode t n = total periode
3.4.2.2.3.1. Ukuran Statistik Standar
12
Tujuan optimisasi statistik sering sekali untuk memilih suatu model agar MSE atau SSE minimum, tetapi ukuran ini mempunyai dua kelemahan.
Pertama, ukuran ini menunjukkan pencocokan fitting suatu model terhadap data historis. Pencocokan fitting dengan menggunakan polinomi berorde tinggi atau
12
Sumber:Spyros Makridakis., “Metode dan Aplikasi Peramalan”.,p 40
Universitas Sumatera Utara
suatu transformasi Fourier yang tepat. Suatu model yang terlalu cocok over fitting dengan deret data, yang berarti sama dengan memasukkan unsur random
sebagai bagian proses bangkitan, adalah sama buruknya dengan tidak berhasil mengenali pola non-random dalam data. Perbandingan nilai MSE yang terjadi
selama fase pencocokan fitting peramalan mungkin memberikan sedikit indikasi ketepatan model dalam peramalan.
Kekurangan kedua pada MSE sebagai ukuran ketepatan model adalah berhubungan dengan kenyataan bahwa metode yang berbeda akan menggunakan
prosedur yang berbeda pula dalam fase pencocokan fitting. Sebagai contoh, metode pemulusan smoothing sangat bergantung pada taksiran peramalan awal,
metode dekomposisi memasukkan unsur trend siklus dalam tahap pencocokkannya seakan-akan unsur itu diketahui. Metode regresi meminimumkan
MSE dengan memberikan bobot yang sama pada semua nilai pengamatan dan metode Box-Jenkins meminimumkan MSE dari suatu prosedur optimasi non-
linier. Jadi, pembandingan metode atas suatu kriterium tunggal seperti itu-yaitu, MSE-mempunyai nilai yang terbatas.
Dalam fase peramalan, penggunaan MSE sebagai suatu ukuran ketepatan juga dapat menimbulkan masalah. Ukuran ini tidak memudahkan perbandingan
antar deret berkala yang berbeda dan untuk selang waktu yang berlainan, karena MSE merupakan ukuran absolute. Lagipula, interpretasinya tidak bersifat intuitif
bahkan untuk para spesialis sekalipun, karena ukuran ini menyangkut penguadratan sederetan nilai.
Universitas Sumatera Utara
3.4.2.2.3.2. Ukuran-ukuran Relatif
Karena alasan dalam hubungan dengan keterbatasan MSE sebagai suatu ukuran ketepatan peramalan, maka diusulkan ukuran-ukuran alternatif, yang
diantaranya menyangkut kesalahan persentase. Tiga ukuran berikut sering digunakan:
1. PE
2. MPE
3. MAPE
PE dapat digunakan untuk menghitung kesalahan persentase setiap periode
waktu. Nilai-nilai ini kemudian dapat dirata-ratakan untuk memberikan nilai
tengah kesalahan persentase MPE. Namun MPE mungkin mengecil karena PE yang positif dan negatif cenderung saling meniadakan. Dari sana MAPE
didefinisikan dengan menggunakan nilai absolute dari PE.
3.5. Identifikasi Material Menggunakan Analisis Klasifikasi ABC
