Metode Peramalan Konsep Peramalan

14 nilai dari periode terbaru dari sekelompok data yang terlama dan memasukkan nilai periode terbaru dari sekelompok data yang jumlahnya konstan. Prosedur moving average yang berarti jika observasi baru telah tersedia, rata-rata yang baru dapat dihitung dengan menghilangkan data yang tertua dan menggantinya dengan yang terbaru. Metode rata-rata bergerak sederhana cocok untuk pola data stasioner dan berusaha menghilangkan data musiman dan trend. Jika moving average digunakan, pemilihan n perlu memperhatikan periode data. Nilai n yang optimal dapat dicari dengan trial and error coba-coba. Hal ini dimaksudkan untuk menghindari nilai penyimpangan yang besar dari fluktuasi data yang telah memberikan pengaruh terhadap ramalan yang dihasilkan. Jika periode data bulanan, paling tidak digunakan n=12. Jika n makin besar pengaruh penghalusan makin terasa Firdaus, 2006:128. c. Metode Pelicinan Eksponensial Tunggal Single Eksponensial Smoothing Metode ini sangat baik diterapkan pada serial data yang memiliki pola stasioner dan kemungkinan tidak efektif dalam menangani peramalan dengan kecendrungan data yang dimiliki komponen trend dan pola musiman. Hal ini dikarenakan jika diterapkan pada serial data yang memiliki trend yang konstan, ramalan yang akan dibuat akan selalu berada di belakang trend. Selain itu, metode eksponensial ini juga memberikan bobot yang relatif lebih tinggi pada nilai pengamatan terbaru dibanding periode sebelumnya. 15 Metode ini menggunakan α sebagai koefisien pelicinan. Handoko 2008:280 menyatakan nilai-nilai α rendah akan menyebabkan jarak yang lebih lebar dengan trend, karena hal itu memberikan bobot yang lebih kecil pada permintaan sekarang. Nilai α yang rendah cocok digunakan bila data bersifat stabil. Nilai-nilai α yang lebih tinggi berguna dimana perubahan-perubahan yang sesungguhnya cenderung terjadi karena lebih responsive terhadap fluktuasi permintaan. Mencari nilai α yang tepat umumnya dapat ditentukan dengan pengujian trial and error coba-coba terhadap α yang berbeda-beda untuk menemukan nilai α yang akan menghasilkan nilai kesalahan terkecil. d. Metode Pelicinan Eksponensial Ganda Double Eksponensial Smoothing Metode Double Eksponensial Smoothing memiliki dasar pemikiran yang sama dengan rata-rata bergerak linier. Berkaitan dengan hal tersebut, penerapan metode double eksponensial smoothing ini cukup baik untuk deret data yang memiliki unsur trend. Metode double eksponensial smoothing memproses time series yakni dengan mengekstrapolasikan data atas dasar trend terkahir yang terbentuk, sehingga ramalan yang akan terlihat nantinya cenderung ke suatu arah yakni sesuai dengan trend terkahir. e. Metode Perhitungan Indeks Musiman Perhitungan indeks musiman dalam Handoko 2008:278 dapat dihitung dengan mencari nilai rata-rata berbagai rasio kuartal nyata terhadap nilai garis trend untuk setiap periode. Peramalan model ini merupakan estimasi penjualan yang hanya memasukan komponen trend dan musiman tanpa memperhatikan pengaruh silikal. Rangkuti 2007:13 menyatakan indeks musiman perlu 16 dilakukan untuk mengetahui secara jelas apakah data time series yang dimiliki mengandung unsur musiman atau tidak. f. Metode Dekomposisi Salah satu pendekatan dalam analisis data runtut waktu adalah berusaha untuk mengidentifikasi faktor-faktor komponen yang mempengaruhi nilai-nilai periodik dalam satu serial. Proses identifikasi ini disebut dekomposisi. Setiap komponen diidentifikasi sehingga data runtut waktu dapat diproyesikan ke masa yang akan datang dan dapat digunakan untuk peramalan jangka pendek maupun jangka panjang Arsyad, 1994:207. Subagyo 1994:31 mengatakan bahwa metode dekomposisi adalah salah satu metode peramalan yang didasarkan pada kenyataan bahwa biasanya apa yang telah terjadi akan berulang atau terjadi kembali dengan pola yang sama, artinya yang dulu selalu naik pada waktu yang akan datang biasanya akan naik, yang biasanya berkurang akan berkurang juga, yang biasanya berfluktuatif akan berfluktuatif juga dan yang biasanya tidak teratur maka akan tidak teratur juga. g. Metode Winter’s Metode ini digunakan ketika data menunjukan adanya trend dan perilaku musiman . Metode exponentian smoothing yang telah dibahas sebelumnya dapat digunakan untuk hampir segala jenis data stasioner atau non – stasioner sepanjang data tersebut tidak mengandung faktor musiman. Tetapi bilamana terdapat musiman, metode ini dijadikan cara untuk meramalkan data yang mengandung faktor musiman, namun metode ini sendiri tidak dapat mengatasi masalah tersebut 17 dengan baik. Meskipun demikian, metode ini dapat menangani faktor musiman secara langsung Makridakis, 1999:40. h. Metode Box Jenkis ARIMA Metode peramalan Box-Jenkis merupakan suatu prosedur iterative memilih model terbaik untuk series yang stasioner dari suatu kelompok model time series linier Mulyono, 2000:147. ARIMA merupakan singkatan dari autoegressive integrated moving average. Metode ini tidak menggunakan variabel independen, melainkan menggunakan nilai-nilai sekarang dan nilai-nilai masa lampau dari variabel dependen. Metode ARIMA adalah metode yang tepat untuk mengatasi terlalu rumitnya data deret waktu terdapat variasi dari pola data dan situasi peramalan lainnya. Firdaus 2006:19, prosedur ARIMA terdiri dari beberapa tahapan yaitu identifikasi, estimasi, evaluasi model dan peramalan. Penjelasan dengan tahap tersebut adalah sebagai berikut : 1. Indentifikasi. Pada tahap ini dilakukan identifikasi terhadap tiga hal, yaitu terhadap pola data; apakah terdapat unsur musiman atau tidak. Kedua, identifikasi terhadap kestasioneran data. Ketiga, identifikasi terhadap pola atau perilaku ACF dan PACF. 2. Estimasi model. Pada tahap estimasi, pertama-tama dihitung nilai estimasi awal untuk parameter-parameter dari model tentatif, untuk menghitung estimasi awal biasanya digunakan nilai 0 atau 1 sebagai koefisien estimasi untuk masing-masing parameter. 18 3. Evaluasi mode. Setelah diperoleh persamaan untuk model tentatif, dilakukan pengujian kedekatan model dengan data. Uji ini dilakukan dengan menguji nilai residual, signifikasi dan hubungan-hubungan antara parameter. Nilai residual merupakan nilai yang diperoleh dari selisih antara nilai skyual dengan nilai ramalan. Jika terdapat hasil uji yang tidak diterima atau tidak memenuhi syarat, maka model harus diperbaiki dan langkah-langkah sebelumnya diulang kembali. Uji diagnostik untuk evaluasi model terdapat 6 kriteria, yaitu residual peramalan bersifat acak, model parsimonius sederhana, parameter yang diperoleh berbeda nyata dengan nol, proses iterasi harus convergence dan memiliki nilai MSE terkecil. 2 Metode Kausal Regresi Metode peramalan kausal didasarkan atas penggunaan analisa pola hubungan antara variabel yang diperkirakan dependen dengan variabel lain yang mempengaruhinya independen, yang bukan waktu yang disebut metode korelasi atau sebab akibat causal method. Metode ini sering disebut metode regresi. Metode regresi adalah suatu penyederhanaan pola hubungan suatu variabel dengan suatu variabel lain Mulyono, 2000:53. Kriteria yang digunakan untuk menunjukkan keakuratannya yaitu nilai R-Square Rangkuti, 2007:19. Semakin besar nilai R-Square berarti model semakin akurat dalam meramalkan. Untuk pengujian regresi dilakukan dengan membandingkan nilai ρ dengan tingkat α yang akan digunakan. Nilai α yang digunakan 0,05 dengan derajat kepercayaan 95 persen. Jika ρ lebih kecil dari α maka variabel tersebut signifikan Muhidin dan 19 Abdurrahman, 2007:198. Hal tersebut menunjukkan bahwa variabel tersebut berpengaruh nyata terhadap variabel dependen.

2.4 Persediaan

Chopra dan Meindl dalam Elawati 2010:14 menyatakan persediaan merupakan seluruh bahan baku, bahan setengah jadi, dan barang jadi yang terdapat dalam suatu penyediaan. Berbeda dengan Shore dalam Zulfikarijah 2005:4 mendefinisikan bahwa persediaan sebagai sumberdaya menganggur yang memiliki nilai potensial, definisi tersebut memasukan perlengkapan dan tenaga kerja yang menganggur sebagai persediaan.

2.4.1 Jenis-jenis Persediaan

Indrajit dan Djokopranoto 2003:4 mengklasifikasikan barang persediaan sebagai berikut: 1. Bahan baku raw material adalah bahan mentah yang belum diolah, yang akan diolah menjadi barang jadi, sebagai hasil utama dari barang yang bersangkutan. 2. Barang setengah jadi semi final product adalah hasil olahan bahan mentah sebelum menjadi barang jadi yang sebagian akan diolah lebih lanjut menjadi barang jadi dan sebagian kadang-kadang dijual seperti apa adanya untuk menjadi bahan baku perusahaan lain. 20 3. Barang jadi finished product adalah barang yang sudah selesai diproduksi atau diolah, yang merupakan hasil utama perusahaan yang bersangkutan dan siap untuk dipasarkan atau dijual. 4. Barang umum dan suku cadang general material and spare parts adalah segala jenis barang atau suku cadang yang digunakan untuk operasi menjalankan perusahaanpabrik dan untuk memelihara peralatan yang digunakan. 5. Barang untuk proyek work in progress adalah barang-barang yang ditumpuk menunggu pemasangan dalam proyek baru. 6. Barang dagangan commodities adalah barang yang dibeli, sudah merupakan barang jadi dan disimpan digudang menunggu penjualan kembali dengan keuntungan tertentu.

2.4.2 Fungsi Persediaan