BAB I

PENDAHULUAN

1.1. Latar Belakang

Peramalan (forecasting) adalah suatu usaha untuk meramalkan keadaan dimasa
mendatang melalui data-data dimasa lalu. Dalam kehidupan segala sesuatu itu serba
tidak pasti, sukar diperkirakan secara tepat. Dalam hal ini perlu diadakan forecast
yang bisa meminimumkan kesalahan meramal (forecast error) yang biasanya diukur
dengan Mean Squared Error (MSE), Mean Absolute Error (MAE), dan sebagainya
(Subagyo, 1986:4). Peramalan (forecasting) menjadi suatu kegiatan untuk
mengetahui apa yang akan terjadi di masa yg akan datang menggunakan dan
mempertimbangkan data dari masa lampau. Ketepatan secara mutlak dalam
memprediksi suatu peristiwa adalah tidak mungkin dicapai. Oleh karena itu, ketika
tidak dapat melihat kejadian yang akan datang secara pasti, diperlukan waktu dan
biaya yang besar agar mereka dapat memiliki kekuatan dalam menghadapi masa yang
akan datang. Peramalan merupakan alat bantu yang penting dalam sebuah
perencanaan yang efektif.
Dalam lingkungan perusahaan, peramalan kebanyakan digunakan untuk
mengestimasi dan memprediksi permintaan yang akan datang guna memperkirakan
jumlah dan jenis apa saja yang diproduksi oleh perusahaan. Banyak jenis metode
peramalan yang tersedia. Namun, yang lebih penting adalah bagaimana memahami
karakteristik suatu metode peramalan agar sesuai dengan situasi pengambilan
keputusan. Situasi peramalan sangat beragam, faktor yang menentukan hasil
sebenarnya, tipe pola data, dan berbagai aspek lain. Untuk menghadapi penggunaan
yang luas seperti itu, beberapa metode telah dikembangkan. Berdasarkan jenisnya,
metode peramalan dapat dibagi menjadi dua, yaitu metode peramalan kualitatif dan
kuantitatif.
Metode peramalan kualitatif biasanya menggunakan pendapat para ahli untuk
memperkirakan kejadian atau peristiwa di masa yang akan datang, sehingga hasil
yang diperoleh sangat subjektif. Metode ini digunakan ketika data di waktu lampau
sulit diperoleh, memerlukan waktu yang banyak, dan biaya yang digunakan sangat
mahal. Sedangkan metode peramalan kuantitatif sangat beragam dan setiap metode
memiliki sifat, ketepatan, dan biaya tertentu yang harus dipertimbangkan dalam
memilih metode tertentu. Metode ini formal didasarkan atas prinsip statistik yang
memiliki ketepatan tinggi atau dapat meminimumkan kesalahan, lebih sistematis, dan
lebih populer dalam penggunaan. Untuk menggunakan metode ini terdapat tiga
kondisi yang harus dipenuhi, yaitu tersedia informasi tentang masa lampau, informasi
tersebut dapat dikuantitatifkan dalam bentuk data numerik, dan dapat diasumsikan
bahwa beberapa aspek pola masa lalu akan terus berlanjut di masa yang akan datang.
Metode kuantitatif ini dapat dikelompokkan menjadi dua macam, yaitu metode kausal
dan model deret berkala. Metode kausal merupakan metode yang melibatkan
identifikasi dari variabel lain yang berhubungan dengan variabel yang diperkirakan.
Metode-metode yang termasuk kelompok metode ini adalah metode ekonometrika,
regresi multipel dari suatu runtun waktu, dan lain-lain. Sedangkan model deret
berkala memperkirakan nilai yang akan datang hanya berdasarkan nilai di waktu
lampau dari suatu data runtun waktu. Ketika model ini digunakan, data di waktu
lampau dianalisis untuk mengidentifikasi pola data.

1.2. Tujuan
Adapun tujuan dari praktikum ini yaitu:
1. Memahami pentingnya peramalan dalam kegiatan perencanaan produksi.
2. Memahami dan mampu peramalan permintaan dengan beberapa metode
peramalan.
3. Memahami dan mampu membuat verifikasi peramlan permintaan dengan
beberapa metode peramalan dalam rangka memilih metode terbaik.
1.3. Batasan Masalah
Adapun batasan masalah pada penelitian ini yaitu:
1. Mahasiswa Fakultas Teknik Prodi Teknik Industri Universitas Muhammadiyah
Riau yang melaksanakan praktikum Perencanaan dan Pengendalian Produksi di
Laboratorium Teknik Industri Universitas Muhammadiyah Riau.
2. Menggunakan data sekunder yang telah disiapkan di Laboratorium Industri.
3. Dalam laporan ini hanya membahas tentang Forcasting (Peramalan).
 BAB II
LANDASAN TEORI

2.1. Peramalan (Forecasting)

2.1.1. Definisi Peramalan
Peramalan (forecasting) adalah seni dan ilmu untuk memperkirakan kejadian di
masa depan. Hal tersebut dapat dilakukan dengan menggunakan data historis dan
proses kalkulasi untuk memprediksikan sebuah proyeksi atas kejadian di masa
datang. Cara lain yang dapat ditempuh adalah dengan intuisi subjektif atau dengan
model matematis yang disusun oleh pihak manajemen. (Heizer & Render, 2011).
Pendapat lain dari buku Operation Management (Stevenson, 2011:72) peramalaan
adalah masukan/input dasar dalam proses pengambilan keputusan dari manajemen
operasi karena permalaan memberikan informasi dalam perimintaan dimasa yang
akan dating. Salah satu tujuan utama dari manajemen operasi adalah untung
menyeimbangkan antara pasokan/supply dan permintaan,dan memiliki perkiraan
permintaan dimasa yang akan dating sangat penting untuk menentukan berapa
kapasitas atau pasokan/supply yang dibutuhkan untuk menyeimbangi permintaan.

2.1.2. Manfaat Peramalan

Metode peramalan biasanya digunakan oleh bagian penjualan dalam melakukan
perencanaan (sales planning) berdasarkan hasil ramalan penjualan, sehingga
informasi peramalan dapat bermanfaat bagi Production Planning and Inventory
Control (PPIC). Dimana peramalan memegang peranan penting, antara lain: (Hartini,
2011:18) yaitu:
1. Penjadwalan sumber-sumber yang ada.
2. Peramalan pada tingkat permintaan untuk produk, material, tenaga kerja,
finansial atau jasa adalah input penting untuk penjadwalan.
3. Peramalan dibutuhkan untuk menentukan kebutuhan sumber.
4. Sumber di masa yang akan datang.
 5. Menentukan sumber-sumber daya yang diinginkan.
6. Semua organisasi atau perusahaan harus menentukan sumber apa yang mereka
inginkan untuk dimiliki pada jangka panjang.
Untuk mendapatkan rencana produksi yang tepat tentunya harus mempunyai
perkiraan jumlah permintaan konsumen yang tepat. Jadi, peramalan merupakan titik
awal yang sangat penting dalam perencanaan produksi.

2.1.3. Langkah-langkah Dalam Proses Peramalan

Menurut Stevenson dalam buku Operation Management (Stevenson, 2011 :74)
ada 6 langkah dasar dalam proses peramalaan :
1. Tentukan tujuan dari permalaan. Bagaimana hasilnya akan digunakan dan
kapan akan digunakaan, langkah ini akan memberikan indikasi akan tingkat
detail yang dibutuhkan dalam peramalan, banyaknya sumber daya yang
dibutuhkan, dan tingkat akurasi.
2. Menentukan rentang waktu, semakin panjang rentang waktunya maka semakin
berkurang akurasi dari permalaan.
3. Pilih teknik/metoda forecasting.
4. Analisa dan rapihkan data, karena data yang tidak akurat mengurangi validasi
dari hasil peramalan.
5. Buatlah Peramalaan.
6. Pantau hasil dari permalaan, hasil peramalaan harus diawasi dan dipantau untuk
mengetahui apakah performanya memuaskan, jika tidak revisi lagi
metoda/teknik yang digunakan, uji lagi validitas dari data yang digunakan.

2.1.4. Metode Peramalan

Melakukan aktivitas peramalan perlu didasari dengan metode yang tepat dan
terstandarisasi, hal ini dilakukan untuk dapat memberikan proyeksi masa depan yang
jelas dan dapat dipertanggung jawabkan dasar pemikirannya. Dengan dasar pemikiran
atas proyeksi peramalan yang jelas, pihak manajemen dapat menggunakan dasar
pemikiran tersebut sebagai dasar pengambilan keputusan yang berguna untuk
mengantisipasi skenario kejadian di masa depan.
Metode peramalan sangat berguna untuk membantu dalam mengadakan
pendekatan analisis terhadap pola dari data yang lalu, sehingga dapat memberikan
cara pemikiran, pekerjaan dan pemecahan yang sistematis, serta memberikan tingkat
keyakinan yang lebih atas ketepatan hasil ramalan yang dibuat. Peramalan adalah
salah satu unsur yang paling penting dalam pengambilan keputusan sebab efektif atau
tidaknya suatu keputusan, tergantung beberapa faktor yang tidak dapat dilihat ketika
keputusan itu diambil (Subagyo, 1986:3). Berikut ini beberapa metode peramalan
yaitu:
1. Metode Kualitatif
Metode peramalan yang bersifat subyektif, karena dipengaruhi oleh faktor-
faktor seperti intuisi, emosi, dan pengalaman seseorang. Heizer & Render (2011:139)
mengklasifikasikan peramalan kualitatif dalam beberapa metode, yaitu:
a. Juri dari opini eksekutif
Pada metode ini data diperoleh dengan mengambil pendapat dari
sekelompok manajer level puncak dan seringkali dikombinasikan dengan model-
model statistik untuk menghasilkan estimasi permintaan kelompok.
b. Metode Delphi
Teknik peramalan dengan menggunakan proses sebelum membuat
peramalannya. Dalam metode ini karyawan menggunakan teknik menyebarkan
kuesioner kepada para responden dan hasil survei tersebut dijadikan sebagai
pengambilan keputusan sebelum peramalan dibuat.
c. Gabungan Tenaga Penjualan
Dalam pendekatan ini, setiap tenaga penjualan mengestimasi jumlah
penjualan yang dapat dicapai diwilayahnya. Kemudian ramalan ini dikaji kembali
untuk memastikan apakah peramalan cukup realistir dan dikombinasikan pada tingkat
wilayah dan nasional untuk memperoleh peramalan secara menyeluruh.
 d. Survei Pasar Konsumen
Metode ini meminta masukan dari konsumen mengenai rencana pembelian
mereka dimasa depan. Survei konsumen ini dapat dilakukan melalui percakapan
informal dengan para konsumen.
e. Peramalan Subjektif
Metode peramalan yang menggunakan intuisi peramal, hal ini terjadi karena
kebutuhan yang mendesak, biaya yang relatif tinggi untuk menggunakan metode
peramalan yang canggih. Faktor-faktor yang dipertimbangkan dalam melakukan
peramalan dapat banyak atau sedikit, tetapi semuanya bersifat khusus individual dan
tidak dapat ditiru.
f. Peramalan Ekonometrik dan Struktural
Pada peramalan ini, metode statistik dan matematika digunakan sebagai alat.
Fungsi matematika digunakan untuk menggambarkan lingkungan organisasi yakni
hal-hal yang terlibat dalam peramalan. Karena dalam model tersangkut variabel
random maka model ini merupakan model statistik. Tetapi karena variabel
randomnya adalah variabel-variabel ekonomi, maka modelnyadinamakan model
ekonometri.
g. Model Deterministrik
Model yang menggambarkan hubungan antara variabel yang di pelajari
dengan waktu, dalam bentuk fungsional yang ditentukan. Kelemahan utama model ini
adanya implikasi bahwa perubahan jangka panjang adalah sangat sistematik dan
mudah diramalkan.
h. Peramalan Ad-Hoc adalah Peramalan yang mempertimbangkan sejarah masa
lalu.
i. Analisis Data Berkala adalah analisis yang menerangkan dan mengukur
berbagai perubahan atau perkembangan data selama satu periode.
2. Metode Kuantitatif
Heizer & Render (2011:139) menjelaskan bahwa metode forecast dilakukan
dengan menggunakan model matematis yang beragam dengan data historis yang
terkait dengan peramalan dan variabel sebab akibat untuk meramalkan permintaan.
Metode peramalan kuantitatif juga dibagi menjadi dua jenis, yaitu Time Series
Forecasting dan Associative Forecasting Method.
1. Time Series Forecasting
Time series method merupakan analisis deret waktu yang terdiri dari trend,
seasonal, cycle, dan random variation. Analisis deret waktu ini sangat tepat dipakai
untuk meramalkan permintaan yang pola permintaan di masa lalunya cukup konsisten
dan akurat dalam periode waktu yang lama. Adapun metode yang dapat digunakan
untuk menganalisis data tersebut, yaitu:
a. Naive Method (pendekatan naif)
Naive method merupakan teknik peramalan yang mengasumsikan forecast
permintaan periode berikutnya sama dengan permintaan pada periode sebelumnya,
sehingga dapat diformulasikan sebagai berikut:
Ft = Yt-1
Keterangan:
Ft = peramalan permintaan periode berikutnya
Yt = peramalan permintaan periode sebelumnya
2. Moving Average (rata-rata bergerak)
Moving average merupakan metode peramalan yang menggunakan rata-rata
historis aktual dibeberapa periode terakhir untuk peramalan periode berikutnya.
Dalam peramalan ini, diasumsikan permintaan pasar tetap stabil. Secara matematis,
moving average dirumuskan sebagai berikut :
Σ permintaan dalam periode n sebelumnya
Ft = n

Keterangan :
Ft : Peramalan permintaan periode berikutnya.
n : Jumlah periode dalam moving average.
3. Weighted Moving Average (Rata-rata Bergerak dengan Bobot)
Secara sistematis, Weighted Moving Average dapat dinyatakan sebagai berikut :
Ft
Keterangan :
Ft : Peramalan permintaan periode berikutnya.
 Pemilihan bobot merupakan hal yang tidak pasti karena tidak ada rumus untuk
menetapkannya.
4. Exponential Smoothing (Pemulusan Eksponensial)
Exponential Smoothing, merupakan metode peramalan rata-rata bergerak
dengan pembobotan, dimana 𝛼 adalah sebuah bobot atau konstanta penghalusan yang
dipilih oleh peramal yang mempunyai nilai antara 0 dan 1. Secara matematis, metode
exponential smoothing dirumuskan sebagai berikut :
Ft = Ft-1 + 𝛼 (At-1 - Ft-1)
Keterangan :
Ft : Peramalan permintaan di periode berikutnya.
Ft-1 : Peramalan permintaan di periode sebelumnya.
At-1: Permintaan actual di periode sebelumnya.
𝛼 : Konstanta eksponensial (0≤ 𝛼 ≤ 1)
5. Exponential Smoothing with Trend Adjusment (Penghalusan Eksponensial
dengan Tren)
Penghalusan eksponential yang disesuaikan adalah ramalan penghalusan
eksponensial sederhana dengan menambahkan dua kostanta penghalusan 𝛼 untuk
rata-rata dan 𝛽 untuk tren. Rumus peramalan dengan penghalusan eksponensial
dengan tren sebagai berikut :
FITt = Ft + Tt
Ft = 𝛼 (At-1) + (1- 𝛼) (Ft-1 + Tt)
Tt = 𝛽 (Ft + Tt-1) + (1-𝛽) Tt-1
Keterangan :
FITt : Peramalan dengan tren
Ft : Peramalan dengan eksponensial yang dihaluskan dari data berseri pada
periode t,
Ft-1 : Peramalan dengan eksponensial yang dihaluskan dari data berseri pada
periode t-1,
Tt : Tren dengan eksponensial yang dihaluskan pada periode t,
Tt-1 : Tren dengan eksponensial yang dihaluskan pada periode t-1,
 At-1 : Permintaan actual pada periode t-1,
𝛼 : Konstanta penghalusan untukfata-rata (0≤ 𝛼 ≤ 1)
𝛽 : Konstanta penghalusan untukfata-rata (0≤ 𝛽 ≤ 1)
6. Trend Projection (Proyeksi Tren)
Metode yang digunakan untuk mencocokan garis tren pada serangkaian data
masa lalu, kemudian memproyeksikan garis pada masa depan untuk peramalan
jangka menengah atau jangaka panjang. Garis tren pada metode proyeksi tren dapat
dinyatakan dengan persamaan sebagai berikut :
𝑦̂ = 𝑎 + 𝑏𝑥
Untuk garis kemiringan b dapat ditemukan dengan persamaan :
̅̅̅̅
Σ𝑥𝑦−𝑛𝑥̅ 𝑦
b = Σ𝑥2−𝑛𝑥̅ 2

𝛼 = 𝑦̅ − 𝑏𝑥̅
Σ𝑥
𝑥̅ = n
Σ𝑦
𝑦̅ = n

Keterangan :
𝑦̂ : Variabel terikat yang akan diprediksi,
𝛼 : Persilangan sumbu y,
𝑏 : Kemiringan garis regresi,
𝑥 : Variabel bebas,
𝑛 : Jumlah data atau pengamatan,
𝑥̅ : Rata-rata nilai x,
𝑦̅ : Rata-rata nilai y.

2.1.5. Peranan Peramalan

Beberapa bagian organisasi dimana peramalan kini memainkan peranan yang
penting antara lain: (Makridakis, 1988) yaitu:
1. Penjadwalan sumber daya yang tersedia penggunaan sumber daya yang efisien
memelukan penjadwalan produksi, tranportasi, kas, personalia dan sebagainya.
 2. 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.
3. 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.
Walaupun terdapat banyak bidang lain yang memerlukan peramalan namun tiga
kelompok di atas merupakan bentuk khas dari keperluan peramalan jangka pendek,
menengah dan panjang dari organisasi saat ini. Dengan adanya serangkaian
kebutuhan itu, maka perusahaan perlu mengembangkan pendekatan berganda untuk
memperkirakan peristiwa yang tiak tentu dan membangun suatu sistem peramalan.
Pada gilirannya, organisasi perlu memiliki pengetahuan dan keterampilan yang
meliputi paling sedikit empat bidang yaitu identifikasi dan definisi masalah
peramalan, aplikasi serangkaian metode peramalan, prosedur pemilihan metode yang
tepat untuk situasi tertentu dan dukungan organisasi untuk menerapkan dan
menggunakan metode peramalan secara formal.

2.1.6. Jenis-Jenis Peramalan

Langkah penting dalam memilih suatu metode deret berkala (time series) yang
tepat adalah dengan mempertimbangkan jenis pola data, sehingga metode yang paling
tepat dengan pola tersebut dapat diuji. Pola data dapat dibedakan menjadi empat
jenis, yaitu: (Makridakis, 1988)
1. Pola Horizontal (H) atau Horizontal Data Pattern Pola. Data ini terjadi bilamana
data berfluktuasi di sekitar nilai rata-rata. Suatu produk yang penjualannya tidak
meningkat atau menurun selama waktu tertentu termasuk jenis ini.
 Gambar 2.1. Pola Data Horizontal
Sumber: Internet

2. Pola Trend (T) atau Trend Data Pattern Pola. Data ini terjadi bilamana terdapat
kenaikan atau penurunan sekuler jangka panjang dalam data. Contohnya penjualan
perusahaan, produk bruto nasional (GNP) dan berbagai indikator bisnis atau ekonomi
lainnya, selama perubahan sepanjang waktu.

Gambar 2.2. Pola Data Trend

Sumber: Internet

3. Pola Musiman (S) atau Seasional Data Pattern Pola data ini terjadi bilamana
suatu deret dipengaruhi oleh faktor musiman (misalnya kuartal tahun tertentu, bulan
atau hari-hari pada minggu tertentu). Penjualan dari produk seperti minuman ringan,
es krim dan bahan bakar pemanas ruang semuanya menunjukan jenis pola ini.
 Gambar 2.3. Pola Data Musiman
Sumber: Internet

4. Pola Siklis (S) atau Cyclied Data Pattern Pola data ini terjadi bilamana datanya
dipengaruhi oleh fluktuasi ekonomi jangka panjang seperti yang berhubungan dengan
siklus bisnis. Contohnya penjualan produk seperti mobil, baja.

Gambar 2.4. Pola Data Musiman

Sumber: Internet

Situasi peramalan sangat beragam dalam horizon waktu peramalan, faktor yang
menentukan hasil sebenarnya, tipe pola dan berbagai aspek lainnya. Untuk
menghadapi penggunaan yang luas seperti itu, beberapa teknik telah dikembangkan.
Peramalan pada umumya dapat dibedakan dari berbagai segi tergantung dalam cara
melihatnya. Dilihat dari jangka waktu ramalan yang disusun, peramalan dapat
dibedakan atas dua macam, yaitu:
a. Peramalan jangka panjang
 Yaitu peramalan yang dilakukan untuk penyusunan hasil ramalan yang jangka
waktunya lebih dari satu setengah tahun atau tiga semester. Lebih tegas nya
peramalan jangka panjang ini berorientasi pada dasar atau perencanaan.
b. Peramalan jangka pendek
Yaitu peramalan yang dilakukan untuk penyusunan hasil ramalan yang
dilakukan kurang dari satu setengah tahun atau tiga semester. Penetapan jadwal induk
produksi untuk bulan yang akan datang atau periode kurang dari satu tahun sangat
tergantung pada peramalan jangka pendek.
Apabila dilihat dari sifat penyusunannya, maka peramalan dapat dibedakan
menjadi dua macam, yaitu:
1. Peramalan subjektif, yaitu peramalan yang didasarkan atas perasaan atau intuisi
dari orang yang menyusunnya. Dalam hal ini pandangan atau ketajaman
pikiran orang yang menyusunnya sangat menentukan baik tidaknya hasil
peramalan.
2. Peramalan objektif, yaitu peramalan yang didasarkan atas data yang relevan
pada masa lalu dengan menggunakan teknik-teknik dan metode-metode dalam
penganalisaan data tersebut.
Dilihat dari sifat ramalan yang telah disusun, maka peramalan dapat dibedakan
atas dua macam, yaitu:
1. Peramalan kualitatif atau teknologis, yaitu peramalan yang didasarkan atas data
kualitatif masa lalu. Hasil peramalan yang ada tergantung pada orang yang
menyusunnya, karena peramalan tersebut sangat ditentukan oleh pemikiran
yang bersifat intuisi, judgement (pendapat) dan pengetahuan serta pengalaman
dari penyusunnya. Metoda kualitatif dibagi menjadi dua metode, yaitu:
a. Metode Eksploratif
Pada metoda ini dimulai dengan masa lalu dan masa kini sebagai awal dan
bergerak ke arah masa depan secara heuristik, sering kali dengan melihat
semua kemungkinan yang ada.
b. Metode Normatif
 Pada metode ini dimulai dengan menetapkan sasaran tujuan yang akan
datang, kemudian bekerja mundur untuk melihat apakah hal ini dapat dicapai
berdasarkan kendala, sumber daya dan teknologi yang tersedia.
2. Peramalan kuantitatif, yaitu peramalan yang didasarkan atas data kuantitatif
pada masa lalu. Hasil peramalan yang dibuat tergantung pada metode yang
digunakan dalam peramalan tersebut. Metode yang baik adalah metode yang
memberikan nilai-nilai perbedaan atau penyimpangan yang mungkin.
Peramalan kuantitatif hanya dapat digunakan apabila terdapat tiga kondisi
sebagai berikut: (Makridakis, 1988) yaitu :
a. Informasi tentang keadaan masa lalu.
b. Informasi tersebut dapat dikuantifikasikan dalam bentuk data numerik.
c. Dapat diasumsikan bahwa beberapa aspek pola masa lalu akan terus
berkelanjutan pada masa yang akan datang.
Metode peramalan kuantitatif terbagi atas dua jenis model peramalan yang
utama, yaitu:
1. Model deret berkala (time series) yaitu: Metode peramalan yang didasarkan
atas penggunaan analisa pola hubungan antara variabel yang akan
diperkirakan dengan variabel waktu, yang merupakan deret waktu.
2. Model kausal, yaitu metode peramalan yang didasarkan atas penggunaan
analisa pola hubungan antara variabel lain yang mempengaruhinya, yang
bukan waktu yang disebut metode korelasi atau sebab akibat. Model kausal
terdiri dari:
a. Metode regresi dan korelasi
b. Metode ekonometri
c. Metode input dan output

2.1.7. Karakteristik Peramalan Yang Baik

Karakteristik dari peramalan yang baik harus memenuhi beberapa kriteria yaitu
dari hal-hal sebagai berikut:
a. Ketelitian/ Keakuratan
 Tujuan utama peramalan adalah menghasilkan prediksi yang akurat. Peramalan
yang terlalu rendah mengakibatkan kekurangan persediaan (inventory). Peramalan
yang terlalu tinggi akan menyebabkan inventory yang berlebihan dan biaya operasi
tambahan.
b. Biaya
Biaya untuk mengembangkan model peramalan dan melakukan peramalan akan
menjadi signifikan jika jumlah produk dan data lainnya semakin besar.
Mengusahakan melakukan peramalan jangan sampai menimbulkan ongkos yang
terlalu besar ataupun terlalu kecil. Keakuratan peramalan dapat ditingkatkan dengan
mengembangkan model lebih komplek dengan konsekuensi biaya menjadi lebih
mahal. Jadi ada nilai tukar antara biaya dan keakuratan.
c. Responsif yaitu ramalan harus stabil dan tidak terpengaruhi oleh fluktuasi
demand.
d. Sederhana
Keuntungan utama menggunakan peramalan yang sederhana yaitu kemudahan
untuk melakukan peramalan. Jika kesulitan terjadi pada metode sederhana, diagnosa
dilakukan lebih mudah. Secara umum, lebih baik menggunakan metode paling
sederhana yang sesuai dengan kebutuhan peramalan.

2.2. Ukuran Akurasi Hasil Peramalan

Akurasi perhitungan dari keseluruhan peramalan di setiap model peramalan
dapat dijelaskan dengan membandingkan nilai yang diramal dengan nilai aktual atau
nilai yang sedang diamati. Menurut Jay Heizer dan Barry Render (2011:145), jika Ft
melambangkan peramalan pada periode t, dan At melambangkan permintaan aktual
pada periode t, maka kesalahan peramalan(forecast error) adalah sebagai berikut :
Kesalahan peramalan (forecast error) = permintaan aktual – nilai peramalan =
At – Ft.
Sejalan dengan pendapat diatas, Nasution & Prasetyawan (2008:34)
menjelaskan bahwa ada 4 ukuran yang bisa digunakan untuk mengukur akurasi hasil
peramalan, yaitu :
 1. MAD (Mean Absolute Deviation)
MAD merupakan rata-rata kesalahan mutlak selama periode tertentu tanpa
memperhatikan apakah hasil peramalan lebih besar atau lebih kecil dibandingkan
kenyataannya. Secara matematis, MAD dirumuskan sebagai berikut :
𝐴𝑡−𝐹𝑡
MAD = ∑ | |
𝑛

Keterangan :
At : Permintaan aktual pada periode t,
Ft : Peramalan permintaan pada periode t,
n : Jumlah periode peramalan yang terlibat
2. MSE (Mean Square Error)
MSE dihitung dengan kuadrat semua kesalahan peramalan pada setiap periode
dan membaginya dengan jumlah periode peramalan. Secara matematis, MSE
dirumuskan sebagai berikut :
(𝐴𝑡−𝐹𝑡)2
MSE = ∑ 𝑛

3. MFE (Mean Forecast Error)

MFE sangat efektif untuk mengetahui apakah suatu hasil peramalan selama
periode tertentu. 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. Secara matematis,
MFE dirumuskan sebagai berikut :
𝐴𝑡−𝐹𝑡
MFE = 𝑛

4. MAPE (Mean Percentage Error)

MAPE biasanya lebih berarti membandingkan MAD karena MAPE
menyatakan persentase kesalahan hasil peramalan terhadap permintaan aktual selama
periode tertentu yang akan memberikan informasi persentase kesalahan. Secara
matematis, MAPE dirumuskan sebagai berikut :
100 𝐹𝑡
MAPE = ( ) ∑ |𝐴𝑡 − |
𝑛 𝐴𝑡