Anda di halaman 1dari 22

LAPORAN

PRAKTIKUM PERANCANGAN TEKNIK INDUSTRI

MODUL I
METODE PERAMALAN

DISUSUN OLEH :
KELOMPOK 3 R

1. ADHIEN MEUTIA L2H 005 652


2. AZIZAH NURMASARI L2H 005 661
3. ELIKA DWI E. L2H 005 674
4. LEANS L2H 005 696
5. RUDY ARYANTO L2H 005 714
Asisten : NUR METASARI

PROGRAM STUDI TEKNIK INDUSTRI FAKULTAS TEKNIK


UNIVERSITAS DIPONEGORO
SEMARANG
2008
LEMBAR PENGESAHAN

2
KATA PENGANTAR

3
DAFTAR ISI

4
DAFTAR GAMBAR

5
BAB I
PENDAHULUAN

1.1 Latar Belakang


Peramalan adalah proses untuk memperkirakan berapa kebutuhan dimasa datang
yang meliputi kebutuhan dalam ukuran, kuantitas, kualitas, waktu dan lokasi yang
dibutuhkan dalam rangka memenuhi permintaan barang ataupun jasa. Aktivitas
peramalan merupakan suatu fungsi bisnis yang berusaha memperkirakan penjualan dan
penggunaan produk sehingga produk-produk itu dapat dibuat dalam kuantitas yang
tepat.
Peramalan adalah suatu bagian dari kegiatan manajemen sebagai dasar
pembuatan keputusan. Suatu perusahaan membangun tujuan dan mencari faktor
lingkungan lalu menyeleksi tindakan yang diharapkan akan memberikan hasil pada
pencapaian tujuannya.
Peramalan tidak terlalu dibutuhkan dalam kondisi permintaan pasar yang
stabil, karena perubahan permintaannya relatif 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, ekonomi,
politik, aspek teknologi, produk pesaing dan produk substitusi. Oleh karena itu,
peramalan yang akurat merupakan informasi yang sangat dibutuhkan dalam
pengambilan keputusan yang manajemen.
Peramalan dan perencanaan merupakan hal-hal yang berkaitan dengan masa
yang akan datang. Mata rantai proses manajemen adalah peramalan, perencanaan, dan
pembuatan keputusan, dan umumnya peramalan mendahului perencanaan (yang
terpenting). Syarat mutlak untuk manajemen yang efektif akan memberikan
penghargaan peran forecasting itu sendiri.

1.2 Tujuan Praktikum


Tujuan dari praktikum peramalan ini adalah :

6
1. Memahami manfaat dan posisi peramalan dalam sistem industri.
2. Memahami metode dan teknik peramalan.
3. Dapat menggunakan metode dan teknik peramalan untuk menentukan kebutuhan
pasar sebagai dasar penyusunan rencana produksi.
4. Mampu menggunakan beberapa metode dalam peramalan.

1.3 Sistematika Penulisan


BAB I PENDAHULUAN
Berisi tentang latar belakang pentingnya peramalan (forecasting), tujuan
dari praktikum Modul 1 Peramalan, dan sistematika penulisan.
BAB II TINJAUAN PUSTAKA
Berisi tentang dasar sistem produksi/manufaktur, strategi respon terhadap
permintaan konsumen, strategi desain proses manufacturing, definisi
forecasting (peramalan), macam-macam peramalan, plot data untuk
time series, metode-metode peramalan, uji kesalahan peramalan (uji
verifikasi), uji validasi, dan tracking signal.
BAB III PENGUMPULAN dan PENGOLAHAN DATA
Berisi tentang plot data peramalan, perhitungan ramalan untuk metode
peramalan MA, SES, DES dan ARIMA dalam 24 periode dengan
menggunakan software MINITAB, uji verifikasi metode terpilih dan uji
validasi.
BAB IV ANALISA
Berisi tentang analisa plot data, analisa semua metode peramalan yang
digunakan, analisa uji verifikasi, dan uji validasi.
BAB V PENUTUP
Berisi tentang kesimpulan dan saran dari hasil praktikum yang telah
dilakukan.

7
BAB II
TINJAUAN PUSTAKA

2.1 Definisi Forecasting (Peramalan)


Peramalan adalah proses untuk memperkirakan berapa kebutuhan dimasa datang
yang meliputi kebutuhan dalam ukuran kuantitas, kualitas, dan lokasi yang
dibutuhkan dalam rangka memenuhi permintaan barang ataupun jasa. Peramalan
tidak terlalu dibutuhkan dalam kondisi permintaan pasar yang stabil, karena
perubahan permintaannya relatif kecil. Tetapi peramalan akan sangat dibutuhkan
bila kondisi permintaan pasar bersifat kompleks dan dinamis. Dalam kondisi pasar
bebas, permintaan pasar lebih banyak bersifat kompleks dan dinamis, karena
permintaan tersebut akan tergantung dari keadaan sosial, ekonomi, politik, aspek
teknologi, produk pesaing dan produk subtitusi. Oleh karena itu, peramalan yang
akurat merupakan informasi yang sangat dibutuhkan dalam pengambilan keputusan
manajemen.
Peramalan memerlukan pengambilan data historis dan memproyeksikannya ke
masa depan dengan beberapa bentuk model matematis. Peramalan dapat berupa
prediksi subjektif/intuitif tentang masa depan.
(Devcitsiotis, Kostas N. Operation Management.hal. 432 ).

Peramalan dapat diartikan sebagai hubungan sebab akibat antara input suatu
sistem dan outputnya.

system
input output
Cause & effect
relationship

Gambar 2. 5 Diagram Input-Output Sistem Peramalan Produksi

(Makridakis. Forecasting, hal. 15)

8
Komponen-komponen dalam sistem peramalan :
1. Forecasting system outputs
2. Forecasting system inputs
3. Forecasting constrains
4. Forecasting system decisions
5. Forecasting system performance criterias
6. Forecasting methods

Kriteria untuk mengetahui performansi sistem peramalan :


1. Accuracy
2. Stability versus responsiveness
3. Objectivity in the treathment of historical data
4. Time required to prepare forecast
5. Benefit to cost ratio

Beberapa sifat hasil peramalan


Dalam membuat peramalan atau menerapkan hasil suatu peramalan, maka ada
beberapa hal yang harus dipertimbangkan, yaitu :
Peramalan pasti mengandung kesalahan, artinya peramal hanya bisa
mengurangi ketidakpastian yang akan terjadi, tetapi tidak dapat
menghilangkan ketidakpastian tersebut
Peramalan seharusnya memberikan informasi tentang berapa ukuran
kesalahan. Artinya karena peramalan pasti mengandung kesalahan, maka
adalah penting bagi peramal untuk menginformasikan seberapa besar
kesalahan yang mungkin terjadi.
Peramalan jangka pendek lebih akurat dibandingkan dengan peramalan
jangka panjang. Hal ini disebabkan karena pada peramalan jangka pendek
faktorfaktor yang mempengaruhi permintaan relatif masih konstan,
sedangkan semakin panjang periode peramalan maka semakin besar pula
kemungkinan perubahan faktor-faktor yang memepengaruhi permintaan.
( Nasution, Arman Hakim. Perencanaan dan Pengendalian Produksi. Hal .24)

9
2.2 Klasifikasi Peramalan
o Berdasarkan horizon waktu, peramalan dapat dibagi menjadi 3 jenis :
1. Peramalan jangka panjang (lebih dari 5 tahun)
Peramalan ini digunakan untuk perencanaan produk dan perencanaan
sumber daya.
2. Peramalan jangka menengah ( 1-5 tahun )
Peramalan ini digunakan untuk menentukan aliran kas, perencanaan
produksi dan penentuan anggaran.
3. Peramalan jangka pendek ( 1 tahun)
Peramalan ini digunakan untuk mengambil keputusan dalam hal perlu
tidaknya lembur, penjadwalan kerja, dan keputusan-keputusan kontrol
jangka pendek yang lain.

o Berdasarkan sifatnya, peramalan secara garis besar dapat dikelompokan


menjadi 2 yaitu :
a.Peramalan Kualitatif (Judgemental forecasting)/Subyektif
Peramalan subyektif lebih menekankan pada keputusan keputusan hasil
diskusi, pendapat pribadi seseorang, dan intuisi yang meskipun
kelihatannya kurang ilmiah tetapi dapat memberikan hasil yang baik.
Metode ini diantaranya adalah :
(Nasution, Arman H. Perencanaan dan Pengendalian Produksi, hal .27)
Beberapa teknik peramalan kualitatif yaitu :
1. Juri opini eksekutif
2. Kombinasi sales force (gabungan armada penjualan)
3. Metode Delphi
4. Survei pasar (Antipatory Survey)
5. Naive Approach (pendekatan naif)
6. Brainstorming
7. Visionary panel concensus

10
b. Peramalan Kuantitatif / Obyektif.
Merupakan prosedur peramalan yang mengikuti aturan aturan matematis
dan statistik dalam menunjukkan hubungan antara permintaan dengan satu
atau lebih variabel yang mempengaruhinya. Metode peramalan ini adalah :
Metode Intrisik
Metode ini membuat peramalan hanya berdasarkan pada proyeksi
permintaan historis tanpa mempertimbangkan faktor faktor eksternal
yang mungkin mempengaruhi besarnya permintaan. Metode ini cocok
untuk peramalan jangka pendek. Yang termasuk dalam metode ini adalah
analisis deret waktu (Time Series).
Metode Ekstrinsik
Metode ini mempertimbangkan faktor faktor eksternal yang mungkin
dapat mempengaruhi besarnya permintaan dimasa datang dalam model
peramalannya. Metode ini cocok untuk peramalan jangka panjang.
Kelemahan dari metode ini adalah dalam hal mahalnya biaya aplikasinya
dan frekuensi perbaikan hasil peramalan yang rendah karena sulitnya
menyediakan informasi perubahan faktor faktor eksternal yang terukur.
Contoh metode ini adalah metode regresi.
(Nasution, Arman H. Perencanaan dan Pengendalian Produksi. hal.27)

Peramalan kuantitatif dapat diterapkan bila terdapat tiga kondisi berikut :


Tersedianya informasi tentang masa lalu
Informasi tersebut bersifat kuantitatif ataupun dapat dikuantitatifkan menjadi
data angka
Diasumsikan bahwa pola masa lalu akan berkelanjutan pada pola masa
datang.
(Makridakis, Spyros. dkk. 1995. Metode dan Aplikasi Peramalan)

Teknik kuantitatif sendiri dapat dibagi menjadi dua bagian utama :


1. Time-series analysis/Teknik Deret Berkala
o Rata-rata bergerak (moving average)

11
o Penghalusan Eksponensial (Exponential Smoothing)
2. Structural Models/Metode Kausal/Eksplanatoris
o Proyeksi Trend (Trend Projection)
o Regresi Linear (Linear Regression)
(Nasution, Arman H. Perencanaan dan Pengendalian Produksi. Hal 29-44)

Beberapa Macam Plot Data Metode Time-series


1. Trend
Trend merupakan sifat dari permintaan di masa lalu terhadap waktu
terjadinya, apakah permintaan tersebut cenderung naik, turun, atau konstan

Gambar 2.6 Komponen Tren

2. Seasonal (Musiman)
Fluktuasi permintaan suatu produk dapat naik turun di sekitar garis trend
dan biasanya berulang setiap tahun.

Gambar 2.7 Komponen Musiman

3. Cyclical (Siklus)
Permintaan suatu produk dapat memiliki siklus yang berulang secara
periodik, biasanya lebih dari satu tahun, sehingga pola ini tidak perlu
dimasukkan dalam peramalan jangka pendek.

12
Gambar 2.8 Komponen Siklis

4. Random (acak)
Permintaan suatu produk dapat mengikuti pola bervariasi secara acak
karena faktor-faktor adanya bencana alam, bangkrutnya perusahaan
pesaing, promosi khusus, dan kejadian lainnya yang tidak memiliki pola
tertentu.

Gambar 2.9 Komponen Random

(Nasution, A. Hakim. 1999.Perencanaan Dan Pengendalian Produksi)

2.3 Macam-macam Metode Peramalan


2.3.1 Metode Rata-Rata (Average Method)
Moving average diperoleh dengan merata-rata permintaan berdasarkan
beberapa data masa lalu yang terbaru. Tujuan utama dari penggunaan teknik MA
ini adalah untuk mengurangi atau menghilangkan variasi acak permintaan dalam
hubungannya dengan waktu. Tujuan ini dicapai dengan merata-ratakan beberapa
nilai data secara bersama-sama dan menggunakan nilai rata-rata tersebut sebagai
ramalan permintaan untuk periode yang akan datang. Disebut rata-rata bergerak
karena begitu setiap data aktual permintaan baru deret waktu tersedia, maka data
aktual permintaan yang paling terdahulu akan dikeluarkan dari perhitungan,
kemudian suatu nilai rata-rata baru akan dihitung.
(Nasution, A. Hakim. 1999.Perencanaan dan Pengendalian Produksi)

13
Salah satu metode rata-rata yang umum digunakan yakni metode Single
Moving Average (SMA). Seperti halnya dengan metode-metode lainnya, rata-
rata bergerak tunggal (single moving average) juga bertujuan untuk
menghaluskan (to smooth) sehingga pengaruh-pengaruh variabel random dapat
dikurangi. Dalam hal ini, nilai rata-rata bergerak dianggap sebagai nilai ramalan.
t
Ft 1 X X i / t
i 1

( Awat, S.U, Napa J. Drs. 1990. Metode Peramalan Kuantitatif)

Beberapa karakteristik Moving Average adalah:


a. Moving Average memiliki kecenderungan tertinggal
b. Moving Average selalu terlambat untuk pola data siklis
c. Nilai maksimum peramalan oleh Moving Average akan lebih kecil
daripada permintaan maksimum dalam pola siklis, sementara
peramalan minimum akan lebih besar daripada permintaan aktual
dalam pola siklis.
( Kusuma, Hendra. 2002. Manajemen Produksi)
Pemilihan tentang jumlah data yang dilibatkan dalam perhitungan
metode peramalan ini (N) adalah sangat penting dalam metode ini. Semakin
besar nilai N, maka semakin halus perubahan nilai MA dari periode ke
periode. Sedangkan bila semakin kecil nilai N, maka hasil peramalan akan
lebih agresif mengantisipasi perubahan data terbaru yang diperhitungkan.
Bila permintaan berubah secara signifikan dari waktu ke waktu, maka
ramalan harus cukup agresif dalam mengantisipasi perubahan tersebut,
sehingga nilai N yang kecil akan lebih cocok dipakai. Sedangkan bila
permintaan cenderung stabil selama jangka waktu yang panjang, maka nilai
N dipakai yang besar.
(Nasution, A. Hakim. 1999.Perencanaan Dan Pengendalian Produksi)

14
2.3.2 Metode Exponential Smoothing
Teknik exponential smoothing banyak mengurangi kelemahan teknik MA
dalam penyimpanan data karena hanya data permintaan aktual terakhir,
peramalan terakhir, dan suatu nilai konstanta yang harus disimpan. Bila nilai
mendekati 1, maka ramalan yang baru akan menyesuaikan kesalahan dengan
besar pada ramalan sebelumnya. Kebalikannya, bila mendekati 0 maka
ramalan yang baru akan menyesuaikan kesalahan dengan kecil pada ramalan
sebelumnya. Penentuan besar nilai harus dipertimbangkan dengan baik. Salah
satu metode yang dapat dipakai untuk memilih adalah berdasarkan nilai N
yang dilibatkan dalam teknik MA. Metode ini dapat digunakan jika suatu
perusahaan telah menggunakan teknik MA dengan nilai N yang cukup memadai
Beberapa metode ini adalah :
a. Metode Browns Single Exponential Smoothing
Pemulusan eksponensial tunggal akan selalu mengikuti setiap ternd
dalam data yang sebenarnya karena yang dapat dilakukannya tidak lebih dari
mengatur peramalan mendatang dengan suatu persentase dari kesalahan yang
terakhir.
Ft 1 X i (1 ) Ft 1

b. Metode Double Exponential Smoothing : Browns One Parameter Linier


Dasar pemikiran metode ini adalah karena kedua nilai pemulusan tunggal
dan ganda ketinggalan dari data yang sebenarnya bila terdapat unsur trend,
perbedaan antara nilai pemulusan tunggal dan ganda dapat ditambahkan
pada nilai pemulusan tunggal dan disesuaikan untuk trend.

S 't X i (1 ) S 't 1

S ''t S 'i (1 ) S ''t 1

at S 't ( S 't S ''t ) 2S 't S ''t



bt ( S ' t S '' t )
1
Ft m at bt .m

(Makridakis. Forecasting, hal. 79-97)

15
2.3.3 ARIMA (Auto Regressive Integrated Moving Average)
Model time series yang sangat terkenal adalah model Autoregessive
Integrated Moving Average (ARIMA) yang dikembangkan oleh George E. P.
Box dan Gwilym M. Jenkins. Model time series ARIMA menggunakan teknik
korelasi. Identifikasi model bisa dilihat dari ACF dan PACF suatu deret waktu.
Model Umum ARIMA
Model Autoregessive Integrated Moving Average dengan order (p, d, q)
dinotasikan sebagai: ARIMA (p, d, q)
Di mana :
AR ; p = orde dari proses autoregresif
I : d = tingkat pembedaan (degree of differencing)
MA : q = orde dari proses moving average
Konsep Stationeritas
Stationeritas berarti bahwa tidak terdapat pertumbuhan atau penurunan
pada data. Data secara kasarnya harus horizontal sepanjang sumbu waktu.
Dengan kata lain, fluktuasi data berada di sekitar suatu nilai rata-rata yang
konstan, tidak tergantung pada waktu dan variansi dari fluktuasi tersebut
yang pada intinya tetap konstan setiap waktu. Untuk bisa dilakukan
peramalan dengan menggunakan metode ARIMA, maka data harus
memenuhi kondisi stasioneritas ini yang ditunjukkan dengan pembuatan
ACF (Autoregressive Correlation Function) dan PACF (Partial
Autoregressive Correlation Function). Autokorelasi adalah korelasi antar
deret pengamatan suatu deret waktu, sedangkan autokorelasi adalah plot
autokorelasi-korelasi. Seperti halnya fungsi auokorelasi, partial
autocorrelation adalah korelasi antar deret pengamatan suatu deret waktu.
Partial autocorrelation mengukur hubungan keeratan antar pengamatan
suatu deret waktu.
Identifikasi Model ARIMA
Suatu model time series dikatakan baik apabila telah sesuai dengan
kenyataan. Dengan kaa lain, apabila kesalahan (error) model semakin kecil
maka model bisa dikatakan baik. Oleh karena itu, kita perlu hati-hati dalam

16
mengidentifikasi model suatu time series. Tahap-tahap dalam
mengidentifikasi suatu model time series yaitu:
a. Membuat plot time series
b. Membuat ACF dan PACF
c. Membuat model autoregressive dan model moving average

2.3 Uji Kesalahan Peramalan (Uji Verifikasi)


Langkah penting setelah peramalan adalah verifikasi peramalan sedemikian
rupa sehingga dapat mencerminkan data masa lalu dan sistem sebab akibat yang
mendasari permintaan itu. Sepanjang representasi peramalan tersebut dapat
dipercaya dan sistem sebab akibat belum berubah, hasil peramalan akan terus
digunakan. Terdapat banyak perkakas yang dapat digunakan untuk memverifikasi
peramalan dan mendeteksi perubahan sistem sebab akibat yang melatarbelakangi
pola permintaan. Uji kesalahan peramalan atau uji verifikasi dilakukan terhadap
metode peramalan untuk menentukan metode peramalan yang terpilih.
( Kusuma, Hendra. 2002. Manajemen Produksi.Yogyakarta:Andi offset)

1. 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.
n

e
2
i
MSE i 1
n

2. Mean Average Deviation (MAD)


MAD merupakan rata-rata kesalahan mutlak selama periode tertentu tanpa
memperhatikan apakah hasil peramalan lebih besar atau lebih kecil
dibandingkan kenyataannya. Secara sistematik, MAD dirumuskan sebagai
berikut :
n

X i Fi e i
MAD i 1
n n

17
( Kusuma, Hendra. 2002. Manajemen Produksi)

2.4 Uji Validasi


Setelah data kita plotkan dan terdapat nilai error di luar kendali, maka
tindakan yang harus dilakukan terhadap peramalan yaitu :
a. Merevisi peramalan dengan memasukkan data dan sistem sebab akibat baru;
atau
b. Menunggu bukti lebih lengkap.
Dua tindakan di atas harus diambil hanya setelah mempertimbangkan
seluruh segi sistem sebab akibat. Analisis terhadap data itu sendiri tidaklah cukup.
Jika tindakan harus diambil terhadap permintaan dan sistem sebab akibat yang
melatarbelakangi permintaan tersebut, maka secara umum harus menerima
perubahan permintaan tersebut tanpa mengambil suatu tindakan. Tindakan yang
diambil untuk mempengaruhi sistem sebab akibat yang mempengaruhi permintaan
adalah perubahan dalam kebijaksanaan pemasaran, misalnya perubahan
kebijaksanaan periklanan, promosi penjualan, tenaga penjualan, atau harga jual
produk.
( Nasution, Arman. 1999. Perencanaan Pengendalian Produksi. Jakarta : Guna Widya)
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 A = - 1,77 MR
Region B = + 0,89 MR
Region B = - 0,89 MR
Region C = CL = 0

18
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 berada di region B.
3. Ada delapan titik berturut-turut titik yang berada di salah satu sisi (di atas
atau di bawah garis tengah)
(Nasution, A. Hakim. 1999.Perencanaan Dan Pengendalian Produksi)
4. Ada satu titik yang berada di luar UCL atau LCL.
(Mitra, Amitava. 1993. Fundamentals of Quality Control and Improvement)

Gambar 2.10 Peta Moving Range

Region A adalah daerah di atas + 1,77 MR dan di bawah - 1,77 MR


Region B adalah daerah di atas + 0,89 MR dan di bawah - 0,89 MR
UCL/ Batas Kontrol Atas = + 2,66 MR
LCL/ Batas Kontrol Bawah = - 2,66 MR
(Nasution, Arman H. Perencanaan dan Pengendalian Produksi. Hal 50-51)

Tracking Signal
Tracking signal adalah suatu ukuran bagaimana baiknya suatu ramalan
memperkirakan nilai-nilai aktual. Suatu ramalan diperbaharui setiap minggu,
bulan, atau triwulan, sehingga data permintaan yang baru dibandingkan terhadap

19
nilai-nilai ramalan. Tracking signal dihitung sebagai running sum if the forecast
errors (KSFE) dibagi dengan mean absolute deviation (MAD), sebagai berikut:
RSPE
Tracking Signal =
MAD



actual demand in period i forecast demand in period i
MAD

di mana: MAD =

absolute dari forecast errors
n
n == banyaknya periode data
Tracking signal yang positif menunjukkan bahwa nilai aktual permintaan
lebih besar daripada ramalan, sedangkan tracking signal yang negatif 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 kontrol tracking signal sebagaimana halnya dengan peta-
peta kontrol dalam pcngendalian proses statistikal (statistical process control =
SPC), yang memiliki batas kontrol atas (upper control limit) dan batas kontrol
bawah (lower control/ limit).
Beberapa ahli dalam sistem peramalan seperti George Plossl dan Oliver
Wight, dua pakar production planning and 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. Untuk men-jelaskan
penggunaan tracking signal dalam memantau akurasi model peramalan,
perhatikan contoh hipotesis berikut. Misalkan bahwa berdasarkan model
peramalan tertentu, telah diperoleh nilai-nilai ramalan dan nilai aktual
permintaan selama periode enam bulan. Contoh tracking signal dapat dilihat
pada gambar 2.11 dibawah ini.

20
Gambar 2.11. Peta Kontrol Tracking Signals dari Model Peramalan Permintaan

Dari gambar tampak bahwa tracking signal bcrada dalam batas-batas


yang dapat diterima (maksimum 4), di mana nilai-nilai tracking signal itu
bergerak dari -2,0 sampai +2,0. Hal ini menunjukkan bahwa akurasi dari model
peramalan masih berada dalam batas-batas pengendalian tracking signal
(maksimum 4). Tentu saja untuk melakukan perbaikan terus-menerus dalam
peramalan permintaan, kita dapat memperketat batas-batas pengendalian dengan
cara menetapkan batas-batas pengendalian dalam range yang lebih rendah dari
4, katakanlah: 3, 2, 1, dan lain-lain Kondisi ideal tanpa kesalahan peramalan
adalah nol, meskipun hal itu tidak mungkin dicapai, namun itulah hakikat dari
upaya perbaikan terus-menerus dalam sistem peramalan untuk menuju ke tingkat
kesalahan nol (zero defect orientation), sesuai filosofi utama dari JIT.
(Gaspersz, Vincent, Dr. 2001. Production Planning and Inventory Control)
Tracking signal, walaupun bukan merupakan peramalan, mempunyai
nilai yang besar sebagai alat untuk memantau (memonitor) kesalahan peramalan
dan menentukan kapan kesalahan tidak bersifat random lagi. Metode ini
didasarkan atas tiga persamaan yang sangat mirip dengan persaman untuk
menghitung t dalam pendekatan ARRSES. Persamaan ini adalah :

21
Et et (1 ) Et 1
M t et (1 ) M t 1
Et
Tt
Mt

di mana et = Xt Ft dan Tt adalah tracking signal pada periode t.


Tracking signal menunjukkan kesalahan non-random (dengan
kepercayaan 95%) bila nilai Tt melebihi 0,51 untuk =0,1 atau 0,74 untuk =
0,2. Nilai nilai ini dikembangkan oleh Trigg (1964).
Karakteristik utama dari pemantauan trigg ini adalah bahwa bila
digunakan dalam hubungan dengan metode peramalan secara rutin, sistem ini
dapat digunakan dalam hubungannya dengan metode peramalan secara rutin,
sistem ini dapat menunjukkan kapan terjadinya suatu kesalahan. Bila diperlukan
peramalan untuk sejumlah besar item, sistem ini sangat menguntungkan, karena
perhitungannya mudah dilakukan dengan hanya tiga nilai yang disimpan.
(Makridakis. Forecasting, hal. 106-107)

22