2.5.2 Beberapa Sifat Hasil Peramalan
Dalam membuat permalan atau menerapkan hasil suatu peramlan maka ada beberapa hal yang harus dipertimbangkan, yaitu Nasution, 2003; 29 :
1. Peramalan pasti mengandung kesalahan, artinya hanya bisa mengurangi ketidakpastian yang akan terjadi, tetapi tidak akan menghilangkan
ketidakpastian tersebut. 2. Peramalan seharusnya memberikan informasi tentang beberapa ukuran
kesalahan, artinya karena peramalan pasti mengandung kesalahan maka penting bagi peramal untuk menginformasikan seberapa besar kesalahan
yang mungkin terjadi. 3. Peramlan jangka pendek lebih akurat dibandingkan peramalan jangka
panjang. Hal ini disebabkan karena pada peramalan jangka pendek, faktor- faktor yang mempengaruhi permintaan relatif masih konstan, sedangkan
semakin pangjang periode peramalan, maka semakin besar pula kemingkinan terjadinya perubahan faktor-faktor yang mempengaruhi permintaan.
2.5.3 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 dari permintaan di masa 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 faktor cuaca, musim libur panjang, dan lain-lain. Random R merupakan pola permintaan suatu produk
yang mengikuti pola bervariasi secara acak karena faktor bencana alam, bangkrutnya perusahan dan lain-lain pola ini dibutuhkan dalam menentukan
persediaan pengamatan untuk mengantisipasi kekurangan persediaan bila terjadi lonjakan permintaan. Nasution, 2003; 5.
2. Mencoba beberapa metode Time Series sesuai dengan pola permintaan tersebut untuk melakukan peramalan.
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
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 tetap kecil dibandingkan kenyataan. Secara matematis, MAD dirumuskan sebagai
berikut :
n F
A MAD
t t
Dimana :
A
t
= permintaan aktual pada periode t F
t
= hasil peramalan forecast pada periode t n
= jumlah periode peramalan yang terlibat b Rata-rata Kuadrat Kesalahan Mean Square Error = MSE
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
2 t
t
c Rata-rata Persentase Kesalahan Absolute 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 aktual 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
100 MAPE
4. Memilih metode peramalan terbaik diantara metode yang dicoba. Metode terbaik akan memberikan tingkat kesalahan terkecil
dibandingkan metode lainnya dan tingkat kesalahan tersebut berada di bawah tingkat kesalahan yang telah ditetapkan.
Metode yang digunakan dalam Time Series, yaitu : a. Metode Rata-rata bergerak Tertimbang Weighted Moving Average
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 terhadap data tersebut sesuai dengan peranan atau pentingnya data tersebut pada penyusunan ramalan pada periode
berikutnya Ariyani, 2003; 33. Formula metode Weighted Moving Average adalah Baroto, 2002 : 38 :
m t
m t
t t
t
f c
f c
f c
f
2 2
1
dimana :
t
f
= ramalan permintaan pada periode t
1
t
f = permintaan actual pada periode t-1
= robot masing-masing data yang digunakan ditentukan
secara subyektif
1
c
1
i
c
m = jumlah periode yang digunakan untuk peramalan
subyektif Pada metode WMA peramalan permintaan untuk setiap periode
mendatang diasumsikan sama.
b. Metode Pemulusan Eksponensial Tunggal Single Exponential Smoothing
Kelemahan metode Moving Average dalam hal kebutuhan akan data masa
lalu yang cukup banyak dapat diatasi dengan menggunakan metode pemulusan
eksponensial Ariyani, 2005; 54. Formula untuk metode Single Exponential Smoothing adalah Baroto,
2002; 39 :
1 t
t t
f α
1 αf
f
Di mana
: = perkiraan permintaan periode t
t
f
= suatu nilai 0 1 yang ditentukan secara subyektif
= permintaan actual periode t
t
f = perkiraan permintaan pada periode t-1
1 t
f
Metode SES mengasumsikan peramalan permintaan untuk setiap periode ke
depan selalu sama. c. Metode Pemulusan Eksponensial Ganda Double Exponential Smoothing
Dasar pemikiran dari metode pemulusan eksonensial yang linier ini adalah
baik nilai pemulusan eksponensial tunggal maupun ganda terdapat pada waktu
sebelum data sebenarnya, bila itu adalah trend. Di samping itu untuk
menyesuaikan trend, maka nilai-nilai
pemulusan eksponential tunggal ditambahkan nilai-nilai
pemulusan eksponensial ganda Ariyani, 2003; 40.
Formula Double Exponential Smoothing adalah Baroto, 2002; 40 :
t 1
t
e t
α α
F
Di mana adalah parameter proses dan e mempunyai nilai harapan
dari 0 dan sebuah variasi
.
1
α ,
α
2 e
σ
Misalkan α
1 β
, sehingga :
t 1
1 t
2 t
2 1
t t
t
f β
f αβ
... f
αβ αβf
αf F
Persamaan di atas dapat pula ditulis ulang sebagai berikut :
t i
t 1
t t
i t
f β
f β
α F
Double Exponential Smoothing adalah modifikasi dari Single Exponential
Smoothing yang dirumuskan sebagai berikut : 1
t βX
αXt Xt
2 2
Di mana :
= peramalan double exponential smoothing
2
Xt
t
F α
= faktor smothing β =
α 1
dan = F
Xt
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 1
t 0,
.tC α
α t
Dengan :
1 0,2N
2N α
α α
N f
f α
1 2
1
dimana N
f f
N 1
t t
1
dan
N f
f
2N 1
N t
t 2
2 1
N α
f α
1 2
0,2N
=
t
C
1.t t
α α
f
dimana 1
N C
N 1
t t
5. Melakukan peramalan dengan metode terbaik yang dipilih.
2.5.4 Verifikasi dan Pengendalian Peramalan Moving Range Chart
Kategori