Y
t+m
= ramalan m periode ke depan setelah periode t pada msing-masing produk
αβγ = pembobotan pemusulan L = banyaknya periode dalam satu tahun
2.7. Metode Peramalan Kausal Regresi
Dalam metode kausal nilai suatu peubah yang akan diramalkan dipengaruhi oleh peubah lain. Makridakis et al. 1999 menyatakan bahwa
permalan metode kausal mengasumsikan adanya hubungan sebab akibat antara variabel independen dengan variabel dependen dari suatu model.
Metode kausal sering juga disebut sebagai metode regresi. Metode regresi terdiri dari metode regresi sederhana yang terdiri dari satu variabel
independen dan regresi berganda yang terdiri dari lebih dari satu variabel independen.
2.8 . Pemilihan Metode Peramalan Terbaik
Pengunaan peramalan dalam pengambilan keputusan oleh setiap pimpinan, baik pimpinan perusahaan maupun pimpinan organisasi
merupakan hal sangat penting. Dengan demikian seorang peneliti atau analis sering menggunakan peramalan dalam penelitiannya, dapat
menentukan teknik dan metode peramalan yang tepat. Dalam pemilihan teknik dan metode peramalan yang tepat perlu diketahui beberapa ciri-ciri
penting yang sangat berpengaruh terhadap analisa dan pengambilan keputusan dalam mempersiapkan peramalan Assauri, 1999.
Ciri utama yang perlu diperhatikan adalah : 1.
Horison waktu. Periode waktu selama suatu keputusan atau analisa
akan mempunyai pengaruh dan untuk ini manajer atau analis harus merencanakan dan pengaruh-pengruh pemilihan teknik dan metode
peramalan yang tepat 2.
Tingkat Perincian. Tugas-tugas dalam pengambilan keputusan dan
analisa umumnya dibagi-bagi untuk mempermudah penanganannya menurut tingkat perincian yang dibutuhkan. Dalam pemilihan teknik
atau metode peramalan untuk suatu keadaan tertentu haruslah hati-hati,
karena harus disesuaikan dengan tingkat perincian yang dibutuhkan dari peramalan tersebut untuk digunakan bagi pengambilan keputusan dan
analisa. 3.
Jumlah Produk. Dalam keadaan di mana keputusan atau analisa yang
dibuat mengenai berbagai produk perusahaan, maka hendaklah ada usaha pengembangan secara efektif atas aturan-aturan pengambilan
keputusan yang dapat diaplikasikan secara mekanis untuk masing- masing produk. Dalam keadaan ini hanya ada satu produk yang
diramalkan, maka aturan-aturan yang digunakan dalam persiapan ramalan dapat lebih rinci dan lebih rumit dari keadaan di mana terdapat
banyak ramalan yang harus dibuat. 4.
Pengawasan Versus Perencanaan. Dalam metode peramalan yang
dibutuhkan untuk pengawasan adalah metode peramalan yang mampu memperkirakan dan mengetahui sedini mungkin perubahan-perubahan
yang terdapat dalam pola dasar. Sedangkan dalam bidang perencanaan umumnya dianggap bahwa pola yang ada akan berkelanjutan pada masa
depan dan karena itu dasar-dasar utama yang penting adalah mengidentifikasi pola-pola tersebut, serta mengekstrapolasikannya
untuk masa mendatang. 5.
Stabilitas. Dalam keadaan stabil, metode peramalan dapat diterima dan
diperiksa secara periodik untuk menentukan apakah hal tersebut masih berlaku. Sedangkan dalam keadaan yang tidak pasti, metode peramalan
yang dibutuhkan adalah metode yang dapat sesuai dengan hasil-hasil yang terbaru secara terus menerus dan informasi-informasi terakhir.
6.
Prosedur Perencanaan yang Ada. Suatu metode peramalan umumnya
memasukkan proses perubahan-perubahan rencana perusahaan dan prosedur-prosedur pengambilan keputusan. Setiap prosedur-prosedur
pengambilan keputusan membutuhkan metode peramalan yang berbeda dengan memilih metode yang berlaku pada saat dimulainya
Faktor-faktor utama yang dapat diidentifikasi sebagai teknik dan metode peramalan adalah :
1. Horison Waktu. Ada dua aspek dari horison waktu yang berhubungan dengan masing-masing metode peramalan. Pertama adalah cakupan
waktu di masa mendatang. Aspek kedua adalah jumlah periode yang dibutuhkan untuk ramalan. Beberapa teknik dan metode hanya dapat
sesuai untuk peramalan satu atau dua periode ke depan, sedangkan teknik dan metode yang lain dapat digunakan untuk peramalan periode
di masa depan. 2. Pola dari Data. Dasar utama dari peramalan adalah anggapan bahwa
macam dari pola data yang didapati di dalam data yang diramalkan akan berkelanjutan, maka perbedaan kemampuan metode peramalan
dalam mengidentifikasi pola-pola data, memerlukan usaha penyesuaian antara pola data yang telah diperkirakan terlebih dahulu dengan teknik
dan metode peramalan yang digunakan. 3. Jenis dari Model. Banyak metode peramalan telah menganggap adanya
beberapa model dari keadaan yang diramalkan. Model-model ini merupakan suatu deret di mana waktu digambarkan sebagai unsur yang
penting untuk menentukan perubahan-perubahan dalam pola yang mungkin secara sistematik dapat dijelaskan dengan analisis regresi atau
korelasi. Model yang lain adalah model sebab akibat atau “ causal model” yang menggambarkan bahwa ramalan yang dilakukan sangat
tergantung pada terjadinya sejumlah peristiwa yang lain atau sifatnya merupakan campuran dari model-model yang telah disebutkan di atas.
Model-model tersebut sangat penting diperhatikan, karena model-model tersebut mempunyai kemampuan yang berbeda dalam analisa keadaan
untuk pengambilan keputusan. 4. Biaya. Umumnya ada 4 empat unsur biaya yang tercakup dalam
penggunaan suatu proses ramalan, yaitu biaya-biaya pengembangan, penyimpanan data, operasi pelaksanaan dan kesempatan dalam
penggunaan teknik-teknik dan metode-metode lainnya. 5. Ketepatan. Tingkat ketepatan yang dibutuhkan sangat erat hubungannya
dengan tingkat perincian yang dibutuhkan dalam suatu peramalan. Untuk beberapa pengambilan keputusan diharapkan variasi atau atas
ramalan yang dilakukan antara 10-15 bagi maksud-maksud yang diharapkan, sedangkan untuk hal atau kasus lain mungkin menganggap
bahwa adanya variasi atau penyimpangan atas ramalan 5 adalah cukup berbahaya .
Ada beberapa tolak ukur yang dapat digunakan sebagai alat untuk mengukur kesalahan dalam peramalan forecast error, yaitu :
1. Mean Absolute Error MAE
MAE merupakan suatu ukuran perbedaan atau selisih antara ramalan dengan aktual. MAE diperoleh dengan mengambil nilai absolut dari tiap
kesalahan peramalan dibagi dengan jumlah periode data. Umumnya, semakin kecil nilai MAE, semakin akuran suatu ramalan Heizer dan
Render, 2005. MAE dapat dihitung sebagai berikut : MAE =
∑ | |
………………… 12 MAE =
∑
| |
……… 13 Dimana : Dt-Ft : selisih antara nilai data aktual dan peramalan periode
N : periode data
2. Mean Square Error MSE
MSE merupakan rataan selisih kuadrat antara nilai yang diramalkan dan yang diamati Heizer dan Render, 2005. MSE dapat dihitung sebagai
berikut : MSE =
∑
…………………………..14
MSE =
∑
……….15
3. Mean Absolute Percentage Error MAPE
Menghitung dalam unsur yang diramal ribuan yang dihitung sebagai rataan diferensiasi absolut antara nilai yang diramalkan dan aktual untuk n
periode Heizer dan Render, 2005. MAPE dapat dihitung sebagai berikut :
MAPE =
∑
| |
……………………………….. 16
MAPE =
∑ |
|
……….17
2.9. Pengertian Produksi