Winter’s Model
3.5. Prosedur Peramalan 3.5.1. Tujuan Peramalan
Penetapan tujuan peramalan bertujan untuk mengetahui kapan waktu peramalan dibutuhkan. Tujuannya untuk menentukan jumlah permintaan produk
pada masa yang akan datang. Dalam hubungannya dengan horizon waktu peramalan, maka kita mengklasifikasikan peramalan tersebut ke dalam tiga
kelompok yaitu : 1.
Peramalan jangka panjang, umumnya 2 sampai 10 tahun. Peramalan ini digunakan untuk perencanaan produk dan sumber daya.
2. Peramalan jangka menengah, umumnya 1 sampai 24 bulan. Peramalan ini lebih
khusus dibandingkan peramalan jangka panjang, biasanya digunakan untuk menentukan aliran kas, 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, keputusan pengendalian jangka pendek dan lain-lain.
3.5.2. Diagram Pencar
Diagram pencar scatter diagram dibuat untuk melihat kecenderungan data atau hubungan antara sepasang kelompok data atau dua variabel untuk
mengetahui jenis korelasinya dan tingkat hubungannya. Langkah-langkah pembuatan Diagram Pencar :
Universitas Sumatera Utara
1. Kumpulkan data-data yang menyangkut dua variabel yang akan diteliti.
2. Gambarkan dua sumbu, yakni sumbu vertiakal sebagai nilai kumulatif akibat
dan sumbu horizontal sebagai nilai kuantitatif sebab. 3.
Menggunakan dalam skala yang tepat untuk mempermudah pembacaan diagram.
4. Plot data dalam grafik.
3.5.4. Parameter Peramalan dan Kesalahan Peramalan 3.5.4.1. 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 dengan kenyataannya. Secara matematis, MAD dirumuskan sebagai berikut
7
:
MAD = Σ
n Ft
At −
Dimana: A = Permintaan aktual pada periode-t
Ft = Peramalan permintaan pada periode-t n = Jumlah periode yang terlibat
7
Arman Hakim Nasution Perencanaan Dan Pengendalian Produksi Jakarta:Guna Widya Cetakan Pertama Hal:25
Universitas Sumatera Utara
3.5.4.2. 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 matematis MSE dirumuskan sebagai berikut
8
;
MSE = Σ
n Ft
At
2
−
3.5.4.3. Rata-rata Kesalahan Peramalan Mean Forecast Error = MFE
MFE sangat efektif untuk mengetahui apakah suatu hasil permalan selama periode tertentu terlalu tinggi atau terlalu rendah. Bila hasil peramalan tidak bias,
maka nilai MFE mendekati nol. MFE dihitung dengan menjumlahkan semua kesalahan peramalan selama periode periode peramalan dan membaginya dengan
jumlah periode peramalan. Secara matematis, MFE menyatakan sebagai berikut
9
: MFE =
Σ
n Ft
At −
3.5.4.4. Rata-rata Persentase Kesalahan Absolut 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 aktual selama periode tertentu yang akan
8
Arman Hakim Nasution Perencanaan Dan Pengendalian Produksi Jakarta:Guna Widya Cetakan Pertama Hal:25
9
Arman Hakim Nasution Perencanaan Dan Pengendalian Produksi Jakarta:Guna Widya Cetakan Pertama Hal:25
Universitas Sumatera Utara
memberikan informasi persentase kesalahan terlalu tinggi atau terlalu rendah. Secara matematis, MAPE dinyatakan sebagai berikut
10
: MAPE =
n 100
Σ At
Ft At
−
Proses penghitungan kesalahan peramalan dengan berbagai macam metode eror. Salah satu metode eror yaitu SEE. Proses pengujian hipotesa dengan:
Hipotesa H
: SEE terkecil SEE besar Hipotesa
H
i :
SEE terkecil SEE besar
SEE = f
n y
y
n t
− ′
−
∑
=1 2
dimana: n = Jumlah data
f = Faktor Kebebasan
3.5.5. Pemilihan Metode Peramalan Dengan Kesalahan Terkecil