http://www.free-powerpoint-templates-design.com

BAB 5 PERAMALAN

5.1 Peramalan Organisasi

5.1.1 Pengertian Peramalan

• Peramalan adalah perkiraan yang diharapkan dalam periode waktu tertentu di masa yang akan datang
• Peramalan (forecasting) merupakan bagian vital bagi setiap organisasi bisnis dalam setiap pengambilan keputusan manajemen karena secara signifikan menjadi dasar perencaan jangka panjang organisasi.
• Efektivitas dan efesiensi dari sitem peramalan permintaan ditentukan oleh beberapa faktor yaitu :
1. Penetuan tujuan peramalan;
2. Pemilihan item yang diramalkan;
3. Penentuan horizon waktu peramalan;
4. Pemilihan model peramalan;
5. Data yang diperlukan untuk peramalan;
6. Validasi model peramalan;
7. Pembuatan peramalan;
8. implementasi hasil peramalan;
9. Evaluasi keandalan hasil peramalan.

​

5.1 Peramalan Organisasi

Klasifikasi Peramalan

• Peramalan jangka pendek 🡪 1 tahun tetapi pd umumnya 3 bulan. Tujuannya utk perencanaan pembelian, penjadwalan kerja, jumlah tenaga kerja, penugasan kerja, dan tingkat produksi.
• Peramalan jangka menengah 🡪 bulanan hingga 3 tahun. Tujuannya utk perencanaan penjualan, perencanaan dan anggaran produksi, anggaran kas dan menganalisis bermacam-macam rencana operasi
• Peramalan jangka panjang 🡪 3 tahun atau lebih. Tujuannya utk perencanaan produk baru, pembelanjaan modal, lokasi atau pengembangan fasilitas, serta penelitian dan pengembangan

• Peramalan jangka menengah dan panjang 🡪 permasalahan yang lebih menyeluruh dan mendukung keputusan manajemen dalam perencaan produk, pabrik, dan proses.
• Peramalan jangka pendek🡪 menggunakan model teknik matematika seperti rata-rata bergerak, penghalusan eksponensial, dan ekstrapolasi tren..
• Peramalan jangka pendek cenderung lebih tepat dibandingkan peramalan jangka panjang.
• Sejalan dengan semakin panjangnya horizon waktu maka ketepatan peramalan cenderung semakin berkurang.

5.1 Peramalan Organisasi

5.1.2 Fungsi dan Pertimbangan Peramalan

• Pengembangan Fungsi peramalan dibutuhkan untuk mengidentifikasi output karena spesifikasi output dapat menyederhanakan pemilihan model peramalan, tetapi fungsi peramalan tidaklah lengkap tanpa mempertimbangkan input

​

• Pertimbangan peramalan :

(i)item yang diramalkan,

(ii) peramalan dari atas (top-down) atau dari bawah (bottom up),

(iii)teknik peramalan (model kuantitatif atau kualitatif),

(iv)satuan yang digunakan,

(v)interval/horizon waktu,

(vi) komponen peramalan,

(vii) ketepatan peramalan,

(viii) pengecualian dan situasi khusus,

(ix) perbaikan parameter model peramalan

5.1 Peramalan Organisasi

5.1.2 Alasan dan Peran Peramalan

• Alasan dilakukannya peramalan :
• Meningkatnya kompleksitas organisasi dan lingkungannya
• Meningkatnya ukuran organisasi menyebabkan bobot dan kepentingan suatu keputusan akan meningkat
• Lingkungan organisasi yang dinamis
• Pengambilan keputusan secara sistematis
• Pengembangan metode peramalan dan pengetahuan

​

• Peran peramalan dalam perencanaan proses produksi dapat diuraikan sebagai berikut :
• Marketing Planning
• Master Production Schdule (MPS)
• Resource Palnning
• Rought Cut Capacity Planning (RCPP)
• Demand Management
• Material Requirement Planning (CRP)
• Production Activity Control (PAC)
• Purchasing
• Performance Measurement

5.1 Peramalan Organisasi

5.1.3 Jenis-jenis Peramalan

Jenis-jenis peramalan berdasarkan perencanaan operasi di masa depan sebagai berikut:

1. Peramalan ekonomi (economic forecast)
2. Peramalan teknologi (technological forecast)
3. Peramalan permintaan (demand forecast)

​

Jenis-jenis peramalan berdasarkan sifat penyusunan sebagai berikut:

1. Peramalan Kualitatif
2. Peramalan Kuantitatif

Peramalan kuantitatif memerlukan tiga kondisi, yaitu :

1. Adanya informasi masa lalu;
2. Informasi tersebut dapat dikuantifisir;
3. Diasumsikan bahwa pola di masa lalu dapat berkelanjutan di masa yang akan datang.

5.1 Peramalan Organisasi

5.1.4 Metode Peramalan

1. Metode Kuantitatif

Metode kuantitatif adalah metode peramalan yang sangat mengandalkan pola data historis. Metode kunatitatif terdari dari dua, yaitu:

a. Metode Deret Berkala (Time series)

Tujuannya adalah meneliti pola data yang digunakan untuk meramalkan dan melakukan ekstrapolasi ke masa depan dengan data time series. Metode yang menggunakan time series, yaitu metode rata-rata bergerak sederhana, metode rata-rata bergerak tertimbang (weighted moving average), penghalusan eksponensial, proyeksi trend

b. Metode Kausal

Mengasumsikan bahwa faktor yang diramalkan menunjukkan hubungan sebab akibat dengan satu atau lebih variabel bebas. Metode kausalitas antara lain: metode regresi dan metode korelasi, model input output, model ekonometrika.

2. Metode Kualitatif

Metode kualitatif adalah metode penaksiran berdasarkan perakiraan secara subjektif atau opini pembuat ramalan dan input yang dibutuhkan tergantung pada pemikiran intuitif pertimbangan dan pengetahuan.

a. Metode Ekploratoris

b. Metode Normatif

​

Metode Kualitatif juga dibedakan menjadi empat yaitu sebagai berikut:

* Metode Delphi

* Riset Pasar

* Analogic historic

* Konsensus panel

​

5.1 Peramalan Organisasi

5.1.5 Karakteristik Peramalan yang Baik

​

1. Akurasi hasil peramalan diukur dengan hasil kebiasaan dan kekonsistensian peramalan tersebut.
2. Biaya pembuatan suatu tergantung dari jumlah item yang diramalkan, lamanya periode peramalan, dan metode peramalan yang dipakai.
3. Kemudahan dalam penggunaan metode peramalan yang sederhana, mudah dibuat dan diaplikasikan akan memberikan keuntungan bagi perusahaan karena keterbatasan dana, sumber daya manusia maupun peralatan teknologi.

5.1 Peramalan Organisasi

5.1.6 Prosedur Peramalan

1) Menentukan tujuan ramalan

2) Pemilihan teknik peramalan

3) Memperoleh membersihkan dan menganalisis data yang tepat untuk menghilangkan objek asing dan data yang jelas tidak benar sebelum analisis.

4) Membuat ramalan

5) Memantau ramalan agar dapat menentukan apakah ramalan ini dilakukan dengan cara yang memuaskan dengan memeriksa kembali metode peramalan, asumsi, keabsahan data, dan lain-lain sesuai kebutuhan untuk revisi ramalan.

​

Faktor lingkungan yang mempengaruhi peramalan :

1. Kondisi umum bisnis dan ekonomi
2. Reaksi dan tindakan pesaing
3. Tindakan pemerintah
4. Kecenderungan pasar

5.2 Pola dan Penilaian Peramalan

Pola Data dalam Peramalan

1. Pola Horizontal yang terjadi jika data berfluktuasi di sekitar rata-ratanya.

​

​

• Pola Musiman yang terjadi jika nilai data dipengaruhi oleh faktor musiman

​

​

• Pola Siklis yang terjadi jika data dipengaruhi oleh fluktuasi ekonomi jangka panjang

​

​

4. Pola Trend yang terjadi jika ada kenaikan atau penurunan sekuler jangka panjang dalam data

Indikator Penilaian Model Peramalan

5.2 Pola dan Penilaian Peramalan

1. Rata-rata Penyimpangan Absolut (Mean Absolute Deviation/MAD)

Metode yang digunakan untuk mengevaluasi metode peramalan menggunakan jumlah dari kesalahan-kesalahan yang absolut. MAD berguna untuk mengukur kesalahan ramalah dalam unit yang sama sebagai deret asli. Nilai MAD dirumuskan sebagai berikut:

​

​

2. Rata-rata Kuadrat Terkecil (Mean Square Error/MSE)

Metode ini menghasilkan kesalahan-kesalahan sedang yang kemungkinan lebih baik untuk kesalahan kecil, tetapi kadang menghasilkan perbedaan yang besar. Nilai MSE di rumuskan sebagai berikut:

​

​

​

Indikator Penilaian Model Peramalan

5.2 Pola dan Penilaian Peramalan

3. Rata-rata Persentase Kesalahan Absolut (Mean Absolute Percentage Error/MAPE)

MAPE mengindikasikan seberapa besar kesalahan dalam meramal yang dibandingkan dengan nilai nyata. MAPE mengindikasi seberapa besar kesalahan dalam meramal yang dibandingkan dengan nilai nyata. Nilai MAPE dirumuskan sebagai berikut:

​

​

​

​

4. Validasi Peramalan (Tracking Signal)

Tracking signal positif 🡪 nilai aktual permintaan > ramalan

Tracking signal negatif 🡪 nilai aktual permintaan < ramalan

Nilai validasi peramalan dihitung sebagai berikut :

​

​

​

Indikator Penilaian Model Peramalan

5.2 Pola dan Penilaian Peramalan

5. Peta Moving Range

Peta Moving Range digunakan untuk pengujian kestabilan sistem sebab akibat yang mempengaruhi permintaan. Perhitungan peta moving range dirumuskan sebagai berikut:

Ketentuan :

• Jika ditemukan satu titik berada diluar batas kendali, maka harus ditentukan apakah data tsb harus diabaikan atau mencari peramal baru
• Jika ditemukan sebuah titik di luar batas kendali maka harus diselidiki penyebabnya
• Jika semua titik di dalam batas kendali maka diasumsikan peramalan permintaan yang dihasilkan telah cukup baik
• Jika terdapat titik di luar batas kendali maka peramalan yang didapat kurang baik dan harus direvisi

1. Naïve Model

Metode naïve adalah metode paling sederhana karena mengasumsikan bahwa data yang baru saja terjadi merupakan prediksi paling tepat. Untuk meramalkan periode yang akan datang. Rumus Naïve Model dikelompokkan menjadi tiga jenis berdasarkan plot time series sebagai berikut :

a. Model sederhana untuk data stasioner (the simplest model for stationary data)

​

​

b. Model sederhana untuk data tren (the simplest model for trend data)

​

​

c. Model sederhana untuk data musiman (the simplest model for seasonal data)

​

​

5.3 Peramalan Musiman dan Tren

5.3.1 Peramalan Musiman

2. Model Winter’s Exponential Smoothing

Kelebihan utama metode ini adalah mudah dalam operasi yang relatif rendah tetapi ketepatannya masih diragukan untuk peramalan ratusan item. Jenis-jenis model Exponential Smoothing antara lain:

a. Metode Single Exponential Smoothing

Metode Single Exponential Smoothing digunakan untuk meramalkan suatu periode kedepan dengan rumus sebagai berikut :

Sementara itu, evaluasi kebaikan model peramalan adalah menggunakan RMSE sebagai berikut:

​

​

​

​

5.3.1 Peramalan Musiman

5.3 Peramalan Musiman dan Tren

b. Metode Double Exponential Smoothing

Metode Double Exponential Smoothing dikembangkan oleh Brown’s untuk mengatasi adanya perbedaan antara data aktual dan nilai peramalan dalam plot data trend.

Metode ini lebih baik dibandingkan antara metode double moving average karena memiliki nilai RMSE yang lebih kecil dari nilai RMSE metode double moving average

5.3 Peramalan Musiman dan Tren

5.3.1 Peramalan Musiman

Metode Double Exponential Smoothing terdiri dari :

1. Metode Double Exponential Smoothing Satu Parameter Brown, yaitu serupa dengan rata-rata bergerak linear karena kedua nilai single smoothing dan double smoothing tertinggal dari data sebenarnya jika ada unsur tren sehingga perbedaan antara nilai single dan double smoothing ditambahkan dalam nilai smoothing dan disesuaikan dengan tren dengan rumus sebagai berikut :

= ditentukan terlebih dahulu

= ditentukan terlebih dahulu

​

​

​

​

Keterangan :

= nilai pemulusan eksponensial tunggal

= nilai pemulusan eksponensial ganda

= jumlah periode ke muka yang diramalkan

= peramalan m periode ke muka

​

5.3.1 Peramalan Musiman

5.3 Peramalan Musiman dan Tren

5.3.1 Peramalan Musiman

5.3 Peramalan Musiman dan Tren

2. Metode Double Exponential Smoothing Dua Parameter Holt

Ramalan pemulusan eksponensial linear Holt diperoleh dengan menggunakan dua konstan pemulusan (nilai antara 0 sampai 1) dan tiga persamaan sebagai berikut :

= ditentukan terlebih dahulu

= ditentukan terlebih dahulu

​

Keterangan:

= data pemulusan pada periode t

= trend pemulusan pada periode t

= peramalan pada periode t

= jumlah periode ke muka yang diramalkan

5.3.1 Peramalan Musiman

5.3 Peramalan Musiman dan Tren

c. Metode Triple Exponential Smoothing

Metode Triple Exponential Smoothing digunakan ketika data menunjukkan adanya tren dan perilaku musiman dengan rumus sebagai berikut :

​

​

​

​

​

Langkah-langkah peramalan sebagai berikut :

1. Menentukan nilai dengan rumus
2. Menentukan nilai dengan rumus
3. Menentukan nilai dengan rumus
4. Melakukan peramalan satu periode kedepan

​

​

5.3.1 Peramalan Musiman

5.3 Peramalan Musiman dan Tren

3. Model Time Series Regression

​

Peramalan time series menggunakan dua kategori utama pengujian, yaitu :

a. Pemulusan (Smoothing)

Metode pemulusan mendasarkan ramalannya dengan prinsip rata-rata dari kesalahan masa lalu (Averaging smoothing past errors) dengan menambahkan nilai ramalan sebelumnya dengan persentase kesalahan (percentage of the errors) antara nilai sebenarnya (actual value) dengan nilai ramalannya (forecasting value).

b. Dekomposisi (decomposition)

Metode ini menggunakan empat komponen utama dalam meramalkan nilai masa depan, komponen tersebut antara lain trend (T), musiman( ), Siklik/siklus ( ) dan Error atau komponen ketidakteraturan ( ).

5.3.1 Peramalan Musiman

5.3 Peramalan Musiman dan Tren

Jenis model dekomposisi terdiri dari :

1. Dekomposisi Aditif yang menghitung dekomposisi time series pada komponen-komponen trend, musiman, siklus dan error dengan persamaaan model sebagai berikut :

​

​

​

2. Dekomposisi Multiplikatif yang menghitung dekomposisi time series pada komponen-komponen ternd, musiman, siklus dan error dan kemudian memprediksi nilai masa depan, dengan persamaan model sebagai berikut :

​

​

​

Metode Least Square adalah metode yang lazim digunakan untuk analisis time series mencakup :

Metode Garis Linier Secara Bebas (Free Hand Method)

Metode Setengah Rata-Rata (Semi Average Method)

Metode Rata-Rata Bergerak (Moving Average Method)

Metode Kuadrat Terkecil (Least Square Method)

​

5.3.2 Peramalan Tren

5.3 Peramalan Musiman dan Tren

Tren adalah keadaan data yang menarik atau menurun dari waktu ke waktu. Tehnik lazim yang digunakan adalah metode kuadrat terkecil (least square meethod) dengan rumus sebagai :

​

​

dimana : y adalah data time series yang akan diperkirakan

t adalah variabel waktu

a dan b adalah konstanta dan koefisien

a dan b didapat dengan menggunakan formula :

​

​

​

​

​

Thank You