Peramalan
1. Pengertian Peramalan
Menurut Render, Barry dan Jay Heizer dalam bukunya manajemen operasi
(2009:162) mengatakan bahwa peramalan adalah seni atau ilmu untuk
memperkirakan kejadian di masa depan. Hal ini dapat dilakukan dengan
melibatkan pengambilan data historis dan memproyeksikannya ke masa
mendatang dengan suatu bentuk model sistematis.
Menurut Stevenson dan Chuong (2014:76), ramalan (forecast) adalah
pernyataan mengenai nilai yang akan datang dari variabel seperti permintaan.
Artinya, ramalan adalah prediksi mengenai masa depan. Prediksi yang lebih
baik bisa menjadi keputusan dengan lebih banyak informasi. Beberapa
ralaman merupakan jangka panjang, sehingga mencangkup beberapa tahun
atau lebih. Ralaman jangka panjang sangat penting untuk keputusan yang
akan memiliki konsekuensi jangka panjang untuk organisai.
Meramalkan Horizon Waktu
Menurut Barry dan Heizer dalam buku nya manajemen operasi (2009:163),
mengatakan bahwa peramalan biasa diklasifikasikan berdasarkan horizon
waktu masa depan yang dilingkupinya. Horizon waktu terbagi menjadi
beberapa kategori :
Macam-macam Peramalan
a. Peramalan Time Series
10
yang berada di sekitar horisontal (yaitu, tidak ada yang tidak variasi
siklik atau tren diucapkan dalam data historis)Penghalusan
Eksponential (Exponential Smoothing).
Persamaan umum untuk tunggal statistik merapikan eksponensial
diberikan sebagai:
Ft+m = αyt + (1-α)Ft
Dimana:
Ft+m = Adalah nilai pemulusan tunggal eksponensial pada periode t
+m (ini juga didefinisikan sebagai nilai perkiraan saat dihasilkan
dari sampel) untuk m = 1, 2, 3, 4 ...
Yt = nilai aktual dalam periode waktu t.
α = Adalah nilai konstanta yang tidak diketahui yang harus
dimuluskan dengan nilai antara 0 dan 1.
Ft = Adalah ramalan atau nilai pemulusan untuk periode t
2. Double Exponential Smoothing (Brown)
Menurut penelitian yang dijalankan oleh Mahmudah (2014), Metode
double exponential smoothing Brown merupakan salah satu metode
peramalan yang menggunakan satu parameter untuk memuluskan
trend yang terdapat pada data. Parameter yang digunakan pada metode
double exponential smoothing Brown yaitu α yang memiliki nilai
antara 0 dan 1. Nilai α dapat diperoleh dengan cara trial and error atau
dengan bantuan aplikasi komputer. Nilai parameter yang dipilih yakni
nilai parameter yang meminimalkan nilai MAPE (Mean Absolute
Percentage Error).
Ft+m = at + btm
Dimana:
Ft+m = ramalan m periode yang akan diramalkan
m = jumlah periode ke muka yang akan diramalkan
S’t = nilai single exponential smoothing
S”t = nilai double exponential smoothing
αt = parameter pemulusan
3. Double Exponential Smoothing (Holt)
Menurut penelitian yang dijalankan oleh Mahmudah (2014), metode
double exponential smoothing dari Holt dalam prinsipnya serupa
dengan metode double exponential smoothing dari Brown kecuali
bahwa metode double exponential smoothing dari Holt tidak
menggunakan rumus pemulusan berganda secara langsung. Sebagai
gantinya, Metode double exponential smoothing dari Holt
memuluskan nilai trend dengan parameter yang berbeda dari
12
parameter yang digunakan pada deret yang asli. Ramalan dari metode
double exponential smoothing dari Holt didapat dengan menggunakan
dua konstanta pemulusan (dengan nilai 0 dan 1) yaitu α dan γ.
Ft+m = St + btm
Dimana:
Ft+m = ramalan m periode yang akan diramalkan
b = trend,
m = jumlah periode ke depan yang akan diramalkan
St = nilai dasar.
4. Triple Exponential Smoothing (Winter)
Menurut Szmit (2012), The Winters Model, yang disebut juga model
pemulusan eksponensial triple, adalah model adaptif terkenal
digunakan untuk waktu pemodelan series ditandai dengan trend dan
musiman. Dalam versi aditif, metode Triple Exponential Winter
menghadirkan varian pemulusan dari time series yt sebagai jumlah
dari tiga unsur. Rumus dari penghitungan triple exponential winter:
Yt = Lt + Tt + St−r
dimana:
Yt = nilai yang diperkirakan oleh model variabel pada saat t, r
adalah panjang periodisitas musiman,
Lt = α (yt − St−r) + (1 − α) (Lt−1 + Tt−1)
Tt = β(Lt − Lt−1) + (1 – β) Tt−1
St = γ (yt – Lt) + (1 – γ) St−r
STUDY KASUS
1. Perusahaan peternakan PT Jaya Perkasa memiliki data penjualan bebek dari
bulan januari sampai bulan juni, mereka ingin memprediksi jumlah penjualan
bebek pada paruh tahun berikutnya yaitu bulan Juli sampai dengan Desember.
t=1
s 1 = x0
s1 = 2000
13
t=2
s2 = αx2 – 1 + (1 – α)s2 – 1
s2 = 0.1(x1) + (1 – 0.1)s1
s2 = 0.1(x1) + (0.9)s1
s2 = 0.1(3100) + (0.9)2000
s2 = 310 + 1800
s2 = 2110
t=3
s3 = αx3 – 1 + (1 – α)s3 – 1
s3 = 0.1(x2) + (1 – 0.1)s2
s3 = 0.1(x2) + (0.9)s2
s3 = 0.1(1900) + (0.9)2110
s3 = 190 + 1899
s3 = 2089
t=4
s4 = αx4 – 1 + (1 – α)s4 – 1
s4 = 0.1(x3) + (1 – 0.1)s3
s4 = 0.1(x3) + (0.9)s3
s4 = 0.1(1500) + (0.9)2089
s4 = 150 + 1880.1
s4 = 2030.1
t=5
s5 = αx5 – 1 + (1 – α)s5 – 1
s5 = 0.1(x4) + (1 – 0.1)s4
s5 = 0.1(x4) + (0.9)s4
s5 = 0.1(2100) + (0.9)2030.1
s5 = 210 + 1827.09
s5 = 2037.09
t=6
s6 = αx6 – 1 + (1 – α)s6 – 1
s6 = 0.1(x5) + (1 – 0.1)s5
s6 = 0.1(x5) + (0.9)s5
s6 = 0.1(3000) + (0.9)2037.09
s6 = 300 + 1833.381
s6 = 2133.381