Anda di halaman 1dari 13

Peramalan adalah perhitungan yang objektif dan dengan menggunakan data-data masa lalu, untuk menentukan sesuatu di masa

yang akan dating sedangkan perkiraan dengan cara subjektif dan atau tidak dari data-data masa lalu, memperkirakan sesuatu di masa yang akan datang. Untuk melakukan perkiraan diperlukan keahlian, pengalaman, dan pertimbangan seorang manajer operasi. Sedangkan untuk melakukan peramalan diperlukan ilmu pengetahuan statistik, dan teknologi. Informasi tentang Demand dan produksi

Peramalan Demand dan operasi

Perencanaan Produk Proses Peralatan Kapasitas

Penjadwalan Aggregate Operasi

Pengawasan Produksi Inventori Tenaga kerja Biaya

Output Barang dan Jasa Pilihan metode peramalan harus didasarkan pada pemahaman bagaimana hasil ramalan akan digunakan sebagai sarana pengambilan keputusan. Jenis informasi yang dibutuhkan untuk perencanaan inventori jelas berbeda dengan informasi yang digunakan untuk perencanaan kapasitas. Perencanaan maupun peramalan dapat dibeda-bedakan dengan kebutuhan seberapa jauh waktu ke masa depan, seperti berikut ini: 1. Perencanaan harian dan mingguan adalah perencanaan untuk jangka waktu pendek biasanya untuk pengaturan jadwal kerja

2. Perncanaan untuk jangka waktu sedang, biasanya untuk merencakan kebutuhan personel, material, peralatan dan perencanaan kapasitas untuk jangka waktu 1 sampai dengan 12 menit. 3. Perencanaan jangka panjang digunakan untuk perencanaan fasilitas, penentuan lokasi, perubahan produk, dan pengembangan produk baru.

Disamping jangkauan waktu masih terdapat perbedaan karakteristik peramalan sebagai berikut: 1. Untuk perencanaan jangka pendek diperlukan metode peramalan yang relatife tidak mahal dan digunakan untuk meramal banyak macam item dengan volume tinggi sehingga data-data yang diperlukan harus dijamin terbaru dan terus direvisi dengan menggunakan komputer. 2. Untuk perencanaan jangka sedang diperlukan metode peramalan untuk perencanaan produksi setiap bulan terbatas pada jenis produk dengan jumlah yang tidak terlalu banyak dan dengan biaya peramalan sedang. 3. Perencanaan jangka panjang memerlukan peramalan dengan jangkauan 1 sampai dengan 10 tahun sehingga hasil peramalan lebih tidak akurat dan tidak pasti. Pada peramalan jangka panjang diperlukan data-data input yang bersifat subjektif yang berasal dari pada manajer maupun pengalaman dan pengatahuan pada ahli di samping itu juga data-data input objektif. Pemilihan Metode Peramalan Ada tiga metode peramalan yang akan dibahas yaitu: 1. Metode Qualitative atau metode Judgemental 2. Metode Qualitative Time Series atau metode Extrapolative 3. Metode Qualitative Causal atau metode Explanatory Adapun dasar-dasar pertimbangan dalam rangka pemilihan metode peramalan yang akan digunakan adalah sebagai berikut: 1. Pengguna atau pelaku dan kecanggihan metode Tegantung seberapa jauh pengetahuan dan pengalaman pengguna dan pelaku peramalan, karena tingkat pengetahuan dan keterampilan pelaku harus sesuai dengan tingkat kecanggihan metode peramalan. Kadang-

kadang metode yang sederhana dan mudah dipahami dapat menghasilkan ramalan yang lebih baik. 2. Waktu peramalan dan sumber daya yang tersedia Tergantung waktu yang tersedia untuk mengumpulkan data dan persiapan peramalan, yang biasanya akan memakan waktu dan biaya yang cukup besar. Perasamalan untuk aktivitas yang berulang-ulang, cukup dengan bantuan komputer, yang akan membutuhkan waktu dan biaya yang relative murah. 3. Tergantung pada tujuan penggunaan dan karakteristik keputusan manajemen yang meliputi antara lain: Akurasi hasil ramalan Jangka waktu penggunaan hasil ramalan Jumlah item yang akan diramal 4. Tersedianya data 5. Pola data Untuk tujuan analisis secara sistematik terhadap data-data historis biasanya manajer menggunakan analisis Time Series. Pada analisis ini data-data ditempatkan pada skala waktu dan kemudian memperhatikan bentuk-bentuk beraturan yang akan menggambarkan suatu pola. Pola data ini bermacam-macam sebagai berikut. Beberapa data individu tidak terletak tepat pada garis pola, tetapi mengelompok mendekati pola, hal ini dinamakan noise. Yang letaknya dekat dinamakan low noise sedang yang relative jauh dinamakan high noise Untuk peramalan, lebih baik pola data yang stabil dimana perubahanperubahannya sepanjang periode waktu tertentu tetap atau stabil. Pola data akan mempengaruhi pemilihan metode ramalan. Pada model Time Series diperlukan data contant sehingga dengan pola data seperti itu cukup digunakan metode First Order. Kalau pola data menunjukkan trend dan seasonal maka akan digunakan metode Advances dan apabila pola data tidak stabil maka harus digunakan metode Kualitatif. Masalah lain dalam menentukan metode peramalan adalah perbedaan antara perkiraan dan kenyataanya. Perbedaan ini biasa dinamakan Error

Apabila hasil peramalan dari bermacam-macam metode yang berbeda diteliti dengan seksama maka sering kali didapat bahwa metode yang menghasilkan error yang paling kecil adalah yang terbaik ternyata anggapan ini tidak benar. Metode peramalan yang terbaik adalah metode yang menggambarkan penekanan pada data waktu yang berurutan. Apabila pola data penuh dengan random noise dan nonlinear maka pilihan pada metode peramalan kualitatif yang terbaik. Ringkasan pemilihan metode adalah sebagai berikut: Tujuan Peramalan Rencana Proses Kapasitas/fasilitas Rencana aggregate Penjadwalan Investory Jangka Waktu Jangka Panjang Jangka Panjang Jangka Pendek Jangka Pendek Jangka Pendek Akurasi Sedang Sedang Tinggi Tertinggi Tertinggi Tingkat Manajemen Tinggi Tinggi Menengah Rendah Rendah Metode Qualitative/causal Qualitative/causal Causal/time series Time series Time series

Metode ini digunakan apabila kondisi sebagai berikut: Tidak ada data historis Metode statistic tidak layak Data terdahulu tidak mencerminkan kondisi yang akan datang Pertimbangan dasar lain untuk metode qualitative ini adalah Apa saja yang menjadi kebutuhan manusia Bagaimana mereka bereaksi terhadap questioner atau uji pasar produk baru. Perilaku pelanggan Memperhatikan pengamalan peramalan yang lalu a. Metode Delphi adalah metode peramahan kualitatif yang menggunakan panel yang terdiri dari para Ahli, baik dari luar atau pun dari dalam organisasi. Masing-masing ahli tanpa indentitas akan memberikan jawaban terhadap beberapa pertanyaan yang diajukan oleh koordinator. b. Metode Nominal Group adalah metode peramalan kualitatif semacam dengan metode Delphi hanya berbeda pada pakar diberikan kesempatan untuk berdiskusi satu dengan lainnya. c. Market Survey adalah metode permalan kualitatif lainnya yang lebih baik hasilnya. Metode ini menggunakan pertanyaan-pertanyaan atau questioner yang ditunjukkan ke para pelanggan dan jawaban pelanggan ini

merupakan ramalan permintaan pasar yang kemudian sebagai masukan untuk perencanaan produk barang dan jasa baru. d. Analisis Historical Analogy and Life cycle merupakan jenis metode qualitative dimana penelitian pasar kadang-kadang dilengkapi dengan data tentang kinerja produk sebelumny, sehingga permalan dapat dilakukan dengan cara membandingkan, mempelajari dan menganalisa kurva dari siklus kehidupan dari produk tersebut. Metode Peramalan Quantitative-Time Series Atau Metode Extrapolative Metode peramalan ini dilakukan dengan cara: 1. Membuat analisis yang terperinci pada pola data waktu yang lalu Dasar asumsi metode ini adalah data dari waktu yang berurutan dapat diuraikan menjadi bagian-bagian atau komponen-komponen sebagai berikut Rata-rata (average level) Kecenderungan (trend) Musiman (seasonality) Fluktuasi (cycle) Kesalahan / devisi (error) Metode peramalan akan melalui tahapan-tahapan berikut ini: 1. Mengenali bentuk dan ukuran dari komponen-komponen data permintaan yang telah lalu. 2. Komponen ini kemudian diproyeksikan kemasa yang akan datang 3. Bila devisi acak yang biasa disebut dengan random error. Jumlahnya kecil maka peramalan yang diperoleh benar-benar dapat dipercaya Rumusannya: Y (t) a b f(t) e = (a+bt) [f(t)] + e = Komponen Average Level = Komponen Trend = Komponen Seasonal = Random Error

1. Metode Simple Moving Average

Simple Moving Averege adalah metode Time Series yang paling sederhana. Pada metode ini di asumsikan bahwa pola time series hanya terdiri dari komponen Averege level dan komponen random error. Rumusnya : Rata-rata demand dari jumlah periode N

Kalau diasumsikan komponen Time Series adalah Avarage Level maka permalan pada periode t+1 adalah sama dengan rata-rata Demand sebelumnya. Ft+1 = At 2. Metode Weghted Moving Average Model peramalan Time Series dalam bentuk lain dimana untuk mendapatkan tanggapan yang lebih cepat dilakukan dengan cara memberikan bobot lebih pada data-data periode yang terbaru dari pada periode yang terdahulu. Rumusannya: Ft-1 = At = WiDt + W2Dt-1 + .. + WNDt-N+1 Dengan kondisi 3. Metode Exponential Smooting Metode ini adalah salah satu jenis metode permalan Time Series yang didasarkan pada asumsi bahwa angka rata-rata baru dapat diperoleh dari angka rata-rata lama dan data demand yang terbaru. Dimana : At-1 D1 = angka rata-rata lama = 20 = demand terbaru = 24 = pembobotan yang diberikan pada demand terbaru (0 1) Pebobotan terhadap data-data yaitu dengan menentukan nilai dapat dilkaukan dalam rangka menetapkan nilai error sebuah permahan. Jika error besar maka membesar sampai peramalan kembali lagi ke jalurnya, jika error mengecil maka akan mengecil sampai didapat hasil peramalan yang stabil.

4. Metode Advanced Time-Series

Metode semacam ini digunakan untuk peramalan inventory seperti yang digunakan oleh IBM dengan MAPICS (Manufacturing Accounting and Production, Informartion Control System) 5. Model Matematic Y(t) = ( + bt)[f(t)] + e, Demand Y(t) terdiri dari komponen daya yaitu level (a), trend (b) , seasonal f(t), dan random error (e). Model mamatik lebih akurat tetapi biayanya mahal maka perlu dilakukan trade off antara biaya dan akurasi 6. Metode Bob-Jenkins Metode ini menggunakan 60 periode data yang telah lalu dan biasanya digunakan untuk peramalan pemasaran termasuk untuk menetapkan biaya Pada dasarnya metode time series digunakan untuk peramalan jangka pendek dan jangka sedang di mana pola data terdahulu diasumsikan stabil. Error Peramalan Jika menggunakan metode permalan exponential smoothing maka perhitungan untuk menetapkan error harus dilakukan pada angka rata-rata yang telah diperhalus Error ini digunakan untuk beberapa tujuan 1. Untuk menyiapkan safety stock atau kapasitas darurat, yang akan menjaim tidak akan terjadi kekurangan persediaan 2. Untuk mengetahui adanya data yang tidak sesaui dan harus diperhitungkan dalam peramalan atau kalau mungkin dihilangkan 3. Untuk mengetahui kapan sebuah metode peramalan tidak mengikuti demand yang sesusungguhnya sehingga perlu diatur lagi. Dalam peramalan ada 4 cara untuk menghitung error yaitu sebagai berikut: e1 et = error untuk periode waktu t = Dt-Ft, Error adalah perbedaan hasil ramalan demand dengan demand

yang sesungguhnya

dimana Dt adalah data periode waktu t dan Ft ramalan pada periode waktu t 1. Cumulative sum of forecast errors

CFE =

2. Mean Square error MSE = n 3. Mean absoule deviation of forecast errot MAD = | | n 4. Mean absolute percentage errors MAPE = | n |

Akar dari MSE dikenal sebagai Standard Deviation (s =

MSE = Total rata-rata error pangkat 2 dimaksud agar negative error menjadi positive sehingga tidak akan mengurangi jumlah error. MAD dihitung dari nilai absolute error dari setiap periode dan merupakan nilai rata-rata dari n jumlah periode waktu MAPE adalah cara yang paling akurat untuk membandingkan error dari dua metode Time Series Apabila menggunakan metode exponential smoothing biasanya menghitung smoothed mean absolute deviation MADt = (Dt Ft) + (1 ) MADt-1 MADt adalah angka rata-rata absolute deviation dari sebuah metode exponential smoothing weighted average.

1. Perhitungan ini dapat digunakan untuk mengetahui adanya kelainan demand dengan cara membandingkan antara standart Deviasi dengan MADt Jika standar deviasi lebih besar dari 3,75 MADt maka hal ini berarti demand sebuah nilai yang sangat besar biasanya jika s = 1.25 MADt adalah normal distribution Contoh : Pada table dimana = 0,3 tidak satupun dari demand error terletak diluar 3,75 MADt sehingga dapat dikatakan bahwa tidak ada data yang keluar dari jalur 2. Kegunaan MADt lainnya adalah menetapkan apakah peramalan pada jalur yang sesungguhnya untuk tujuan ini perlu dihitung tracking signal dengan rumus sebagai berikut Tracking signal = TS = Jika perubahan demand diasumsikan acak maka control limit adalah 6. Bila tracking signal melebihi 6 maka peramahan harus dihentikan dan diatur kembali ke demand yang mendekati Metode Peramalan Causal Atau Metode Explanatory Apabila kita mempunyai cukup data historis dan data pengalaman yang ada hubungannya dengan faktor-faktor Ekonomi dan mempunyai pola kecenderungan (trends), musiman (seasonal) dan fluktuasi (Cuclus), maka ada kemungkinan kita akan dapat meramal demand yang akan datang Faktor-faktor ekonomi tersebut adalah data yang apabila dapat dicari hubungannya dengan deman yang akan datang, akan diperoleh peramalan yang akurat. Pada model peramalan causal ada beberapa macam faktor ekonomi yang digunakan yaitu antara lain. Pendapatan (disposable income) Rumah tangga baru (new married) Pembangunan perumahan (housing start) Persediaan (inventories) Biaya hidup (cost of living)

Analisis Regresi Dalam metode ini digunakan persamaan regresi yang akan menjelaskan hubungan antara deretan yang akan diramal dengan deretan lain yang diasumsikan penyebab naik dan turunnya suatu obyek peramahan. a. Model Single Variable Regresi Apabila independent variable hanya ada 1 maka peramalan akan menggunakan analisis simple regression. = + bX = perkiraan = variable independent sesuatu yang secara hipotesis mempengaruhi y = y intercept atau perpotongan garis regresi dengan sumbu y, yaitu besarnya perkiraan variable dependent y pada saat tidak ada pengaruh x = slope atau sudut kemiringan garis regresi yang menunjukkan besarnya pengaruh perubahan x terhadap perubahan y. Error terjadi sebesar = , dimana totalnya dinamakan dengan variance.

Pada analisis regresi, tujuannya adalah mengurangi besarnya error. Sesuai dengan persamaan di atas maka dapat ditentukan harga a dan b.
[ ]

Rumus coeffisien of Determination [ [ ][ ] ]

Rumus standard error of estimate


Metode Peramalan Econometric Metode peramalan ini merupakan metode pengembangan dari analisis regresi 1. Tentukan bentuk persamaan dari masing-masing fungsi 2. Perkiraan secara keseluruhan nilai masing-masing parameternya

3. Lakasanakan test statistic untuk mengetahui kekuatan hubungan di antara variable serta layak dan tepatnya suatu perkiraan. Metode Peramalan Simulasi Peramalan Dengan Menggunakan Program Komputer (Computerizes Forecasting) Computer digunakan untuk membantu peramalan, ada beberapa macam program sebagai berikut: 1. CENSUS X-11. Digunakan dengan prinsip Moving Average, diperlukan data historis yang cukup dan tanpa komponen Trends dan Seasonal. 2. SIBYL/RUNNER 3. IBM MAPICS. Untuk produksi dan investory, dimana data-data mengandung komponen Trends dan Seasonal. MAD dan Tracking Signal sebagai dasar untuk menentukan error. Metode ini digunakan untuk perencanaan beribu-ribu items pada aktivitas pabrikasi dan inventaory 4. SPSS, SAS, dan BMDP dengan dasar metode permalan causal yang digunakan khusus untuk keperluan individu. Keterandalan Sebuah Peramalan Nilai variable dependent tersebar disekitar garis regresi, karena kita menggunakan garis regresi sebagai alat peramalan. Ada kemungkinan nilai yang sesungguhnya berbeda dengan nilai peramalan. Deviasi antara nilai peramalan dengan nilai sesungguhnya akan bertambah besar bila titik data jauh terpisah dari garis regresi demikian pula bila sebaliknya. Jarak antara titik-titik data dengan garis regresi dapat dihitung dengan menggunakan rumus The Standard Error of Estimate S.y.x sebagai berikut:

y = Observed, variable dependent yang sesungguhnya terjadi. = Estimated (hasil peramalan) dari variable dependen

Coefficient of Determination

Perlu diketahui juha beberapa jauh perubahan yang terjadi pada y yang disebabkan oleh pengaruh x, maka coefficient of determinan (r2) yang akan menentukan kekuatan hubungan antara x dan y tersebut. [ [ Test Statistic Tes ini digunakan untuk membantu menentukan ketetapan dan kelayakan dari sebuah persamaan regresi Y = a+bX ][ ] ]