Sedangkan peramalan permintaan merupakan tingkat permintan produk- produk yang diharapkan akan terealisir untuk jangka waktu tertentu pada masa
yang akan datang. Peramalan permintaan ini digunakan untuk meramalkan permintaan dari produk yang bersifat bebas tidak tergantung, seperti peramalan
produk jadi.Nasution, 2003: 26 Metode peramalan dibagi dua, yaitu :metode peramalan Time Series dan
metode peramalan non time series. dalam penelitian ini mengunakan metode peramalan time series, yang merupakan metode peramalan secara kuantitatif
dengan menggunakan waktu sebagai dasar peramalan.
2.3.1 Peramalan dalam Horizon Waktu
Dalam hubungannya dengan horizon waktu peramalan maka kita dapat mengklasifikasikan peramalan tersebut dalam 3 kelompok Nasution, 2003: 26 :
1. Peramalan jangka panjang, umumnya 2 sampai 10 tahun. Peramalan ini
digunakan untuk perencanaan produk dan perencanaan sumber daya. 2.
Peramalan jangka menengah, umumnya 1 sampai 24 bulan. Peramalan ini lebih mengkhususkan dinandingkan peramalan jangka panjang, biasanya
digunakan untuk menentukan aliran khas, perencanaan produksi, dan penentuan anggaran.
3. Peramalan jangka pendek, umumnya 1 sampai 5 minggu. Peramalan ini
digunakan untuk mengambil keputusan dalam hal perlu tidaknya lembur, penjadwalan kerja dan lai-lain keputusan kontrol jangka pendek.
Dalam penelitian ini menggunakan peramalan jangka menengah yang umumnya dilakukan 1 atau 2 tahun yang digunakan untuk menentukan jalur
distribusi paling optimal berdasarkan data permintaan sebelumnya.
2.3.2 Beberapa Sifat Hasil Peramalan
Dalam membuat peramalan atau menerapkan hasil suatu peramalan maka ada beberapa hal yang harus dipertimbangkan, yaitu Nasution, 2003: 29 :
1. Peramalan pasti mengandung kesalahan, artinya peramal hanya bisa
mengurangi ketidakpastian yang akan terjadi, tetapi tidak akan menghilangkan ketidakpastian tersebut.
2. Peramalan seharusnya memberikan informasi tentang berapa ukuran
kesalahan, artinya karena peramalan pasti mengandung kasalahan maka 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, fakto-
faktor yang mempengaruhi permintaan relatif masih konstan, sedangkan semakin panjang periode peramalan, maka semakin besar pula kemungkinan
terjadinya perubahan factor-faktor yang mempengaruhi permintaan.
2.3.3 Prosedur Peramalan
Dalam melakukan peramalan terdapat beberapa prosedur, yaitu Nasution, 2003: 35 :
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 permintaan dimasa 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 factor cuaca, musim libur panjang, dan lain-lain. Random R merupakan pola permintaan suatu
produk yang mengikuti pola bervariasi secara acak karena factor bencana alam, bangkrutnya perusahaan, dan lain-lain. pola ini dibutuhkan dalam
menentukan persediaan pengamatan untuk mengantispasi kekurangan persediaan bila terjadi lonjakan permintaan..
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 tentang 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 lebih kecil dibandingkan kenyataannya. Secara matematis, MAD
dirumuskan sebagai berikut :
n F
A MAD
t t
Dimana : A = permintaan aktual pada periode – t
F
t
= hasil peramalan forecast pada periode – t n = jumlah periode peramalan yang terlibat
b Rata-rata Kuadarat 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
t t
2
c Rata-rata Persentase Kesalahan Absolut
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 actual
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
MAPE 100
4. Memilih metode peramalan terbaik diantara metode yang dicoba.
Metode terbaik akan memberikan tingkat kesalahan terkecil dibanding metode lainnya dan tingkat kesalahan tersebut berada dibawah
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 atau data
tersebut, dengan peranan atau pentingnya data tersebut pada penyusunan ramalan pada periode berikutnya
Ariyani, 2008: 33 Formula metode Weighted Moving Average adalah
Baroto, 2002: 38 :
m t
m t
t
f c
f c
f c
t f
2 2
1 1
dimana : ramalan permintaan
real untuk peride t
t
f
t
f permintaan aktual pada periode t
1
c
= bobot masing-masing data yang digunakan
, ditentukan secara subyektif
1
1
c
m = jumlah periode yang digunakan untuk peramalan
Subyektif Pada periode WMA peramalan permintaan untuk setiap
periode mendatang diasumsikan sama. b.
Metode Pemulusan Eksponensial Tunggal Single Eksponential
Smoothing Kelemahan metode Moving Average dalam kebutuhan akan
data-data masa lalu yang cukup banyak dapat diatasi dengan metode pemulusan eksponensial.
Ariyani, 2008: 34 Formula untuk metode Single Eksponential Smoothing SES
adalah Baroto, 2002: 39 :
1
1
t t
t
f f
f
dimana :
t
f
perkiraan permintaan pada peride t
suatu nilai
1
yang ditentukan secara
subyektif
t
f permintaan aktual pada periode t
1 t
f
perkiraan permintaan pada peride t-1 metode SES mengasumsikan peramalan permintaan untuk
setiap periode ke depan selalu sama.
c. Metode Pemulusan Eksponansial Ganda
Double Eksponential Smoothing
Dasar pemikiran dari metode pemulusan eksponensial yang linier ini adalah baik nilai pemulusan eksponensial tunggal maupun
ganda terdapat pada waktu sebelum data sebenarnya, bila pada itu adalah
trend. Disamping itu untuk menyesuaikan trend, maka nilai- nilai pemulusan eksponensial tunggal ditambahkan nilai-nilai
pemulusan eksponensial ganda. Ariyani. 2008: 36
Formula Double Eksponential Smoothing adalah Baroto, 2002: 40 :
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
2 e
Misalkan
1
, sehingga :
1 1
1 2
1 ...
f f
f f
F
t t
t t
persamaan diatas dapat pula dituliskan ulang sebagai :
1 1
f f
F
t t
i t
i t
Double Eksponential Smoothing adalah modifikasi dari Single Ekspnential Smoothing yang diruuskan sebagai berikut :
1
2 2
t t
t
dimana :
t F
t
2
= Peramalan double exponential smoothing
Faktor smoothing dan
1 ,
Ft 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
C t
a a
t .
1 1
,
dengan :
1 2
,
2 a
N a
a
N
N f
f a
1 2
1
N f
f
t N
t 1 1
N f
f
N N
t t
2 1
2
2 1
1 2
2 ,
N a
f a
N t
t
a a
f C
. 1
1
1
1
N C
N t
t
5. Melakukan peramalan dengan metode terbaik yang dipilih
2.4 Metode Time Series
