Peramalan

PERAMALAN

           

Teori Peramalan

            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. Pertimbangan ini dibutuhkan karena tidak ada satupun metode dari peramalan tersebut yang dapat dipergunakan secara universal untuk seluruh keadaan atau situasi. Di samping itu perlu diperhatikan bahwa peramalan selalu salah, di mana jarang sekali terjadi apa yang diramalkan tentang permintaan misalnya sama persis dengan jumlah yang terjadi dalam permintaan nyata.

            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. 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 hasil-hasil ramalan permintaan, sehingga informasi yang dikirim dari 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

Menurut Gaspersz (2004), dikenal dua sumber utama yang berkaitan dengan informasi permintaan produk, yaitu ramalan terhadap produk  independent demand yang bersifat tidak pasti dan pesanan-pesanan yang bersifat pasti. Pesanan-pesanan yang bersifat pasti ini antara lain pesanan pelanggan, alokasi tertentu untuk area geografis, service or spare parts and samples, distribution center demands (or branch warehouse demands), dan lain-lain. Dalam beberapa perusahaan industri manufaktur, kebutuhan-kebutuhan untuk pusat distribusi dan operasi antar pabrik ditangani secara terpisah.

            Aktivitas peramalan hanya boleh dilakukan terhadap material, parts atau produk yang tidak terkait langsung dengan struktur bill of material untuk produk akhir atau item tertentu dan oleh karena itu digolongkan ke dalam independent demand. Sedangkan untuk material, parts, atau produk yang terkait langsung terhadap atau diturunkan dari struktur bill of material untuk produk akhir atau item tertentu, dan oleh karena itu digolongkan sebagai dependent demand harus direncanakan atau dihitung, tidak boleh diramalkan. Dengan demikian item-item yang dapat diramalkan dalam industri manufaktur adalah produk-produk untuk make-to-stock, make-to-order, assemble-to-order, resource availability, kebutuhan pemeliharaan (kecuali pemeliharaan preventif periodik), service parts dan kebutuhan internal perusahaan dan independent demand lainnya.

            Pada dasarnya terdapat sembilan langkah yang harus diperhatikan untuk menjamin efektifitas dan efisiensi dari sistem peramalan dalam manajemen permintaan yang disebut juga sebagai konsep dasar sistem peramalan, yaitu:

a.    Menentukan tujuan dari peramalan.

b.    Memilih item independent demand yang akan diramalkan.

c.    Menentukan horizon waktu dari peramalan (jangka pendek, menengah, atau 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.

            Menurut Gaspersz (2004), tujuan utama dari peramalan dalam manajemen perawatan adalah untuk meramalkan permintaan dari item-item independent demand di masa yang akan datang. Selanjutnya dengan mengkombinasikannya dengan pelayanan pesanan (order service) yang bersifat pasti, kita dapat mengetahui total permintaan dari suatu item atau produk agar memudahkan manajemen produksi dan inventori. Perencanaan produksi dan inventori, termasuk kapasitas dan sumber daya lainnya dalam industri manufaktur, semestinya mengacu kepada data total permintaan produk di masa yang akan datang. Dengan demikian jelas bahwa tujuan utama peramalan dalam manajemen permintaan adalah untuk mencapai efektivitas dan efisiensi dari manajemen produksi dan inventori dalam industri manufaktur.

Pemilihan item-item independent demand yang akan diramalkan tergantung pada situasi dan kondisi aktual dari masing-masing industri manufaktur. Namun yang terpenting bagi manajemen industri adalah memperhatikan bahwa item-item independent demand adalah item-item yang bebas atau tidak terkait langsung dengan struktur Bill Of Material (BOM) untuk produk akhir yang akan dibuat oleh industri manufaktur itu.

            Penentuan horizon waktu peramalan akan tergantung pada situasi dan kondisi aktual dari masing-masing industri manufaktur serta tujuan dari peramalan itu sendiri. Bagaimanapun juga peramal harus memilih interval ramalan atau bagaimana seringnya mengembangkan suatu ramalan. Alternatif yang umum dipilih adalah menggunakan interval waktu harian, mingguan, bulanan, semesteran ataupun tahunan. Di samping itu peramal harus memilih banyaknya periode di masa mendatang yang akan diramalkan. Dalam sistem peramalan berlaku aturan bahwa semakin jauh periode di masa mendatang yang diramalkan hasil ramalan akan semakin kurang akurat.

Peramalan jangka panjang berkaitan dengan perencanaan bisnis, analisis fasilitas, proyek-proyek jangka panjang, produk-produk atau pasar-pasar baru, investasi modal, dll. Karakteristik dari peramalan jangka panjang adalah dilakukan analisis satu kali, lebih banyak berdasarkan pertimbangan manajemen puncak, lebih banyak menggunakan data eksternal, dilakukan oleh manajemen puncak dan dilakukan terhadap beberapa produk atau famili dari produk. Peramalan jangka menengah berkaitan dengan perencanaan anggaran, produksi, pembelian menggunakan blanket purchase order. Peramalan jangka pendek berkaitan dengan perencanaan distribusi inventori, perencanaan material dan lain-lain.

Di samping berdasarkan waktu, peramalan juga dapat dilakukan berdasarkan lokasi geografis, dan kelompok produk yang dalam sistem peramalan dikenal sebagai peramalan berdasarkan dimensi agregasi dan agregasi. Hal yang berlaku umum berkaitan dengan agregasi ini adalah bahwa peramalan pada tingkat agregasi yang lebih tinggi akan lebih akurat dibandingkan peramalan pada tingkat agregasi yang lebih rendah atau pada tingkat disagregasi. Pemilihan model-model peramalan akan tergantung pada pola data dan horizon waktu dari peramalan. Terdapat sejumlah model peramalan yang telah dikembangkan pada saat ini. Namun berdasarkan alasan data yang tersedia dan kemudahan penggunaan dari model peramalan itu hanya terdapat beberapa model umum yang sangat populer untuk diterapkan. Pada dasarnya model peramalan dapat diklasifikasikan ke dalam tiga kategori, yaitu ekstrapolasi, kausal, dan pertimbangan. Ekstrapolasi dan kausal dikategorikan sebagai model kuantitatif sedangkan yang ketiga dikategorikan sebagai model kualitatif.

            Teori Tentang Metode Peramalan Yang Digunakan

            Menurut Eddy Herjanto, Manajemen Produksi dan Operasi, Metode peramalan terdiri atas metode peramalan kualitatif dan metode peramalan kuantitatif.

      Pada umumnya peramalan kualitatif bersifat subjektif dipengaruhi oleh intuisi, emosi, pendidikan, dan pengalaman seseorang. Oleh karena itu hasil peramalan dari satu orang dengan orang lain dapat berbeda. Meskipun demikian, peramalan dengan metode kualitatif tidak berarti hanya menggunakan intuisi melainkan mengikutsertakan model statistik sebagai bahan masukan dalam melakukan judgment (pendapat, keputusan) dan dapat dilakukan secara perseorangan ataupun kelompok.

Dalam peramalan kualitatif dikenal empat metode yang umum dipakai, yaitu:

a.   Juri Opini Eksekutif

Pendekatan ini merupakan pendekatan peramalan yang paling sederhana dan banyak digunakan dalam peramalan bisnis.

b.   Metode Delphi

Dalam metode ini, serangkaian kuesioner disebarkan kepada responden, kemudian jawabannya diringkas dan diberikan ke panel ahli untuk dibuat perkiraan.

c.   Gabungan Tenaga Penjualan

      Metode ini cukup banyak digunakan, karena tenaga penjualan (sales force) merupakan sumber informasi yang baik mengenai permintaan konsumen. Setiap tenaga penjualan meramalkan tingkat penjualan di daerahnya, kemudian digabungkan pada tingkat provinsi dan seterunya sampai ke tingkat nasional untuk mencapai peramalan yang menyeluruh.

d.   Survei Pasar

      Masukan diperoleh dari konsumen atau konsumen potensial terhadap rencana pembelian dimasa datang. Survei dapat dilakukan dengan kuesioner, telepon, atau wawancara langsung. Pendekatan ini membantu tidak saja dalam menyiapkan peramalan, tetapi juga dalam meningkatkan desain produk dan perencanaan untuk suatu produk baru. Selain memerlukan waktu, metode ini juga mahal dan sulit.

      Pada dasarnya, metode kuantitatif yang digunakan dalam perkiraan dapat dokelompokkan dalam dua jenis, yaitu:

a.   Metode Serial Waktu

Metode serial waktu (deret berkala, time series) adalah metode yang digunakan untuk menganalisis serangkaian data yang merupakan fungsi dari waktu. Analisis serial waktu dimulai dengan memplotkan data pada suatu skala waktu, mempelajari pola tersebut, dan akhirnya mencari suatu bentuk atau pola yang konsisten atas data. Pola dari serangkaian data dalam serial waktu dapat dikelompokkan dalam pola dasar sebagai berikut:

a).  Konstan, yaitu apabila data berfluktuasi dari sekitar rata-rata secara stabil. Pola berupa garis lurus horizontal. Pola seperti ini terdapat dalam jangka pendek atau menengah, jarang sekali suatu variabel memiliki pola konstan dalam jangka panjang.

b).  Kecendrungan (trend), yaitu apabila data dalam jangka panjang mempunyai kecendrungan, baik yang awalnya meningkat maupun menurun dari waktu ke waktu.

c).   Musiman (seasonal), yaitu apabila polanya merupakan gerakan yang berulang-ulang secara teratur dalam setiap periode tertentu, misalnya tahunan, semesteran, kuartalan, bulanan atau mingguan.

d).  Siklus (cyclical), yaitu apabila data dipengaruhi oleh fluktuasi ekonomi jangka panjang, seperti daur hidup bisnis.

e).  Residu atau variasi acak, yaitu apabila data tidak teratur sama sekali.Data yang bersifat residu tidak dapat digambarkan.

b.   Metode Kausal

Metode Kausal atau disebut juga dengan metode eksplanatori mengasumsikan adanya hubungan sebab akibat antara variabel bebas dan variabel tidak bebas yang dipengaruhinya, atau dalam bentuk lain antara input dan output dari suatu sistem. Sistem itu dapat berbentuk makro (seperti perekonomian nasional) atau mikro (seperti dalam perusahaan atau rumah tangga).

Metode Kausal bertujuan untuk meramalkan keadaan di masa datang dengan menemukan dan mengukur beberapa variabel bebas (independent) yang penting beserta pengaruhnya terhadap variabel tidak bebas yang diamati. Dengan mengetahui model hubungan antara variabel yang bersangkutan, dapat diramalkan bagaimana pengaruh yang terjadi pada variabel tidak bebas apabila terjadi perubahan pada variabel bebasnya.

Peramalan kuantitatif dapat diterapkan bila terdapat tiga kondisi berikut:

a.    Tersedia informasi tentang masa lalu.

b.    Informasi tersebut dapat dikuantitatifkan dalam bentuk data numerik.

c.    Dapat diasumsikan bahwa beberapa aspek pola masa lalu akan terus berlanjut dimasa yang akan datang.

      Pemilihan metode-metode peramalan akan tergantung pada pola data dan horizon waktu dari peramalan.

            Metode Weight Moving Average

            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 Exponential Smoothing

            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)

            Permasalahan umum yang dihadapi apabila mengunakan model pemulusan eksponensial adalah memilih konstanta pemulusan (a) yang dikira tepat. Nilai konstanta pemulusan dapat dipilih di antara nilai 0 dan 1, karena berlaku 0 < a <1. Bagaimanapun juga untuk penetapan nilai a yang diperkirakan tepat, dapat digunakan panduan sebagai berikut :

            Apabila pola historis dari data aktual permintaan sangat bergejolak atau tidak stabil dari dari waktu ke waktu, dipilih nilai a yang mendekati 1. Biasanya dipilih nilai a = 0,9 dan semakin bergejolak nilai a yang dipilih harus semakin tinggi menuju angka 1.

            Apabila pola historis dari data aktual permintaan tidak berfluktuasi atau relatif stabil dari waktu ke waktu, dapat dipilih nilai a yang mendekati nol. Biasanya dipilih nilia a = 0,1. Semakin stabil, nilai a yang dipilih harus semakin kecil menuju nilai nol.

Untuk mengetahui sejauh mana keandalan dari model peramalan berdasarkan pemulusan eksponensial harus menggunakan peta kontrol tracking signal dan membandingkan apakah nilai-nilai ramalan itu telah menggambarkan atau sesuai dengan pola historis dari data aktual permintaan.

            Metode Regresi Linier

            Dalam ilmu statistika, metode regresi linier sering sekali dipakai untuk memecahkan masalah-masalah dalam penaksiran tentunya hal ini berlaku juga dalam peramalan sehingga metode regresi linier menjadi suatu metode yang mempunyai taksiran terbaik diantara metode-metode yang lain.

            Metode regresi linier dipergunakan sebagai metode peramalan apabila pola historis dari data aktual permintaan menunjukkan adanya suatu kecenderungan menaik dari waktu ke waktu.

            Istilah regresi linier berarti, bahwa rataan (m_y|x) berkaitan linier dengan x dalam bentuk persamaan linier populasi.

Koefisien regresi a dan b merupakan dua parameter yang akan ditaksir dari data sampel. Bila taksiran untuk kedua parameter itu masing-masing dinyatakan dengan a dan b maka m_y|x dapat ditaksir dengan ŷ dari bentuk garis regresi berdasarkan sampel atau garis kecocokan regresi.

dimana :

ŷ    = 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

            Dengan taksiran a dan b masing-masing menyatakan perpotongan dengan sumbu y dan kenaikannya. Lambang ŷ digunakan di sini untuk membedakan antara taksiran atau nilai prediksi yang diberikan oleh garis regresi sampel dan nilai y amatan percobaan yang sesungguhnya untuk suatu nilai x.

  Slope dan intersep dari persamaan regresi linier dihitung dengan menggunakan formula berikut :

Mean Forecast Error

Menurut Gaspersz (2004), 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 derjat dari galat ramalan yang berbeda pula.  

  Tabel 3.2 Alasan terjadi galat ramalan dan tindakan yang harus diambil

No.	Alasan terjadi galat ramalan	Tindakan yang harus diambil
1	Perubahan dari pola data dasar	Mengubah model peramalan
2	Faktor eksternal (termasuk promosi, aktivitas pesaing, hari raya, cuaca, konflik internasional, dan lain-lain	Identifikasi dan lakukan penyesuaian model peramalan dengan faktor eksternal itu
3	Variasi acak normal	Terima model peramalan itu
4	Kesalahan pemasukan data	Identifikasi dan koreksi
5	Perubahan dalam faktor ekstrinsik	Identifikasi dan lakukan penyesuaian model peramalan dengan faktor ekstrinsik itu
6	Kehilangan data	Mencari data asli atau substitusi data itu
7	Tingkat disagregasi	Terima model peramalan itu

Rata-rata kesalahan kuadrat memperkuat pengaruh angka-angka kesalahan besar, tetapi memperkecil angka kesalahan prakiraan yang lebih kecil dari satu unit.