TIK : Pada akhir pertemuan ini mahasiswa diharapkan berkompetensi dalam: 1. Memberikan pengertian mengenai peramalan dan perannya dalam P3 dan memberikan kemampuan menggunakan teknik peramalan statistik Pokok Bahasan : Teknik teknik peramalan Deskripsi singkat: Peramalan adalah proses untuk memperkirakan beberapa kebutuhan dimasa dating yang meliputi kebutuhan dalam ukuran kuantitas, kualitas, waktu dan lokasi yang dibutuhkan dalam rangka memenuhi permintaan barang dan jasa. Peramalan tidak terlalu dibutuhkan dalam kondisi permintaan pasar yang stabil, karena perubahan permintaannya relative kecil. Tetapi peramalan akan sangat dibutuhkan bila kondisi permintaan pasar bersifat komplek dan dinamis. Dalam kondisi pasar bebas, permintaan pasar lebih banyak bersifat komplek, dan dinamis karena permintaan tersebut akan tergantung dari keadaan sosial politik, aspek teknologi, produk pesaing dan produk subsitusi. Oleh karena itu peramalan yang akurat merupakan informasi yang sangat dibutuhkan dalam pengambilan keputusan manajemen. Pada bidang Perencanaan dan Pengendalia Produksi (PPC), peramalan difokuskan pada bidang peramalan permintaan. I. Bahan Bacaan 1. Sukaria Sinulingga, 2009. Perencanaan dan Pengendalian Produksi, Penerbit Graha Ilmu, Yogyakarta. 2. Teguh Baroto, 2002. Perencanaan dan Pengendalian Produksi, Penerbit Ghalia Indonesia, Jakarta. 3. Arman Hakim Nasution & Yudha Prasetyawan, 2008. Perencanaan dan Pengendalian Produksi, Penerbit Graha Ilmu, Yogyakarta. 4. Vincent Gaspersz, 2001. Production Planning anc Inventory Control Berdasarkan Pendekatan Sistem Terintegrasi MRP II dan JIT Menuju MANUFAKTURING 21, Penerbit PT. Gramedia Jakarta. II. Bahan Bacaan Tambahan 1. Agus Ristono, 2009. Sistem Produksi Tepat Waktu, Penerbit Graha Ilmu, Yogyakarta.
2. Nahmias, S., Production and Operations Analysis, McGraw Hill, 2001 3. Sipper & Bulfin Jr., Production Planning, Control, and Integrations, McGraw Hill, 1997 4. Bedworth D.D., Bailey J.E., Integrated Production Control System, John Wiley & Sons, 1987. 5. Fogarthy D.W., Blackstone J.H., Hoffmann T.R., Production and Inventory Management, South Western Pub. Co, 1991 6. Oden H.W., Langewater G.A., Lucier RA., Handbook of Material and Capacity Requirement Planning, McGraw Hill, 1991 III. 1. Pertanyaan Kunci/Tugas: Jelaskan cakupan sasaran peramalan untuk setiap departemen dalam hubungannya dengan horizon waktu peramalan? IV. Tugas 1. Jelaskan definisi peramalan? 2. Sebutkan dan jelaskan empat karakteristik elemen peramalan? 3. Jelaskan metode kualitatif peramalan? 4. Jelaskan metode kuantitafi peramalan ? 5. Sebuah industri manufaktur memiliki data permintaan produk 7 tahun terakhir sebagai berikut : Kuarta l I II III IV 1 189 192 196 182 2 198 201 189 185 3 187 177 202 199 Tahun 4 197 183 195 201 5 174 186 197 195 6 181 194 187 202 7 182 199 198 189
Terapkan metode regresi linier untuk memperkirakan permintaan satu tahun kedepan (tahun ke 8) 6. Berdasarkan data produk 7 tahun terakhir pada soal no. 5 gunakan metode rata-rata bergerak (Moving Everage) untuk memperkirakan permintaan kuartal I, II, III dank e IV pada tahun ke-8
24
7. Permintaan Produk 6 tahun terakhir adalah sebagai berikut : Tahun Permintaan (unit) a. b. 1 240 2 260 3 245 4 230 5 235 6 250
Gunakan metode exponensial smoothing dengan nilai alpha () 0.1, 0.2, 0.3, 0.7, 0.8, dan 0.9 untuk meramalkan permintaan periode berikutnya. Ramalkan permintaan periode berikutnya dengan metode exponensial smoothing dengan penentuan alpha berdasarkan fungsi dari N
8. Seorang manejer memiliki data permintaan histories yang akan dia gunukan untuk menentukan permintaan 3 periode mendatang. Data permntaan tersebut adalah : Tahun Jumlah Produksi (ribuan unit) 1 2 3 4 5 6 21.3 7 23.4 8 25.4 9 27.2 10 29
Terapkan metode regresi linier untuk menentukan permintaan periode 11, 12, 13
25
BAB 2. PERAMALAN
Penggunaan model matematik dalam peramalan besarnya potensi permintaan terhadap produk-produk yang akan dibuat pada umumnya lebih didominasi oleh perusahaan yang beroperasi dalam lingkungan make-to-stock. Tetapi, akhir-akhir ini perusahaan-perusahaan dalam lingkungan make-to-order juga sudah semakin tertarik untuk menggunakan teknik-teknik peramalan, walaupun hasilnya digunakan sebagai bahan pembandingan terhadap hasil-hasil analisis berdasarkan analisis skenario perkembangan pasar yang dibuat oleh pimpinan puncak. Dalam pemilihan metode peramalan dan pengembangan sistem peramalan, perlu diperjelas terlebih dahulu maksud dan tujuan peramalan sehingga metode yang akan dipilih dapat disesuaikan dengan maksud tersebut. Seperti diketahui bahwa perencanaan produksi meliputi penyusunan serangkaian rencana yang bersifat hierarkis mulai dari rencana jangka panjang untuk produk dengan agregasi yang tinggi, rencana jangka menengah untuk produk-produk yang lebih rinci dalam rentang waktu rencana medium, hingga rencana jangka pendek atau rencana operasional dengan rentang waktu rencana yang relatif pendek. Beberapa pertanyaan yang perlu dijawab sebelum perancangan sistem peramalan dibuat ialah: Agregat, produk-produk, alternatif atau pilihan produk apa yang akan diramalkan? Area geografis mana saja yang akan dicakup? Berapa panjangkah rentang waktu peramalan (forecast horizon )? Bagaimana rentang waktu perencanaan dibagi menjadi periode yang lebih pendek? Berapa sering hasil peramalan harus di up-date? Bagaimana tingkat akurasi yang diinginkan?
2.1 Karakteristik Peramalan Yang Baik Sedikitnya ada empat elemen yang disebut sebagai karakterstik peramalan yaitu: ketelitian (accuracy), biaya (cost), respon (reponse) dan kesederhanaan (simplicity). Ketelitian Sasaran pertama dalam peramalan permintaan ialah mendapatkan hasil peramalan dengan tingkat akurasi yang tinggi. Ada dua ukuran yang digunakan dalam mengevaluasi akurasi peramalan yaitu penyimpangan (bias) dan konsistensi (consistency). Penyimpangan terjadi apabila hasil peramalan memperlihatkan secara terus menerus angka yang tinggi atau rendah. Konsistensi berkaitan dengan ukuran atau besarnya error.
26
Biaya Biaya yang dibutuhkan untuk mengembangkan model peramalan serta menggunakannya sering cukup besar. Makin banyak item yang akan diramalkan dan makin tinggi tingkat ketelitian yang diinginkan makin besar pula biaya yang dibutuhkan. Tingkat akurasi peramalan dapat diperbaiki apabila peramalan degan menggunakan model yang sederhana diganti dengan model yang lebih komprehensif tetapi biaya peramalan juga akan meningkat tajam. Oleh karena itu perlu dilakukan trade-off antara tingkat akurasi yang dibutuhkan dengan besarnya biaya yang harus dikeluarkan. Peramalan dengan menggunakan metode yang sangat komprehensif tidak selalu menjadi pilihan apabila faktor jumlah biaya yang harus dikeluarkan menjadi tidak sebanding.
Respon Sistem peramalan haruslah stabil dalam arti hasil peramalan tidak memperlihatkan fluktuasi yang bersifat liar karena faktor random yang berlebihan. Pada pihak lain, apabila tingkat permintaan yang sebenarnya berubah maka peramalan juga harus menunjukkan hasil peramalan yang berubah. Untuk mengkompromikan kedua situasi yang paling konflik ini maka sistem peramalan perlu mencakup dua fitur yaitu a) monitoring terhadap terjadinya perubahan nyata permintaan dan b) kemampuan sistem untuk melakukan respon sesaat secara cepat terhadap perubahan tersebut. Hasil peramalan akan sangat buruk apabila dalam situasi nyata terjadi peningkatan permintaan tetapi peramalan tidak mampu mendeteksi situasi tersebut sehingga hasil peramalan tidak menunjukkan kenaikan permintaan.
Kesederhanaan Metode peramalan yang lebih sederhana selalu lebih diinginkan dibandingkan dengan metode yang rumit karena akan lebih mudah dirancang, digunakan, dan dipahami. Apabila kesulitan terjadi dengan penggunaan metode yang sederhana maka akan lebih mudah menelusuri masalah yang terkait serta melakukan perbaikannya. Namun demikian, pilihan yang terbaik ialah harus sesuai dengan sasaran penggunaannya.
2.2 Prinsip-prinsip Peramalan Ada lima prinsip peramalan yang sangat perlu diperhatian untuk mendapatkan hasil peramalan yang baik yaitu : Prinsip 1: Peramalan selalu mengandung error. Hampir tidak pernah ditemui bahwa hasil
27
peramalan persis seperti kenyataan di lapangan. Peramalan mengurangi faktor ketidakpastian tetapi tidak pernah mampu untuk menghilangkannya. Para pengguna atau pelaksana peramalan harus benar-benar memahami situasi ini. Prinsip 2: Peramalan harus mencakup ukuran dari eror. Karena peramalan selalu mengandung error maka para penguna perlu mengetahui besarnya error yang terkandung. Besarnya error dapat dijelaskan dalam bentuk kisaran sekitar hasil peramalan baik dalam unit atau persentase dan probabilitas tentang permintaan sesungguhnya akan berada dalam kisaran tersebut. Prinsip 3: Peramalan item yang dikelompokkan dalam famili selalu lebih akurat dibandingkan dengan peramalan dalam item per item. Jika famili dari produk sebagai sebuah kesatuan (unit) diramalkan maka persentase error akan semakin kecil, tetapi apabila diramalkan masing-masng sebagai individual product maka persentase error akan semakin tinggi. Prinsip 4: Peramalan untuk jangka pendek selalu lebih akurat dibandingkan dengan peramalan untuk jangka panjang. Dalam jangka pendek, kondisi yang mempengaruhi kecenderungan permintaan hampir sama atau kalau pun berubah hanya sedikit dan berjalan sangat lambat. Apabila rentang waktu peramalan bertambah panjang maka kecenderungan permintaan semakin dipengaruhi oleh berbagai faktor sehingga error akan semakin besar. Prinsip 5: Apabila dimungkinkan, perkiraan besarnya permintaan lebih disukai berdasarkan perhitungan dari pada hasil peramalan. Misalnya dalam perencanaan produksi dalam lingkungan make-to-stock, apabila besarnya permintaan terhadap produk akhir telah diperkirakan berdasarkan hasil peramalan maka besarnya jumlah part, komponen, sub assembly dan bahan baku untuk produk tersebut lebih baik dihitung berdasarkan principle of dependent demand dari pada masing-masing ditetapkan berdasarkan hasil peramalan. 2.3 Metode Peramalan Metode peramalan dapat diklasifikasi atas dua kelompok besar yaitu metode kualitatif dan kuantitatif.. Kedua kelompok tersebut memberikan hasil peramalan yang kuantitatif. Perbedaannya terletak pada cara peramalan yang dilakukan. Metode kualitatif didasarkan pada pertimbangan akal sehat (human judgement) dan pengalaman. Mode kuantitatif adalah sebuah prosedur formal yang menggunakan model matematik dan data masa lalu untuk memproyeksikan kebutuh di masa yang akan datang. Metode kuantitatif dapat dibagi lebih lanjut menjadi dua bagian yaitu metode intrinsik (intrinsic
28
method) dan metode ekstrinsik (extrinmethod). Metode intrinsik sepenuhnya berdasarkan pada latar belakang riwayat permintaan terhadap item yang diramalkan sedangkan Mode ekstrinsik menggunakan faktor eksternal yang dikombinasikan dengan permintaan terhadap item yang diramalkan misalnya dalam hubungan sebab-akibat (causal relationship ). 2.3.1. Metode Kualitatif Metode kualitatif pada umumnya digunakan apabila data kuanitif tentang permintaan masa lalu tidak tersedia atau akurasinya tidak memadai. Misalnya peramalan tentang permintaan produk baru juga akan dikembangkan, jelas data masa lalu tidak tersedia. Walaupun data masa lalu tersedia, kalau kondisi lingkungan masa yang akan datang sama sekali sudah berbeda dengan kondisi masa lalu maka keberadaan data masa lalu itu tidak akan menolong peramalan permintaan masa yang akan datang. Apabila data masa lalu tidak tersedia atau tidak memadai maka satu-satunya pilihan metode peramalan yang dapat digunakan ialah metode kualitatif. Ada dua pendekatan yang dapat dilakukan yaitu pertama peramalan berdasarkan penaksiran secara langsung (direct judgement) dan kedua penaksiran digunakan sebagai dasar koreksi terhadap hasil peramalan. Metode peramalan kualitatif yang umum digunakan dalam perencanaan produksi ialah: Keputusan Manajemen Keputusan manajemen yang juga sering disebut jury of executive opinion merupakan metode yang paling umum digunakan dalam memperkirakan besarnya permintaan produk untuk jangka panjang. Sekelompok anggota eksekutif dari bagian marketing, engineering, dan manufacturing bertemu dan berdiskusi tentang isu-isu yang terkait dengan perusahaan dan melakukan perkiraan ke depan tentang besarnya permintaan sehubungan dengan isu-isu yang dibahas. Keragaman pengalaman dan bidang kepakaran dari para peserta diskusi sangat membantu dalam membuat perkiraan yang lebih reliable. Tetapi, kesulitan akan timbul apabila salah seorang atau lebih dalam kelompok tersebut cukup dominan baik karena posisinya atau pun pengalaman yang lebih panjang membuat anggota lainnya menjadi kurang berperan memberikan pendapat. Ketua kelompok yang berpengalaman pada umumnya berhasil mengatasi masalah dominasi pendapat dalam diskusi tersebut. Teknik Delphi Untuk melakukan peramalan permintaan jangka panjang dalam lingkungan yang cukup kompleks yaitu perkembangan teknologi yang pesat, perubahan kondisi ekonomi global dan suasana geopolitik yang berubah cepat, sering dibutuhkan pembentukan sebuah panel yang beranggotakan para pakar atau ahli dari berbagai latar belakang pengalaman dari luar
29
perusahaan. Untuk menghindarkan kemungkinan munculnya pihak yang dominan maka para pakar ini tidak dipertemukan satu sama lain bahkan mungkin pula tidak saling mengetahui keterlibatan masing-masing. Mereka secara terpisah diminta memberikan pendapat masingmasing terhadap sejumlah hal yang diajukan sebagai pertanyaan. Jawaban dari setiap anggota panel dianalisa, dan dihitung rata-ratanya dan kemudian kepada panelis yang memberikan jawaban yang mempunyai deviasi yang tinggi diminta untuk memberikan alasan. Alasan dan hasil analisis statistik dari pendapat seluruh panelis dikirimkan kepada masingmasing panelis serta diminta memberikan jawaban apakah masih tetap bertahan dengan pendapat semua atau akan mengoreksi pendapat tersebut. Proses ini mungkin dilakukan secara berulang-ulang untuk mendapatkan hasil yang semakin mengerucut dan mengarah kepada bilangan yang semakin mendekati. Pengalaman menunjukkan bahwa teknik Delphi tidak pernah sampai kepada sebuah hasil yang solid se bagai konsensus bersama tetapi kisaran dari jawaban mereka telah memberikan sebuah ide dengan derajad ketidakpastian tertentu. Gabungan Pendapat Tenaga Penjual Para penjual (sales forces) karena selalu berada pada posisi paling depan di pasar memahami benar perilaku para pembeli. Apabila mereka diberi kesempatan menyampaikan pendapat sesuai dengan pengalaman masing-masing dan pendapat mereka digabung secara bersama (sales force composite) akan diperoleh sebuah hasil peramalan yang sering cukup terpercaya. Namun demikian, penggunaan data perkiraan permintaan berdasarkan pendapat para tenaga penjual ini dapat mengandung penyimpangan karena faktor subjektivitas masing-masing tenaga penjual tersebut. Riset Pasar Riset pasar (marketing research) adalah pengumpulan data secara sistematis dan analisis terhadap fakta-fakta yang berhubungan dengan pemasaran. Maksudnya ialah mencari solusi terhadap permasalahan yang berhubungan dengan produk dan metode marketing. Salah satu bentuk dari riset pasar ialah survei pelanggan di mana informasi mengenai preferensi pelanggan dicari dengan menyampaikan kuesioner kepada sejumlah pelanggan yang ditentukan sebagai sampel. Riset pasar sering digunakan untuk meramalkan jumlah permintaan terhadap produk baru Analogia Historis Pertumbuhan permintaan terhadap produk baru kadang-kadang diramalkan berdasarkan metode analogia historis (historical analogies ) dari produk dan teknologi yang terkait dengan produk tersebut. Misalnya, peramalan tentang jumlah permintaan terhadap
30
videocassette recorders dilakukan berdasarkan pertumbuhan permintaan terhadap televisi hitam-putih dan televisi berwarna. Kurva Siklus Daur Hidup Kurva daur hidup (life cycle curves) sering dikembangkan untuk produk-produk baru. Kurva ini terutama berguna untuk peramalan permintaan produk-produk yang mempunyai daur hidup beberapa tahun seperti microcomputer dan produk-produk elektronik lainnya. Kurva daur hidup sering juga disebut sebagai kurva-S. Permintaan pada awalnya cukup rendah, kemudian bertumbuh pada kecepatan tertentu dan kemudian menurun pada saat pasar telah memasuki fase kejenuhan dan kemudian mendatar. Kurva permintaan dengan pola kurva-S ini dapat dijelaskan dengan model logistik berikut: yt = k/(1 +ea+b) dimana, yt e a, b k = permintaan pada tahun t = bilangan Napier (logaritma natural) = konstanta = asimptot atas Model lain dari kurva daur hidup disebut a logrithmic second curve sebagai berikut: Logyt = a+b+c2 di mana a, b dan c adalah konstanta dan simbol-simbol lain sama seper ti telah dijelaskan sebelumnya. Bentuk kurva kedua model di atas ada lah sebagai berikut:
Gambar 2.1 Logistic Curve (a) dan Logarithmic Second Curve (b)
31
3.3.2 Metode Kuantitatif Peramalan berdasarkan metode kuantitatif (intrinsic forecasting) mempunyai asumsi bahwa data permintaan masa lalu dari produk atau item yang diramalkan mempunyai pola yang diperkirakan masih -lanjut ke masa yang akan datang. Pola permintaan tersebut mungkin kurang jelas terlihat karena faktor random yang menghasilkan fluktuasi. Peramalan mencakup analisis data masa lalu untuk menemukan pola permintaan dan berdasarkan pola ini diproyeksikan besarnya permintaan pada masa yang akan datang. Karena metode peramalan intrinsik ini didasarkan pada asumsi bahwa pola permintaan masa lalu ini terus berlanjut ke masa yang akan datang maka metode ini tidak mampu memproyeksikan titik belok (turning points) yaitu perubahan permintaan secara tibatiba. Untuk peramalan permintaan jangka pendek masalah yang demikian tidak akan ditemui. 1). Analisis Time Series Analisis time series menemukan bagaimana indikator produk tertentu bervariasi terhadap waktu. Time series adalah serangkaian observasi terhadap suatu variabel tertentu yang dilakukan secara diskrit. Misalnya observasi terhadap permintaan bulanan terhadap suatu produk selama 12 bulan. Analisis time series mengasumsikan bahwa time series dapat didekomposisi ke dalam sejumlah komponen atau faktor-faktor terkait dan kemudian masing-masing komponen-komponen diidentifikasi. Pemahaman terhadap komponen tersebut kemudian digunakan untuk membentuk model matematika yang disebut model peramalan. Model ini digunakan untuk membuat peramalan. Faktor-faktor terkait yang dimaksud pada umumnya ialah trend (trend), siklus (cycles), musiman (seasonal variation) dan residu (random factors). Dengan menggunakan faktor-faktor di atas, model peramalan berdasarkan time series dapat dijelaskan sebagai berikut: Y = TCSR dimana, T = trend C = siklus variasi sekitar trend S = variasi musiman R = residu atau variasi lainnya yang tidak dapat dijelaskan Trend (T) Trend ialah salah satu komponen peramalan yang menunjukkan kecenderungan yang dapat dilihat dari pola permintaan masa lalu. Gambar 2.2 menunjukkan bahwa data permintaan masa lalu cukup berfluktuasi dari waktu ke waktu tetapi terlihat adanya suatu trend yang lurus menanjak (koefisien arah bertanda positif). Bila tidak ada trend maka permintaan bersifat Y = nilai peramalan
32
konstan. Siklus (C) Siklus adalah pergerakan periodik yang bergantian antara puncak dan lembah. Gambar 2.2 menunjukkan ada pola yang relatif teratur tentang jumlah permintaan per periodik yang maksimum dan minimum.
Gambar 2.2 Time Series dan Trend Variasi musiman (S) Variasi musiman ialah pola permintaan tinggi dan rendah yang terjadi berulang-ulang setiap tahun. Variasi ini pada umumnya terjadi karena faktor musim, baik karena iklim maupun kebiasaan manusia misalnya musim lebaran, musim liburan, tahun baru, natal dan lainlain yang terjadi setiap tahun. Residu (R) Residu menggambarkan kesempatan terjadinya variasi karena faktor random. Variasi ini tidak dapat dijelaskan oleh trend, siklus, atau pun pergerakan musiman. Residu ini tidak dapat diramalkan karena tidak diketahui faktor penyebab terjadinya. Untuk memudahkan pemahaman terhadap metode time series berikut ini diberikan sebuah contoh. Data nilai penjualan produk pada perusahaan industri manufaktur Pilkington Mfg dalam 5 tahun terakhir yang dikelompokkan per kuartal adalah sebagai berikut:
33
Tabel 2.1 Jumlah Penjualan Dalam 5 Tahun Terakhir (Unit) Kuartal I II III IV Total 1 800 980 820 950 3550 2 880 950 1010 980 3820 Tahun 3 940 900 1140 920 3900 4 950 980 1080 940 3950 5 980 970 1120 990 4060
Jika data penjualan tersebut diplot dalam sumbu jumlah dan waktu maka diperoleh diagram pencar sebagai berikut:
Gambar 22.3 Kurva Penjualan 1) Regresi Garis Lurus (Linear Regression) Jika diasumsikan trend dari jumlah penjualan dalam 5 tahun terakhir memiliki pola garis lurus (linear pattern) maka untuk meramalkan jumlah penjualan pada tahun berikutnya yaitu tahun ke 6, dapat digunakan model matematik sebagai berikut: Y=a+bX di mana,Y = perkiraan jumlah penjualan berdasarkan peramalan X = urutan tahun a, b = konstanta Untuk mendapatkan nilai konstanta a dan b maka persamaan (2.1) dapat dikembangkan lebih lanjut (2.1)
34
Yn =a + bXn
Yi =na +b X
i =1 i =1
(2.2)
(2.3)
Y , X , Y X
i =1 i i =1 i i =1 i
, dan X i2
menggunakan data Tabel 2.1, perhitungan besaran-besaran di atas adalah sebagai berikut: Tabel 2.2 Perhitungan Nilai Konstanta Tahun 1 2 3 4 5 Total Yi 3550 3720. 3700 3950 4060 18980 Xi 1 2 3 4 5 15 Xi2 1 4 9 16 25 55 XiYi 3550 7440 11100 15800 20300 58190
Persamaan (2.2): 18.980 = 5 a + 15 b Persamaan (5.3): 58.190 = 15 a + 55 b Dari kedua persamaan tersebut nilai konstanta a = 1173.8 dan b = 524,4. Dengan demikian,
35
model matematik permintaan terhadap produk tersebut ialah Y = 1173.8 + 524.4X Berdasarkan model peramalan ini, jumlah permintaan produk tersebut pada tahun berikutnya yaitu tahun ke 6 diramalkan sebagai berikut: Y6 = 1173.8 + (524.4) (6) = 4.320,2 unit 4320 unit Perlu diperhatikan bahwa model matematik ini hanya dapat digunakan untuk meramalkan jumlah permintaan dalam satu periode ke depan. Jika periode peramalan dinyatakan dalam satuan tahun maka peramalan permintaan hanya dapat digunakan untuk memperkirakan 1 tahun ke depan. Perkiraan faktor musiman terhadap hasil peramalan tersebut dilakukan dengan menghitung indeks musiman sebagai berikut. Tabel 2.3 Perhitungan Faktor Musiman Terhadap Jumlah Penjualan Kuartal I II III IV Total Tahun 1 800 980 820 950 3550 2 880 950 1010 980 3820 3 940 900 1140 920 3900 4 950 980 1080 940 3950 5 980 970 1120 990 4060 Total Rata rata
4550 910 4780 956 5170 1034 4780 956 19280 964
Indeks Kuartal I : (910)/(964) = 0.95 Indeks Kuartal II : (956)/(964) 0.99 Indeks Kuartal III: (1034)/(964) = 1.07 = Indeks Kuartal IV: (956)/(964) = 0.99 Dengan menggunakan indeks kuartal sebagai faktor musiman maka diperkirakan bahwa jumlah permintaan per musim selama tahun ke 6 adalah sebagai berikut: Kuartal I : [(0.95)/4](4320) = 1026 unit Kuartal II : [(0.99)/4](4320) = 1069 unit Kuartal III : [(1.07)/4](4320) = 1156 unit Kuartal IV: [(0.99)/4](4320) = 1069 unit Total 4320 unit 2) Metode Rata-Rata Bergerak (Moving Average)
36
Peramalan berdasarkan metode rata-rata bergerak ialah peramalan dengan menggunakan data-data permintaan dalam beberapa periode lalu secara berurutan, biasanya mencakup satu tahun. Data permintaan ini dihaluskan (smoothed out) dengan cara membagi jumlah permintaan selama beberapa periode dengan jumlah periode sehingga diperoleh jumlah permintaan rata-rata per periode. Dalam hal ini, periode dapat berupa bulanan atau kuartalan. Istilah rata-rata bergerak dimunculkan karena harga rata-rata dihitung secara berkelanjutan dengan membuang data permintaan satu periode lama dan menggantinya dengan data periode baru. Contoh di bawah ini menunjukkan bagaimana metode ini dioperasikan. Data-data yang digunakan adalah data permintaan seperti ditunjukkan dalam Tabel 2.1 Tabel 3.4 Perhitungan Rata-Rata Bergerak 4 Periode
Tabel 3.4 menunjukkan bahwa rata-rata bergerak 4 periode ditampilkan dalam kolom 4. Misalnya, jumlah rata-rata permintaan periode I, II, III dan IV dalam tahun 1 ialah ( 800+980+820+ 950)/4 = 888 unit. Rata-rata bergerak untuk periode berikutnya ialah
37
(980+820+950+880)/4 =908 unit. Demikian dilanjutkan seterusnya dengan membuang data terlama satu periode dan memasukkan data berikutnya sebagai data pengganti sehingga harga ratarata bergerak dari satu periode ke periode berikutnya. Kemudian, harga rata-rata bergerak antar periode dihitung seperti ditunjukkan dalam kolom 5. Indeks musiman pada periode tertentu dihitung dengan membagi jumlah permintaan dengan titik pusat rata-rata bergerak seperti ditunjukkan dalam kolom 6. Indeks musiman rata-rata kemudian dihitung seperti terlihat dalam Tabel 2.5. Tabel 2.5 Penyesuaian Indeks Rata-Rata Kuartal
Tabel 2.5 menunjukkan bahwa indeks permintaan Kuartal I, II, Ill dan IV masing-masing adalah 0.97, 0.98, 1.06 dan 0.99. Perlu dicatat bahwa bilangan indeks tersebut akan terus berubah atau bergerak dengan berjalannya waktu. Indeks ini kemudian digu nakan untuk meramalkan permintaan dalam Kuartal I dan II untuk tahun ke-6 sebagai berikut: Kuartal I : (0.97)(998) = 968,06 unit 967 unit Kuartal II: (0.98)(1004) = 983.92 unit 984 unit Peramalan untuk Kuartal III dan IV hanya dapat dilakukan apabila indeks bergerak untuk Kuartal III dan IV telah dihitung. 3) Metode Penghalusan Eksponensial (Exponential Smoothing) Peramalan dengan menggunakan metode penghalusan eksponensial (exponential smoothing) pada umumnya digunakan untuk perkiraan potensi penjualan produk-produk secara individu (individual product sales). Metode ini sering dianggap lebih baik dari kedua metode sebelumnya yaitu regresi linier dan rata-rata bergerak karena kemampuannya menggunakan data masa lalu
38
dengan pemberian bobot berdasarkan kekinian data. Data yang lebih kini diberi bobot lebih besar dibandingkan dengan data sebelumnya. Asumsi yang digunakan ialah data yang lebih kini selalu mempunyai pengaruh yang lebih kuat terhadap hasil peramalan dibandingkan dengan data yangg lebih usang. Model matematik peramalan Penghalusan Eksponensial adalah sebagai berikut:
3.4
3.5
3.6
Persamaan (3.4) menunjukkan bahwa peramalan untuk periode 1 tergantung pada Yo (data aktual pada tahun 0) dan F O (hasil peramalan tahun 0). Karena Yo dan F o tidak ada maka F 1 = 0 . Dengan demikian, model peramalan berdasarkan metode penghalusan eksponensial ialah:
Persamaan di atas adalah sebuah fungsi linier dari semua data masa lalu yang dibobot oleh sebuah konstanta penghalusan. Makin besar harga , bobot data terbaru dalam menentukan nilai peramalan makin besar. Hal ini berarti pengaruh data terbaru terhadap penentuan besarnya nilai peramalan makin besar. Sebaliknya makin kecil harga , makin kecil pula bobot data terbaru dalam menentukan nilai peramalan. Sebagai contoh, perhatikan data jumlah penjualan selama 5 tahun terakhir (N = 5) dalam Tabel 24.4 yaitu berturut-turut 3550, 3820, 3900, 3950 dan 4060 unit. Untuk meramalkan jumlah penjualan tahun berikutnya yaitu tahun ke-6 atau ke n +I:
39
F 6 = Y 5 + ( 1- ) Y 4 + (1- ) 2Y3 + (1- ) 3Y2 + (1- ) 4Y1 Karena nifai 0<_ a <_ 1, maka koefisian suku-suku pada ruas kanan bergerak kearah bilangan yang semakin kecil. Bila a = 0.20 maka fungsi persamaan di atas adalah sebagai berikut: F6 = 0.2Y5 + 0.2(0.8)Y4 + 0.2(0.8)2Y3 + 0.2(0.8)3Y2 + 0.2(0.8)4Y1 F6 = 0.20(4060) + 0.16(3950) + 0.128(3900) + 0.1024(3820) + 0.082(3550) = 812 + 632 + 499 + 391 + 291 = 2625 unit Bila = 0.75 maka, F6 = 0.75(4060) + 0.1875(3950) + 0.047(3900) + 0.0117(3820) + 0.0029(3550) = 4024 unit Pada kedua harga yang berbeda tersebut terlihat besarnya perbedaan hasil peramalan. Sehubungan dengan itu, penentuan harga konstanta perlu dilakukan secara hati-hati, dengan memperhitungkan semua faktor yang dipandang berpengaruh. Salah satu faktor berpengaruh yang dimaksud ialah besar data sampel yang digunakan untuk peramalan tersebut. Bila data historis yang digunakan adalah N tahun terakhir maka umur rata-rata data ialah: 0 + 2 + 3 + 4 + ........ +N 1 N 1 = N 2 Umur rata-rata data dan harga dapat dijelaskan dalam sebuah fungsi sebagai berikut: N 1 1 = 2 Dari persamaan di atas harga dapat diturunkan sebagai fungsi dari N sebagai berikut:
2 N +1
Bila N =10, maka =0.182, dan N=5, diperoleh =0.333. Dengan menggunakan data dalam contoh di atas, pada =0.333, hasil peramalan F 6= 3454. Jika hasil peramalan (F6 =3454) dibandingkan dengan trend data penjualan aktual yang bergerak dari Y1 = 3550 unit hingga Y5= 4060 unit maka sulit diterima apabila penjualan pada tahun ke-6 yaitu F 6 diramalkan hanya sebesar 3454 unit karena lebih rendah dari seluruh data penjualan aktual yang menunjukkan trend meningkat. Kesimpulan yang dapat ditarik dari penggunaan metode penghalusan eksponensial untuk peramalan ialah usia data historis sangat peka dalam mempengaruhi harga koefisien penghalusan . Oleh karena itu perlu dipikirkan secara hati-hati seberapa jauh data masa lalu sebaiknya digunakan dalam meramalkan besarnya permintaan pada periode berikutnya.
40