REFERENSI :

LIN, Michelle Ming-Hsueh. Development of a demand forecasting model for a summer food service
program sponsored by the United States Department of Agriculture. 1995. PhD Thesis. Texas Tech
University.

TYPES OF MODELS
Dari 3 jenis model perkiraan yaitu Model deret waktu (Times Series Model), Causal Model,
dan Subjective model. Model deret waktu adalah yang paling cocok untuk prakiraan jangka
pendek dalam operasi jasa makanan. Mereka didasarkan pada asumsi bahwa kejadian aktual
mengikuti tren yang dapat diidentifikasi dari waktu ke waktu. Data aktual dapat
menunjukkan tren dalam arti umum tetapi tidak memberikan informasi prakiraan. Untuk
membuat data masa lalu berguna, variasi harus dikurangi menjadi garis tren yang dapat
diperpanjang ke masa depan. Moving average dan exponential smoothing, keduanya model
deret waktu, lebih sering digunakan dalam merasionalisasi data jasa makanan daripada tipe
lainnya, meskipun model kausal juga dapat digunakan.

Times Series Model

Model deret waktu mengasumsikan bahwa pola berulang seiring waktu (Wheelwright &
Makridakis, 1985). Contoh model deret waktu meliputi naive, rata-rata sederhana (simple
average), rata-rata bergerak sederhana (simple moving average), rata-rata pergerakan
tertimbang (weighted moving average), indeks musiman (seasonal index), dan teknik
pemulusan eksponensial (exponential smoothing techiques). Penelitian menemukan bahwa
sangat sedikit operasi layanan makanan yang menggunakan metode kualitatif dalam
melakukan perkiraan. (Miller, McCahon, & Bloss,1991; Miller & Shanklin, 1988a; Repko &
Miller, 1990; Reyna, Kwong, & Li, 1991).

Dalam semua metode perkiraan, tren dan musim dalam data harus dipertimbangkan.
Misalnya, seorang majoi; badai musiman atau gangguan kekuatan akan ditunjukkan pada
datal'hAe "oleh penyimpangan liar dari apa yang mungkin tampak sebagai hubungan waktu
yang relatif mulus. Karena semua jenis makanan dalam suatu layanan hampir tidak dapat
dikelompokkan secara masuk akal ke dalam data permintaan kotor, perkiraan umumnya
adalah dikembangkan pada barang-barang yang paling mahal dan paling sering digunakan,
seperti makanan pembuka daging.

Naive Method
Metode Naive menggunakan informasi terbaru yang tersedia sebagai nilai perkiraan
aktual. Misalnya, jika prakiraan sedang disiapkan untuk jangka waktu satu periode, nilai aktual
terbaru akan digunakan sebagai prakiraan untuk periode berikutnya. Rumus metode naive
adalah:
F t + i = Dt

Ft + i = Perkiraan untuk periode t + i,

t = Periode sekarang,

i = Jumlah periode ke depan yang diperkirakan,

Dt = Nilai aktual terbaru.

Model Naive mengasumsikan bahwa tidak ada pola dalam rangkaian data yang akan
diramalkan (Wheelwright & Makridakis, 1985). Penelitian Miller, McCahon, dan Miller (1991)
menggambarkan bahwa model Naive adalah model yang paling tidak akurat ketika diterapkan
pada peramalan layanan makanan. Namun, beberapa penelitian telah menunjukkan bahwa model
naive berdasarkan penilaian data masa lalu, permintaan terbaru, dan perkiraan intuitif digunakan
oleh sebagian besar operator layanan makanan (Miller & Shanklin, 1988a; Repko & Miller,
1990).

Tipe lain dari model Naive mempertimbangkan kemungkinan kemusiman dalam seri
(Wheelwright & Makridakis, 1985). Jenis model ini menggunakan nilai yang disesuaikan secara
musiman terbaru sebagai perkiraan untuk nilai yang disesuaikan secara musiman berikutnya.
Persamaan prakiraan model Naif dengan musiman didasarkan pada:

Sj = indeks penyesuaian musiman untuk musim j (atau musim j + i).

Miller, McCahon, dan Miller (1993) menggunakan model Naive dan Naive dengan model
musiman dalam penelitian mereka dan menemukan bahwa model Naive dengan musiman
memiliki kesalahan yang lebih kecil daripada model Naive murni.

Simple Average
Rata-rata Sederhana. Metode rata-rata sederhana adalah rata-rata data masa lalu di mana
permintaan dari semua periode sebelumnya memiliki bobot yang sama (Adam & Ebert, 1989).
Permintaan rata-rata dapat berupa rata-rata berkelanjutan atau rata-rata musiman. Contoh rata-
rata berkelanjutan adalah rata-rata permintaan berturut-turut hari terakhir untuk memperkirakan
permintaan masa depan (Bails & Peppers, 1982). Contoh rata-rata musiman menggunakan rata-
rata hari Senin lalu untuk memperkirakan permintaan di masa depan (Messersmith & Miller,
1991). Ini dihitung sebagai berikut:

Ft = (Di + D2 + ... + Dn) / n

Di = permintaan dalam periode terakhir,

D2 = permintaan yang terjadi dua periode lalu,

Dn = permintaan yang terjadi n-periode yang lalu.

Hanke dan Reitsch (1989) mengemukakan bahwa rata-rata sederhana

metode harus digunakan ketika kumpulan data tidak memiliki tren,

musiman, atau pola sistematis lainnya.

Simple Moving Average.

Rata-rata bergerak menggabungkan data permintaan dari beberapa periode terbaru, rata-
ratanya menjadi perkiraan untuk periode berikutnya (Adam & Ebert, 1989). Metode rata-rata
bergerak sederhana umumnya mengambil 4 hingga 10 nilai lampau dari hari serupa dalam
seminggu untuk meramalkan permintaan di masa mendatang. Setiap minggu, permintaan tertua
turun dan yang terbaru ditambahkan (Messersmith & Miller, 1991).

Hanke dan Reitsch (1989) menunjukkan bahwa model rata-rata bergerak sederhana
menangani tren dan musim lebih baik daripada model rata-rata sederhana. Chase dan Aquilano
(1992) menunjukkan bahwa model simple moving average berguna dalam menghilangkan
fluktuasi acak. Mereka merekomendasikan model rata-rata bergerak sederhana untuk peramalan
jangka pendek. Repko dan Miller (1990) menemukan bahwa rata-rata bergerak merupakan
metode peramalan kuantitatif yang paling sering digunakan. Metode rata-rata bergerak sederhana
disarankan untuk peramalan jangka pendek (Miller, McCahon, & Miller, 1993).

Prosesnya dimulai dengan mengambil rata-rata grup yang terdiri dari lima atau sepuluh
data untuk titik pertama pada garis perkiraan. Poin kedua pada baris dibuat dengan menjatuhkan
item pertama di grup awal, termasuk satu lb tambahan membuat nomor yang sama, dan merata-
ratakan. Proses berlanjut untuk semua data dengan jumlah item yang sama untuk rata-rata
dengan membuang yang terakhir dan pindah untuk menyertakan yang baru.

Contoh dari metode rata-rata bergerak ditunjukkan pada Gambar 9.2. Data tersebut untuk
daging sapi panggang dan mencakup periode sepuluh hari yang lalu. Rata-rata pergerakan lima
hari digunakan. Rata-rata pergerakan lima hari pertama dihitung dengan menambahkan
permintaan untuk hari-hari itu dan membaginya dengan lima, menghasilkan rata-rata 176 pound.
Rata-rata pergerakan berikutnya dihitung dengan menjumlahkan permintaan untuk hari ke-2
hingga ke-6 dan membaginya dengan lima. Prosedur ini diulangi dengan membatalkan hari
paling awal dan menambahkan hari berikutnya selama total lima hari. Nilai data permintaan dan
nilai rata-rata bergerak yang diplot pada grafik (Gambar 9.3) menggambarkan efek penghalusan
dari metode ini. Perhatikan bahwa kurva data yang diperhalus menghilangkan variasi harian
dalam permintaan dan dengan demikian menunjukkan tren permintaan masa lalu. Proses rata-rata
ini, jika dilanjutkan, menghasilkan poin data yang menghaluskan data ke pola yang relatif
konstan untuk digunakan dalam perkiraan.

MOVING AVERAGE

Pounds 5-day
Day of Beef Moving Average

1 150
2 180
3 185 176
4 170 —"IP' 186
5 195 ."... 187
...'
6 .
200 ' 182
7 185 183
8 160 180
9 175
10 180 Figure 9.2, trample of moving average

Pemulusan Eksponensial. Pemulusan eksponensial adalah prosedur deret waktu yang populer.
Seperti halnya metode rata-rata bergerak, metode ini meratakan keacakan dalam data. Dalam
prosesnya, nilai saat ini dan nilai sebelumnya digunakan untuk menghitung pemulusan baru.
Nilai baru ini adalah item awal Cie untuk interval waktu berikutnya. Fitur penting dari metode
ini adalah bahwa data yang lebih lama memiliki pengaruh yang lebih kecil pada kurva tren.
Ekspresi matematika untuk metode pemulusan ini adalah

St = At + (1 - a) St-1

dimana a = konstanta biasanya antara 0,1 dan 0,3

St = nilai dihaluskan pada waktu t

At = nilai observasi aktual pada waktu t

St - 1 = nilai yang dihaluskan sebelumnya

Penunjukan metode ini sebagai pemulusan eksponensial dibenarkan oleh dekomposisi matematis
persamaan, yang menghasilkan seri dimana ekspresi (1 - a) memperoleh eksponen (Adam dan
Ebert, 1978). Perbandingan kedua metode pemulusan menunjukkan bahwa efek teknik
eksponensial agak lebih cepat daripada efek rata-rata bergerak.

Weighted Moving Average

Pergerakan berat rata-rata . Berbeda dengan gerakan metode rata-rata sederhana yang
memberikan bobot yang sama untuk setiap komponen database rata-rata bergerak, pergerakan
berat rata- rata memungkinkan konstanta tertimbang untuk ditugaskan ke setiap elemen,
sehingga jumlah semua bobot sama dengan satu (Chase & Aquilano, 1992). Metode ini
memungkinkan perkiraan untuk menyesuaikan efek dari data masa lalu. Biasanya, bobot yang
lebih tinggi adalah ditugaskan ke periode yang lebih baru (Schonberger & Knod, 1994).
Persamaan untuk pergerakan berat rata-rata adalah sebagai berikut:

Seasional Index

Indeks Musiman. Estimasi metode rata-rata bergerak memperkirakan dengan meratakan data
masa lalu. Metode Indeks musiman, bagaimanapun, memperhitungkan faktor musiman
pertimbangan saat menghitung perkiraan (Schonberger & Knod, 1994).

Exponential Smoothing Techniques

Model pemerataan eksponensial mudah dan sering digunakan dalam manajemen operasi (Adam
& Ebert, 1989; Gardner & Dannenbring, 1980). Model pemerataan eksponensial sederhana rata-
rata data masa lalu dengan menetapkan konstanta tertimbang (Gardner & Dannenbring, 1980).
Konstanta pembobotan atau koefisien penghalusan, a, adalah antara 0 dan 1.0 (Schonberger &
Knod, 1994). Skema pembobotan menerapkan bobot terbesar ke nilai yang paling baru diamati
dan bobot yang lebih rendah ke nilai yang lebih lama. Rumus pemulusan eksponensial sederhana
adalah:

Ft + i = αDt + (l-α) Ft

Cara alternatif untuk menulis persamaan ini adalah:

Ft+i = Ft + α (Dt-Ft)

Dalam bentuk ini, ramalan baru sama dengan ramalan lama plus a. kali kesalahan (D t - Ft) dari
ramalan lama. Jika α mendekati 1, perkiraan baru akan menyertakan penyesuaian substansial
untuk setiap kesalahan yang terjadi di perkiraan sebelumnya. Sebaliknya, bila α. mendekati 0,
perkiraan baru tidak akan menunjukkan banyak penyesuaian untuk kesalahan perkiraan
sebelumnya. Oleh karena itu, pengaruh α besar atau kecil. penting untuk penyesuaian kesalahan
perkiraan sebelumnya (Wheelwright & Makridakis, 1985).