26
∑ | |
b. Peramalan sebab-akibat kausal causal
Peramalan ini dilakukan berdasarkan data yang sudah ada sebelumnya, tetapi mempergunakan data dari variabel lain yang menentukan atau
mempengaruhinya pada masa depan, seperti penduduk, pendapatan, dan kegiatan ekonomi.
2.3.5. Menghitung Kesalahan Peramalan
Menurut
Heizer dan Render, terdapat beberapa perhitungan yang biasa dipergunakan untuk menghitung kesalahan peramalan forecast
error total. Perhitungan ini dapat dipergunakan untuk membandingkan
model peramalan yang berbeda, juga untuk mengawasi peramalan guna memastikan peramalan berjalan dengan baik. Dua teknik perhitungan yang
paling terkenal adalah deviasi rata-rata absolut mean absolute deviation – MAD dan kesalahan rata-rata kuadrat mean squared error – MSE
1. Deviasi Rata-rata Absolut Mean Absolute Deviation – MAD
MAD merupakan ukuran pertama kesalahan peramalan keseluruhan untuk sebuah model. Nilai ini dihitung dengan mengambil jumlah nilai
absolut dari kesalahan peramalan dibagi dengan jumlah periode data n.
27 2.
Kesalahan Rata-rata Kuadrat Mean Squared Error – MSE MSE merupakan cara kedua untuk mengukur kesalahan peramalan
keseluruhan. MSE merupakan rat-rata selisih kuadrat antara nilai yang diramalkan dan yang diamati. Kekurangan penggunaan MSE adalah
bahwa ia cenderung menonjolkan deviasi yang besar karen adanya pengkuadratan.
Berdasarkan Nachrowi dan Hardius 2004, p239, menyatakan bahwa membandingkan kesalahan peramalan adalah suatu cara
sederhana, apakah suatu teknik peramalan tersebut patut dipilih untuk digunakan sebagai indicator apakah suatu teknik peramalan cocok
digunakan atau tidak. Dan teknik yang mempunyai MSE terkecil merupakan ramalan yang terbaik.
Sedangkan menurut Gaspers 2005, p80 dalam bukunya menyebutkan akurasi peramalan akan semakin tinggi apabila nilai-nilai
MAD dan MSE semakin kecil. Dan menurut Rangkuti 2005, p70 menyatakan keharusan untuk membandingkan perhitungan yang
memiliki nilai MAD paling kecil, karena semakin kecil nilai MAD berarti semakin kecil pula perbedaan antara hasil peramalan dan nilai
aktual.
∑
28
2.3.6. Pengawasan dan Pengendalian Peramalan
Heizer dan Render 2006, p172 menyatakan bahwa salah satu cara untuk mengawasi peramalan berjalan dengan baik adalah dengan
menggunakan sebuah sinyal penelusuran tracking signal. Sinyal penelusuran adalah sebuah perhitungan seberapa baik peramalan
mempresiksi nilai aktual. Sejalan dengan peramalan yang diperbarui setiap minggu, bulan atau kuartal, data permintaan baru yang tersedia
dibandingkan dengan nilai peramalan. Sinyal penelusuran dihitung sebagai running sum of the forecast
errors RSFE dibagi dengan mean absolute deviation MAD:
dimana
Sinyal penelusuran positif menandakan permintaan lebih besar dari peramalan. Sinyal penelusuran yang bagus adalah yang memiliki RSFE
rendah. Kecenderungan konsisten peramalan untuk bisa lebih besar atau lebih kecul dari nilai aktual yaitu, untuk RSFE tinggi disebut sebagai
kesalahan bias. Bias artinya sebuah peramalan yang secara konsisten lebih tinggi atau lebih rendah dari nilai aktual pada satu kurun waktu.
Sinyal penelusuran dihitung dan dibandingkan untuk menetapkan batas kendali. Geoge Plossl dan Oliver Wight adalah pakar pengendali
29 persediaan, telah menyarankan menggunakan maksimum ± 4 MAD untuk
produk dengan persediaan tinggi, dan ± 8 MAD.
2.3.7. Karakteristik Peramalan