Anda di halaman 1dari 6

2.

4 Pemilihan Metode Peramalan


Dalam memilih metode peramalan yang akan digunakan didasarkan pada uji
verifikasi. Dimana uji verifikasi ini bertujuan untuk menghitung error dari metode yang
akan kita gunakan. Metode peramalan yang akan dipilih yakni petode peramalan yang
menghasilkan nilai error yang paling kecil. Adapun beberapa cara dalam
memperhitungkan error dalam metode peramalan antara lain :

Mean Absolute Deviation (MAD)


MAD merupakan rata rata kesalahan mutlak selama periode tertentu tanpa
memperhatikan apakah hasil permalan lebih besar atau lebih kecil juka
dibandingkan kenyataannya. MAD paling berguna ketika orang yang menganalisa
ingin mengukur kesalahan ramalan dalam unit yang sama sebagai deret asli. Secara
sistematik, MAD dirumuskan sebagai berikut :

Kelebihan dalam MAD adalah ukuran kesalahan permalan yang digunakan lebih
sederhana dengan hanya menggunakan rata rata kesalahan mutlak selama periode
tertentu. Kekurangan yang diperoleh dari MAD yakni akurasi hasil peramalan
sangat kecil karena tidak memperhatikan apakah hasil peramalan lebih besar atau
lebih kecil dibandingkan kenyataannya.

Mean Squared Error (MSE)


Mean Squared Error (MSE) adalah metode ini digunakan untuk menghitung
kesalahan atau error peramalan pada setiap periode dan kemudian membaginya
dengan jumlah periode permalan. Kesalahan atau error merupakan selisih antara
data aktual dengan hasil peramalan. Kelebihan MSE yaitu sederhana dalam
perhitungan. Sedangkan kelemahan yang dimiliki MSE adalah akurasi hasil
peramalan sangat kecil karena tidak memperhatikan apakah hasil peramalan lebih
besar atau lebih kecil dibandingkan kenyataannya. MSE dirumuskan sebagai
berikut :

Mean Absolute Percentage Error (MAPE)


Mean Absolute Percentage Error (MAPE) dihitung dengan menggunakan
kesalahan absolute pada tiap periode dibagi dengan nilai observasi yang nyata
untuk periode itu. Kemudian, merata-rata kesalahan persentase absolute tersebut.
Pendekatan ini berguna ketika ukuran atau besar variabel ramalan itu penting dalam
mengevaluasi ketepatan ramalan. MAPE mengindikasi seberapa besar kesalahan
dalam meramal yang dibandingkan dengan nilai nyata. Kelebihan dari MAPE yakni
menyatakan presentase kesalahan hasil peramalan terhadap permintaan aktual
selama periode tertentu yang akan memberikan informasi presentase kesalahan
terlalu tinggi atau terlalu rendah, sehingga akan lebih akurat. Sedangkan kelemahan
MAPE merupakan ukuran kesalahan relatif. MAPE dirumuskan sebagai berikut :

Mean Percentage Error (MPE)


Mean Percentage Error (MPE) digunakan untuk menentukan apakah suatu
metode peramalan bias (peramalan tinggi atau rendah secara konsisten). MPE
dihitung dengan mencari kesalahan pada tiap periode dibagi dengan nilai nyata
untuk periode itu. Kemudian, merata-rata kesalahan persentase ini. Jika pendekatan
peramalan tak bias, MPE akan menghasilkan angka yang mendekati nol. Jika
hasilnya mempunyai presentase negatif yang besar, metode peramalannya dapat
dihitung. Jika hasilnya mempunyai persentase positif yang besar, metode peramalan
tidak dapat dihitung. MPE dapat dihitung dengan rumus sebagai berikut:

Bagian dari keputusan untuk menggunakan teknik peramalan tertentu melibatkan


penentuan apakah teknik ini akan menghasilkan kesalahan peramalan yang dinilai

cukup kecil. Metode khusus yang digunakan dalam peramalan meliputi perbandingan
metode mana yang akan menghasilkan kesalahan-kesalahan ramalan yang cukup kecil.
Metode ini baik untuk memprediksi metode peramalan sehingga menghasilkan
kesalahan ramalan yang relatif kecil dalam dasar konsisten. Semakin kecil nilai-nilai
MAPE, MAD, MSE, MPE maka semakin kecil nilai kesalahannya. Oleh karena itu,
dalam menetapkan model yang akan digunakan dalam peramalan, pilihlah model
dengan nilai MAPE, MAD, MSE, MPE yang paling kecil.
(Hartini, 2011)

2.5 Validasi Model Peramalan


Langkah selanjutnya setelah dilakukannya peramalan yaitu untuk validasi
peramalan, yaitu untuk memvalidasikan bahwa data tersebut dapat dianggap layak
sebagai ramalan yang akan datang. Validasi adalah suatu langkah yang dilakukan untuk
membuktikan bahwa suatu proses atau metode dapat memberikan hasil yang konsisten
sesuai dengan yang diharapkan. Terdapat beberapa metode yang dapat digunakan dalam
validasi peramalan, antara lain :

Peta Moving Range


Menurut Hartini (2011:39) Peta moving dapat digunakan sebagai alat untuk
memperhatikan kestabilan suatu sistem akibat yang melatar belakangi fungsi
peramalan.
n

MR

MR
i 1

n 1

n-1

= jumlah MR

UCL

= + 2.66 MR

CL

=0

LCL

= - 2.66 MR

Region A

= + 1.77 MR

Region B

= + 0.89 MR

Region C

= CL = 0

Uji kondisi di luar kendali


Uji kondisi di luar kendali adalah :
1. Dari tiga titik berturut-turut. ada dua atau lebih titik yang berada di region A.
2. Dari lima titik berturut-turut. ada empat atau lebih titik yang berada di region
B.
3. Ada delapan titik berturut-turut titik yang berda di salah satu sisi (di atas atau
di bawah garis tengah).
4. Ada satu titik yang berada di luar UCL atau LCL.
Apabila terjadi kondisi di luar kendali, tindakan terhadap peramalan harus
dilakukan :
a. Merevisi peramalan dengan memasukkan data dan sistem sebab akibat baru.
b. Menunggu bukti lebih lengkap
Kedua tindakan di atas harus diambil hanya setelah mempertimbangkan
seluruh segi sistem sebab akibat. Tindakan yang diambil untuk mempengaruhi
sistem sebab akibat yang mempengaruhi permintaan adalah perubahan dalam
kebijaksanan pemasaran, misalnya perubahan kebijaksanaan periklanan, promosi
penjualan, tenaga penjualan, atau harga jual produk.
Tujuan moving range adalah untuk menguji kestabilan sistem sebab
akibatyang mempengaruhi permintaan. Jadi kegunaan moving range adalah :
a. Untuk melakukan verifikasi hasil peramalan terdahulu.
b. Untuk mengetahui apakah terjadiperubahan sistem sebab akibat yang
melatarbelakangi permintaan
(Hartini, 2011)

Peta Tracking Signal


Berkaitan dengan validasi peramalan, kita dapat menggunakan tracking
signal. Tracking signal adalah suatu ukuran bagaimana baiknya suatu ramalan
memperkirakan nilai nilai actual tracking signal dihitung sebagai Running
Sum Of The Forecast Errors (RSFE) dibagi dengan Mean Absolute Deviation
(MAD). Dengan rumus sebai berikut :

Tracking signal

RSFE
MAD

Dimana,
MAD

(absolute dari Forecast errors


n

n = banyaknya periode data


Tracking signal yang positif menunjukan bahwa nilai aktual permintaan
lebih besar dari pada ramalan, sedangkan tracking signal yang negative berarti
nilai aktual permintaan lebih kecil daripada ramalan. Suatu tracking signal
disebut baik apabila memiliki RSFE yang rendah, dan mempunyai positive error
yang sama banyak atau seimbang dengan negative error, sehingga pusat dari
tracking signal mendekati nol. Apabila tracking signal telah dihitung, kita dapat
membangun peta control tracking signal sebagaimana halnya dengan petapeta
control dalam pengendalian proses statistical, yang memiliki batas control atau
(Upper Control Limit) dan batas control bawah (Lower control Limit).
Beberapa ahli dalam sistem peramalan seperti George Plossl dan Oliver
Wight, dua pakar production planning dan inventory control, menyarankan
untuk menggunakan nilai tracking signal maksimum 4, sebagai batas batas
pengendalian untuk tracking signal. Dengan demikian apabila tracking signal
telah berada diluar batasbatas pengendalian, model peramalan perlu ditinjau
kembali, karena akurasi peramalan tidak dapat diterima. Dan apabila tracking
signal berada didalam batasbatas pengendalian maka perhitungan dapat
dilanjutkan.
(http://elib.unikom.ac.id/...)

Buat Daftar Pustaka


http://elib.unikom.ac.id/files/disk1/301/jbptunikompp-gdl-dadanherla-15048-3babii.doc. Diunduh tanggal 20 Oktober 2014 pukul 23:11
Hartini, Sri dan Kadarsyah Suryadi. 2011. Teknik Mencapai Produksi Optimal.
Bandung : CV.Lubuk Agung