Metode Peramalan Landasan Teori

commit to user 20 kebijaksanaan moneter dan kemajuan teknologi. Evaluasi, dipihak lain, merupakan pembandingan ramalan-ramalan dengan hasil-hasil nyata untuk menilai ketepatan penggunaan suatu metodologi atau teknik peramalan. Langkah ini diperlukan untuk menjaga kualitas estimasi-estimasi di waktu yang akan datang.

7. Metode Peramalan

Peramalan akan produk di waktu mendatang sangat penting dalam perencanaan dan pengawasan produksi di suatu perusahaan. Dalam menentukan keputusan, manajemen produksi menggunakan hasil-hasil peramalan. Menurut Swastha 2001, metode peramalan dapat digolongkan menurut beberapa cara. Misalnya, ada yang menyebutkan dua pendekatan pokok dalam peramalan. a. Metode Nonkausal Memerlukan penganalisisan data historis untuk memproyeksi pola gerakannya dalam suatu periode. b. Analisis Kausal Melibatkan suatu analisis faktor untuk diramal di samping faktor-faktor yang secara kausal terkait dalam upaya mendefinisikan hubungan tersebut. Dengan menggunakan hubungan yang telah didefinisikan tersebut, faktor itu diramal untuk periode waktu mendatang. commit to user 21 Ada dua pendekatan menurut Render dan Heizer 2001, antara lain: a. Tinjauan Metode Kualitatif Ada lima teknik peramalan kualitatif yang berbeda, antara lain: 1 Juri dari opini eksekutif Metode ini mengambil opini dari sekelompok kecil manajer tingkat tinggi, sering kali dikombinasikan dengan model-model statistik, dan menghasilkan estimasi permintaan kelompok. 2 Gabungan armada penjualan Dalam pendekatan ini, setiap wiraniaga mengestimasi jumlah penjualan di wilayahnya, ramalan ini kemudian dikaji ulang untuk meyakinkan kerealistisannya, lalu dikombinasikan pada tingkat propinsi dan nasional untuk mencapai ramalan secara menyeluruh. 3 Metode Delphi Proses kelompok iteratif ini mengijinkan para ahli, yang memungkinkan tinggal di berbagai tempat, untuk membuat ramalan. Ada tiga partisiapan dalam proses Delphi: pengambilan keputusan, personal staf, dan responden. Pengambilan keputusan biasanya terdiri dari sebuah kelompok beranggotakan lima sampai sepuluh ahli commit to user 22 yang akan membuat ramalan aktual. Personel staf membantu pengambilan keputusan dengan menyiapkan, mendistribusikan, mengumpulkan, dan meringkas serangkaian kuesioner dan hasil survei. Responden adalah sekelompok orang yang keputusannya dinilai dan diperhatikan. Kelompok ini memberi masukan kepada pengambil keputusan sebelum ramalan dibuat. 4 Survei pasar konsumen Metode memperbesar masukan dari pelanggan atau calon pelanggan tanpa melihat rencana pembelian masa depannya. Metode ini bisa membantu tidak hanya dalam menyiapkan ramalan tetapi juga dalam memperbaiki desain produk baru. 5 Pendekatan naif Cara sederhana untuk peramalan ini mengansumsikan bahwa permintaan dalam periode berikutnya adalah sama dengan permintaan dalam periode sebelumnya most recent period. b. Tinjauan Metode Kuantitatif Ada empat metode untuk peramalan kuantitatif, yaitu: 1 Rata-rata Bergerak Moving Average a Rata-rata Bergerak Moving Average bermanfaat jika kita mengansumsikan bahwa permintaan pasar tetap commit to user 23 stabil sepanjang waktu. Rata-rata bergerak empat bulan diperoleh dengan menjumlahkan permintaan selama empat bulanan dan dibagi 4. Data bulan terakhir ditambahkan ke jumlah data tiga bulan sebelumnya, dan bulan yang paling awal dihilangkan. Hal ini cenderung menghaluskan ketidakteraturan jangka pendek di dalam seri data. Secara matematis, rata-rata bergerak sederhana yang menjadi estimasi dari permintaan periode berikutnya ditunjukan sebagai: Rata-rata bergerak = dimana n adalah jumlah periode dalam rata-rata bergerak. Misalnya, empat, lima, atau enam bulan, secara berurutan, untuk rata-rata bergerak empat, lima, atau enam periode. b Rata-rata Bergerak Tertimbang Apabila ada pola atau trend yang dapat kita deteksi, timbangan bisa digunakan untuk menempatkan lebih commit to user 24 banyak tekanan pada nilai baru. Ini membuat teknik itu lebih responsif terhadap perubahan karena periode yang lebih baru mungkin lebih besar timbangannya. Memutuskan timbangan mana yang akan dipakai membutuhkan pengalaman dan unsur keberuntungan. Pilihan timbangan adalah bersifat arbirter karena tidak ada rumus untuk menentukannya. Jika bulan atau periode terakhir ditimbang terlalu berat, ramalan bisa mencerminkan perubahan dalam permintaan yang tidak biasa atau pola penjualan yang terlalu cepat. Rata-rata bergerak tertimbang weighted moving average ditunjukan secara matematis dengan: Rata-rata bergerak = Rata-rata bergerak sederhana dan tertimbang efektif dalam menghaluskan fluktuasi tiba-tiba dalam pola permintaan untuk menghasilkan estimasi yang stabil. Namun demikian, rata-rata bergerak mempunyai tiga masalah. Pertama, meningkatkan ukuran n jumlah periode yang dirata-ratakan memang menghaluskan fluktuasi dengan lebih baik, tetapi metode ini kurang commit to user 25 sensitif, untuk perubahan nyata dalam data. Kedua, rata- rata bergerak tidak bisa selalu berada dalam tingkat masa lalu dan tidak akan memprediksi perubahan ke tingkat yang lebih tinggi maupun yang lebih rendah. 2 Penghalusan Eksponensial Exponential Smoothing a Penghalusan eksponential exponential smoothing adalah metode peramalan yang mudah digunakan dan efisien bila dilakukan dengan komputer. Meskipun merupakan teknik rata-rata bergerak, penghalusan eksponential mencakup pemeliharaan data masa lalu yang sangat sedikit. Rumus penghalusan eksponential dasar adalah sebagai berikut: Ramalan baru = Ramalan periode lalu + α Permintaan aktual periode lalu – ramalan periode lalu Di mana α adalah timbangannya, atau konstanta penghalusan, yang nilainya antara 0 sampai 1. Bisa juga ditulis secara matematis dengan: F t = F t-1 + α A t-1 – F t-1 commit to user 26 Dimana: F t : Ramalan baru F t-1 : Ramalan sebelumnya α : Konstanta penghalusan A t-1 : Permintaan aktual pada periode sebelumnya Konsep ini tidak rumit. Estimasi permintaan terakhir adalah sama dengan estimasi sebelumnya yang disesuaikan sedikit dari perbedaan antara permintaan aktual periode lalu dan estimasi sebelumnya. Konstanta penghalusan, α, umumnya antara 0,05 sampai 0,50 untuk aplikasi bisnis. Konstsnta penghalusan bisa diubah untuk memberikan timbangan yang lebih besar pada data baru bila α tinggi atau pada data masa lalu bila α rendah. Yang pasti, periode masa lalu menurun dengan cepat ketika α meningkat. Bila α mencapai nilai ekstrem 1,0 maka dalam persamaan F t = 1,0 A t-1 . Semua nilai yang lebih lama dihilangkan dan ramalannya menjadi identik ke model naif yang telah dibahas sebelumnya. Yaitu, ramalan untuk periode berikutnya sama saja dengan periode ini. commit to user 27 b Memilih Konstanta Penghalusan Pendekatan dengan penghalusan eksponential mudah digunakan, dan telah dengan sukses diterapkan di banyak organisasi. Akan tetapi, nilai konstanta penghalusan, α, yang tepat bisa menciptakan perbedaan antara ramalan yang akurat dan ramalan yang tidak akurat. Dalam mengambil sebuah nilai untuk konstnta penghalusan, tujuannya adalah untuk mencapai ramalan yang paling akurat. Keakuratan yang menyeluruh dari model peramalan bisa ditentukan dengan membandingkan nilai-nilai yang diramalkan dengan nilai- nilai aktual. Kesalahan ramalan forecast error didefinisikan dengan: Kesalahan peramalan = Permintaan – Ramalan Sebuah ukuran untuk kesalahan peramalan menyeluruh untuk suatu model adalah deviasi absolut rata-rata hitung mean absolute deviation, MAD. MAD dihitung dengan mengambil jumlah nilai absolut dari kesalahan peramalan individu dan membaginya dengan jumlah periode data n: commit to user 28 MAD = c Kesalahan Kuadrat Rata-rata Kesalahan kuadrat rata-rata mean squared error, MSE adalah cara lain mengukur kesalahan ramalan secara menyeluruh. MSE adalah rata-rata perbedaan kuadrat antara nilai yang diramalkan dan nilai yang diamati. Rumusnya adalah: MSE = 3 Proyeksi Trend Trend Projection Teknik ini mencocokkan garis trend ke rangkaian titik data historis dan kemudian memproyeksikan garis itu ke dalam ramalan jangka menengah hingga jangka panjang. Beberapa persamaan trend matematis bisa dikembangkan mis., eksponensial dan kuadratik, tetapi pada bagian ini yang akan dibahas hanya trend linear garis lurus. Jika kita memutuskan untuk mengembangkan garis trend linear dengan metode statistik yang tepat, maka kita dapat memakai metode kuadrat terkecil least square method. Pendekatan ini menghasilkan garis lurus yang commit to user 29 meminimalkan jumlah kuadrat perbedaan vertikal dari garis pada setiap observasi aktual. Garis kuadrat terkecil digambarkan dalam bentuk perpotongan y nya puncak di mana garis itu memotong sumbu y dan slope nya kelandaiannya. Jika perpotongan y dan kelandaiannya bisa dihitung, persamaannya akan menjadi: = α + bx Di mana: disebut “ y topi” : Nilai variabel yang dihitung untuk diprediksi disebut variabel tidak bebas α : Perpotongan sumbu y b : Kelandaian garis regresi atau tingkat perubahan dalam untuk perubahan tertentu dalam x x : Variabel bebas dalam hal ini waktu Ahli statistik mengembangkan persamaan yang bisa digunakan untuk memperoleh nilai α dan b untuk garis regresi. Kelandaian b diperoleh dengan: commit to user 30 b = di mana: b : Kelandaian garis regresi : Tanda penjumlahan x : Nilai variabel bebas y : Nilai variabel tidak bebas : Rata-rata nilai x : Rata-rata nilai y n : Jumlah titik data atau observasi Perpotongan y bisa dihitung sebagai berikut: ฀ = - b 4 Regresi Linear Linear Regression a Menggunakan Analisis Regresi Linear Untuk Meramal Model matematika yang sama yang kita gunakan dalam metode kuadrat terkecil dari proyeksi trend bisa commit to user 31 digunakan untuk melakukan analis regresi linear. Variabel-variabel tidak bebas yang akan diramal tetap . Namun sekarang variabel bebas, x, bukan lagi waktu. = ฀ + bx Di mana: : Nilai variabel tidak bebas, yaitu penjualan α : Perpotongan sumbu y b : Kelandaian garis regresi x : Variabel bebas b Kesalahan Standar Estimasi Untuk mengukur keakuratan estimasi regresi kita perlu menghitung kesalahan standar estimasi standar error of estimation, S y,x. Kesalahan standar ini disebut deviasi standar regresi standard derivation of the regression. Persamaan banyak digunakan untuk menghitung deviasi standar dari rata-rata hitung aritmatik: Sy,x = Di mana: y : Nilai y untuk setiap titik data commit to user 32 y c : Nilai yang dihitug dari variabel tidak bebas, dari persamaan regresi n : jumlah titik data Persamaan bisa kelihatan lebih komplek, tetapi sebenarnya merupakan versi persamaan dari rumus di atas yang lebih sederhana. Selain memberikan jawaban yang sama, rumus itu bisa digunakan untuk interval prediksi di sekitar estimasi titik. Sy,x = c Koefisien Korelasi untuk Garis Regresi Persamaan regresi adalah cara untuk menunjukan sifat hubungan antara dua variabel. Persamaan itu menunjukan bagaimana satu variabel berkaitan dengan nilai dan perubahan di dalam variabel lain. Cara lain untuk mengevaluasi hubungan di antara dua variabel adalah menghitung koefisien korelasi. Ukuran ini menunjukan derajat atau kekuatan hubungan linear. Biasanya dikenal dengan r, koefisien korelasi nilainya terletak antara +1 dan -1. commit to user 33 Untuk menghitung r, kita membutuhkan data yang sama untuk menghitung ฀ dan b untuk garis regresi. Persamaan untuk r adalah: r = Meskipun koefisien korelasi adalah ukuran yang paling umum digunakan untuk menjelaskan hubungan antara dua variabel, ada pula ukuran lain. Ukuran itu disebut koefisien determinasi. Inilah kuadrat koefisien korelasi, r 2 . Nilai r 2 akan selalu berupa angka positif dalam rentang 0 r 2 1. Koefisien determinasi adalah persentase variasi dalam variabel tidak bebas y yang dijelaskan oleh persamaan regresi. d Analisis Regresi Berganda Regresi berganda multiple regression adalah perluasan praktis dari model yang baru saja kita amati. Regresi bertingkat memungkinkan kita membentuk model dengan beberapa variabel bebas. Persamaannya akan menjadi: commit to user 34 Di mana: : Variabel tidak bebas ฀ : Perpotongan y b 1 dan b 2 : Kelandaian garis regresi x 1 dan x 2 : Nilai dua variabel bebas, gaji, dan tingkat bunga Matematika regresi berganda menjadi cukup rumit dan biasanya ditangani dengan komputer, sehingga rumus ฀, b 1 , dan b 2 untuk buku teks statistik bisa diterapkan. e Isyarat Arah Satu cara untuk mematau peramalan untuk menjamin keefektifannya adalah menggunakan isyarat arah. Isyarat arah tracking signal adalah pengukuran tentang sejauh mana ramalan memprediksi nilai actual dengan baik. Bila ramalan diperbaharui setiap minggu, bulan, atau kuartal, data permintaan yang baru tersedia dibandingkan dengan nilai ramalan. Isyarat arah dihitung sebagai jumlah ramalan berjalan running sum of the forecast error, RSFE dibagi dengan deviasi absolut mean MAD. commit to user 35 Isyarat tanda = = Di mana: MAD = Seperti dalam persamaan deviasi absolute rata-rata hitung. Isyarat arah positif menunjukan bahwa permintaan lebih besar dari ramalan. Tanda negatif berarti bahwa permitaan kurang dari ramalan. Asyarat arah yang baik, yaitu yang memiliki RSFE rendah, mempunyai bias positif sebanyak bias negatifnya. Dengan kata lain, bias yang kecil tidak masalah, tetapi bias positif dan negatif seharusnya saling menyeimbangkan sehingga tanda penelusuran berada di sekeliling bias nol. Setelah dihitung, tanda penelusuran lalu dibandingkan dengan batas pengendalian yang telah ditentukan sebelumnya. Bila melebihi batas atas atau batas bawahnya, kelambatan flag menjadi keliru. Ini menunjukan masalah dengan metode peramalan. Manajemen ingn mengevaluasi kembali cara meramal permintaan. commit to user 36 f Penghalusan Adaptif Penghalusan adaptif mengacu pada pemantauan komputer dari tanda penelusuran dan penyesuaian diri jika sebuah tanda melewati batasnya semula. Sebagai contoh, bila diaplikasikan pada penghalusan eksponensial, koefisien ฀ pertama-tama dipilih berdasarkan nilai yang meminimalkan ramalan kesalahan, dan kemudian disesuaikan kapan pun menurut komputer mencatat isyarat arah yang salah. Inilah yang disebut penghalusan adaptif. commit to user 37

B. Kerangka Pemikiran