PERAMALAN

3.1.     Defenisi Peramalan (Forecasting)

Peramalan atau forecast adalah merupakan suatu fungsi bisnis yang berusaha memperkirakan penjualan dan pengunaan produk sehingga produk-produk itu dapat dibuat dalam kuantitas yang tetap (Gaspersz, 2001). Tujuan dari peramalan adalah untuk menentukan jumlah permintaan produk pada masa yang akan datang. Adapun kegunaan dari peramalan adalah (Hendra Kusuma, 2001):

1.      Menentukan besarnya ekspansi pabrik

2.      Menentukan rencana jangka menengah produk yang ada dan dibuat dengan fasilitas yang ada.

3.      Untuk menentukan rencana jangka pendek.

3.1.1    Macam-macam Peramalan

Ada berapa macam tipe peramalan yang digunakan. Adapun tipe-tipe dalam peramalan adalah sebagai berikut (Jay Heizer,2005):

1.      Times Series Model

Metode time series adalah metode peramalan secara kuantitatif dengan menggunakan waktu sebagai dasar peramalan.

2.      Causal Model

Metode peramalan yang menggunakan hubungan sebab-akibat sebagai asumsi, yaitu bahwa apa yang terjadi di masa lalu akan terulang pada saat ini.

3.      Judgemental Model

Bila time series dan causal model bertumpu pada kuantitatif, pada judgemental mencakup untuk memasukkan faktor-faktor kuantitatif / subjektif ke dalam metode peramalan. Secara khusus berguna bilamana faktor-faktor subjektif yang diharapkan menjadi sangat penting bilamana data kuantitatif yang akurat sudah diperoleh.

3.1.2    Klasifikasi Peramalan

Klasifikasi peramalan merupakan identitas dari peramalan itu sendiri. Peramalan memiliki dua klasifikasi peramalan diantaranya sebagai berikut (Jay Heizer,2005):

1.      Peramalan berdasarkan teknik penyelesaiannya, yang terdiri dari:

a.       Teknik peramalan secara kualitatif

Peramalan yang melibatkan pendapat pribadi, pendapat ahli, metode Delphi penelitian pasar dan lain-lain. Bertujuan untuk menggabungkan seluruh informasi yang diperoleh secara logika, unbased & sistematis yang dihubungkan dengan faktor interest pengambil keputusan. Beberapa teknik kualitatif yang sering dipergunakan adalah:

a)      Delphi Method

b)      Market Research

c)      Panel Consensus

d)     Visionary Forecast

e)      Historical Analogue

f)       Management Estimate

g)      Structured Group Methods

b.      Teknik peramalan secara kuantitatif

Digunakan pada saat data masa lalu cukup tersedia. Beberapa teknik kuantitatif yang sering dipergunakan:

a)      Time Series Model

b)      Causal Model

2.   Peramalan berdasarkan pengelompokkan horizon waktu:

a.       Peramalan jangka panjang, yaitu peramalan yang jangka waktu peramalan lebih dari 24 bulan, misalnya peramalan yang diperlukan dalam kaitannya dengan anggaran produksi.

b.      Peramalan jangka menengah, yaitu peramalan yang jangka waktu peramalan antara 3-24 bulan, misalnya peramalan untuk perencanaan penjualan, perencanaan dan anggaran produksi.

c.       Peramalan jangka pendek, yaitu peramalan yang jangka waktu peramalan kurang dari 3 bulan, misalnya peramalan dalam hubungannya dengan perencanaan pembelian material, penjadwalan kerja dan penugasan.

Komponen utama yang mempengaruhi penjualan masa lampau:

a.       Kecenderungan/Trend (T)

b.      Siklus/Cycle (C)

c.       Musim/Season (S)

d.      Kejadian Luar Biasa/Erratic Events (E)

3.2.      Metode Peramalan yang Digunakan

            Perhitungan peramalan dapat dicari dengan beberapa metode yaitu: Metode Weigthed Moving Average (WMA), Metode Single Exponential Smoothing (SES), dan metode regresi linier. Berikut ini adalah penjabaran dari masing-masing metode.

3.2.1        Metode Weigthed Moving Average (WMA)

Metode Weigthed Moving Average atau rata-rata bergerak terbobot ini lebih responsive terhadap perubahan (Gaspersz, 2004). Rumus perhitungan dengan metode WMA:

Untuk mengetahui sejauh mana keandalan dari model peramalan Weigthed Moving Average, kita dapat mengetahui dengan cara membuat tracking signal membangun peta kontrol. Model Weigthed Moving Average ini biasanya akan menjadi efektif apabila pola data bersifat relatif stabil dari waktu ke waktu dan tidak menunjukkan kecenderungan (trend).

  

3.2.1        Metode Single Exponential Smoothing (SES)

Model peramalan ini bekerja hampir serupa dengan alat thermostat, dimana apabila galat ramalan (forecast error) adalah positif, yang berarti nilai aktual permintaan lebih tinggi dari pada nilai ramalan (A–F>0), maka model pemulusan eksponensial akan secara otomatis meningkatkan ramalan. Sebaliknya apabila galat ramalan (forecast error) adalah negatif, yang berarti nilai aktual permintaan lebih rendah dari pada nilai ramalan (A–F>0), maka model pemulusan eksponensial akan secara otomatis menurunkan ramalan. Proses penyesuaian ini berlangsung terus-menerus, kecuali galat ramalan telah mencapai nol. Kenyataan inilah yang mendorong peramal (forecaster) lebih suka menggunakan model peramalan pemulusan eksponensial, apabila pola historis dari data aktual permintaan bergejolak atau tidak stabil dari waktu ke waktu. Rumus perhitungan dengan metode Single Exponential Smoothing (Gaspersz, 2004):

Dimana:

F_t         =  nilai ramalan untuk periode waktu ke-t

F_t-1       =  nilai ramalan untuk satu periode waktu yang lalu, t-1

A_t-1      =  nilai aktual untuk satu periode waktu yang lalu, t-1

a          =  konstanta pemulusan (smoothing constant)

            Permasalahan umum yang dihadapi apabila menggunakan model pemulusan eksponensial adalah memilih konstanta pemulusan a, yang diperkirakan tepat. Nilai konstanta pemulusan a dapat dipilih di antara nilai 0 dan 1, karena berlaku: 0 < a < 1. Bagaimanapun juga untuk penetapan nilai a yang diperkirakan tepat, kita dapat menggunakan panduan berikut:

1.      Apabila pola historis dari data aktual permintaan sangat berbeda atau tidak stabil dari waktu ke waktu, kita memilih nilai a yang mendekati satu. Biasanya dipilih nilai a = 0,9; namun pembaca dapat mencoba nilai-nilai a yang lain mendekati satu, katakanlah: a = 0,8; 0,95; 0,99, dan lain-lain, tergantung pada sejauh mana gejolak dari data itu. Semakin bergejolak, nilai a yang dipilih harus semakin tinggi menuju ke nilai satu.

2.      Apabila pola historis dari data aktual permintaan tidak berfluktuasi atau relatif stabil dari waktu ke waktu, kita memilih nilai a yang mendekati nol. Biasanya dipilih nilai a = 0,1; namun pembaca dapat mencoba nilai-nilai a yang lain yang mendekati nol, katakanlah: a = 0,2; 0,15; 0,05; 0,01, dan lain-lain, tergantung pada sejauh mana kestabilan dari data itu. Semakin stabil, nilai a yang dipilih harus semakin kecil menuju ke nilai nol. Untuk mengetahui sejauh mana keandalan dari model peramalan berdasarkan pemulusan eksponensial harus menggunakan peta kontrol tracking signal dan membandingkan apakah nilai-nilai ramalan itu telah menggambarkan atau sesuai dengan pola historis dari data aktual permintaan.

3.2.1        Metode Regresi Linier

Regresi linier adalah suatu metode populer untuk berbagai macam permasalahan. Untuk peramalan time series, formula regresi linier cocok digunakan bila pola data adalah trend. Rumus perhitungan regresi linier adalah sebagai berikut:  

3.3.      Teori Ukuran Akurasi Peramalan

Ukuran akurasi secara umum yang dipergunakan untuk peramalan. Berikut ini adalah macam-macam ukuran peramalan berserta penjabarannya(Gaspersz, 2004).

3.3.1    Mean Absolute Deviation

Rata-rata penyimpangan absolut merupakan penjumlahan kesalahan prakiraan tanpa menghiraukan tanda aljabarnya dibagi dengan banyaknya data yang diamati, yang dirumuskan sebagai berikut:

 3.3.2        Mean Forecast Error

Rata-rata kesalahan kuadrat (MSE, mean square error) memperkuat pengaruh angka-angka kesalahan besar, tetapi memperkecil angka kesalahan prakiraan yang lebih kecil dari satu unit.

3.3.2        Mean Absolute Percentage Error

Rata-rata persentase kesalahan kuadrat merupakan pengukuran ketelitian dengan cara-cara persentase kesalahan absolute, (MAPE) menunjukkan rata-rata kesalahan absolut prakiraan dalam bentuk persentasenya terhadap data aktualnya.

3.3.2        Tracking Signal

Pada setiap peramalan, tracking signal terkadang digunakan untuk melihat apakah nilai-nilai yang dihasilkan berada didalam atau diluar batas-batas pengendalian dimana nilai-nilai tracking signal itu bergerak antara -4 sampai +4. Tracking signal yang memiliki nilai MAD terkecil maka aakan dibuat peta moving range berdasarkan MAD tersebut.

3.3.3        Moving Range

Peta Moving Range dirancang untuk membandingkan nilai permintaan aktual dengan nilai peramalan.  Dengan kata lain, dapat melihat data permintaan aktual dan membandingkannya dengan nilai peramalan pada periode yang sama. Peta tersebut dikembangkan ke periode yang akan datang hingga dapat membandingkan data peramalan dengan permintaan aktual. Peta Moving Range digunakan untuk pengujian kestabilan sistem sebab-akibat yang mempengaruhi permintaan. Rumus perhitungan peta moving range adalah sebagai berikut(Jay Hezier,2005):

Pada peta Moving Range jika ditemukan satu titik yang berada diluar batas kendali pada saat peramalan diverifikasi maka harus ditentukan apakah data harus diabaikan atau mencari peramalan baru. Jika ditemukan sebuah titik berada diluar batas kendali maka harus diselidiki penyebabnya. Penemuan itu mungkin saja membutuhkan penyelidikan yang ekstensif. Jika semua titik berada di dalam batas kendali, diasumsikan bahwa peramalan permintaan yang dihasilkan telah cukup baik. Jika terdapat titik yang berada di luar batas kendali, jelas bahwa peramalan yang didapat kuran baik dan harus direvisi. Kegunaan peta Moving Range yang pertama ialah untuk melakukan verifikasi hasil peramalan Least Square terdahulu. Dalam kasus-kasus tersebut, jika peta Moving Range menunjukkan keadaan diluar kriteria kendali, maka hal itu berarti ada data yang tidak berasal dari sistem sebab-akibat yang sama dan harus dibuang. Fungsi peramalan pun harus diulangi lagi.