Bab III Peramalan
Transcript of Bab III Peramalan
III-1
BAB III PERAMALAN 3.1 Landasan Teori 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 hasil-
hasil 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.
3.2 Metode Peramalan Yang Digunakan Penyelesaian peramalan memiliki beberapa metode yang
umum seperti metode weight moving average, exponential
smoothing, dan regresi linier. Berikut ini adalah penjelasan dari
metode tersebut (Gaspersz, 2004).
a. Metode Weight Moving Average (WMA)
Model rata-rata begerak terbobot lebih responsif terhadap
perubahan, karena data dari periode yang baru biasanya diberi
III-3
absolut dari errorsMAD =
forecastn
RSFE = MAD
Tracking Signal
bobot lebih besar. Suatu model rata-rata bergerak n-periode
terbobot, weighted MA(n), dinyatakan sebagai berikut:
Selanjutnya untuk mengetahui sejauh mana keandalan dari
model peramalan weighted moving average (WMA), maka
diharuskan untuk membuat peta kontrol tracking signal. Cara
untuk bisa mendapatkan nilai tracking signal harus dicari terlebih
dahulu nilai MAD yang didapat dari rumus matematis adalah
sebagai berikut (Gaspersz, 2004).
b. Metode Exponential Smoothing (ES)
Metode peramalan dengan pemulusan eksponensial
biasanya digunakan untuk pola data yang tidak stabil atau
perubahannya besar dan bergejolak. Metode permalan ini bekerja
hampir serupa dengan alat thermostat. 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.
pembobot untuk periode n permintaan aktual dalam periode n MA(n) =
pembobotWeighted
III-4
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 (Gaspersz, 2004).
Keterangan
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
: konstanta pemulusan (smoothing constant)
Cara yang digunakan 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 (Gaspersz, 2004). c. Metode Regresi Linier
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
(y|x) berkaitan linier dengan x dalam bentuk persamaan linier
populasi (Hasan, 1999).
t t-1 t-1 t-1F = F + (A - F )
III-5
Koefisien regresi dan merupakan dua parameter yang
akan ditaksir dari data sampel. Bila taksiran untuk kedua
parameter itu masing-masing dinyatakan dengan a dan b maka
y|x dapat ditaksir dengan ŷ dari bentuk garis regresi berdasarkan
sampel atau garis kecocokan regresi (Hasan, 1999).
Keterangan
Ŷ : nilai ramalan permintaan pada peiode ke-t
a : intersept
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 intersept dari persamaan regresi linier dihitung dengan
menggunakan formula berikut (Hasan, 1999):
Keterangan
b : slope dari persamaan garis lurus
a : intersept dari persamaan garis lurus
x : index waktu
ŷ = a + bx
y|x = + x,
22
n . xy - x . yb =
n . x - x
x - b . xa =
n
III-6
x-bar : nilai rata-rata dari x
y : variabel permintaan (data aktual permintaan)
y-bar : nilai rata-rata permintaan per periode waktu, rata-rata dari
y
Menurut Pangestu (1986), forecasting adalah peramalan
(perkiraan) mengenai sesuatu yang belum terjadi. Metode
peramalan terdiri atas metode peramalan kualitatif dan metode
peramalan kuantitatif. 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.
Peramalan kualitatif menggunakan empat metode yang umum
dipakai, yaitu (Herjanto, 1999):
1. Juri Opini Eksekutif
Metode ini cukup banyak digunakan. Pendekatan ini
merupakan pendekatan peramalan yang paling sederhana dan
banyak digunakan dalam peramalan bisnis.
2. Metode Delphi
Metode ini, serangkaian kuesioner disebarkan kepada
responden. Langkah berikut jawabannya diringkas dan diberikan
ke panel ahli untuk dibuat perkiraan.
3. 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
III-7
digabungkan pada tingkat provinsi dan seterunya sampai ke
tingkat nasional untuk mencapai peramalan yang menyeluruh.
4. Survei Pasar
Masukan diperoleh dari konsumen atau konsumen potensial
terhadap rencana pembelian di masa datang. Survei dapat
dilakukan dengan kuesioner, telepon, atau wawancara langsung.
Pendekatan ini membantu tidak hanya dalam menyiapkan
peramalan, tetapi juga dalam meningkatkan desain produk dan
perencanaan untuk suatu produk baru. Metode ini memiliki
kekurangan, yaitu memerlukan waktu yang cukup lama, metode
ini juga mahal dan sulit.
Metode kuantitatif yang digunakan dalam memperkirakan
atau meramalkan dapat dikelompokkan dalam dua jenis, yaitu
metode serial waktu dan kausal. Berikut ini akan diuraikan dari
jenis-jenis metode kuantitatif (Herjanto, 1999).
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.
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).
III-8
absolut dari MAD =
nforecast error
3.3 Ukuran Akurasi Peramalan Validasi metode peramalan terutama dengan menggunakan
metode-metode di atas tidak dapat lepas dari indikator-indikator
dalam pengukuran akurasi peramalan. Bagaimanapun juga
terdapat sejumlah indikator dalam pengukuran akurasi
peramalan, tetapi yang paling umum digunakan adalah mean
absolute deviation, mean absolute percentage error, dan mean
squared error.
a. Mean Absolute Deviation (MAD)
Akurasi peramalan akan tinggi apabila nilai-nilai MAD,
mean absolute percentage error, dan mean squared error semakin
kecil. MAD merupakan nilai total absolut dari forecast error dibagi
dengan data. Atau yang lebih mudah adalah nilai kumulatif
absolut error dibagi dengan periode. Jika diformulasikan maka
formula untuk menghitung MAD adalah sebagai berikut:
b. Mean Squared Error (MSE)
Menurut Gaspersz (2004), mean squared 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
III-9
MSE nei
MAPE
nxe
i
100
RSFE = MAD
Tracking Signal
model peramalan akan memberikan nilai ramalan yang berbeda
dan derajat dari galat ramalan yang berbeda pula.
Rata-rata kesalahan kuadrat memperkuat pengaruh angka-
angka kesalahan besar, tetapi memperkecil angka kesalahan
prakiraan yang lebih kecil dari satu unit.
c. Mean Absolute Percentage Error (MAPE)
Rata-rata persentase kesalahan kuadrat merupakan
pengukuran ketelitian dengan cara persentase kesalahan absolute.
MAPE menunjukkan rata-rata kesalahan absolut prakiraan dalam
bentuk persentasenya terhadap data aktualnya.
d. Tracking Signal
Menurut Gaspersz (2004), suatu ukuran bagaimana baiknya
suatu ramalan memperkirakan nilai-nilai aktual suatu ramalan
diperbaharui setiap minggu, bulan atau triwulan, sehingga data
permintaan yang baru dibandingkan terhadap nilai-nilai ramalan.
Tracking signal dihitung sebagai running sum of the forecast errors
dibagi dengan mean absolute deviation.
Tracking signal yang positif menunjukkan bahwa nilai aktual
permintaan lebih besar daripada ramalan, sedangkan apabila
negatif berarti nilai aktual permintaan lebih kecil daripada
ramalan. Pada setiap peramalan, tracking signal terkadang
III-10
MR = t
AFAF ttt 11
digunakan untuk melihat apakah nilai-nilai yang dihasilkan
berada di dalam atau di luar batas-batas pengendalian dimana
nilai-nilai tracking signal itu bergerak antara -4 sampai +4.
e. Moving Range (MR)
Moving range dibuat untuk membandingkan nilai-nilai
observasi atau data aktual dengan nilai peramalan dari kebutuhan
yang sama. Dapat dikatakan bahwa moving range adalah peta
kontrol statistik yang digunakan pada pengendalian kualitas. Peta
moving range memiliki batasan-batasan yang terdiri dari batas
kontrol atas dan batas kontrol bawah. Jika ada sebuah titik atau
data yang berada di luar batas tersebut maka ada beberapa data
yang harus dihilangkan atau mencari metode peramalan yang lain.
Moving Range digunakan untuk mengetahui sejauh mana
arah pergerakan (misal: permintaan) bergerak. Perhitungan Moving
Range menggunakan rumus:
3.4. Pembahasan Peramalan
Pembahasan pada modul peramalan ini dimana akan
melakukan perhitungan atas ketiga metode, yaitu metode
Weighted Moving Average (WMA), Single Exponential Smoothing
(SES), dan metode regresi linier. Masing-masing dari metode-
metode tersebut dapat meramalkan penjualan lemari tas untuk
periode yang telah ditentukan peramalan. Data penjualan aktual
ini merupakan syarat digunakan sebagai peramalan, karena untuk
ketiga metode tersebut merupakan metode yang bersifat
kuantitatif sehingga data yang akan digunakan untuk
meramalkan penjualan di periode selanjutnya ialah data historis.
Data penjualan aktual lemari tas dapat dilihat pada tabel 3.1.
III-11
Tabel 3.1 Data Penjualan Aktual Lemari Tas
Bulan Indeks Waktu (t) Penjualan Aktual (A)
Januari 1 542
Februari 2 538
Maret 3 541
April 4 543
Mei 5 538
Juni 6 537
Juli 7 541
Agustus 8 540
September 9 542
Oktober 10 540
November 11 538
Desember 12 541
3.4.1 Perhitungan Metode Weighted Moving Averages (WMA)
Perhitungan pada metode Weighted Moving Averages (WMA)
dimana suatu nilai bobot tersebut telah ditentukan ialah 3. Nilai
tersebut dapat meramalkan berdasarkan indeks waktu yang
diramalkan dengan syarat minimal untuk nilai bobot tersebut
ialah 2. Hasil peramalan penjualan lemari tas dengan metode
WMA dapat dilihat pada tabel 3.2. Tabel 3.2 Peramalan Penjualan Lemari Tas Metode Weight Moving Averages
Bulan Indeks Waktu
(t) Penjualan Aktual (A)
Ramalan Berdasarkan MA = 3
Januari 1 542 -
Februari 2 538 -
Maret 3 541 -
April 4 543 540,16 541
Mei 5 538 541,5 542
Juni 6 537 540,16 541
Juli 7 541 538,33 539
Agustus 8 540 539,16 540
September 9 542 539,83 540
III-12
Tabel 3.2 Peramalan Penjualan Lemari Tas Metode Weight Moving Averages (lanjutan)
Bulan Indeks Waktu
(t) Penjualan Aktual (A)
Ramalan Berdasarkan MA = 3
Oktober 10 540 541,16 542
November 11 538 540,67 541
Desember 12 541 539,33 540
Januari 13 539,83 540
Contoh perhitungan untuk WMA:
Ft = Σ(Timbangan untuk periode-n)(Penjualan dalam periode-n)
ΣTimbangan
= [(3×541)+(2×538)+(1×542)]6
= 540,16 = 541
3.4.2 Perhitungan metode Single Exponential Smoothing (SES) Berdasarkan hasil perhitungan software, maka diketahui
hasil MAD terkecil adalah sebesar 1,857 pada perhitungan metode
SES dengan konstanta pemulusan (α) 0,2. Rangkuman hasil
perhitungan dapat dilihat pada tabel 3.3. Tabel 3.3 Hasil Peramalan dengan Software WinQSB (Metode SES)
MAD
0,1 1,862
0,2 1,857
0,3 1,939
0,4 2,082
0,5 2,206
0,6 2,309
0,7 2,388
0,8 2,488
0,9 2,571
III-13
Perhitungan manual terhadap peramalan penjualan lemari
tas akan dilakukan pada nilai α sebesar 0,2. Data dapat dilihat
pada tabel 3.4 untuk perhitungan SES dengan α sebesar 0,2. Tabel 3.4 Peramalan Lemari Tas (Metode SES = 0,2)
Bulan Indeks Waktu (t)
Penjualan Aktual (A) Ramalan
Januari 1 542 540,08 541 Februari 2 538 540,46 541 Maret 3 541 539,97 540 April 4 543 540,18 541 Mei 5 538 540,74 541 Juni 6 537 540,19 541 Juli 7 541 539,55 540
Agustus 8 540 539,84 540 September 9 542 539,87 540
Oktober 10 540 540,30 541 November 11 538 540,24 541 Desember 12 541 539,79 540 Januari 13 540,03 541
Ramalan indeks waktu ke-1 = ∑An
= 648112
= 540,08 ≈ 541
Ramalan indeks waktu ke-2 = 540,08 + 0,2 (542-540,08)
= 540,08 + 0,2 (1,92) = 540,46 ≈ 541
3.4.3 Perhitungan Metode Regresi Linier Pembahasan pada motode regresi linier dilakukan dua
perhitungan peramalan penjualan lemari tas, yaitu dengan metode
regresi linier dilakukan secara manual dan menggunakan software
WinQSB. Perhitungan regresi linier secara manual untuk lemari
tas ini dapat dilihat pada tabel 3.5.
III-14
Tabel 3.5 Peramalan Metode Regresi Linier
Bulan Periode (X) PenjualanAktual (Y) X2 X.Y
Januari 1 542 1 542
Februari 2 538 4 1076
Maret 3 541 9 1623
April 4 543 16 2172
Mei 5 538 25 2690
Juni 6 537 36 3222
Juli 7 541 49 3787
Agustus 8 540 64 4320
September 9 542 81 4878
Oktober 10 540 100 5400
November 11 538 121 5918
Desember 12 541 144 6492
Jumlah(∑) 78 6481 650 42120
b = n . ∑XY - ∑X . ∑Y
n . ∑X2- (∑X)2
= 12 . 42120 - 78 . 6481
12 . 650 - (78)2
= -78
1716= -0,045
Hasil yang didapat dari perhitungan yang telah dilakukan
tersebut dilakukan pembulatan ke atas. Pembulatan bilangan
tersebut dapat dimaksudkan dimana dalam sebuah permintaan
lemari tas tidak ada dalam bentuk koma. Perhitungan untuk
regresi linier secara keseluruhan dapat dilihat rangkumannya
pada tabel 3.6.
a = ∑Y – b . ∑X
n
= 6481 - (-0,045) . 78
12
= 540,37
III-15
Tabel 3.6 Hasil Peramalan dengan Metode Regresi Linier
Bulan Indeks
Waktu (t) Ramalan
Januari 1 539,78 540
Februari 2 539,74 540
Maret 3 539,69 540
April 4 539,65 540
Mei 5 539,6 540
Juni 6 539,56 540
Juli 7 539,51 540
Agustus 8 539,47 540
September 9 539,42 540
Oktober 10 539,38 540
November 11 539,33 540
Desember 12 539,29 540
Januari 13 539,78 540
Februari 14 539,74 540
Maret 15 539,69 540
April 16 539,65 540
Mei 17 539,6 540
Juni 18 539,56 540
Juli 19 539,51 540
Agustus 20 539,47 540
September 21 539,42 540
Oktober 22 539,38 540
November 23 539,33 540
Desember 24 539,29 540
Berikut ini adalah contoh perhitungan nilai Y dengan metode
regresi linier.
Y = a + bX
= 540,37 + (-0,045) . 13 = 539,78 = 540
III-16
3.4.4. Perhitungan Akurasi Hasil Peramalan Hasil-hasil peramalan dapat dihitung dengan metode-
metode akurasi peramalan. Metode-metode tersebut terdiri dari
tracking signal dan moving range.
3.4.4.1 Perhitungan Tracking Signal Hasil-hasil peramalan dengan metode WMA, SES, dan
regresi linier dapat diukur ketepatannya dengan menggunakan
Tracking signal (TS). Perhitungan tracking signal dapat dilihat pada
tabel 3.7 untuk metode WMA. Tabel 3.7 Tracking Signal Metode WMA (Bobot = 3)
Periode Forecast (f)
Aktual (A)
Error (e=A-f)
RSFE Kumulatif
Absolute Error
Kumulatif Absolute
Error
MAD Tracking Signal
1 541 543 2 2 2 2 2 1 2 542 538 -4 -2 4 6 3 -0,66 3 541 537 -4 -6 4 10 3,33 -1,80 4 539 541 2 -4 2 12 3 -1,33 5 540 540 0 -4 0 12 2,4 -1,66 6 540 542 2 -2 2 14 2,33 -0,85 7 542 540 -2 -4 2 16 2,28 -1,75 8 541 538 -3 -7 3 19 2,37 -2,95 9 540 541 1 -6 1 20 2,22 -2,70
Berdasarkan tabel di atas merupakan rangkuman untuk
menghitung tracking signal. Perhitungan itu termasuk secara
keseluruhan dari metode Weighted Moving Averages (WMA).
Berikut ini adalah contoh perhitungan MAD dan tracking signal
untuk periode pertama.
Contoh Perhitungan untuk Tracking Signal:
MAD = ∑|Forecast Errors|
n =
21 = 2
Tracking Signal = RSFEMAD
= 22 = 2
III-17
Perhitungan hasil tracking signal metode Weighted Moving
Averages (WMA) ditampilkan juga dalam bentuk grafik.
Perhitungan yang telah dilakukan tersebut, hasil dalam bentuk
grafik dimana grafik ini akan menunjukan keakuratan sebuah
peramalan permintaan pada lemari tas. Grafik tracking signal dari
metode WMA dengan bobot = 3 dapat dilihat pada gambar 3.1.
Gambar 3.1 Grafik Tracking Signal dengan Metode WMA (Bobot = 3)
Hasil perhitungan peramalan metode SES dapat diukur
ketepatannya dengan menggunakan tracking signal. Berikut ini
adalah tabel yang dirangkum pada tabel 3.8 metode single
exponential smoothing (SES). Tabel 3.8 Tracking Signal Metode SES dengan α = 0,2
Periode Forecast (f)
Aktual (A)
Error (e=A-f)
RSFE Kumulatif
Absolute Error
Kumulatif Absolute
Error
MAD Tracking Signal
1 541 542 1 1 1 1 1,00 1,00 2 541 538 -3 -2 3 4 2,00 -1,00 3 540 541 1 -1 1 5 1,67 -0,60 4 541 543 2 1 2 7 1,75 0,57 5 541 538 -3 -2 3 10 2,00 -1 6 541 537 -4 -6 4 14 2,33 -2,58 7 540 541 1 -5 1 15 2,14 -2,34 8 540 540 0 -5 0 15 1,88 -2,66 9 540 542 2 -3 2 17 1,89 -1,59 10 541 540 -1 -4 1 18 1,80 -2,22 11 541 538 -3 -7 3 21 1,91 -3,66 12 540 541 1 -6 1 22 1,83 -3,28
-6
-4
-2
0
2
4
6
1 2 3 4 5 6 7 8 9
Trac
king
Sig
nal
Periode
Peta Kontrol Tracking Signal Metode WMA
BKA
Tracking SIgnal
BKB
III-18
Perhitungan tersebut dapat dilihat pada contoh perhitungan untuk
tracking signal pertama.
MAD = ∑|Forecast Errors|
n =
11
= 1
Tracking Signal = RSFEMAD =
11
= 1
Perhitungan hasil tracking signal metode SES ditampilkan
juga dalam bentuk grafik. Berikut ini adalah grafik tracking signal
dari metode SES dengan konstanta pemulusan (α) 0,2.
Gambar 3.2 Grafik Tracking Signal dengan Metode SES (α = 0,2)
Hasil perhitungan peramalan dengan metode regresi linier
dapat diukur ketepatannya dengan menggunakan tracking signal.
Berikut ini adalah tabel yang merangkum perhitungan tracking
signal metode regresi linier. Tabel 3.9 Tracking Signal dengan Metode Regresi Linier
Periode Forecast (f)
Aktual (A)
Error (e=A-f)
RSFE Kumulatif
Absolute Error
Kumulatif Absolute
Error
MAD Tracking Signal
1 540 542 2 2 2 2 2 1
2 540 538 -2 0 2 4 2 0
3 540 541 1 1 1 5 1,67 0,6
4 540 543 3 4 3 8 2 2
5 540 538 -2 2 2 10 2 1
-6
-4
-2
0
2
4
6
1 2 3 4 5 6 7 8 9 10 11 12
Trac
king
Sig
nal
Periode
Peta Kontrol Tracking Signal SES α = 0,2
BKA
Tracking SIgnal
BKB
III-19
Tabel 3.9 Tracking Signal dengan Metode Regresi Linier (lanjutan)
Periode Forecast (f)
Aktual (A)
Error (e=A-f)
RSFE Kumulatif
Absolute Error
Kumulatif Absolute
Error
MAD Tracking Signal
6 540 537 -3 -1 3 13 2,17 -0,46
7 540 541 1 0 1 14 2 0
8 540 540 0 0 0 14 1,75 0
9 540 542 2 2 2 16 1,78 1,12
10 540 540 0 2 0 16 1,6 1,25
11 540 538 -2 0 2 18 1,64 0
12 540 541 1 1 1 19 1,58 0,63
Gambar 3.3 Peta Kontrol Tracking Signal Metode Regresi Linier
3.4.4.2 Perhitungan peta Moving Range dan Grafik dari metode dengan MAD terkecil.
Hasil perhitungan peramalan dari seluruh metode
selanjutnya dibandingkan keakuratannya. Metode yang
menghasilkan nilai Mean Absolute Deviation (MAD) terendah akan
diukur akurasinya dengan membuat peta kontrol moving range
(MR). Metode yang menghasilkan nilai MAD terendah adalah
metode regresi linier.
III-20
Tabel 3.10 Tabulasi Perhitungan Moving Range dengan Metode Regresi Linier
Bulan Peramalan Penjualan Aktual A-F MR Absolute
Januari 540 542 2 -
Februari 540 538 -2 4
Maret 540 541 1 3
April 540 543 3 2
Mei 540 538 -2 5
Juni 540 537 -3 1
Juli 540 541 1 4
Agustus 540 540 0 1
September 540 542 2 2
Oktober 540 540 0 2
November 540 538 -2 2
Desember 540 541 1 3
Total 29
Pembuatan peta kontrol moving range memerlukan nilai
rata-rata Moving Range (MR), Batas Kontrol Atas (BKA), dan Batas
Kontrol Bawah (BKB). Perhitungan MR, BKA, dan BKB serta
gambar peta kontrol moving range adalah sebagai berikut:
MR = 2912-1
MR = 2,64
Perhitungan hasil dari keseluruhan tracking signal dapat
diketahui pula untuk metode moving range. Moving range ini juga
menampilkan juga dalam bentuk grafik. Grafik yang ditunjukkan
dalam moving range dimana ditunjukkan dengan besaran A-f. A-f
menunjukan selisih antara penjualan actual dengan peramalan
regresi linier. Berikut ini adalah grafik moving range.
III-21
Gambar 3.4 Grafik Moving Range Berdasarkan Metode Regresi Linier
3.4.5 Perhitungan dengan metode Weight Moving Averages dengan WinQSB.
Hasil dari pengolahan software WinQSB untuk metode
weighted moving average (WMA) pada forecasting method. Hasil
tersebut dapat dilihat pada gambar 3.5. Software ini juga dapat
menunjukkan grafik hasil peramalan yang dapat dilihat pada
Gambar 3.6.
Gambar 3.5 Output Software WinQSB Metode WMA
III-22
Gambar 3.6 Output Grafik Weight Moving Average
3.4.6 Perhitungan dengan metode Single Exponential dengan WinQSB.
Hasil dari pengolahan software WinQSB untuk metode
single exponential smoothing (SES) pada forecasting method. Hasil
tersebut dapat dilihat pada gambar 3.7. Software ini juga dapat
menunjukkan grafik hasil peramalan yang dapat dilihat pada
Gambar 3.8.
Gambar 3.7 Perhitungan Software WinQSB Metode SES (α = 0,2)
III-23
Gambar 3.8 Output Grafik Single Exponential Smoothing α = 0,2
3.4.7 Perhitungan dengan metode Regresi Linier dengan
WinQSB. Hasil dari pengolahan software WinQSB untuk metode
regresi linier pada forecasting method. Hasil tersebut dapat dilihat
pada gambar 3.9. Software ini juga dapat menunjukkan grafik
hasil peramalan yang dapat dilihat pada Gambar 3.10.
Gambar 3.9 Perhitungan Software WinQSB Metode Regresi Linier
III-24
Gambar 3.10 Output Grafik Regresi Linier
3.4.8 Analisis Peramalan Peramalan suatu produk diharuskan menggunakan data
produksi terdahulu. Peramalan untuk produk lemari tas ini
dilakukan selama 12 periode atau satu tahun. Perhitungan
peramalan dilakukan dengan cara manual dan software. Metode
yang digunakan ada 3, yaitu metode weight moving average, single
exponential smoothing, dan regresi linier.
Metode Weight Moving Average (WMA) memakai rata-rata
bobot sebesar 3 untuk peramalan produk lemari tas. Nilai tersebut
dapat meramalkan berdasarkan indeks waktu yang diramalkan
dengan syarat minimal untuk nilai bobot tersebut ialah 2 dan
menunjukkan bahwa peramalan pada bulan 1 sampai dengan
bulan 3 telah dilakukan peramalan di tahun sebelumnya. Hasil
peramalan untuk periode ke 4 dilakukan pertama kali karena
memakai rata-rata bobot 3, yaitu sebesar 540,16 atau dibulatkan
menjadi 541 unit yang berarti produksi lemari tas pada periode 4
adalah sebesar 541 unit. Periode berikutnya sampai periode ke 12
dapat dilihat pada Tabel 3.2. Pada tracking signal metode WMA
ada 9 periode yang digunakan perhitungannya karena WMA
III-25
memiliki bobot 3 bulan maka 3 bulan awal tidak ada peramalan.
Mean Absolute Deviation (MAD) atau rata-rata penyimpangan
absolut pada metode WMA yang dilakukan dengan pengolahan
data secara manual didapat hasil sebesar 2,22. Nilai MAD 2,22
diperoleh dari nilai absolut error dari nilai error. Nilai error sendiri
merupakan nilai aktual dikurangi nilai peramalan. Gambar 3.1
peta kontrol tracking signal metode WMA menunjukkan bahwa
data-data hasil peramalan tersebut dapat dikatakan baik karena
tidak ada yang melewati ketetapan nilai BKA dan BKB, yaitu 4 dan
-4. Berdasarkan perhitungan software nilai MAD dengan metode
WMA didapatkan hasil sebesar 2,14. Jika dibandingkan dengan
perhitungan manual terdapat selisih 0,08. Perbedaan 0,08 tidak
terlalu signifikan bagi peramalan. Perbedaan nilai tersebut
dikarenakan pembulatan angka dibelakang koma yang dilakukan
pada perhitungan manual dan perhitungan software berbeda.
Peramalan dengan menggunakan metode single exponential
smoothing atau lebih singkatnya SES menggunakan nilai = 0,2.
Nilai tersebut didapat dari perhitungan dengan menggunakan
software WinQSB yang mencari nilai MAD paling kecil diantara
nilai = 0,1 sampai = 0,9. Peramalan dengan menggunakan
metode SES ini dilakukan dengan menggunakan nilai aktual data
penjualan satu tahun sebelumnya. Hasil peramalan untuk periode
4 dengan menggunakan metode SES didapat hasil sebesar 540,18
atau dibulatkan menjadi 541 unit yang berarti produksi lemari tas
pada periode 4 adalah sebesar 541 unit. Selengkapnya untuk
peramalan dengan menggunakan metode SES dapat dilihat pada
tabel 3.4. Metode SES juga dibuat tracking signal untuk
mengetahui nilai MAD. Nilai MAD untuk = 0,2 adalah sebesar
1,83 merupakan MAD dengan nilai terkecil. Nilai MAD 1,83
diperoleh dari nilai absolut error dari nilai error. Nilai error sendiri
III-26
merupakan nilai aktual dikurangi nilai peramalan. Gambar 3.2
peta kontrol tracking signal metode SES menunjukkan bahwa
data-data hasil peramalan tersebut dapat dikatakan baik karena
tidak ada yang melewati ketetapan nilai BKA dan BKB yaitu 4 dan
-4. Berdasarkan perhitungan software nilai MAD dengan metode
SES = 0,2 didapatkan hasil sebesar 1,85. Jika dibandingkan
dengan perhitungan manual terdapat selisih 0,02. Perbedaan 0,02
tidak terlalu signifikan bagi peramalan. Perbedaan nilai tersebut
dikarenakan pembulatan angka di belakang koma yang dilakukan
pada perhitungan manual dan perhitungan software berbeda.
Hasil perhitungan manual dengan menggunakan metode
regresi linier digunakan untuk mengetahui nilai peramalan untuk
24 periode secara langsung. Hasil peramalan untuk periode 16
adalah sebesar 539,65 unit yang dibulatkan menjadi 540 unit
yang berarti produksi lemari tas pada periode 16 adalah sebesar
540 unit. Selengkapnya untuk peramalan dengan menggunakan
metode regresi linier dapat dilihat pada tabel 3.5. Metode regresi
linier juga dibuat tracking signal untuk mengetahui nilai MAD.
Nilai MAD untuk metode regresi linier adalah sebesar 1,58. Nilai
MAD 1,58 diperoleh dari nilai absolut error dari nilai error. Nilai
error sendiri merupakan nilai aktual dikurangi nilai peramalan.
Gambar 3.3 peta kontrol tracking signal metode regresi linier
menunjukkan bahwa tidak ada data yang melewati batas kontrol
baik atas maupun bawah. Berdasarkan perhitungan software nilai
MAD dengan metode regresi linier didapatkan hasil sebesar 1,57.
Jika dibandingkan dengan perhitungan manual terdapat selisih
0,01. Perbedaan 0,01 tidak terlalu signifikan bagi peramalan.
Perbedaan nilai tersebut dikarenakan pembulatan angka di
belakang koma yang dilakukan pada perhitungan manual dan
perhitungan software berbeda.
III-27
Moving range merupakan suatu ukuran akurasi peramalan.
Data-data yang digunakan untuk perhitungan moving range
berdasarkan data peramalan dengan nilai MAD terkecil. Hasil
peramalan berdasarkan tiga metode yang sebelumnya telah
dihitung dan didapatkan hasil MAD terkecil yang terdapat pada
metode regresi linier, yaitu sebesar 1,58.
Tabel 3.10 moving range menunjukkan nilai peramalan
berdasarkan metode regresi linier dengan data penjualan aktual.
Kolom A-F merupakan kolom pengurangan nilai aktual dengan
nilai peramalannya. Mencari nilai MR absolute setiap periodenya
dengan perhitungan selisih forecasting t-1 dengan aktual t-1
dikurangi selisih forecasting t dengan aktual t. Lalu MR absolute
dijumlahkan keseluruhnya didapat nilai sebesar 29, dari nilai
tersebut dicari nilai BKA dan BKB yang masing-masing bernilai
7,02 dan -7,02. Grafik moving range digunakan agar memperjelas
dan mempertegas hasil peramalan yang diplotkan pada grafik.
Berdasarkan grafik moving range dapat disimpulkan bahwa tidak
ada nilai yang keluar dari BKA dan BKB yang artinya data hasil
peramalan yang dibuat antara data aktual dan data peramalan
tidak ada perbedaan yang signifikan.
Perhitungan pun memiliki hasil yang berbeda dari hasil
grafik yang dibentuk berdasarkan hasil perhitungan dari masing-
masing metode, seperti metode weight moving average, single
exponential smoothing, dan regresi linier. Hasil yang ditunjukkan
dalam grafik untuk metode weight moving average, yaitu bersifat
fluktuatif dimana peramalan akan diprediksi atau diramalkan
untuk bulan ke 4 sampai ke bulan yang 13 karena memiliki bobot
3. Bobot 3 tersebut menunjukkan bahwa peramalan pada bulan 1
sampai dengan bulan 3 telah dilakukan peramalan di tahun
sebelumnya. Hal ini menunjukkan bahwa peramalan dalam
III-28
metode weight moving average di bulan-bulan tertentu pun
diramalkan atau diprediksi akan mengalami penurunan di bulan
ke 8 dan kenaikan di bulan ke 10. Penyebab terjadinya penurunan
pada bulan ke 8 disebabkan oleh faktor lain, seperti permintaan
pasar akan menurun sehingga dalam hal ini permintaan pasar
akan menurun 2 unit dari data aktual yang 8 bulan yang lalu
dimana berjumlah 540 unit, sedangkan kenaikan yang terjadi
pada bulan ke 10 dimana permintaan naik sebanyak 1 unit dari
data aktual yang berjumlah 541 unit.
Hasil yang ditunjukkan dalam grafik dengan metode single
exponential smoothing, yaitu bersifat fluktuatif dimana data
peramalan untuk bulan ke 2 sampai ke bulan yang 12 tidak selalu
sama dengan data peramalan sebelumnya (data aktual). Hal ini
menyatakan bahwa peramalan yang ditunjukkan di bulan 1 telah
dilakukan peramalan di tahun sebelumnya. Hal ini menunjukkan
bahwa peramalan dalam metode single exponential smoothing di
bulan-bulan tertentu pun diramalkan atau diprediksi akan
mengalami penurunan di bulan yang ditentukan grafik metode
single exponential smoothing. Penurunan permintaan yang akan
diramalkan tersebut sebanyak 2 unit sedangkan permintaan akan
menaikkan sampai 3 unit, sehingga peramalan yang dilakukan
dalam metode single exponential smoothing sangat bersifat
fluktuatif atau kejadian ini memiliki persentase yang cukup besar,
yaitu 0,3% maka dalam hal ini masih belum dapat ditentukan.
Hasil yang ditunjukkan dalam grafik dengan metode regresi
linier, yaitu bersifat linier dimana data peramalan untuk bulan ke
1 sampai ke bulan yang 12 merata atau linier dengan data
peramalan sebelumnya (data aktual). Hal ini menyatakan bahwa
peramalan dilakukan selama 12 bulan penuh. Grafik untuk
peramalan regresi linier di bulan tertentu bersifat merata sehingga
III-29
menunjukkan bahwa ramalan tidak jauh dari permintaan 12
bulan lalu (data aktual). Peramalan untuk metode regresi linier
dimana permintaan sebanyak 540 unit, dengan persentase
peramalan sebesar, yaitu 0,2%. Hal ini dalam suatu peramalan
dapat dikatakan metode yang terbaik, yaitu jika memiliki
persentase yang lebih kecil, maka metode yang terpilih adalah
metode regresi linier.
Peramalan untuk lemari tas ini dimana metode yang terpilih
adalah regresi linier, karena regresi linier merupakan peramalan
yang dilakukan selama 12 bulan penuh. Perbandingan dengan
metode lain pun dimana peramalan hanya dilakukan di bulan
tertentu atau bulan yang sudah ditentukan dalam peramalan
sehingga dalam keakuratannya untuk metode regresi linier cukup
baik, yaitu bernilai 0,2%.