Prosedur untuk peramalan permintaan dengan metode time series adalah sebagai berikut :
1. Tentukan pola data permintaan dengan memplotkan data secara grafis.
2. Mencoba beberapa metode time series yang sesuai dengan pola permintaan tersebut untuk peramalan.
3. Mengevaluasi tingkat kesalahan masing-masing metode dengan menggunakan kriteria MAD, MSE atau MAPE.
4. Memilih metode peramalan terbaik diantara metode yang telah dicoba.
5. Melakukan peramalan permintaan dengan menggunakan metode terbaik yang telah dipilih.
2.2.4. Metode ARIMA Autoregressive Integrated Moving Average
ARIMA Autoregressive Integrated Moving Average merupakan salah satu model untuk menghitung peramalan yang dikembangkan oleh
Box dan Jenkins, sehingga disebut ARIMA Box-Jenkins. Menurut Aritonang 2002 metode ARIMA merupakan gabungan dari metode
penghalusan, metode regresi dan metode dekomposisi. Peramalan dengan metode ARIMA dilakukan melalui lima tahap,
yaitu : 1. Tahap pemeriksaan kestasioneran data
2. Tahap pengidentifikasian model 3. Tahap pengestimasian parameter model
4. Tahap pengujian model 5. Penggunaan model untuk peramalan.
Menurut Baroto 2002, karakteristik peramalan permintaan adalah sebagai berikut :
1. Faktor penyebab yang berlaku di masa lalu diasumsikan akan berfungsi juga di masa yang akan datang.
2. Peramalan tidak pernah sempurna, permintaan aktual selalu berbeda dengan permintaan yang diramalkan.
3. Tingkat ketepatan ramalan akan berkurang dalam rentang waktu yang semakin panjang. Implikasinya peramalan untuk rentang yang
pendek akan lebih akurat dibanding peramalan untuk waktu yang panjang.
2.2.5. Pola Permintaan
Pola permintaan merupakan suatu pola pergerakan jangka panjang dari tampilan data-data scatter diagram permintaan Baroto, 2002. Pola
permintaan ini akan berhubungan dengan metode peramalan yang digunakan. Dalam time series ada empat jenis pola permintaan, yaitu :
1. Pola Trend. Pola Trend adalah bila data permintaan menunjukkan pola
kecenderungan gerakan penurunan atau kenaikan jangka panjang. Data yang kelihatannya berfluktuasi, apabila dilihat pada rentang
waktu yang panjang akan dapat ditarik suatu garis maya. Garis inilah yang disebut dengan garis trend. Bila data berpola trend, maka
metode peramalan yang sesuai adalah menggunakan metode regresi linear, exponential smoothing atau double exponential smoothing.
2. Pola musiman. Pola musiman terjadi bila data yang terbentuk terlihat berfluktuasi,
namun fluktuasi tersebut terjadi secara berulang dalam suatu waktu interval tertentu. Disebut pola musiman karena pola permintaan ini
biasanya dipengaruhi oleh musim, sehingga biasanya interval pengulangan data ini adalah satu tahun. Metode peramalan yang
paling sesuai digunakan untuk pola permintaan musiman adalah metode Winter sangat sesuai, atau moving average, atau weighted
moving average. 3. Pola Siklikal
Pola siklikal adalah pola permintaan yang terjadi bila fluktuasi yang terjadi secara jangka panjang membentuk pola sinusoid atau
gelombang atau siklus. Pola ini agak mirip dengan pola musiman, bentuknya selalu mirip gelombang sinusoid. Untuk menentukan data
berpola siklis tidaklah mudah, karena rentang waktu perulangan
sikklikal tidak tentu. Metode yang paling sesuai untuk pola permintaan ini adalah metode moving average, weighted moving
average, dan exponential smoothing. 4. Pola EratikRandom.
Pola eratik adalah bila fluktuasi pola permintaan yang terjadi dalam jangka panjang tidak dapat digambarkan oleh ketiga pola lainnya.
Fluktuasi permintaan ini bersifat acak atau tidak jelas. Pola permintaan jenis ini belum ada metode khusus yang dapat
meramalkan permintaan dengan tingkat akurasi yang lebih baik dibanding yang lain, tingkat kemampuan seorang analis peramalan
sangat menentukan dalam pengambilan kesimpulan mengenai pola data. Keterampilan, pengalaman dan imajinasi seorang analis
peramalan merupakan faktor yang paling menetukan dalam pelaksanaan peramalan.
2.3. Definisi Persediaan
