PERAMALAN PERMINTAAN (Tugas Tambahan)
PERAMALAN
PERMINTAAN
(FORECASTING
DEMAND)
Peramalan adalah proses
untuk memperkirakan berapa kebutuhan di masa datang yang meliputi kebutuhan
dalam ukuran kuantitas, kualitas, waktu dan lokasi yang dibutuhkan dalam rangka
memenuhi permintaan barang ataupun jasa. Salah satu jenis peramalan adalah peramalan
permintaan. Peramalan permintaan (fOrecasting Demand) merupakan tingkat
permintaan produk –produk yang diharapkan akan terealisasi untuk jangka waktu
tertentu pada masa yang akan datang.
Menurut Vincers Gapers
didalam Management permintaan ada dua jenis permintaan, yaitu:
1.
Permintaan bebas (
independent Demand)
Merupakan permintaan terhadap material, suku cadang atau produk
yang bebas atau tidak terkait langsung dengan struktur bill of material (BOM)
untuk produk akhir atau item teretentu.
2.
Permintaan tidak
bebas( Dependent Demand)
Merupakan
permintaan terhadap material , suku cadang atau produk yang terkait langsung
dengan atau diturunkan dari struktur bill of material untuk produk akahir atau
item tertentu.
Tujuan peramalan dilihat dengan waktu:
a.
Jangka pendek (Short
Term)
Menentukan kuantitas dan waktu dari item dijadikan produksi.
Biasanya bersifat harian ataupun mingguan dan ditentukan oleh Low Management.
b.
Jangka Menengah (Medium
Term)
Menentukan kuantitas dan waktu dari kapasitas produksi. Biasanya
bersifat bulanan ataupun kuartal dan ditentukan oleh Middle Management.
c.
Jangka Panjang (Long
Term)
Merencanakan kuantitas dan waktu dari fasilitas produksi. Biasanya
bersifat tahunan, 5 tahun, 10 tahun, ataupun 20 tahun dan ditentukan oleh Top
Management.
Karakteristik Peramalan
Yang Baik
Peramalan yang baik
mempunyai beberapa kriteria yang penting, antara lain akurasi, biaya,dan
kemudahan. Penjelasan dari kriteria-kriteria tersebut adalah sebagai berikut :
1.
Akurasi.
Akurasi dari suatu hasil peramalan diukur dengan hasil kebiasaan
dan kekonsistenan peramalan tersebut. Hasil peramalan dikatakan bisa bila
peramalan tersebut terlalu tinggi atau rendah dibandingkan dengan kenyataan
yang sebenarnya terjadi. Hasil peramalan fikatakan konsisten bila besarnya
kesalahan peramalan relative kecil. Peramalan yang terlalu rendah akan
mengakibatkan kekurangan persediaan, sehingga permintaan konsumen tidak dapat
dipenuhi segera akibatnya perusahaan dimungkinkan kehilangan pelanggan dan
kehilangan keuntunga penjualan. Peramalan yang terlalu tinggi akan
mengakibatkan terjadinya penumpukan persediaan, sehingga banyak mdal yang
terserap sia – sia. Keakuratan dari hasil peramalan ini berperan penting dalam
menyeimbangkan persediaan yang ideal.
2.
Biaya.
Biaya yang diperlukan dalam pembuatan suatu peramalan adalah
tergantung daaro jumlah item yang diramalkan, lamanya periode peramalan, dan
metode peramalan yang dipakai. Ketiga factor pemicu biaya tersebut akan
mempengaruhi berapa banyak data yang dibuuhkan, bagaimana pengolahan datanya
(manual atau sistemasi), bagaimana penyimpanan datanya dan siapa tenaga ahli
yang diperbantukan. Pemilihan metode peramalann harus disesuaikan dengan dana
yang tersedia dan tingkat akurasi yang ingi didapat, misalnya item – item yang
penting akan diramalkan dengan metode
yang sederhana dan murah. Prinsip ini merupakan adopsi dari Hukum Pareto
(Analisa ABC)
3.
Kemudahan
Penggunaan
metode peramalan yang sederhana, mudah dibuat, dan mudah
diaplikasikan akan memberikan keuntungan bagi perusahaan. Adalah
percuma memakai metode yang canggih, tetapi tidak dapat diaplikasikan pada
sistem perusahaan karena keterbatasan dana, sumber daya manusia, maupun
peralatan teknologi
Empat
pola data yang lazim ditemui dalam peramalan:
1.
Pola
Horizontal
Pola ini terjadi bila data berfluktuasi di sekitar
rata-ratanya. Produk yang penjualannya tidak meningkat atau menurun selama
waktu tertentu termasuk jenis ini. Struktur datanya dapat digambarkan sebagai
berikut ini.
2.
Pola
Musiman
Pola musiman terjadi bila nilai data dipengaruhi
oleh faktor musiman (misalnya kuartal tahun tertentu, bulanan atau hari-hari
pada minggu tertentu). Struktur datanya dapat digambarkan sebagai berikut ini.
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. Struktur datanya dapat digambarkan
sebagai berikut.
Beberapa
Sifat Hasil Peramalan.
Dalam membuat peramalan
atau menerapkan suatu peramalan maka ada beberapa hal yang harus
dipertimbangkan yaitu :
1.
Ramalan pasti mengandung kesalahan
Artinya peramal hanya bisa mengurangi ketidakpastian yang akan
terjadi, tetapi tidak dapat menghilangkan ketidakpastian.
2.
Peramalan memberika informasi beberapa ukuran kesalahan
Artinya karea peramalan pasti mengandung kesalahan, maka penting
bagi peramal untuk menginformasian seberapa besar kesalahan mungkin terjadi.
3.
Peramalan jangka pendek
lebih akurat dibandingkan peramalan jangka panjang
Hal
ini disebabkan karena pada peramalan jangka pendek, faktor-faktor yang mempengaruhi
permintaan relative masih konstan sedangkan masih panjang periode peramalan,
maka semakin besar pula kemungkinan terjadinya perubahan
faktor-faktor yang mempengaruhi permintaan.
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). Metode Single Exponential Smoothing lebih cocok
digunakan untuk meramalkan hal-hal yang fluktuasinya secara acak (tidak
teratur). Peramalan menggunakan model pemulusan eksponensial rumusnya adalah sebagai
berikut.
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. Rumus perhitungan Regresi Linier yaitu sebagai
berikut.
Keterangan:
Y
= hasil peramalan
n
= periode
a
= perpotongan dengan sumbu tegak
b
= menyatakan slope atau kemiringan garis regresi
Ukuran
Akurasi Peramalan
Model-model
peramalan yang dilakukan kemudian divalidasi menggunakan sejumlah indicator
sebagai berikut :
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. Nilai MAD
dapat dihitung dengan menggunakan rumus sebegai berikut.
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. Nilai Tracking Signal dapat dihitung dengan
menggunakan rumus sebegai berikut.
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
dengan negative 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. Rumus perhitungan
peta Moving Range adalah sebagai berikut.
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.
