Peramalan
1. Faktor-Faktor Pertimbangan Dalam Peramalan Kuantitatif
Menurut Sofjan Assauri, ” Peramalan adalah kegiatan untuk memperkirakan apa yang akan terjadi pada masa yang akan datang ” (Sofjan Assauri, 1984:1). Sedangkan menurut Hendra Kusuma, ”Peramalan adalah perkiraan tingkat permintaan satu atau lebih produk selama bebrapa periode mendatang” (Hendra Kusuma, 1999:13).
Pada dasarnya metode peramalan kuantitatif ini dapat dibedakan atas:
- Metode peramalan yang didasarkan atas penggunaan analisis pola hubungan antara variabel yang akan diperkirakan dengan variabel waktu, yang merupakan deret waktu, atau ”time series”.
- Metode peramalan yang didasarkan atas penggunaan analisis pola hubungan antara variabel yang akan diperkirakan dengan variabel yang lain yang mempengaruhinya, yang bukan waktu, yang disebut metode korelasi atau sebab akibat ” causal methods” (Sofjan Assauri,1984:9).
Peramalan kuantitatif hanya dapat digunakan apabila terdapat tiga kondisi sebagai berikut:
- Adanya informasi tentang keadaan yang lain.
- Informasi tersebut dapat dikuantifikasikan dalam bentuk data.
- Dapat diasumsikan bahwa pola yang lalu akan berkelanjutan pada masa yang akan datang.
Ada empat jenis pola data, antara lain:
- Pola horizontal atau stationary, bila nilai-nilai dari data observasi berfluktuasi disekitar nilai konstan rata-rata. Dengan demikian dapat dikatakan pola ini sebagai stationary pada rata-rata hitungnya (means).
- Pola seasonal atau musiman, bila suatu deret waktu dipengaruhi oleh faktor musim (seperti kuartalan, bulanan , mingguan dan harian).
- Pola cyclical atau siklus bila data observasi dipengaruhi oleh fluktuasi ekonomi jangka panjang yang berkaitan atau bergabung dengan siklus usaha (business cycle).
- Pola trend bila ada pertambahan atau kenaikan atau penurunan dari data obserfasi untuk jangka panjang. Pola ini terliahat pada penjualan produk dari banyak perusahaan. Pendapatan Domestik Nasional Bruto (GDP/GNP) dan indikator ekonomi.
2. Model Peramalan Moving Averages
Metode moving averages diperoleh melalui penjumlahan dan pencarian nilai rata- rata dari sejumlah periode tertentu, setiap kali menghilangkan nilai terlama dan menambah nilai baru.
Dengan tambahan bahwa satu nilai Y diganti setiap periode. Perhitungan rata-rata dilakukan dengan bergerak ke depan untuk memperkirakan periode yang akan datang dan dicatat dalam posisi terpusat pada rata-ratanya. Moving Averages secara efektif meratakan dan menghaluskan fluktuasi pola data yang ada. Tentu saja semakin panjang periodenya, semakin rata kurvanya. Kebaikan lainnya adalah bahwa metode Moving Averages dapat diterapkan pada data apapun juga, apakah data sesuai dengan kurva matematik atau pun tidak.
Kelemahan metode ini adalah tidak mempunya persamaan untuk peramalan. Sebagai gantinya digunakan rata-rata bergerak terahir sebagai ramalan periode berikutnya.
3. Model Peramalan Exponential Smoothing
Exponential Smoothing adalah suatu tipe teknik peramalan rata-rata bergerak yang melakukan penimbangan terhadap data masa lalu dengan cara eksponensial sehingga data paling akhir mempunyai bobot atau timbangan lebih besar dalam rata-rata bergerak. Dengan exponential smoothing sederhana, peramalan dilakukan dengan cara ramalan periode terahir ditambah dengan porsi perbedaan (disebut α) antara permintaan nyata periode terahir dan ramalan periode terahir. Persamaan exponential smoothing adalah :
Yt = Yt −1 + α
Yt −1 − Yt −1
α = 1 − 2 
( N + 1)
( N + 1)
Keterangan :
Ŷt = Peramalan Pada Periode t
Ŷt-1 = Peramalan Pada Periode t-1
α = Konstanta Pemulusan
Yt-1 = Data Permintaan Aktual pada Periode t-1
N = Banyaknya Periode Data Permintaan Aktual
Exponential smoothing sederhana tidak memperhitungkan trend , sehingga tidak ada nilai α yang sepenuhnya menggantikan trend dalam data. Nilai-nilai α rendah akan menyebabkan jarak yang lebih lebar dengan trend karena hal itu akan memberikan bobot yang lebih kecil pada permintaan yang sekarang.
Nilai α yang rendah terutama cocok bila permintaan produk relatif stabil (yang berat, tanpa trend atau variasi siklikal) tetapi variasi acak adalah tinggi. Nilai-nilai α lebih tinggi adalah lebih berguna dimana perubahan - perubahan yang sesungguhnya cenderung terjadi karena lebih responsif terhadap fluktuasi permintaan. Sebagai contoh nilai α tidak mungkin cocok bagi industri barang-barang mode yang cepat dan dramatik. Pengenalan-pengenalan produk baru, kampanye promosional, dan bahkan antisipasi terhadap resesi juga memerlukan penggunaan nilai-nilai α yang lebih tinggi. Nilai α yang tepat pada umumnya dapat ditentukan dengan pengujian ”trial –and – eror” (coba-coba) terhadap α yang berbeda-beda untuk menemukan satu nilai α yang menghasilkan kesalahan terkecil bila digunakan pada data masa lalu.
Dengan cara analogi yang dipakai waktu berangkat dari rata-rata bergerak tunggal ke pemulusan (smoothing) eksponensial tunggal, kita juga dapat berangkat dari rata- rata bergerak ganda ke pemulusan eksponensial ganda. Perpindahan seperti itu mungkin menarik karena salah satu keterbatasan dari rata-rata bergerak tunggal yaitu perlunya menyimpan N nilai terakhir masih terdapat pada rata-rata bergerak linear, kecuali bahwa jumlah nilai data yang diperlukan sekarang adalah 2N-1. Pemulusan eksponensial linear dapat dihitung hanya dengan tiga nilai data dan satu nilai untuk α. Pendekatan ini juga memberikan bobot yang semakin menurun pada observasi masa lalu. Perbedaan nilai pemulusan tunggal dan ganda dapat ditambahkan kepada nilai pemulusan tunggal dan disesuaikan untuk trend. Adapun persamaannya sebagai berikut:
Yt +1 = αY1 + (1 − α )Yt
α t = Yt + Yt − Yt −1
bt = α 
1 − α
1 − α
Yt +m = at + bt m
4. Model Peramalan Linear Regretion
Model analisis garis kecenderungan dipergunakan sebagai peramalan apabila pola hitoris data actual permintaan menunjukan adanya suatu kecenderungan naik dari waktu ke waktu. Model analisis garis kecenderungan yang paling sederhana adalah menggunakan persamaan garis lurus (straight line equation), sebagai berikut:
1. Perhitungan slope
2. Perhitungan intercept
Nilai ramalan ramalan permintaan periode t
Y t = a + bt
Keterangan:
Y t = Nilai ramalan pada periode t
a = intersep
b = Slope dari garis kecenderunga (trend line), merupakan tingkat perubahan dalam permintaan
t = Indeks waktu
n = Banyaknya periode
t-bar = nilai rata-rata dari t
Yt = Variable permintaan (data aktual)
Yt − bar = Nilai rata-rata permintaan per periode waktu
5. Analisis Kesalahan Peramalan
Beberapa alternatif analisis kesalahan peramalan yang digunakan adalah:
- Mean Squared Eror (MSE) : Keterangan:
Nilai Tengah Kesalahan Kuadrat (Mean Squared Error)
n ∑(Yt − Yt )
MSE = t =1
Dua ukuran tersebut, merupakan alat evaluasi teknik-teknik peramalan untuk berbagai macam parameter. Semakin rendah nilai MAPE dan MSE, peramalan semakin baik (mendekati data masa lalu). Tetapi nilai terrendah (kecuali nol) tidak memberikan indikasi seberapa baik metode peramalan yang digunakan dibandingkan dengan metode lainnya (Hendra Kusuma, 199:38).
6. Verifikasi dan Pengendalian Peramalan
Langkah penting setelah peramalan adalah verifikasi peramalan sedemikian rupa sehingga dapat mencerminkan data masa lalu dan sistem sebab-akibat yang mendasari permintaan itu. Jika proses verifikasi ditemukan keraguan atas validitas peramalan maka harus dicari metode yang lebih cocok. Validitas harus ditentukan dengan uji statistika yang sesuai. Peramalan harus selalu dibandingkan dengan permintaan aktual secara teratur. Pada suatu saat harus diambil tindakan revisi terhadap peramalan tersebut apabila ditemukan bukti yang meyakinkan adanya perubahan pola permintaan. Selain itu penyebab perubahan pola permintaan pun harus diketahui. Penyesuaian metode peramalan dilakukan segera perubahan pola permintaan diketahui (Hendra Kusuma, 1999:40).
Terdapat banyak perkakas yang digunakan untuk memverivikasi peramalan dan mendeteksi perubahan sistem sebab akibat yang melatar belakangi perubahan pola permintaan. Tetapi bentuk yang paling sederhana adalah peta kendali peramalan, mirip peta kendali kualitas.
Tracking signal adalah suatu ukuran bagaimana baiknya suatu ramalan memperkirakan nilai-nilai aktual. Tracking signal dihitung sebagai running sum of the forcast errors (RSFE) dibagi dengan mean absolute deviation (MAD), sebagai berikut:
Tracking signal yang positif yang menunjukkan bahwa nilai aktual permintaan lebih besar dari peramalan, sedangkan tracking signal yang negatif berarti nilai aktual permintaan lebih kecil dari pada ramalan. Suatu tracking signal disebut baik apabila memiliki RSFE yang rendah, dan mempunyai positive eror yang sama banyak atau seimbang dengan negative eror, sehingga pusat dari tracking signal mendekati nol. Apabila tracking signal telah dihitung kita dapat membangun peta kontrol signal sebagaimana halnya dengan peta-peta kontrol dalam pengendalian proses statistical (statistical proses control = SPC) yang memiliki batas kontrol atas (upper control limit) dan batas control bawah (lower control limit).
Beberapa ahli dalam sistem peramalan seperti menyarankan untuk menggunakan tracking signal maksimum ± 4, sebagai batas-batas pengendalian untuk tracking signal. Dengan demikian apabila tracking signal telah berada diluar batas-batas pengendalian, model peramalan perlu ditinjau kembali, karena akurasi peramalan tidak dapat diterima (Vincent Gaspersz, 2002:81).
0 komentar:
Posting Komentar