(PERAMALAN)
PENDAHULUAN
Dunia industri biasanya tidak lepas dari suatu peramalan. Hal ini disebabkan bahwa peramalan dapat memprediksi kejadian dimasa yang akan datang dengan mengambil keputusan. Para peneliti banyak yang mengembangkan metode peramalan agar bertujuan peramalan baru tingkat keakuratannya semakin tinggi. Peramalan banyak sekali digunakan untuk berbagai bidang. Contohnya untuk meramalkan cuaca, memperkirakan volume penjualan, memprediksi banyaknya jumlah siswa, meramalkan pendapatan perusahaan dan lain sebagainya.
Metode permalan terbagi menjadi dua, yaitu metode kualitatif dan metode kuantitatif. Metode kualitatif biasanya cenderung menggunakan intuisi, emosi, pendidikan, pengalaman seseorang dan lain-lain tanpa menggunakan pendekatan matematis maupun statistik. Metode kuantitatif yaitu metode yang berdasarkan adanya data historis atau data masa lalu yang digunakan untuk meramalkan data masa depan.
Tingkat ketepatan suatu peramalan akan sedikit berkurang apabila seiring dengan rentang waktu yang semakin panjang. Maka perusahaan harus meneliti kembali peramalan dengan menggunakan data yang tidak terlalu lama.
Penelitian yang dibuat dalam praktikum penulis memakai metode peramalan kuantitatif sebagai langkah mengelolah data, karena berdasarkan data matematis. Time series termasuk metode kuantitatif yang didalamnya terdiri dari WMA (Weighted Moving Averages), SES (Single Exponential Smoothing), Regresi Linier. Metode Time series hanya meninjau sebuah variabel sebagai fungsi waktu.
Metode WMA (Weighted Moving Averages) meramalkan dengan memakai beberapa data terakhir dengan memberikan bobot yang berbeda-beda. Metode SES (Single Exponential Smoothing) menghasilkan peramalan dengan jangka pendek. Metode regresi linier untuk mengetahui pengaruh antara satu atau beberapa variabel terhadap satu buah variabel.
Permasalahan dalam penelitian peramalan adalah bagaimana cara meramalkan dengan menggunakan metode WMA (Weighted Moving Averages), SES (Single Exponential Smoothing), Regresi Linier.
Penulisan ini bertujuan untuk mengetahui berapa hasil peramalan dimasa yang akan datang dengan menggunakan metode WMA (Weighted Moving Averages), SES (Single Exponential Smoothing), Regresi Linier. Menghitung tracking signal metode SES (Single Exponential Smoothing).
TINJAUAN PUSTAKA
Peramalan merupakan suatu bentuk usaha untuk meramalkan keadaan di masa mendatang melalui pengujian keadaan di masa lalu. Esensi peramalan adalah perkiraan peristiwa-peristiwa di waktu yang akan datang atas dasar pola-pola di waktu yang lalu, dan penggunaan kebijakan terhadapt proyeksi-proyeksi dengan pola-pola di waktu yang lalu.
Menurut Hery Prasetya (2009), Peramalan adalah seni dan ilmu untuk memperkirakan kejadian di masa depan. Hal ini dapat dilakukan dengan melibatkan pengambilan data masa lalu dan menempatkannya ke masa yang akan datan dengan suatu bentuk model matematis.
Menurut Gaspersz (2004), aktivitas peramalan merupakan suatu fungsi bisnis yang berusaha memperkirakan permintaan dan penggunaan produk sehingga produk-produk itu dapat dibuat dalam kuantitas yang tepat. Dengan demikian peramalan merupakan suatu dugaan terhadap permintaan yang akan datang berdasarkan pada beberapa variabel peramalan, berdasarkan data deret waktu historis. Peramalan dapat menggunakan teknik-teknik peramalan yang bersifat formal maupun informal. Aktivitas peramalan ini biasa dilakukan oleh departemen pemasaran dan hasil-hasil dari peramalan ini sering disebut sebagai ramalan permintaan.
Jenis-jenis peramalan dapat dilakukan secara kuantitatif maupun kualitatif. Pengukuran metode secara kuantitatif menggunakan metode statistik, sedangkan pengukuran secara kualitatif berdasarkan pendapat (judgment) dari yang melakukan peramalan. Berkaitan dengan itu, dalam peramalan dikenal istilah prakiraan dan prediksi.
Prakiraan didefinisikan sebagai proses peralaman suatu variabel (kejadian) di masa datang dengan berdasarkan data variabel itu pada masa sebelumnya. Data masa lampau itu secara sistematik digabungkan dengan menggunakan suatu metode tertentu dan diolah untuk memperoleh prakiraan keadaan pada masa datang. Sementara, prediksi adalah proses peramalan suatu variabel di masa datang dengan lebih mendasarkan pada pertimbangan intuisi daripada data masa lampau. Prediksi peramalan yang baik sangat tergantung pada kemampuan, pengalaman dan kepekaan dari si pembuat peramalan. (Eddy Herjanto, 2003).
Teknik peramalan terbagi menjadi dua teknik peramalan diantaranya adalah teknik peramalan secara kualitatif yaitu peramalan yang melibatkan pendapat pribadi, pendapat ahli, metode delphi, penelitian pasar dan lain-lain. Bertujuan untuk menggabungkan seluruh informasi yang diperoleh secara logika dan sistematis yang dihubungkan dengan faktor kepentingan si pengambil keputusan. Sedangkan teknik peramalan secara kuantitatif yaitu peramalan yang digunakan pada saat data masa lalu cukup tersedia. Beberapa teknik kuantitatif yang sering dipergunakan adalah seperti metode pemulusan eksponensial, rata-rata bergerak, regresi linier dan masih banyak lainnya. (Gaspersz, 2004).
Metode weight moving average atau model rata-rata begerak terbobot lebih responsif terhadap perubahan, karena data dari periode yang baru biasanya diberi bobot lebih besar. Menurut Gaspersz (2004) suatu model rata-rata bergerak n - periode terbobot, weighted MA (n), dinyatakan sebagai berikut:
Metode peramalan dengan pemulusan eksponensial biasa digunakan untuk pola data yang tidak stabil atau perubahannya besar dan bergejolak. Metode permalan ini bekerja hampir serupa dengan alat thermostat, dimana apabila galat ramalan (forecast error) adalah positif, yang berarti nilai aktual permintaan lebih tinggi daripada nilai ramalan (A–F>0), maka model pemulusan eksponensial akan secara otomatis meningkatkan 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. 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.
dimana:
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
a = konstanta pemulusan (smoothing constant)
Metode Regresi Linier merupakan metode yang dipergunakan sebagai metode peramalan apabila pola historis dari data aktual permintaan menunjukkan adanya suatu kecenderungan menaik dari waktu ke waktu. Pada dasarnya metode ini berusaha mencari fungsi hubungan antara sebab dengan akibat. Diasumsikan waktu mempunyai hubungan linier dengan ramalan dan pola data akan berlanjut, sehingga fungsi yang terbentuk akan menetukan ramalan dimasa datang dengan cara extrapolasi. Metode ini dapat dipakai untuk peramalan jangka panjang. Rumus perhitungan metode Linier Regresi :
Å· = a + bx
dimana:
Å· = nilai ramalan permintaan pada peiode ke-t
a = intersep
b = slope dari garis kecenderungan,merupakan tingkat perubahan dalam permintaan.
x = indeks waktu ( t = 1,2,3,...,n) ; n adalah banyaknya periode waktu
Slope dan intersep dari persamaan regresi linier dihitung dengan menggunakan formula berikut:
dimana:
b = slope dari persamaan garis lurus
a = intersep 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
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, namun yang paling umum digunakan adalah Mean Absolute Deviation, Mean Absolute Percentage Error dan Mean Squared Error.
Akurasi peramalan akan tinggi apabila nilai-nilai MAD, MAPE, dan MSE 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:
Mean forecast error biasa disebut juga galat peramalan. Galat peramalan ini juga dapat berfungsi untuk menghitung nilai MAD yang telah dibahas pada sub bab sebelumnya. Galat ramalan tidak dapat dihindari dalam sistem peramalan, namun galat ramalan itu harus dikelola dengan benar. Pengelolaan terhadap galat ramalan akan menjadi lebih efektif apabila peramal mampu mengambil tindakan mengambil tindakan yang tepat berkaitan dengan alasan-alasan terjadinya galat ramalan itu. Dalam sistem peramalan, penggunaan berbagai model peramalan akan memberikan nilai ramalan yang berbeda dan derajat dari galat ramalan yang berbeda pula. Rata-rata kesalahan kuadrat memperkuat pengaruh angka-angka kesalahan besar, tetapi memperkecil angka kesalahan prakiraan yang lebih kecil dari satu unit (Gaspersz, 2004).
Rata-rata persentase kesalahan kuadrat merupakan pengukuran ketelitian dengan cara-cara persentase kesalahan absolute, (MAPE) menunjukkan rata-rata kesalahan absolut prakiraan dalam bentuk persentasenya terhadap data aktualnya.
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.
Tracking signal yang positif menunjukkan bahwa nilai aktual permintaan lebih besar daripada ramalan, sedangkan apabila negatif berarti nilai aktual permintaan lebih kecil daripada ramalan. Suatu tracking signal disebut baik apabila memiliki RSFE yang rendah dan mempunyai positive error yang sama banyak atau seimbang dengan negative error, sehingga pusat dari tracking signal mendekati nol. Pada setiap peramalan, tracking signal terkadang digunakan untuk melihat apakah nilai-nilai yang dihasilkan berada didalam atau diluar batas-batas pengendalian dimana nilai-nilai tracking signal itu bergerak antara -4 sampai +4.
Moving range dibuat untuk membandingkan nilai-nilai observasi atau data aktual dengan nilai peramalan dari kebutuhan yang sama. Dapat dikatakan bahwa moving range adalah peta kontrol statistik yang digunakan pada pengendalian kualitas. Peta moving range memiliki batasan-batasan yang terdiri dari batas kontrol atas dan batas kontrol bawah. Jika ada sebuah titik atau data yang berada di luar batas tersebut maka ada beberapa data yang harus dihilangkan atau mencari metode peramalan yang lain. Moving Range digunakan untuk mengetahui sejauh mana arah pergerakan (misal : permintaan) bergerak.
Rumus diatas tidak terlalu terlihat. jika ingin lihat rumus dalam bentuk dokumen klik disini