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