TEKNIK OPTIMASI
“PERAMALAN/FORECASTING MENGGUNAKAN Win QSB2.0”
OLEH :
CEPI NURSANDI
B 1311129
1
BAB
PERAMALAN
2
bagian permintaan ke bagian Production Planning and Inventory
Control (PPIC) semestinya memisahkan antara permintaan yang
dikembangkan berdasarkan rencana permintaan yang umumnya
masih bersifat tidak pasti dan pesanan-pesanan yang bersifat
pasti.
Sistem peramalan memiliki sembilan langkah yang harus
diperhatikan untuk menjamin efektifitas dan efisiensi. Langkah-
langkah tersebut termasuk dalam manajemen permintaan yang
disebut juga sebagai konsep dasar sistem peramalan, yaitu
(Gaspersz 2004):
a. Menentukan tujuan dari peramalan.
b. Memilih item independent demand yang akan diramalkan.
c. Menentukan horison waktu dari peramalan (jangka pendek,
menengah, dan panjang).
d. Memilih model-model peramalan.
e. Memperoleh data yang dibutuhkan untuk melakukan
peramalan.
f. Validasi model peramalan.
g. Membuat peramalan.
h. Implementasi hasil-hasil peramalan.
i. Memantau keandalan hasil peramalan.
3
bobot lebih besar. Suatu model rata-rata bergerak n-periode
terbobot, weighted MA(n), dinyatakan sebagai berikut:
RSFE
Trac
king MAD
Sign
al =
4
nilai ramalannya. Sebaliknya, apabila galat
ramalan (forecast error) adalah negatif, yang
berarti nilai aktual permintaan lebih rendah
daripada nilai ramalan (A – F < 0), maka metode
pemulusan eksponensial akan secara otomatis
menurunkan nilai ramalan.
5
Proses penyesuaian ini berlangsung secara terus-menerus, kecuali galat ramalan telah mencapai
nol. Peramalan menggunakan metode pemulusan eksponensial dilakukan berdasarkan formula
seperti di bawah ini (Gaspersz, 2004).
F=F + (A -F )
t t-1 t-1 t-1
Keterangan
Ft : nilai ramalan untuk periode waktu ke-t
Ft-1 : nilai ramalan untu satu periode waktu yang lalu, t-1
At-1 : nilai aktual untuk satu periode waktu yang lalu, t-1
: konstanta pemulusan (smoothing constant)
Cara yang digunakan untuk mengetahui sejauh mana
keandalan dari model peramalan berdasarkan pemulusan
eksponensial harus menggunakan peta kontrol tracking signal dan
membandingkan apakah nilai-nilai ramalan itu telah
menggambarkan atau sesuai dengan pola historis dari data aktual
permintaan (Gaspersz, 2004).
c. Metode Regresi Linier
Metode regresi linier sering sekali dipakai untuk
memecahkan masalah-masalah dalam penaksiran tentunya hal ini
berlaku juga dalam peramalan sehingga metode regresi linier
menjadi suatu metode yang mempunyai taksiran terbaik diantara
metode-metode yang lain. Metode regresi linier dipergunakan
sebagai metode peramalan apabila pola historis dari data aktual
permintaan menunjukkan adanya suatu kecenderungan menaik
dari waktu ke waktu. Istilah regresi linier berarti, bahwa rataan ( y|
ŷ = a + bx
Keterangan
Ŷ : nilai ramalan permintaan pada peiode ke-t
a : intersept
b :slope dari garis kecenderungan,merupakan tingkat perubahan
dalam permintaan.
x : indeks waktu ( t = 1,2,3,...,n) ; n adalah banyaknya periode
waktu
Dengan taksiran a dan b masing-masing menyatakan
perpotongan dengan sumbu y dan kenaikannya. Lambang ŷ
digunakan di sini untuk membedakan antara taksiran atau nilai
prediksi yang diberikan oleh garis regresi sampel dan nilai y
amatan percobaan yang sesungguhnya untuk suatu nilai x. Slope
dan intersept dari persamaan regresi linier dihitung dengan
menggunakan formula berikut (Hasan, 1999):
b= n . xy - x . y x-b. x
n . x 2 -x 2 a= n
Keterangan
b : slope dari persamaan garis lurus
a : intersept dari persamaan garis lurus
x: index waktu
x-bar : nilai rata-rata dari x
y : variabel permintaan (data aktual permintaan)
y-bar : nilai rata-rata permintaan per periode waktu, rata-rata dari
y
Menurut Pangestu (1986), forecasting adalah peramalan
(perkiraan) mengenai sesuatu yang belum terjadi. Metode
peramalan terdiri atas metode peramalan kualitatif dan metode
peramalan kuantitatif. Peramalan kualitatif bersifat subjektif
dipengaruhi oleh intuisi, emosi, pendidikan, dan pengalaman
seseorang. Oleh karena itu hasil peramalan dari satu orang
dengan orang lain dapat berbeda. Meskipun demikian, peramalan
dengan metode kualitatif tidak berarti hanya menggunakan intuisi
melainkan mengikutsertakan model statistik sebagai bahan
masukan dalam melakukan judgment (pendapat, keputusan) dan
dapat dilakukan secara perseorangan ataupun kelompok.
Peramalan kualitatif menggunakan empat metode yang umum
dipakai, yaitu (Herjanto, 1999):
1. Juri Opini Eksekutif
Metode ini cukup banyak digunakan. Pendekatan ini
merupakan pendekatan peramalan yang paling sederhana dan
banyak digunakan dalam peramalan bisnis.
2. Metode Delphi
Metode ini, serangkaian kuesioner disebarkan kepada
responden. Langkah berikut jawabannya diringkas dan diberikan
ke panel ahli untuk dibuat perkiraan.
3. Gabungan Tenaga Penjualan
Metode ini cukup banyak digunakan, karena tenaga
penjualan (sales force) merupakan sumber informasi yang baik
mengenai permintaan konsumen. Setiap tenaga penjualan
meramalkan tingkat penjualan di daerahnya, kemudian
digabungkan pada tingkat provinsi dan seterunya sampai ke
tingkat nasional untuk mencapai peramalan yang menyeluruh.
4. Survei Pasar
Masukan diperoleh dari konsumen atau konsumen potensial
terhadap rencana pembelian di masa datang. Survei dapat
dilakukan dengan kuesioner, telepon, atau wawancara langsung.
Pendekatan ini membantu tidak hanya dalam menyiapkan
peramalan, tetapi juga dalam meningkatkan desain produk dan
perencanaan untuk suatu produk baru. Metode ini memiliki
kekurangan, yaitu memerlukan waktu yang cukup lama, metode
ini juga mahal dan sulit.
Metode kuantitatif yang digunakan dalam memperkirakan
atau meramalkan dapat dikelompokkan dalam dua jenis, yaitu
metode serial waktu dan kausal. Berikut ini akan diuraikan dari
jenis-jenis metode kuantitatif (Herjanto, 1999). a. Metode Serial
Waktu
Metode serial waktu (deret berkala, time series) adalah
metode yang digunakan untuk menganalisis serangkaian data
yang merupakan fungsi dari waktu. Analisis serial waktu dimulai
dengan memplotkan data pada suatu skala waktu, mempelajari
pola tersebut, dan akhirnya mencari suatu bentuk atau pola yang
konsisten atas data.
b. Metode Kausal
Metode Kausal atau disebut juga dengan metode
eksplanatori mengasumsikan adanya hubungan sebab akibat
antara variabel bebas dan variabel tidak bebas yang
dipengaruhinya, atau dalam bentuk lain antara input dan output
dari suatu sistem. Sistem itu dapat berbentuk makro (seperti
perekonomian nasional) atau mikro (seperti dalam perusahaan
atau rumah tangga).
3 Ukuran Akurasi Peramalan
Validasi metode peramalan terutama dengan menggunakan
metode-metode di atas tidak dapat lepas dari indikator-indikator
dalam pengukuran akurasi peramalan. Bagaimanapun juga
terdapat sejumlah indikator dalam pengukuran akurasi
peramalan, tetapi yang paling umum digunakan adalah mean
absolute deviation, mean absolute percentage error, dan mean
squared error.
a. Mean Absolute Deviation (MAD)
Akurasi peramalan akan tinggi apabila nilai-nilai MAD,
mean absolute percentage error, dan mean squared error semakin
kecil. MAD merupakan nilai total absolut dari forecast error dibagi
dengan data. Atau yang lebih mudah adalah nilai kumulatif
absolut error dibagi dengan periode. Jika diformulasikan maka
formula untuk menghitung MAD adalah sebagai berikut:
ei
MSE
n
d. Tracking Signal
Menurut Gaspersz (2004), 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 nilai-nilai ramalan.
Tracking signal dihitung sebagai running sum of the forecast errors
dibagi dengan mean absolute deviation.
RSFE
Track
ing MAD
Signa
l=
4. Pembahasan Peramalan
Pembahasan pada modul peramalan ini dimana akan
melakukan perhitungan atas ketiga metode, yaitu metode
Weighted Moving Average (WMA), Single Exponential Smoothing
(SES), dan metode regresi linier. Masing-masing dari metode-
metode tersebut dapat meramalkan penjualan lemari tas untuk
periode yang telah ditentukan peramalan. Data penjualan aktual
ini merupakan syarat digunakan sebagai peramalan, karena
untuk ketiga metode tersebut merupakan metode yang bersifat
kuantitatif sehingga data yang akan digunakan untuk
meramalkan penjualan di periode selanjutnya ialah data historis.
Data penjualan aktual lemari tas dapat dilihat pada tabel 3.1.
Tabel 3.1 Data Penjualan Aktual Lemari Tas
MAD
0,1 1,862
0,2 1,857
0,3 1,939
0,4 2,082
0,5 2,206
0,6 2,309
0,7 2,388
0,8 2,488
0,9 2,571
Perhitungan manual terhadap peramalan penjualan lemari
tas akan dilakukan pada nilai α sebesar 0,2. Data dapat dilihat
pada tabel 3.4 untuk perhitungan SES dengan α sebesar 0,2.
Tabel 3.4 Peramalan Lemari Tas (Metode SES = 0,2)
Indeks Waktu Penjualan Aktual
Bulan Ramalan
(t) (A)
Januari 1 542 540,08 541
Februari 2 538 540,46 541
Maret 3 541 539,97 540
April 4 543 540,18 541
Mei 5 538 540,74 541
Juni 6 537 540,19 541
Juli 7 541 539,55 540
Agustus 8 540 539,84 540
September 9 542 539,87 540
Oktober 10 540 540,30 541
November 11 538 540,24 541
Desember 12 541 539,79 540
Januari 13 540,03 541
∑ A
Ramalan indeks waktu ke-1 = n
6481
= 12 = 540,08 ≈ 541
∑Y – b . ∑X
n . ∑XY - ∑X . ∑Y a=
b= 2 2 n
n . ∑X - (∑X) 6481 - (-0,045) . 78
12 . 42120 - 78 . 6481 =
= 12
2
12 . 650 - (78) = 540,37
-78
= 1716 = -0,045
Indeks
Bulan Ramalan
Waktu (t)
Januari 1 539,78 540
Februari 2 539,74 540
Maret 3 539,69 540
April 4 539,65 540
Mei 5 539,6 540
Juni 6 539,56 540
Juli 7 539,51 540
Agustus 8 539,47 540
September 9 539,42 540
Oktober 10 539,38 540
November 11 539,33 540
Desember 12 539,29 540
Januari 13 539,78 540
Februari 14 539,74 540
Maret 15 539,69 540
April 16 539,65 540
Mei 17 539,6 540
Juni 18 539,56 540
Juli 19 539,51 540
Agustus 20 539,47 540
September 21 539,42 540
Oktober 22 539,38 540
November 23 539,33 540
Desember 24 539,29 540
Periode
Gambar 3.1 Grafik Tracking Signal dengan Metode WMA (Bobot = 3)
Forecast Errors 1
∑| |
MAD = n =1 =1
RSFE 1
Tracking Signal = MAD = 1 =1
29
MR = 12-1
MR = 2,64