BAB II

TINJAUAN PUSTAKA

Linear Programming
Linear programming menurut Zulfikarijah (2004) dapat didefinisikan sebagai membuat
rencana kegiatan-kegiatan dengan menggunakan suatu model umum dalam pemecahan
masalah pengalokasian sumber daya-sumber daya yang terbatas secara optimal.
Permasalahan dapat timbul ketika seseorang atau perusahaan dihadapkan pada pilihan
setiap tingkatan kegiatan yang dilakukan, di mana masing-masing kegiatan
membutuhkan input yang sama atau hampir sama, tetapi jumlahnya terbatas.
Menurut Tjutju (2010) linear programming adalah suatu cara untuk menyelesaikan
persoalan pengalokasian sumber-sumber yang terbatas di antara beberapa aktivitas yang
bersaing, dengan cara yang terbaik yang mungkin dilakukan. Program linear
menggunakan model matematis untuk menjelaskan persoalan yang dihadapinya.
Dengan demikian, program linier (LP) adalah perencanaan aktivitas-aktivitas untuk
memperoleh suatu hasil yang optimum, yaitu suatu hasil yang mencapai tujuan terbaik
diantara seluruh alternatif yang fisibel.
Sedangkan menurut Siswanto (2006) permograman linear adalah sebuah metode
matematis yang berkarakteristik linear untuk menemukan suatu penyelesaian optimal
dengan cara memaksimumkan atau meminimumkan fungsi tujuan terhadap satu susunan
kendala,
Model adalah sebuah tiruan terhadap realitas. Langkah untuk membuat peralihan dari
realita ke model kuantitatif dinamakan perumusan model, adalah sebuah langkah
penting pertama pada penerapa teknik Operations Research, di dalam manajamen.
Model program linear mempunyai tiga unsur utama, yaitu:
Variabel Keputusan
Variabel keputusan adalah variabel persoalan yang akan mempengaruhi nilai tujuan
yang hendak dicapai. Di dalam proses pemodelan, penemuan variabel keputusan

tersebut harus dilakukan terlebih dahulu sebelum merumuskan fungsi tujuan dan
kendala-kendalanya.
Fungsi tujuan
Dalam model program linier, tujuan yang hendak dicapai harus diwujudkan ke
dalam sebuah fungsi matematika linier. Selanjutnya, fungsi itu dimaksimumkan
atau diminimumkan terhadap kendala-kendala yang ada.
Kendala-kendala Fungsional
Manajemen menghadapi berbagai kendala untuk mewujudkan tujuan-tujuannya.
Kendala dengan demikian dapat diumpamakan sebagai suatu pembatas terhadap
kumpulan keputusan yang mungkin dibuat dan harus dituangkan ke dalam fungsi
matematika linaer. Dalam hal ini, sesuai dengan dalil-dalil matematika, ada tiga macam
kendala, yaitu:
Kendala berupa pembatas,
Kendala berupa syarat, dan
Kendala berupa keharusan.
Asumsi dalam Model Linear Programming
Dalam menggunakan model program linear menurut Tjutju, (2010), diperlukan
beberapa asumsi sebagai berikut
Asumsi kesebandingan (proportionality)
Kontribusi setiap variabel keputusan terhadap fungsi tujuan adalah sebanding
dengan nilai variabel keputusan.
Kontribusi suatu variabel keputusan terhadap ruas kiri dari setiap pembatas juga
sebanding dengan nilai variabel keputusan tersebut.
Asumsi penambahan (additivity)
Kontribusi setiap variabel keputusan terhadap fungsi tujuan bersifat tidak
bergantung pada nilai dari variabel keputusan yang lain.
Kontribusi suatu variabel keputusan terhadap ruas kiri dari setiap pembatas
bersifat tidak bergantung pada nilai dari variabel keputusan yng lain.
Asumsi pembagian (divisibility)
Dalam persoalan program linier, variabel keputusan boleh diasumsikan berupa
bilangan pecahan.
Asumsi kepastian (certainty)
Setiap parameter, yaitu koefisien fungsi tujuan, ruas kanan, dan koefisien
teknologis, diasumsikan dapat diketahui secara pasti.
Menurut Handoko (1984) agar linear programming dapat diterapkan, asumsi-asumsi
dasar harus ditepati yaitu:

1.

Fungsi tujuan dan persamaan setiap batasan harus linear. Ini mencakup

perngertian

bahwa perubahan nilai Z dan penggunaan sumber daya terjadi secara

proposional

dengan perubahan tingkat kegiatan (proportionality),

2.

Parameter-parameter harus diketahui atau dapat diperkirakan dengan pasti

(deterministic), dan
3.

Variabel-variabel keputusan harus dapat dibagi, ini berarti bahwa suatu

penyelesaian feasible dapat berupa bilangan pecahan.

2.1.2

Formulasi Linear Programming

Dalam rangka menyelesaikan permasalahan linear programming terlebih dahulu

diidentifikasikan permasalahan kemudian ditetapkan tujuannya, setelah itu membuat
formulasi model yang meliputi hal hal sebagai berikut:
1.

Menentukan variable keputusan atau fungsi tujuan. Menentukan jumlah variabel

keputusan atau kegiatan yang akan dilakukan oleh perusahaan. Notasi variabel
keputusan adalah Xj dan Xj ini dijabarkan menjadi X1, X2, X3,.., Xn.
2.

Membentuk fungsi tujuan untuk menunjukan hubungan linear dari variabel

keputusan. Dalam operation research hanya ada dua alternatif tujuan, yaitu
maksimalisasi pada keuntungan (Zmax) atau minimalisasi pada biaya (Zmin) atau
minimalisasi pada biaya (Zmin). Dengan demikian dalam setiap permasalahan yang
dihadapi apabila digunakan model dalam operation research, maka tujuannya hanya
dipilij salah satu saja, yaitu maksimalisasi atau minimlasisasi yang dapat dilihat pada
Persamaan 2.22 sebagai berikut:
Zmaks/min = C1X1 + C2X2 + C3X3 .......... + CnXn .........................
dengan :
Z

Xn

= variabel keputusan,

= alternatif tujuan, dan

Cn

3.

..................... (2.22)

= keuntungan atau biaya per unit X.

Menentukan fungsi batasan atau constrain dan mengekspresikan dalam bentuk

persamaan atau pertidaksamaan. Batasan diartikan sebagai sumber daya yang

dibutuhkan dalam melakukan kegiatan atau memproduksi barang atau jasa. Istilah
batasan menggambarkan bahwa jumlahnya terbatas atau dapat dihitung.

Adapun

sumber daya dapat berupa hal-hal sebagai berikut:

a.

Bahan baku

Bahan baku adalah bahan-bahan yang akan diolah menjadi barang setengah jadi
maupun barang jadi misalnya bahan baku pada perusahaan tekstil adalah benang dan
perwarna pada perusahaan roti donat adalah tepung terigu, gula, telur, mentega, dan
vermipan. Bahan baku diartikan sebagai kebutuhan bahan baku untuk memproduksi per
unit barang dan jarang sekali kebutuhan bahan baku per unit produk ini berdiri sendiri,
oleh karena itu, perlu dilakukan perhitungan untuk mengetahui bahan baku per unit.
b.

Kapasitas bahan baku

Kapasitas bahan baku adalah jumlah keseluruhan bahan baku maksimum yang tersedia
di perusahaan.
c.

Tenaga Kerja

Tenaga kerja mempunyai dua pengertian, pertama banyaknya tenaga kerja yang
dibutuhkan untuk menghasilkan per unit barang atau jasa dan kedua jam kerja tenaga
kerja adalah lamanya waktu yang digunakan oleh pekerja untuk menyelesaikan per unit
barang atau jasa.
d.

Kapasitas Tenaga Kerja

Seperti halnya tenaga kerja, maka kapasitas tenaga kerja ini juga memiliki dua
pengertian, yaitu jumlah keseluruhan tenaga kerja maksimum atau jumlah keseluruhan
jam kerja maksimum yang tersedia di perusahaan.
e.

Mesin

Mesin adalah jumlah mesin atau jam kerja mesin yang dibutuhkan untuk menghasilkan
per unit barang atau jasa.
g.

Kapasitas Mesin
Kapasitas mesin adalah jumlah mesin atau jam kerja mesin maksimum yang

tersedia di perusahaan.
Fungsi persamaan matematis batasan secara umum dapat dilihat pada Persamaan 2.23
sebagai berikut:
aijXj (, =, ) bi .......................................................................................... (2.23)

Untuk semua i(i=1,2,....m) semua Xj 0. Dan apabila terdapat beberapa batasan,

menurut Zulfikarijah (2004) maka formulasi matematisnya (dengan syarat X 1, X2, Xn,
0) dapat dilihat pada Persamaan 2.24 sebagai berikut:
A11X1 + A12x2 + ...+ a1nXn b1 .................................................................. (2.24)
dengan :

aij

= sumber daya ke i yang dibutuhkan untuk

menghasilkan per unit Xj,

2.1.3

Bi

= kapasitas sumber daya ke i(i=1,2,..., m), dan

Xj

= banyaknya kegiatan j (j=1,2, ..., n).

Linear Programming Metode Simpleks

Menurut Siswanto (2006) metode simpleks adalah sebuah prosedur matematis berulang
untuk menemukan penyelesaian optimal soal pemrograman linear dengan cara menguji
titik-titik sudutnya. Prosedur berulang berarti cara yang sama digunakan di dalam
pengujian setiap titik sudut hingga ditemukan sebuah penyelesaian optimal, yaitu
penyelesaian yang memenuhi seluruh kendala dan menghasilkan nilai tujuan ekstrem.
Pada dasarnya metode simpleks dapat digunakan untuk mencapai tujuan keuntungan
maksimal atau biaya minimal, yang membedakan keduanya adalah langkah-langkah
penyelesaianya. Untuk fungsi tujuan akan diformulasikan pada Persamaan 2.25 sebagai
berikut:
Z = S Cj Xj ...................................................................................(2.25)
dengan:
Xn

= variabel slack,

= variabel keputusan, dan

Cn

= keuntungan atau biaya per unit X.

Menurut Zulfikarijah (2004) secara umum bentuk simpleks pada fungsi batasan
memiliki tanda matematis , bentuk ini dianggap baku karena dalam setiap batasan akan
memiliki variabel dasar. Akan tetapi dalam kenyataannya, tidak semua batasan bertanda
, kemungkinan dapat berupa = (sama dengan) atau (lebih besar sama dengan).

Dengan adanya perbedaan bentuk standar, maka perlu digunakan pendekatan tertentu
untuk menyelesaikan permasalahan tersebut.
2.2

Peramalan

Peramalan merupakan alat bantu yang penting dalam perencanaan yang efektif dan
efisien khusunya dalam bidang ekonomi. Peramalan mempunyai peranan langsung pada
peristiwa eksternal yang pada umumnya berada diluar kendali manajemen, seperti
ekonomi, sosial, politik, perubahan teknologi, budaya, pemerintah, pelanggan, pesaing,
dan lain sebagainya. Peramalan adalah prediksi, proyeksi atau estimasi tingkat kejadian
yang tidak pasti dimasa yang akan datang. Ketepatan secara mutlak dalam memprediksi
peristiwa dan tingkat kegiatan yang akan datang adalah mungkin dicapai, oleh karena
itu ketika perusahaan tidak dapat melihat kejadian yang akan datang secara pasti,
diperlukan waktu dan tenaga yang besar agar mereka dapat memiliki kekuatan untuk
menarik kesimpulan terhadap kejadian yang akan datang (Yamit,2008). Sedangkan
menurut Nasution (2008) peramalan merupakan proses untuk memperkirakan beberapa
kebutuhan dimasa mendatang yang meliputi kebutuhan dalam ukuran kuantitas,
kualitas, waktu, dan lokasi yang dibutuhkan dalam rangka memenuhi permintaan
barang ataupun jasa.
2.2.1

Klasifikasi Peramalan

Berdasarkan hubungan dengan horizon waktu peramalan, maka peramalan dapat

diklasifikasikan menjadi tiga kelompok, yaitu:
1.

Peramalan jangka panjang, umumnya dua sampai sepuluh tahun. Peramalan ini

digunakan untuk perencanaan produk dan perencanaan sumber daya,

2.

peramalan jangka menengah, dibandingkan peramalan jangka panjang yang

biasanya digunakan untuk menentukan aliran perencanaan produksi dan penentuan

anggaran, dan
3.

Peramalan jangka pendek, umumnya 1 sampai 5 minggu. Peramalan ini

digunakan untuk mengambil keputusan dalam hal perlu tidaknya lembur, penjadwalan
kerja, dan lain-lain.

2.2.2

Metode-Metode Dalam Peramalan

Secara umum peramalan diklasifikasikan menjadi 2 macam yakni peramalan yang

bersifat subjektif dan peramalan yang bersifat objektif. Perbedaan antara kedua macam
peramalan ini didasarkan pada cara mendapatkan nilai-nilai ramalannya. Berikut ini
merupakan penjelasan tentang kedua jenis peramalan tersebut (Nasution, 2008):
1.

Peramalan yang bersifat subjektif

Peramalan yang bersifat subjektif lebih menekankan pada keputusan-keputusan

hasil diskusi, pendapat pribadi seseorang, dan intuisi yang meskipun kelihatannya
kurang ilmiah tetapi dapat memberikan hasil yang baik. Peramalan subjektif ini akan
diwakili oleh Delphi dan metode penelitian pasar. Adapun penjelasannya sebagai
berikut:
a.

Metode Delphi

Metode ini merupakan cara sistematis untuk mendapatkan keputusan yang bersama dari
suatu grup yang terdiri dari para ahli dan bersal dari disiplin yang berbeda. Metode
Delphi ini dipakai dalam peramalan teknologi yang sudah digunakan pada
pengoperasian jangka panjang. Selain itu, metode ini juga bermanfaat dalam
pengembangan produk baru, pengembangan kapasitas produksi, penerobosan ke
segmen pasar baru dan strategi keputusan bisnis lainnya.
b.

Metode Penelitian Pasar

metode ini mengumpulkan dan menganalisa fakta secara sistematis pada bidang yang
berhubungan dengan pemasaran. Salah satu teknik utama dalam penelitian pasar ini
adalah survey konsumen. Penelitian pasar sering digunakan dalam merencakan produk
baru, sistem periklanan dan promosi yang tepat. Hasil dari penelitian dasar ini kadangkadang juga dipakai sebagai dasar permalan permintaan produk baru.
2.

Peramalan yang bersifat objektif

Peramalan objektif merupakan prosedur peramalan yang mengikuti aturan-

aturan matematis dan statistic dalam mewujudkan antara permintaan dengan satu atau
lebih variabel yang mempengaruhinya. Selain itu, peramalan objektif juga
mengasumsikan bahwa tingkat keeratan dan macam dari hubungan antara variabelvariabel bebas dengan permintaan yang terjadi pada masa lalu akan berulang juga pada
masa yang akan datang. Peramalan objektif terdiri atas dua metode, yaitu metode
eksentrik dan metode intristik. Adapun penjelasannya sebagai berikut:

a.
Metode

Metode Eksentrik
ini mempertimbangkan factor-faktor eksternal yang mungkin dapat

mempengaruhi besarnya permintaan di masa datang dalam model peramalannya.

Metode ini lebih cocok untuk peramalan jangka panjang karena dapat menunjukan
sebab akibat yang jelas dalam hasil peramalannya sehingga disebut metode kausal dan
dapat mempredksi titik-titik perubahan. Metode eksentrik banyak dipakai untuk
peramalan pada tingkat agregat. Metode ini diwakili oleh metode regresi.
b.

Metode Intristik

metode ini membuat peramalan hanya berdasarkan pada proyeksi permintaan historis
tanpa mempertimbangkan factor-faktor yang mungkin mempengaruhi bersarnya
permintaan. Metode ini hanya cocok untuk peramalan jangka pendek pada kegiatan
produksi dan pengendalian persediaan bahan baku seringkali perusahaan harus
melibatkan banyak item yang berbeda. Metode intristik akan diwakili oleh analisis deret
waktu (Time Series).
2.2.3

Analisi Deret Waktu (Times Series)

Metode runtun waktu (Times Seris) atau sering pula disebut metode deret waktu atau
deret berkala menggambarkan berbagai gerakan yang terjadi pada sederetan pada waktu
tertentu. Langkah penting dalam memilih metode deret berkala atau runtun waktu
adalah dengan mempertimbangkan jenis pola data (Zamit, 2008). Menurut Nasution
(2008) permintaan di masa lalu pada analisa deret waktu akan dipengaruhi keempat
komponen utama T,C,S, dan R yaitu sebagai berikut:
1.

Kecendrungan/Trend (T)
Trend merupakan sifat dari permintaan di masa lalu terhadap waktu terjadinya,

apakah permintaan cenderung naik atau turun atau konstan.

2.

Siklus/Cycle (C)
Permintaan suatu produk dapat memiliki siklus yang berulang secara periodic,

biasanya lebih dari satu tahun, sehingga pola ini tidak perlu dimasukkan dalam
peramalan jangka pendek. Pola ini amat berguna untuk peramalan jangka menengah dan
jangka panjang.
3.

Pola Musiman/Season (S)

Fluktuasi permitaan suatu produk dapat naik turun disekitar garis trend dan
biasanya berulang setiap tahun. Pola ini biasanya disebabkan oleh factor cuaca, musim
libur panjang, dan hari raya keagaman yang akan berulang secara periodic setiap
tahunnya.
4.

Variasi Acak/Random (R)

Permintaan suatu produk dapat mengikuti pola bervariasi secara acak karena

factor-faktor adanya bencana alam, bangkrutnya perusahaan pesaing, promosi khusus,

dan kejadian-kejadian lainnya yang tidak mempunyai pola tertentu. Variasi acak ini
diperlukan dalam rangka menentukan persediaan pengaman untuk mengantisipasi
kekeruangan permintaan.

Tujuan permalan sebagai berikut:

1.
2.

Mengurangi ketidak pastian produksi,

Sebagai langkah antisipasi yang dapat dilakukan sebelum datang

permintaan sebenarnya,
3.
Sebagai bahan pembuatan jadwal produksi, dan
4.
Sebagai langkah awal dalam membuat kebijakan persediaan.
2.2.1

Analisis Deret Waktu

Permintaan dimasa lalu pada analisa deret waktu akan dipengaruhi keempat komponen
utama T,C,S, dan R. Penjelasan tentang komponen-komponen utama yaitu sebagai
berikut:
1. Trend/Kecenderungan (T)
Trend merupakan sifat dari permintaan dimasa lalu terhadap waktu terjadinya,
apakah permintaan tersebut cenderung naik, turun, atau konstan.
2. Siklus/Cycle (C)
Permintaan suatu produk dapat memiliki siklus yang berulang secara periodik,
biasanya lebih dari satu tahun, sehingga pola ini tidak perlu dimasukan dalam
peramalan jangka pendek. Pola siklus berguna untuk meramalkan penjualan jangka
menengah dan jangka panjang.
3. Musim/Season (S)

Fluktasi permintaan suatu produk

dapat naik turun disekitar garis trend dan

biasanya berulang setiap tahun. Pola ini biasanya disebabkan oleh faktor cuaca,
musim liburan panjang, dan hari raya keagamaan yang akan berulang secara
periodik setiap tahunnya.
4. Variasi Acak/Random (R)
Permintaan suatu produk

dapat mengikuti pola bervariasi secara acak karena

faktor-faktor adanya bencana alam, bangkrutnya perusahaan pesaing, dan promosi

khusus. Variasi acak ini diperlukan dalam rangka menentukan persediaan
pengamanan untuk mengantisipasi kekurangan permintaan.
Macam-macam pola data dalam peramalan dapat dilihat pada Gambar 5.1 sebagai
berikut:

Gambar 2.1

2.2.2

Macam-macam pola data

Metode Exponential Smoothing

Exponential smoothing adalah teknik permalan rata-rata bergerak yang
melakukan penimbangan terhadap data masa lalu dengan cara eksponensial
dengan pemberian bobot pada data sehingga data paling akhir mempunyai bobot
lebih besar dalam rata-rata bergerak. Eksponensial smoothing. Terdiri dari tiga
metode yaitu single exponensial smoothing, double exponensoal smoothing dan
Holt-Winters Exponential smoothing.

Metode smoothing adalah metode peramalan dengan melakukan penghalusan terhadap

data masa lalu yaitu mengambil rata-rata dari nilai beberapa tahun untuk menaksir nilai
pada satu tahun. Beberapa metode penghalusan diantaranya, bentuk umum dari metode
smoothing dapat dilihat pada Persamaan 3.1 berikut:
F t+1 = a Xt + (1-) F t
dengan:

F t+1

= Peramalan saru parameter kedepan,

Xt

= Data aktual apada periode t,

Ft

= Ramalan pada periode t, dan

= Parameter pemulusan (0 < < 1).

Metode smoothing eksponensial terdiri dari beberapa metode diantaranya adalah:

Smoothing Eksponensial Tunggal
Metode ini adalah pengembangan dari metode moving average (MA), dimana
peramalan single exponential smoothing dihitung berdasarkan hasil peramalan ditambah
dengan peramalan periode sebelumnya. Jadi, kesalahan peramalan sebelumnya
digunakan untuk mengoreksi peramalan koreksinya. Persamaannya dapat dilihat pada
Persamaan 3.2 berikut:
F 0 A1
F t 0
F t . A t 1 .F t 1
f t F t .T t
Pada metode moving average memang mudah menghitungnya akan tetapi metode ini
memberikan bobot yang sama pada setiap data. Untuk mengatasi hal ini maka
digunakan metode single exponential smoothing. Pada metode single exponential
smoothing bobot yang diberikan pada data yang ada adalah sebesar untuk data yang
terbaru, (1) untuk data yang lama, (1)2 untuk data yang lebih lama, dan
seterusnya. Besarnya adalah antara 0 dan 1. Semakin mendekati 1 berarti data terbaru
lebih diperhatikan. Dengan demikian dapat dikatakan bahwa peramalan pada periode
yang akan datang adalah ramalan sebelumnya ditambah (alpha) dikalikan dengan
kesalahan ramalan periode sebelumnya. Dalam melakukan peramalan dengan
menggunakan metode single exponential smoothing (SES), besarnya (alpha)
ditentukan secarat trial dan error sampai ditemukan (alpha) yang menghasilkan
forecast error terkecil.

Smoothing Eksponensial Ganda

Pada metode ini proses penentuan ramalan dimulai dengan menentukan
besarnya alpha secara trial dan error, dimana metode Double Exponential
Smoothing dapat dihitung dengan Persamaan 3.3 berikut:
F(0) = F`(0) = A(1)
F(t)
= .A(t) + (1 ) F(t1)
= .A(t) + (1+ ) F`(t1)
F(t + )
= F`(t)
F`(t)

2.2.3

Teknik Pengukuran Kesalahan Peramalan

Beberapa bagian organisasi dimana peramalan kini memainkan peranan yang penting
antara lain:
Penjadwalan Sumber Daya Yang Tersedia
Penggunaan sumber daya yang efisien memelukan penjadwalan Produk si,
tranportasi, kas, personalia dan sebagainya.
Penyediaan Sumber Daya Tambahan
Waktu tenggang (lead time) untuk memperoleh bahan baku, menerima pekerja
baru, atau membeli mesin dan peralatan dapat berkisar antara beberapa hari
sampai beberapa tahun. Peramalan diperlukan untuk menentukan kebutuhan
sumber daya di masa mendatang.
Penentuan Sumber Daya Yang Diinginkan
Setiap organisasi harus menentukan sumber daya yang ingin dimiliki dalam
jangka panjang. Keputusan semacam itu bergantung pada kesempatan pasar,
faktor-faktor lingkungan dan pengembangan internal dari sumber daya finansial,
manusia, Produk dan teknologis. Semua penentuan ini memerlukan ramalan
yang baik dan manajer dapat menafsirkan perkiraan serta membuat keputusan
yang tepat (Makridakis, 1988).
Menurut Nasution (2008) ukuran akurasi hasil peramalan yang merupakan
ukuran kesalahan peramalan merupakan ukuran tentang tingkat perbedaan antara
hasil peramalan dengan permintaan yang sebenarnya terjadi. Ada 4 ukuran yang
biasa digunakan, yaitu:
Rata-rata Deviasi Mutlak (Mean Absolute Deviation = MAD)
MAD merupakan rata-rata kesalahan mutlak selama periode tertentu tanpa
memperhatikan apakah hasil peramalan levih besar atau lebih kecil
dibandingkan kenyataannya. Persamaan MAD dapat dilihat sebagai berikut:
At Ft
MAD
n

Rata-rata Kuadrat Kesalahan (Mean Square Error = MSE)

MSE dihitung dengan menjumlahkan kuadrat semua kesalahan peramalan pada setiap
periode dan membaginya dengan jumlah periode peramalan. Persamaan MSE dapat
dilihat sebagai berikut:

MSE

At Ft 2
n

Rata-rata Kesalahan Peramalan (Mean Forecast Error = MFE)

MFE sangat efektif untuk mengetahui apakah suatu hasil peramalan selama periode
tertentu terlalu tinggi atau terlalu rendah. Bila hasil peramalan tidak bias, maka nilai
MFE akan mendekati nol. MFE dihitung dengan menjumlahkan semua kesalahan
peramalan selama periode peramalan dan membaginya dengan jumlah periode
peramalan. Persamaan MFE dapat dilihat pada Persamaan 3.9 berikut:

MFE

At Ft
n

dengan:
N

At

= Permintaan aktual pada periode t,

Ft

= Peramalan permintaan (forecast) pada periode t, dan

= jumlah periode peramalan yang terlibat.

Rata-rata Persentase Kesalahan Absolute (Mean Absolute Percentage Error =

MAPE)
MAPE merupakan ukuran kesalahan relatif. MAPE biasanya lebih berarti
dibandingkan MAD karena MAPE menyatakan persentase kesalahan hasil
peramalan terhadap permintaan aktual selama periode tertentu yang akan
memberikan informai persentase kesalahan terlalu tinggi atau terlalu rendah.
2.2.4

Tracking Signal

Pada setiap peramalan, tanda penjejakan (tracking signal) terkadang digunakan untuk
melihat apakah nilai-nilai yang dihasilkan berada didalam atau diluar batas-batas
pengendalian dimana nilai-nilai tanda penjejakan (tracking signal) itu bergerak antara -4
sampai +4. Tracking signal adalah resiko antara kumulatif error (selisih nilai ramalan
dan nilai actual) (Running Sum of the Forecast Error) terhadap MAD (mean absolute
deviation). Pengukuran tentang sejauh mana peramalan dapat memprediksi nilai aktual
dengan baik. Tracking signal dihitung sebagai jumlah kesalahan ramalan berjalan
(Running Sum of the Forecast Error, RSFE) dibagi dengan mean absolute deviation
(MAD).

Tracking signal yang positif menunjukan bahwa nilai aktual permintaan lebih besar
dari pada peramalan, sedangkan tracking signal yang negatif berarti nilai aktual
permintaan lebih kecil daripada peramalan. 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 peta-peta kontrol dalam
pengendalian proses statistical, yang memiliki batas kontrol atau dan batas kontrol
bawah.

Beberapa ahli dalam sistem peramalan seperti George Plossl dan Oliver Wight, dua
orang 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 di luar
batas-batas pengendalian, model peramalan perlu ditinjau kembali, karena akurasi
peramalan tidak dapat diterima. Namun, apabila tracking signal berada didalam
batas-batas pengendalian maka perhitungan dapat dilanjutkan.