Tujuan Khusus
1. Memahami dan dapat membuat peramalan permintaan pasar sebagai dasar perencanaan
produksi dengan benar.
2. Memahami dan dapat menginterpretasikan hasil peramalan dengan benar.
3. Mampu menggunakan alat bantu computer untuk melakukan peramalan sebagai dasar
dalam perencanaan produksi.
Peramalan
Definisi Peramalan
Peramalan adalah aktivitas yang dilakukan untuk memprediksi kejadian yang akan terjadi pada
masa yang akan datang. Pada skala produksi, peramalan digunakan untuk memprediksi jumlah
permintaan dari suatu produk sebagai dasar yang digunakan untuk menentukan target volume
produksi beserta strategi untuk mencapai target tersebut. Kesalahan dalam proses peramalan
dapat berakibat pada kesalahan penentuan target atau strategi. Lebih lanjut, kesalahan tersebut
dapat berakibat pada kerugian, misalnya jika strategi yang dipilih melibatkan investasi. Konsep
dasar dari peramalan adalah penggunakan pola pada fakta atau data-data pada masa lalu, untuk
memprediksi kondisi pada masa yang akan datang dengan asumsi bahwa pola tersebut akan
berulang kembali di kemudian hari. Secara garis besar, peramalan dapat dikelompokkan menjadi
dua yaitu metode peramalan kualitatif dan metode peramalan kuantitatif.
Pada gambar 1, ditunjukkan klasifikasi peramalan yang dipakai dalam praktikum kali ini. Praktikum
kali ini akan berfokus pada peramalan kuantitatif dengan model time-series. Peramalan kualitatif
dan peramalan kuantitatif dengan model kasual tetap disajikan pada modul ini untuk memberikan
pengetahuan lebih dan memperjelas perbedaannya di antaranya.
Gambar 1 Klasifikasi Peramalan
Metode peramalan ini biasa digunakan jika data pada masa lalu tidak tersedia sehingga tidak
ada dasar untuk melakukan peramalan. Pada umumnya metode ini cenderung bersifat
subjektif, dan lebih mengandalkan penggabungkan informasi, pengalaman dan intuisi untuk
menghasilkan pola-pola yang dapat digunakan sebagai dasar untuk prediksi masa depan.
Beberapa metode peramalan kualitatif yang sering digunakan untuk memprediksi permintaan
pasar antara lain adalah :
• Market Survey
Metode ini merupakan pendekatan yang sistematik dalam menentukan preferensi
konsumen terhadap suatu produk atau jasa. Market Survey terdiri dari beberapa tahap.
Pertama, penyebaran kuisioner (melakukan survei) yang berisi pertanyaan-pertanyaan
yang jawabannya mengandung informasi yang dibutuhkan untuk menentukan peramalan.
Kedua, analisa hasil survei tersebut dan menginterpretasikan hasilnya. Hasil survei dapat
menghasilkan informasi penting yang membantu proses peramalan, namun tingkat
kesulitan tertinggi ada dalam proses perancangan kuisioner.
• Delphi Method
Metode ini biasa digunakan oleh sekelompok ahli dalam menentukan kesepakatan yang
disetujui bersama. Biasanya, penyebaran kuisoner dilakukan di antara para ahli tersebut,
dimana kuisioner berisi pertanyaan-pertanyaan mengenai kondisi penjualan dan
produksi dalam perusahaan. Kekurangan dari metode ini adalah lamanya waktu yang
dibutuhkan dan tingginya kemungkinan (resiko) terjadinya kesalahpahaman.
• Panel Consensus
Peramalan dilakukan berdasarkan pertimbangan pihak manajemen senior perusahaan.
Metode ini baik untuk dilakukan pada situasi yang sensitif dan intuitif karena pengalaman
dari para manajemen senior dapat memberikan opini yang relevan terhadapsituasi yang
terjadi.
• Hystorical Analogy
Metode ini menggunakan data-data historis produk-produk sejenis untuk meramalkan
kondisi pada masa mendatang.
Peramalan kuantitatif adalah suatu metode peramalan yang bergantung kepada data-data
yang didapatkan dari masa lalu. Pada peramalan metode kuantitatif hasil peramalan akan
sangat bergantung kepada metode yang digunakan. Dengan menggunakan metode yang
berbeda, maka akan didapatkan hasil peramalan yang berbeda pula. Oleh sebab itu, diperlukan
analisis lebih lanjut mengenai hasil dari peramalan dengan menggunakan metode tertentu.
Analisis ini dilakukan dengan menguji validasi metode (model) peramalan dengan
membandingkan data hasil peramalan metode tersebut dengan data aktual yang tersedia.
Suatu metode yang baik akan menghasilkan data hasil peramalan yang memiliki selisih yang
kecil terhadap data aktual yang tersedia. Peramalan metode kuantitaif dapat digunakan pada
kondisi sebagai berikut.
Metode peramalan kuantitatif adalah metode peramalan yang berdasarkan kepada data-
data yang terdapat pada masa lalu. Metode ini terbagi atas dua jenis yaitu metode kausal
dan metode deret waktu.
Model regresi adalah salah satu teknik yang digunakan untuk menjelaskan
perubahan dari satu atau beberapa variabel ketika suatu variabel mengalami
perubahan. Variabel yang akan dijelaskan perubahannya disebut dengan variabel
dependen dan variabel yang menyebabkan perubahan disebut dengan variabel
independen. Jenis regresi yang sering digunakan pada metode kausal adalah
multiple regression. Pada regresi ini, variable independen (xi) merupakan variabel-
variabel yang bersifat independen.
Metode time series atau biasa dikenal dengan metode deret waktu adalah metode
yang menggunakan data-data pada masa lalu untuk meramalkan keadaaan pada
masa yang akan datang. Pada metode deret waktu ini, sumbu x menunjukkan waktu
sedangkan sumbu y menunjukkan jumlah dari permintaan pada periode x.
𝐹𝑡 = ∑ 𝑊𝑡−𝑖. 𝐷𝑡−𝑖
𝑖=1
Untuk menentukan bobot, dapat digunakan perumusan matematis
sebagai berikut.
𝑡−𝑖
𝑊𝑡−𝑖 = ,1 ≤ 𝑁 < 𝑡 𝑖 = 1,2, … , 𝑁
𝑁 + (𝑁 − 1) + (𝑁 − 2) + ⋯ + 1
dimana :
𝐹𝑡 = ℎ𝑎𝑠i𝑙 𝑝𝑒𝑟𝑎𝑚𝑎𝑙𝑎𝑛 𝑝𝑎𝑑𝑎 𝑝𝑒𝑟i𝑜𝑑𝑒 𝑡
𝑊𝑡−𝑖 = 𝑏𝑜𝑏𝑜𝑡 𝑢𝑛𝑡𝑢𝑘 𝑑𝑎𝑡𝑎 𝑎𝑘𝑡𝑢𝑎𝑙 𝑘𝑒 𝑡 − i
𝐷𝑡−𝑖 = 𝑛i𝑙𝑎i 𝑑𝑎𝑡𝑎 𝑎𝑘𝑡𝑢𝑎𝑙 𝑢𝑛𝑡𝑢𝑘 𝑝𝑒𝑟i𝑜𝑑𝑒 𝑡 − i
𝑁 = 𝑚𝑜𝑣i𝑛𝑔 𝑎𝑣𝑒𝑟𝑎𝑔𝑒 𝑤i𝑑𝑡ℎ
𝑡 = i𝑛𝑑𝑒𝑘𝑠 𝑤𝑎𝑘𝑡𝑢
Perhatikan indeks yang digunakan pada proses pembobotan secara
seksama. Perumusan matematis tersebut memungkinkan data aktual
yang lebih dekat dengan periode peramalan akan mendapatkan bobot
yang lebih besar.
2.3.2.2 Model Untuk Pola Data Tren
a. Double Exponential Smoothing (Using Holt’s Method)
Double exponential smoothing using Holt’s Method termasuk kepada
peramalan jenis Multiple Step Forecast (MSF), yaitu peramalan yang
dapat digunakan untuk beberapa periode ke depan. Pada prinsipnya,
metode ini mempertimbangkan terdapatnya faktor tren (𝛽) pada data.
Beta (𝛽) menggunakan perubahan nilai aktual untuk memodifikasi tren
peramalan dari periode sebelumnya. Untuk menghilangkan pengaruh
level dan tren data peramalan, maka dibutuhkan data dari beberapa
periode sebelumnya. Dikarenakan persamaan dari Double exponential
smoothing using Holt’s Method membutuhkan data peramalan dari
periode sebelumnya (dalam bentuk 𝑆𝑡−1 dan 𝐺𝑡−1), maka dibutuhkan
nilai awal untuk menginisiasi persamaan ini. Salah satu pendekatan untuk
mendapatkan nilai intercept dan slope awal adalah dengan
menggunakan metode linear regression dengan a dan b sebagai nilai
awal intercept dan slope tersebut.
𝑆𝑡 = 𝛼. 𝐷𝑡 + (1 − 𝛼)(𝑆𝑡−1 + 𝐺𝑡−1 )
𝐺𝑡 = 𝛽. (𝑆𝑡 − 𝑆𝑡−1 ) + (1 − 𝛽). 𝐺𝑡−1
𝐹𝑡,𝑡+𝑐 = 𝑆𝑡 + 𝑟. 𝐺𝑡
dimana :
𝐷𝑡 = j𝑢𝑚𝑙𝑎ℎ 𝑝𝑒𝑟𝑚i𝑛𝑡𝑎𝑎𝑛 𝑢𝑛𝑡𝑢𝑘 𝑝𝑒𝑟i𝑜𝑑𝑒 𝑡
𝑆𝑡 = 𝑛i𝑙𝑎i i𝑛𝑡𝑒𝑟𝑐𝑒𝑝𝑡 𝑢𝑛𝑡𝑢𝑘 𝑝𝑒𝑟i𝑜𝑑𝑒 𝑡
𝑆𝑡−1 = 𝑛i𝑙𝑎i i𝑛𝑡𝑒𝑟𝑐𝑒𝑝𝑡 𝑢𝑛𝑡𝑢𝑘 𝑝𝑒𝑟i𝑜𝑑𝑒 𝑡 − 1
𝐺𝑡 = 𝑛i𝑙𝑎i 𝑠𝑙𝑜𝑝𝑒 𝑢𝑛𝑡𝑢𝑘 𝑝𝑒𝑟i𝑜𝑑𝑒 𝑡
𝐺𝑡−1 = 𝑛i𝑙𝑎i 𝑠𝑙𝑜𝑝𝑒 𝑢𝑛𝑡𝑢𝑘 𝑝𝑒𝑟i𝑜𝑑𝑒 𝑡 − 1
𝛼, 𝛽 = 𝑘𝑜𝑛𝑠𝑡𝑎𝑛𝑡𝑎 𝑠𝑚𝑜𝑜𝑡ℎi𝑛𝑔
𝐹𝑡,𝑡+𝑐 = 𝑝𝑒𝑟𝑎𝑚𝑎𝑙𝑎𝑛 𝑢𝑛𝑡𝑢𝑘 𝑟 𝑝𝑒𝑟i𝑜𝑑𝑒 𝑘𝑒 𝑑𝑒𝑝𝑎𝑛 𝑦𝑎𝑛𝑔 𝑑i𝑙𝑎𝑘𝑢𝑘𝑎𝑛 𝑝𝑎𝑑𝑎
𝑝𝑒𝑟i𝑜𝑑𝑒 𝑡
Pemilihan model peramalan yang tepat adalah kunci dalam melakukan peramalan dengan
baik. Kriteria baik atau tidaknya suatu model peramalan dalam meramalkan data dengan
pola tertentu harus didasarkan pada ukuran-ukuran performansi peramalan yang
kuantitatif sehingga dapat dibandingkan dengan baik. Ukuran performansi peramalan
dilakukan berdasarkan adanyagalat (error) yang dihasilkan antara nilai hasil peramalan dan
nilai data aktual. Dengan mudah, semakin kecil galat yang dihasilkan dari peramalan
dengan suatu model tertentu, semakin baik model tersebut dalam meramalkan data yang
bersangkutan.
Konsep galat (error) tersebut kemudian digunakan untuk menentukan model peramalan
terbaik, beserta parameter-parameternya, untuk suatu data tertentu. Tentu saja, model
peramalan terbaik ialah model peramalan yang menghasilkan galat terkecil.
Besarnya galat pada periode ke-t, yaitu 𝑒(𝑡), dinyatakan dengan formula berikut :
Dalam implementasinya, konsep galat ini memiliki kelemahan seperti adanya efek saling
meniadakan yaitu ketika 2 atau lebih data memiliki galat yang secara resultan
(penjumlahan) saling meniadakan. Hal ini akan menyebabkan kesalahan dalam
menentukan performansi suatu model peramalan. Oleh sebab itu, dengan melakukan
perbaikan pada perumusan matematika, berikut ini ialah beberapa ukuran performansi
yang dirumuskan untuk menghilangkan efek saling meniadakan tersebut.
• Mean Absolute Deviation (MAD)
∑𝑁 ̂
𝑡=1|𝑌(𝑡) − 𝑌 (𝑡)|
𝑀𝐴𝐷 =
𝑁
• Mean Squared Error (MSE)
(𝑌(𝑡) − 𝑌̂(𝑡))2
𝑀𝑆𝐸 =
𝑁
𝑀𝑅 = 𝑀𝑜𝑣i𝑛𝑔 𝑅𝑎𝑛𝑔𝑒
𝐹𝑡 = 𝑁i𝑙𝑎i 𝑟𝑎𝑚𝑎𝑙𝑎𝑛 𝑝𝑒𝑟i𝑜𝑑𝑒 𝑡
𝐴𝑡 = 𝑁i𝑙𝑎i 𝑎𝑘𝑡𝑢𝑎𝑙 𝑝𝑒𝑟i𝑜𝑑𝑒 𝑡
𝐹𝑡−1 = 𝑁i𝑙𝑎i 𝑟𝑎𝑚𝑎𝑙𝑎𝑛 𝑝𝑒𝑟i𝑜𝑑𝑒 𝑡 − 1
𝐴𝑡−1 = 𝑛i𝑙𝑎i 𝑎𝑘𝑡𝑢𝑎𝑙 𝑝𝑒𝑟i𝑜𝑑𝑒 𝑡 − 1
Kemudian dibuat batas control atas atau Upper Control Limit (UCL), batas control bawah
atau Lower Control Limit (LCL), dan garis tengah atau Center Line (CL).
̅̅̅̅̅
𝑈𝐶𝐿 = +2,66𝑀𝑅
̅̅̅̅̅
𝐿𝐶𝐿 = −2.66𝑀𝑅
𝐶𝐿 = 0
Berdasarkan peta kendali yang dibuat, dapat terlihat sebaran data. Apakah sebaran data
berada di dalam atau di luar control. Jika sebaran berada di luar control, maka fungsi atau
metode peramalan yang digunakan tidak sesuai. Sehingga peramalan yang dihasilkan
tidak representative.
Outlier adalah hasil observasi yang berbeda secara signifikan dengan data-data hasil
observasi yang lainnya. Outlier dapat membuat hasil analisis data tidak representative.
Terdapat dua tindakan yang dapat dilakuan terhadap outlier. Pertama, ourlier dapat
diabaikan jika tidak terdapat alasan yang masuk akan terhadap keberadaan outlier
tersebut. Kedua, jika keberadaan data outlier tersebut dapat dijelaskan maka harus
dihiraukan supayatidak mengganggu proses selanjutnya. Pada data time series, outlier
tidak dapat dihapus karena setiap data merupakan data yang diperhitungkan.
Bahan dan peralatan yang dibutuhkan dalam praktikum ini adalah sebagai berikut.
a. Modul praktikum
b. Data penjualan aktual masa lalu
c. Perangkat lunak Microsoft Excel
d. Perangkat komputer
Bahan dan peralatan tersebut WAJIB dibawa oleh praktikan saat praktikum berlangsung.
PROSEDUR PRAKTIKUM
Langkah-langkah pengolahan data yang dilakukan dalam praktikum ini adalah sebagai berikut.
Pengolahan Data
• Pemetaan dan penentuan pola data penjualan untuk setiap jenis prodk.
• Verifikasi terhadap hasil peramalan untuk setiap model peramalan terpilih untuk setiap
jenis produk
• Hasil peramalan data penjualan dengan model peramalan terpilih untuk setiap jenis
produk
Analisis
• Analisis pola data penjualan setiap jenis produk yang telah diagregasikan
Referensi Utama:
Nahmias, Steven. 2005. Production and Operations Analysis 5th Edition. Singapore: McGraw
Hill.
Makridakis, S. & Wheelwright, S.C. 1980. Forecasting Methods for Management3rd Ed.. New
York: John Wiley & Sons.
Hair, J., Black, B., Babin, BJ., Anderson, RE. 2010. Multivariate Data Analysis. New Jersey:
Prentice Hall, Inc.
Referensi Pendukung:
Walpole, Ronald E.; Raymond H. Myers, Sharon L. Myers, dan Keying Ye. 2002. Probability &
Statistics for Engineers & Scientists 7th Ed.. New Jersey: Prentice-Hall, Inc.
Elsayed, E.A. & Boucher, T.O. 1994. Analysis and Control of Production System 2nd . New
Jersey: Prentice Hall.
Crandall, Richard E. & William ―Rick‖ Crandall. 2008). Demand Forecasting – Art, Science, or
Chaos? South East Decision Sciences Institute Conference Proceedings, Category:
Teaching Pedagogy, p.91