Forecasting
Peramalan
merupakan aktivitas fungsi bisnis yang memperkirakan penjualan dan
penggunaan produk sehingga produk-produk itu dapat dibuat dalam
kuantitas yang tepat. Peramalan merupakan dugaan terhadap permintaan
yang akan datang berdasarkan pada beberapa variabel peramal, sering
berdasarkan data deret waktu historis. Peramalan menggunakan
teknik-teknik peramalan yang bersifat formal maupun informal (Gaspersz,
1998).
Kegiatan
peramalan merupakan bagian integral dari pengambilan keputusan
manajemen. Peramalan mengurangi ketergantungan pada hal-hal yang belum
pasti (intuitif). Peramalan memiliki sifat saling ketergantungan antar
divisi atau bagian. Kesalahan dalam proyeksi penjualan akan mempengaruhi
pada ramalan anggaran, pengeluaran operasi, arus kas, persediaan, dan
sebagainya. Dua hal pokok yang harus diperhatikan dalam proses peramalan
yang akurat dan bermanfaat (Makridakis, 1999):
1. Pengumpulan data yang relevan berupa informasi yang dapat menghasilkan peramalan yang akurat.
2. Pemilihan teknik peramalan yang tepat yang akan memanfaatkan informasi data yang diperoleh semaksimal mungkin.
Terdapat
dua pendekatan untuk melakukan peramalan yaitu dengan pendekatan
kualitatif dan pendekatan kuantitatif. Metode peramalan kualitatif
digunakan ketika data historis tidak tersedia. Metode peramalan
kualitatif adalah metode subyektif (intuitif). Metode ini didasarkan
pada informasi kualitatif. Dasar informasi ini dapat memprediksi
kejadian-kejadian di masa yang akan datang. Keakuratan dari metode ini
sangat subjektif (Materi Statistika, UGM).
Metode
peramalan kuantitatif dapat dibagi menjadi dua tipe, causal dan time
series. Metode peramalan causal meliputi faktor-faktor yang berhubungan
dengan variabel yang diprediksi seperti analisis regresi. Peramalan time
series merupakan metode kuantitatif untuk menganalisis data masa lampau
yang telah dikumpulkan secara teratur menggunakan teknik yang tepat.
Hasilnya dapat dijadikan acuan untuk peramalan nilai di masa yang akan
datang (Makridakis, 1999).
Model
deret berkala dapat digunakan dengan mudah untuk meramal, sedang model
kausal lebih berhasil untuk pengambilan keputusan dan kebijakan.
Peramalan harus mendasarkan analisisnya pada pola data yang ada. Empat
pola data yang lazim ditemui dalam peramalan (Materi Statistika, UGM):
1. Pola Horizontal
Pola
ini terjadi bila data berfluktuasi di sekitar rata-ratanya. Produk yang
penjualannya tidak meningkat atau menurun selama waktu tertentu
2. Pola Musiman
Pola
musiman terjadi bila nilai data dipengaruhi oleh faktor musiman
(misalnya kuartal tahun tertentu, bulanan atau hari-hari pada minggu
tertentu).
3. Pola Siklis
Pola
ini terjadi bila data dipengaruhi oleh fluktuasi ekonomi jangka panjang
seperti yang berhubungan dengan siklus bisnis. Struktur datanya dapat
digambarkan sebagai berikut.
4. Pola Trend
Pola Trend terjadi bila ada kenaikan atau penurunan sekuler jangka panjang dalam data.
Forecasting
adalah peramalan atau perkiraan mengenai sesuatu yang belum terjadi.
Ramalan yang dilakukan pada umumnya akan berdasarkan data yang terdapat
di masa lampau yang dianalisis dengan mengunakan metode-metode tertentu.
Forecasting diupayakan dibuat dapat meminimumkan pengaruh
ketidakpastian tersebut, dengan kata lainbertujuan mendapatkan
ramalanyang bisa meminimumkan kesalahan meramal (forecast error) yang
biasanya diukur dengan Mean Absolute Deviation, Absolute Error, dan
sebagainya. Peramalan merupakan alat bantu yang sangat penting dalam
perencanaan yang efektif dan efisien (Subagyo, 1986).
Peramalan
permintaan memiliki karakteristik tertentu yang berlaku secara umum.
Karakteristik ini harus diperhatikan untuk menilai hasil suatu proses
peramalan permintaan dan metode peramalan yang digunakan. Karakteristik
peramalan yaitu faktor penyebab yang berlaku di masa lalu diasumsikan
akan berlaku juga di masa yang akan datang, dan peramalan tak pernah
sempurna, permintaan aktual selalu berbeda dengan permintaan yang
diramalkan (Baroto, 2002).
Penggunaan
berbagai model peramalan akan memberikan nilai ramalan yang berbeda dan
derajat dari galat ramalan (forecast error) yang berbeda pula. Seni
dalam melakukan peramalan adalah memilih model peramalan terbaik yang
mampu mengidentifikasi dan menanggapi pola aktivitas historis dari data.
Model-model peramalan dapat dikelompokan ke dalam dua kelompok utama,
yaitu metode kualitatif dan metode kuantitatif. Metode kuantitatif
dikelompokkan ke dalam dua kelompok utama, yaitu intrinsik dan
ekstrinsik.
Metode
kualitatif ditujukan untuk peramalan terhadap produk baru, pasar baru,
proses baru, perubahan sosial dari masyarakat, perubahan teknologi, atau
penyesuaian terhadap ramalan-ramalan berdasarkan metode kuantitatif.
Metode Peramalan
Model
kuantitatif intrinsik sering disebut sebagai model-model deret waktu
(Time Series model). Model deret waktu yang populer dan umum diterapkan
dalam peramalan permintaan adalah rata-rata bergerak (Moving Averages),
pemulusan eksponensial (Exponential Smoothing), dan proyeksi
kecenderungan (Trend Projection). Model kuantitatif ekstrinsik sering
disebut juga sebagai model kausal, dan yang umum digunakan adalah model
regresi (Regression Causal model) (Gaspersz, 1998).
1. Weight Moving Averages (WMA)
Model
rata-rata bergerak menggunakan sejumlah data aktual permintaan yang
baru untuk membangkitkan nilai ramalan untuk permintaan di masa yang
akan datang. metode rata-rata bergerak akan efektif diterapkan apabila
permintaan pasar terhadap produk diasumsikan stabil sepanjang waktu.
Metode rata-rata bergerak terdapat dua jenis, rata-rata bergerak tidak
berbobot (Unweight Moving Averages) dan rata-rata bobot bergerak (Weight
Moving Averages). Model rata-rata bobot bergerak lebih responsif
terhadap perubahan karena data dari periode yang baru biasanya diberi
bobot lebih besar. Rumus rata-rata bobot bergerak yaitu sebagai berikut.
2. Single Exponential Smoothing (SES)
Pola
data yang tidak stabil atau perubahannya besar dan bergejolak umumnya
menggunakan model pemulusan eksponensial (Exponential Smoothing Models).
MetodeSingle Exponential Smoothing lebih cocok digunakan untuk
meramalkan hal-hal yang fluktuasinya secara acak (tidak teratur).
Permasalahan
umum yang dihadapi apabila menggunakan model pemulusan eksponensial
adalah memilih konstanta pemulusan (α) yang diperirakan tepat. Nilai
konstanta pemulusan dipilih di antara 0 dan 1 karena berlaku 0 < α
< 1. Apabila pola historis dari data aktual permintaan sangat
bergejolak atau tidak stabil dari waktu ke waktu, nilai α yang dipilih
adalah yang mendekati 1. Pola historis dari data aktual permintaan tidak
berfluktuasi atau relatif stabil dari waktu ke waktu, α yang dipilih
adalah yang nilainya mendekati nol (Gaspersz, 1998).
3. Regresi Linier
Model
analisis Regresi Linier adalah suatu metode populer untuk berbagai
macam permasalahan. Menurut Harding (1974) dua variabel yang digunakan,
variabel x dan variabel y, diasumsikan memiliki kaitan satu sama lain
dan bersifat linier.
Ukuran Akurasi Peramalan
Model-model
peramalan yang dilakukan kemudian divalidasi menggunakan sejumlah
indikator. Indikator-indikator yang umum digunakan adalah rata-rata
penyimpangan absolut (Mean Absolute Deviation), rata-rata kuadrat
terkecil (Mean Square Error), rata-rata persentase kesalahan absolut
(Mean Absolute Percentage Error), validasi peramalan (Tracking Signal),
dan pengujian kestabilan (Moving Range).
1. Mean Absolute Deviation (MAD)
Metode
untuk mengevaluasi metode peramalan menggunakan jumlah dari
kesalahan-kesalahan yang absolut. Mean Absolute Deviation (MAD) mengukur
ketepatan ramalan dengan merata-rata kesalahan dugaan (nilai absolut
masing-masing kesalahan). MAD berguna ketika mengukur kesalahan ramalan
dalam unit yang sama sebagai deret asli.
2. Mean Square Error (MSE)
Mean
Squared Error (MSE) adalah metode lain untuk mengevaluasi metode
peramalan. Masing-masing kesalahan atau sisa dikuadratkan. Kemudian
dijumlahkan dan ditambahkan dengan jumlah observasi. Pendekatan ini
mengatur kesalahan peramalan yang besar karena kesalahan-kesalahan itu
dikuadratkan. Metode itu menghasilkan kesalahan-kesalahan sedang yang
kemungkinan lebih baik untuk kesalahan kecil, tetapi kadang menghasilkan
perbedaan yang besar.
3. Mean Absolute Percentage Error (MAPE)
Mean
Absolute Percentage Error (MAPE) dihitung dengan menggunakan kesalahan
absolut pada tiap periode dibagi dengan nilai observasi yang nyata untuk
periode itu. Kemudian, merata-rata kesalahan persentase absolut
tersebut. Pendekatan ini berguna ketika ukuran atau besar variabel
ramalan itu penting dalam mengevaluasi ketepatan ramalan. MAPE
mengindikasi seberapa besar kesalahan dalam meramal yang dibandingkan
dengan nilai nyata.
4. Tracking Signal
Validasi
peramalan dilakukan dengan Tracking Signal. Tracking Signal adalah
suatu ukuran bagaimana baiknya suatu peramalan memperkirakan nilai-nilai
aktual.
Tracking
signal yang positif menunjukan bahwa nilai aktual permintaan lebih
besar daripada ramalan, sedangkan tracking signal yang negatif berarti
nilai aktual permintaan lebih kecil daripada ramalan. Tracking signal
disebut baik apabila memiliki RSFE yang rendah, dan mempunyai positive
error yang sama banyak atau seimbang dengannegative error, sehingga
pusat dari tracking signal mendekati nol. Tracking signal yang telah
dihitung dapat dibuat peta kontrol untuk melihat kelayakkan data di
dalam batas kontrol atas dan batas kontrol bawah.
5. Moving Range (MR)
Peta
Moving Range dirancang untuk membandingkan nilai permintaan aktual
dengan nilai peramalan. Data permintaan aktual dibandingkan dengan nilai
peramal pada periode yang sama. Peta tersebut dikembangkan ke periode
yang akan datang hingga dapat dibandingkan data peramalan dengan
permintaan aktual. Peta Moving Range digunakan untuk pengujian
kestabilan sistem sebab-akibat yang mempengaruhi permintaan.
Jika
ditemukan satu titik yang berada diluar batas kendali pada saat
peramalan diverifikasi maka harus ditentukan apakah data harus diabaikan
atau mencari peramal baru. Jika ditemukan sebuah titik berada diluar
batas kendali maka harus diselidiki penyebabnya. Penemuan itu mungkin
saja membutuhkan penyelidikan yang ekstensif. Jika semua titik berada di
dalam batas kendali, diasumsikan bahwa peramalan permintaan yang
dihasilkan telah cukup baik. Jika terdapat titik yang berada di luar
batas kendali, jelas bahwa peramalan yang didapat kurang baik dan harus
direvisi (Gaspersz, 1998).
Kegunaan
peta Moving Range ialah untuk melakukan verifikasi hasil peramalan
least square terdahulu. Jika peta Moving Range menunjukkan keadaan
diluar kriteria kendali. Hal ini berarti terdapat data yang tidak
berasal dari sistem sebab-akibat yang sama dan harus dibuang maka
peramalan pun harus diulangi lagi.
No comments:
Post a Comment