Pengertian & Tujuan Peramalan
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 peramal, sering
berdasarkan data deret waktu historis.
Menurut Supranto (1984),
forecasting atau peramalan adalah memperkirakan sesuatu pada waktu-waktu yang
akan datang berdasarkan data masa lampau yang dianalisis secara ilmiah,
khususnya menggunakan metode statistika. Menurut Sofjan Assauri (1993),
peramalan merupakan seni dan ilmu dalam memprediksikan kejadian yang mungkin
dihadapi pada masa yang akan datang. Dengan digunakannya peralatan
metode-metode peramalan maka akan memberikan hasil peramalan yang lebih dapat
dipercaya ketetapannya. Oleh karena masing-masing metode peramalan
berbeda-beda, maka penggunaannya harus hati-hati terutama dalam pemilihan
metode untuk penggunaan dalam kasus tertentu. 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. Bagian permintaan
biasanya melakukan perencanaan berdasarkan hasilhasil ramalan permintaan,
sehingga informasi yang dikirim dari III-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.
Kegunaan peramalan:
1. Menentukan kebutuhan sumber daya yang diperlukan
2. Penambahan sumber daya
3. Penjadwalan sumber daya yang ada.
Prinsip-prinsip peramalan:
1. Peramalan melibatkan kesalahan (error)
2. Peramalan sebaiknya memakai tolok ukur kesalahan peramalan
3. Peramalan famili produk lebih akurat daripada peramalan produk
individu (item).
4. Peramalan jangka pendek lebih akurat daripada peramalan jangka
panjang.
5. Jika dimungkinkan, hitung permintaan daripada meramal permintaan.
Kesalahan Peramalan
Terdapat beberapa perhitungan
yang biasa digunakan untuk menghitung kesalahan peramalan (forecast error)
total. Perhitungan ini dapat digunakan untuk membandingkan model peramalan yang
berbeda, juga untuk mengawasi peramalan, dan untuk memastikan peramalan
berjalan dengan baik.
Menurut Nachrowi D, dan Hardius
Usman (2004:239) menyatakan bahwa sebenarnya membandingkan kesalahan peramalan
adalah suatu cara sederhana, apakah suatu teknik peramalan tersebut patut
dipilih untuk digunakan membuat peramalan data yang sedang kita analisa atau
tidak. Minimal prosedur ini dapat digunakan sebagai indikator apakah suatu teknik
peramalan cocok digunakan atau
tidak. Dan teknik yang mempunyai
MSE terkecil merupakan ramalan yang terbaik.
Sedangkan menurut Freddy
Rangkuti (2005:80) menyatakan keharusan untuk membandingkan perhitungan yang
memiliki nilai MAD paling kecil, karena semakin kecil MAD. Berarti semakin
kecil pula perbedaan antara hasil forecastingdan nilai aktual.
Heizer danRender (2009:177)
mengemukakan bahwa, tiga dari perhitungan yang paling terkenal adalah deviasi
mutlak rerata (Mean Absolute Deviation -MAD) dan kesalahan kuadrat rerata (Mean
Squared Error - MSE).
Tiga dari perhitungan tersebut
antara lain adalah :
a. Mean Absolute Deviation (MAD)
b. Mean Squared Error (MSE)
c. Mean Absolute Percent Error
(MAPE)
Untuk lebih jelasnya mengenai 3
perhitungan kesalah peramaland apat dijelaskan sebagai berikut :
a. Mean Absolute Deviation
(MAD), dimana nilai kesalahan dihitung dengan
mengambil jumlah nilai absolut
dari tiap kesalahan peramalan dibagi dengan jumlah periode data.
Metode ini cukup sederhana,
rumus yang digunakan yaitu
Untuk lebih jelasnya mari kita
langsung ke contoh soal, ada sebuah kasus tentang penjualan suatu barang,
dimana diketahui data penjualan aktual diakhir tahun, dan peramlan yang telah
digunakan adalah peramalan dengan pembulatan alpha sebesar 0,1 dan alpha 0,5).
Data peramalan dapat dilihat pada Tabel 7.1 sebagai berikut :
Maka dihitung kesalahanya,
dimana dijadikan nilai absolut positif absolut sehingga tidak bernilai negatif
yaitu selisih antara data aktual dengan peramalan yang digunakan. Hasil
peramalan dapat dilihat pada Tabel 7.2
Kemudian dihitung nilai
rata-ratanya (Kesalahan peramalan) dengan
menggunakan rumus diatas.
Didapatkan nilai MAD untuk peramalan dengan
menggunkan nilai alpha 0,1
yaitu
Sehingga dipilih nilai MAD yang kecil,
maka peralaman yang lebih baik adalah peramalan dengan menggunakan nilai alpha
0,1 dengan erorr 46.65.
b. Mean Squared Error (MSE),
dimana nilai kesalahan dihitung dengan
menggunakan rata-rata selisih
kuadrat antara nilai yang diramalkan dan diamati. MSE merupakan cara kedua
untuk mengukur kesalahan peramalan keseluruhan. MSE merupakan rata-rata selisih
kuardrat antara nilai yang diramalkan dan yang diamati. Kekurangan penggunaan
MSE adalah bahwa ia cenderung menonjolkan deviasi yang besar karena adanya
pengkuadratan.
c. Mean Absolute Percent Error
(MAPE), dimana kesalahan dihitung dengan menggunakan rata-rata diferensiasi
absolut antara nilai yang diramal dengan nilai aktual, dan dinyatakan sebagai
persentase nilai aktual.
Persamaan Regresi
Persamaan regresi merupakan
persamaan matematik yang memungkinkan peramalan nilai suatu peubah tak-bebas
(dependent variable) dari nilai peubah bebas (independent variable)
Diagram Pencar = Scatter Diagram
Diagram yang menggambarkan persebaran nilai-nilai observasi peubah tak-bebas
dan peubah bebas.
Nilai peubah bebas : ditulis
pada sumbu X (sumbu horizontal)
Nilai peubah takbebas : ditulis
pada sumbu Y (sumbu vertikal)
Nilai peubah tak-bebas
ditentukan oleh nilai peubah bebas Anda sudah dapat menentukan mana peubah
tak-bebas dan peubah bebas?
Contoh 1:
Umur vs Tinggi Tanaman (X :
Umur, Y : Tinggi)
Biaya Promosi vs Volume
penjualan (X: Biaya Promosi, Y : Vol. penjualan)
Jenis-jenis Persamaan Regresi :
a. Regresi Linier :
- Regresi Linier Sederhana
- Regresi Linier
Berganda
b. Regresi Non-linier
- Regresi Eksponensial
Regresi Linier
- Bentuk Umum Regresi Linier
Sederhana
Y = a + bX
Y : peubah tak-bebas
X : peubah bebas
a : konstanta
b : kemiringan
Y : peubah tak-bebas
a : konstanta
X¹ : peubah bebas ke-1
b¹: kemiringan garis ke-1
X² : peubah bebas ke-2
b² : kemiringan garis ke-2
Xn : peubah bebas ke-n
bn : kemiringan garis ke-n
Regresi Non Linier
- Bentuk umum Regresi
Eksponensial
Y = abx
log Y = log a + (log b)x
REGRESI LINIER SEDERHANA
Metode Kuadrat terkecil (least
square method): metode yang paling populer untuk menetapkan persamaan regresi
linier sederhana.
- Bentuk Umum Regresi Linier
Sederhana :
Y = a + bX
Y : peubah tak-bebas X : peubah
bebas
a : konstanta b : kemiringan
Metode Korelasi Jenjang
Spearman.
Metode korelasi jenjang ini
dikemukaan oleh Carl Spearman pada tahun 1904. Metode ini diperlukan untuk
mengukur keeratan hubungan antara 2 variabel dimana kedua variablel itu tidak
mengikuti distribusi normal dan conditional variable tidak diketahui sama.
Korelasi rank dipergunakan apabila pengukuran kuanditatif secara eksak tidak
mungkin dilakukan. Data kedua variable berpasangan. Misalnya munkukur tingkat
moral, tingkat kesenangan, tingkat motivasi dan sebagainya.
Untuk mengitung koefesien
korelasi ramk, yang dinotasikan dengan rs dilakukan langkah-langkah sebagai
berikut :
1. Nilai pengamatan dari dau
variable yang akan diukuir hubunghannya diberi jenjang, bila ada nilai
pengamatan yang sama dihitung jenjang rata-ratanya
2. Setiap pasang jenjang
dihitung perbedaannya
3. Perbedaan setiap pasang
jenjang tersebut dikuadratkan dan dihitung jumlahnya
4. Nilai rs (koefesien korelasi
spearman) dihitung dengan rumus
di : menunjukkan perbedaan
setiap pasang rank
n : menunjukkan jumlha pasangan
rank
Hitopesis Ho yang akan diuji
mengatakan bvahwa dua variable yang diteliti dengan nilai jenjang itu
independent artinga tidak hubungan antara variable yang satu dengan yang
lainnya.
Ho : ρs = 0
H1 : ρs ≠ 0
Kreteria pengambilan keputusan
adalah
Ho diterima apabila rs ≤ ρs(a )
Ho ditolak apabila rs > ρs(a
)
Nilai ρs(a ) dapat dilihat pada
table spearman . Untuk nilai n≥10 dapat dipergunakan Tabel t, dimana nial t
sample dapat dihitung dengan rumus :
DAFTAR PUSTAKA
Gaspersz, V., 2002, Production
Planning and Inventory Control, GramediaPustaka Utama, Jakarta.
Ginting, R., 2007, Sistem
Produksi, Graha Ilmu, Yogyakarta.
Heizer, Jay., Render, Barry.
2011. Manajemen Operasi. Jakarta : Salemba Empat
Indrianti, N., 2007, Bahan Ajar
Matakuliah Sistem Produksi, Jurusan Teknik Industri, UPN “ Veteran” Yogyakarta
Nasution, A.H. dan Prasetyawan,
Y., 2008, Perencanaan dan Pengendalian Produksi, Graha Ilmu, Yogyakarta.
Walpole, R.E., 1992, Pengantar
Statistik, Gramedia Pustaka Utama, Jakarta
Tidak ada komentar:
Posting Komentar