1. Tentukan pola data permintaan. Dilakukan dengan cara memplotkan data
secara grafis dan menyimpulkan apakah data berpola trend, musiman, siklikal, atau random.
2. Mencoba beberapa metode time series dengan pola permintaan tersebut untuk
melakukan peramalan. Metode yang dicoba semakin banyak semakin baik. 3.
Mengevaluasi tingkat kesalahan masing-masing metode yang telah dicoba. Tingkat kesalahan diukur dengan kriteria MAD, MSE, MAPE atau yang
lainnya. Sebaiknya nilai tingkat kesalahan apakah MAD, MSE, MAPE ini ditentukan dulu. Tidak ada ketentuan mengenai berapa tingkat kesalahan
maksimal dalam peramalan. 4.
Memilih metode peramalan terbaik diantara metode yang dicoba. Metode terbaik adalah metode yang memberikan tingkat kesalahan terkecil dibanding
metode lainnya dan tingkat kesalahan tersebut berada dibawah tingkat kesalahan yang telah diterapkan.
5. Melakukan peramalan permintaan dengan metode terbaik yang telah dipilih.
2.4.1 Metode yang Digunakan dalam Times Series
1. Single Exponential Smoothing
Formula untuk metode Single Exponential Smoothing SES adalah Baroto, 2002 :
1
ˆ 1
ˆ
t t
t
f f
f
dimana :
= perkiraan permintaan pada periode t
t
fˆ
29
= suatu nilai 0 1 yang ditentukan secara subyektif = permintaan actual pada periode t
t
f = perkiraan permintaan pada periode t-1
1
ˆ
t
f
Metode SES mengasumsikan peramalan permintaan untuk setiap periode ke depan selalu sama.
2. Weighted Moving Average
Formula metode Meighted Moving Average adalah Baroto, 2002 :
m t
m t
t
f c
f c
f c
t f
2 2
1 1
ˆ
dimana :
= ramalan permintaan real untuk periode t
t
fˆ
= permintaan actual pada periode t
t
f = bobot masing-masing data yang digunakan
1
c
1
1
c
, ditentukan secara subyektif
m = jumlah periode yang digunakan untuk peramalan subyektif Pada metode WMA peramalan permintaan untuk setiap periode mendatang
diasumsikan sama. 3.
Double Exponential Smoothing Formula metode Double Exponential Smoothing adalah Baroto, 2002 :
t t
e t
a a
F
1
dimana : adalah parameter proses dan e mempunyai nilai harapan dari 0 dan
sebuah variasi .
1
, a a
o 2
e
30
Misalkan
1
1 1
2 2
... f
f f
f F
t t
t t
t
Persamaaan diatas dapat pula ditulis ulang sebagai :
1 1
t i
t t
i t
f f
F
Double Exponential Smoothing adalah modifikasi dari Single Exponential Smoothing yang dirumuskan sebagai berikut :
1
2 2
t
X Xt
Xt
dimana
: = F’t = peramalan double exponential smoothing
2
Xt = faktor smoothing dan
1
Xt =
Ft 4.
Winter’s Metode
peramalan Winter’s
digunakan untuk suatu data yang berpola musiman. Baroto,2002
Formulasi untuk metode Winter’s adalah :
t t
C t
a a
t .
1 ,
dengan :
t t
t
a a
f C
. 1
N f
f
2 a
N
1
a
N 2
,
a
a
2 1
1
N f
f
N t
t
1 1
N f
f
N N
t t
2 1
2
1
1
N C
N t
t
2 1
1 2
2 ,
N
a f
a
N
31
2.4.2 Ukuran Akurasi dari Peramalan
Ukuran hasil peramalan yang merupakan ukuran kesalahan peramalan adalah ukuran tentang tingkat perbedaan antara hasil peramalan dengan
permintaan yang sebenarnya terjadi. Ada 4 ukuran yang biasa digunakan, yaitu : 1.
Rata – Rata Deviasi Mutlak Mean Absolute Deviation = MAD Merupakan rata – rata kesalahan mutlak selama periode tertentu tanpa
memperhatikan apakah hasil permalan lebih besar atau lebih kecil dibandingkan kenyataannya. Secara matematis, MAD dirumuskan sebagai
berikut :
n F
A MAD
t t
Dimana : A
t
= Permintaan aktual pada periode-t. F
t
= Peramalan permintaan Forecast pada periode-t. n = Jumlah periode peramalan yang terlibat.
2. Rata – Rata Kuadrat Kesalahan Mean Square Error = MSE
MSE dihitung dengan menjumlahkan kuadrat semua kesalahan peramalan pada setiap periode dan membaginya dengan jumlah periode peramalan.
Secara sistematis, MSE dirumuskan sebagai berikut :
n F
A MSE
t t
2
32
3. Rata – Rata Kesalahan Peramalan Mean Forecast Error = MFE
MFE sangat efektif untuk mengetahui apakah suatu hasil peramalan selama periode tertentu terlalu tinggi atau terlalu rendah. Bila hasil peramalan tidak
bias, maka nilai MFE akan mendekati nol. MFE dihitung dengan menjumlahkan semua kesalahan peramalan selama periode peramalan dan
membaginya dengan jumlah periode peramalan. Secara matematis, MFE dinyatakan sebagai berikut :
n F
A MFE
t t
4. Rata – Rata Persentase Kesalahan Mutlak Mean Absolute Percentage Error =
MAPE MAPE merupakan ukuran kesalahan relatif. MAPE biasanya lebih berarti
dibandingkan MAD karena MAPE menyatakan persentase kesalahan hasil peramalan terhadap permintaan actual selama periode tertentu yang akan
memberikan informasi persentase kesalahan terlalu tinggi atau terlalu rendah. Secara matematis, MAPE dinyatakan sebagai berikut :
t t
t
A F
A n
MAPE 100
Dalam hal ini metode peramalan dianggap terbaik bila nilai MAPE memiliki persentase terkecil. Nasution, 2003
33
2.4.3 Pola Permintaan