Fictor Wardin C. Tampubolon : Penerapan Dynamic Programming Sebagai Solusi Optimal Dalam Penyusunan Rencana Produksi, 2009.
USU Repository © 2009
Peramalan yang baik mempunyai beberapa kriteria yang penting, antara lain:
1. Akurasi
Akurasi dari suatu hasil peramalan diukur dengan hasil kebiasan dan kekonsisten peramalan tersebut. Keakuratan dari hasil peramalan ini berperan
penting dalam menyeimbangkan persediaan yang ideal minimisasi persediaan dan maksimisasi tingkat pelayanan
2. Biaya
Biaya yang diperlukan dalam pembuatan suatu peramalan adalah tergantung dari jumlah item yang diramalkan., lamanya periode peramalan, dan metode
peramalan yang dipakai. Ketiga faktor pemicu biaya tersebut akan mempengaruhi berapa banyak data yang dibutuhkan, bagaimana pengolahan
data tersebut manual atau komputerasi, bagaimana penyimpanan datanya dan siapa tenaga ahli yang diperbantukan. Pemilihan metode peramalan harus
disesuaikan dengan dana yang tersedia dan tingkat akurasi yang ingin didapat. 3.
Kemudahan Penggunaan metode peramalan yang sederhana, mudah dibuat, dan mudah
diaplikasikan akan memberikan keuntungan bagi perusahaan.
3.2.3. Sifat Hasil Peramalan
Dalam membuat peramalan atau menerapkan suatu peramalan maka ada beberapa hal yang harus dipertimbangkan yaitu:
Fictor Wardin C. Tampubolon : Penerapan Dynamic Programming Sebagai Solusi Optimal Dalam Penyusunan Rencana Produksi, 2009.
USU Repository © 2009
1. Peramalan pasti mengandung kesalahan, artinya peramal hanya bisa
mengurangi ketidakpastian yang akan terjadi, tetapi tidak dapat menghilangkan ketidakpastian tersebut
2. Peramalan seharusnya memberikan informasi tentang beberapa ukuran
kesalahan, artinya karena peramalan pasti mengandung kesalahan, maka adalah penting bagi peramal untuk menginformasikan seberapa besar
kesalahan yang mungkin terjadi. 3.
Peramalan jangka pendek lebih akurat dibandingkan peramalan jangka panjang. Hal ini disebabkan karena pada peramalan jangka pendek, faktor-
faktor yang mempengaruhi permintaan relatif konstan sedangkan semakin panjang periode peramalan, maka semakin besar pula kemungkinan terjadinya
perubahan faktor-faktor yang mempengaruhi permintaan.
3.2.4 Metode Peramalan Kuantitatif Statistical Method
8
Pada dasarnya metode peramalan kuantitatif dapat dibedakan atas dua bagian, yaitu:
1. Metode peramalan yang didasarkan atas penggunaan analisa pola hubungan
antara variabel yang akan diperkirakan dengan variabel waktu, yang merupakan deret waktu atau time series
2. Metode peramalan yang didasarkan atas penggunaan analisa pola hubungan
antara variabel yang akan diperkirakan dengan variabel lain yang
8
Hendra Kusuma, Manajemen Produksi: Perencanaan dan Pengendalian Produksi, Andi Yogyakarta. Yogyakarta. 1999
Fictor Wardin C. Tampubolon : Penerapan Dynamic Programming Sebagai Solusi Optimal Dalam Penyusunan Rencana Produksi, 2009.
USU Repository © 2009
mempengaruhinya, yang bukan batasan waktu yang disebut metode korelasi atau sebab kibat causal method.
3.2.4.1. Metode Time Series
Metode time series adalah metode yang dipergunakan untuk menganalisa 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 histories
dari serial itu. Ada empat komponen utama yang mempengaruhi analisa ini : 1.
Pola Siklis cycle. Berkaitan dengan pola pergerakan penjualan yang konsisten selama satu tahun. Siklus menggambarkan pola penjualan yang
berulang setiap periode. Pola siklis berguna untuk menggambarkan penjualan jangka pendek.
2. Pola Musiman Seasonal. Fluktuasi permintaan suatu produk dapat naik
turun disekitar garis trend dan biasanya berulang setiap tahun. Pola ini biasanya disebabkan oleh faktor cuaca, musim libur panjang, dan hari raya
keagamaan yang akan berulang secara periodik setiap tahunnya. 3.
Variasi AcakRandom. Permintaan suatu produk dapat mengikuti pola variasi secara acak karena faktor pesaing, promosi khusus, dan kejadian-
kejadian lainnya yang tidak punya pola tertentu. Variasi acak ini diperlukan dalam rangka menentukan persediaan pengaman untuk mengantisipasi
kekurangan persediaan bila terjadi lonjakan permintaan. 4.
Pola Trend
Fictor Wardin C. Tampubolon : Penerapan Dynamic Programming Sebagai Solusi Optimal Dalam Penyusunan Rencana Produksi, 2009.
USU Repository © 2009
Pola data ini terjadi bila data memiliki kecendrungan untuk naik, turun, atau konstan. Pola trend terdiri dari beberapa jenis, diantaranya:
a. Trend konstan, dengan fungsi peramalan
t
Y
∑
= =
N Y
a ana
a Y
t t
dim ,
t
Y = nilai tambah N = jumlah periode
b. Trend linear, dengan fungsi persamaan:
bt a
Y
t
+ =
Dimana
∑ ∑ ∑
∑ ∑
− −
− =
− =
2 2
t t
N y
t ty
N b
N bt
Y a
c. Trend kuadratis, dengan fungsi peramalan:
2
ct bt
a Y
t
+ +
=
Dimana
2 2
ε β
θα δ
α θ
− ∂
− ∂
= ∂
− =
− −
=
∑ ∑ ∑
b b
c N
t c
t b
Y a
∑ ∑
∑ ∑
∑ ∑
∑ ∑ ∑
∑ ∑
− =
− =
− =
− =
∂
3 3
2 2
4 2
2
t N
t t
Y t
N Y
t tY
N Y
t t
N t
α θ
δ
d. Trend eksponensial, dengan fungsi peramalan:
bt t
ae Y
=
Dimana :
2 2
ln ln
ln ln
∑ ∑
∑ ∑ ∑
∑ ∑
− −
= −
= t
t N
Y t
Y t
N b
N t
b Y
a
Fictor Wardin C. Tampubolon : Penerapan Dynamic Programming Sebagai Solusi Optimal Dalam Penyusunan Rencana Produksi, 2009.
USU Repository © 2009
e. Trend siklis, dengan fungsi peramalan
N t
c N
b a
Y
t
π π
2 cos
2 sin
+ +
=
Dimana :
N t
N t
c N
t b
N t
a N
t y
N t
N t
c N
t b
N t
a N
t Y
N c
N t
b Na
Y
π π
π π
π π
π π
π π
π π
2 cos
2 sin
2 cos
2 cos
2 cos
2 cos
2 sin
2 sin
2 sin
2 sin
2 cos
2 sin
2 2
∑ ∑
∑ ∑
∑ ∑
∑ ∑
∑ ∑
∑
+ +
= +
+ =
+ +
=
3.2.5. Kriteria Performance Peramalan
