forcasting yg baru
Post on 10-Jul-2016
34 Views
Preview:
DESCRIPTION
TRANSCRIPT
I. PENDAHULUAN
A. Latar Belakang
Forecasting atau peramalan merupakan kebutuhan yang penting dalam
kehidupan sehari-hari, baik untuk meramalkan cuaca, pemasaran, memprediksi
gempa bumi, memprediksi berapa banyaknya jumlah mahasiswa, dan lain-lain.
Seiring dengan banyaknya bidang yang memerlukan peramalan yang lebih akurat,
maka metode peramalan banyak dikembangkan oleh para peneliti. Metode peramalan
yang banyak dikembangkan oleh peneliti tersebut digunakan untuk mengetahui
bagaimana pergerakan dari suatu data. Makridakis,dkk (1999) menjelaskan beberapa
metode peramalan yang banyak dikembangkan oleh peneliti, metode peramalan
kuantitatif dapat dibagi menjadi dua jenis model peramalan yang utama, yaitu metode
kausal (regresi) dan metode time series. Dari kedua metode tersebut yang sering
digunakan adalah metode time series. Pemodelan time series yang berguna untuk
kebutuhan peramalan berbagai macam kasus, memicu munculnya berbagai penelitian
ilmiah yang berkaitan dengan analisa time series.
Hal tersebut bertujuan untuk mengembangkan peramalan baru yang dapat
menghasilkan tingkat keakuratan lebih tinggi. Metode time series telah berkembang
menjadi beberapa metode, antara lain: ARIMA, Moving Average, Exponensial
Smoothing, Time Series Regression, dan lain sebagainya. Pada dekade terakhir,
konsep artificial intelligence diperkenalkan sebagai alat untuk peramalan, seperti
Fuzzy Time Series, Neural Network, dan Genetic Algorithm. Pemodelan time series
dengan menggunakan kecerdasan buatan (artificial intelligence) mampu mempelajari
perilaku data yang ada untuk memperoleh peramalan yang lebih akurat.
B. Tujuan
1. Praktikan dapat melakukan peramalan dengan menggunakan WinQSB
2. Praktikan dapat melakukan analisa terhadap analisa terhadap hasil peramalan
WinQSB
3. Praktikan dapat melakukan pemilihan terhadap metode peramalan yang paling
benar
4. Praktikan dapat mengaplikasikan WinQSB dengan menggunakan data secara riil
dilapangan
II. TINJAUAN PUSTAKA
Peramalan (forecasting) adalah seni dan ilmu untuk memperkirakan kejadian
dimasa depan. Hal ini dapat dilakukan dengan melibatkan pengambilan data masa
lalu dan menempatkannya kemasa yang akan datang dengan suatu bentuk model
matematis.
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.
Peramalan biasanya diklasifikasikan berdasarkan horizon waktu masa depan yang
dicakupnya. Horison waktu teragi atas beberapa kategori :
1. Peramalan jangka pendek, peramalan ini mencakup jangka waktu hingga 1 tahun
tetapi umumnya kurang dari bulan. Peramalan ini dugunakan untuk merencanakan
pembelian, penjadwalan kerja, penugasan kerja dan tingkat produksi.
2. Peramalan jangka menengah, umumnya mencakup hitungan bulanan hingga 3
tahun. Peramalan ini berguna untuk merencanakan penjualan, perencanaan dan
anggaran produksi, anggaran kas, dan menganalisis bermacam-macam rencana
operasi.
3. Peramalan jangka panjang, umumnya untuk perencanan masa 3 tahun atau lebih.
Peramalan jangka panjang digunakan untuk merencanakan produk baru,
pembelanjaan modal, lokasi atau pengembangan fasilitas, serta penelitian dan
pengembangan.
Faktor lain yang harus dipertimbangkan saat membuat ramalan penjualan,
terutama peramalan penjualan jangka panjang adalah siklus hidup produk.
Penjualan produk dan bahkan jasa, tidak terjadi pada tingkat yang konstan sepanjang
hidupnya. Hamper semua produk yang eerhasil melalui empat tahapan : (1)
perkenalan, (2) pertumbuhan, (3) kematangan dan (4) penurunan.
JENIS PERAMALAN
Organisasi pada umumnya menggunakan tiga tipe peramalan yang utama dalam
perencanaan operasi di masa depan :
1. Peramalan Ekonomi (economic forecast) menjelaskan siklus bisnis dengan
memprediksi tingkat inflasi, ketersediaan uang, dana yang dibutuhkan untuk
membangun perumahan dan indicator perencanaan lainnya.
2. Peramalan Terknologi (technological forecast) memperhatikan tingkat kemajuan
teknologi yang dapat meluncurkan produk baru yang menarik, yang membutuhkan
pabrik dan peralatan baru.
3. Peramalan Permintaan (demand forecast) adalah proyeksi permintaan untuk produk
atau layanan suatu perusahaan. Peramalan ini disebut juga peramalan penjualan, yang
mengendalikan produksi, kapasitas, serta sistem penjadwalan dan menjadi input bagi
perencanaan keuangan, pemasaran dan sumber daya manusia.
PENDEKATAN PERAMALAN
Terdapat dua pendekatan umum peramalan, sebagaimana ada dua cara
mengatasi semua model keputusan. Yang pertama adalah analisis kuantitatif dan yang
kedua adalah analisis kualitatif.
1. Peramalan Kuantitatif (quantitative forecast)
Peramalan ang menggunakan satu atau lebih model matematis dengan data masa lalu
dan variabel sebab akibat untuk meramalkan permintaan.
2. Peramalan Subjekti atau kualitatif (qualitative forecast)
Peramalan yang menggabungkan faktor-faktor seperti intuisi pengambil
keputusan, emosi, pengalaman pribadi dan sistem nilai. Beberapa perusahaan
menggunakan satu pendekatn dan perusahaan lain menggunakan pendkatan yang lain.
Pada kenyataannya, kombinasi dari keduanya merupakan yang paling efektif.
Langkah – langkah untuk melakukan suatu peramalan.
1. Menentukan tujuan dari peramalan.
2. Pemilihan teori yang relevan.
3. Pengumpulan data.
4. Analisis data.
5. Estimasi dari model sementara.
6. Evaluasi model sementara dan merevisi model.
7. Penyajian ramalan sementara kepada manajemen.
8. Pembuatan revisi final.
9. Pendistribusian hasil peramalan.
10. Penentuan langkah – langkah pemantuan.
Metode Peramalan
Pengertian metode peramalan, yaitu suatu cara atau tekhnik dalam
memperkirakan kejadian – kejadian pada masa yang akan datang.
Kegunaan dari metode peramalan adalah membantu dalam mengadakan pendekatan
analisa terhadap pola data pada masa yang lalu.
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.
III. METODOLOGI
A. Alat Dan Bahan
1. PC/Laptop dan Program WinQSB
2. Data
Tabel 1. Data Aktual Penjualan Kedelai.
No. Bulan (2014) Permintaan Aktual
1 Januari 217
2 Februari 56
3 Maret 186
4 April 244
5 Mei 160
6 Juni 104
7 Juli 98
8 Agustus 144
9 September 133
10 Oktober 145
11 November 156
12 Desember 145
13 Januari …
B. Prosedur Kerja
1. Dari program Menu pilih WinQSB lalu Forecasting, akan muncul tampilan
2. Kemudian klik file, New Problem , maka akan muncul tampilan Forecasting
Problem Spesification.
3. Klik file, lalu new problem, maka akan muncul tampilan Forecasting Problem
Spesification 4. Problem type dipilih Time Series Forecasting
5. Problem Title diisi dengan nama kelompok.
6. Time unit diisi dengan bulan/minggu.
7. Number of time Units (periods) diisi dengan jumlah data masa lalu yang tersedia.
8. Klik OK, maka tampilan selanjutnya akan muncul tampilan pada nama masukan
data/Historical Data
9. Untuk melakukan peramalan maka klik solve and Analyze lalu perform
Forecasting.
10. Setelah itu pilihlah metode yang akan di pakai.
a. Moving Average Pada Opsi Forecasting Method
Pilih “ Moving Average” Pada Method parameters pilih “Assign values”
Number of period to forecasting diisi “sesuai dengan nomer waktu yang akan
diramalkan” Number of period in average diisi “sesuai dengan rata-rata waktu
bergeraknya”
b. Weight Moving Average Pada Opsi Forecasting Method
Pilih “ Weigth Moving Average” Pada Method parameters pilih “Assign
values” Number of period to forecasting diisi “sesuai dengan nomer waktu yang akan
diramalkan” Number of period in average diisi “sesuai dengan rata-rata waktu
bergeraknya” Pada Button Enter Moving Average Weight diisi ‘ sesuai dengan
pembobotannya”
c. Single Exponential Smoothing Pada Opsi Forecasting Method
Pilih “Single Exponential Smoothing “ Pada Method parameters pilih “Assign
values” Number of period to forecasting diisi “sesuai dengan nomer waktu yang akan
diramalkan” Smooting Constantant Alpha diisi “ konstanta pelumusan yang
dikehendaki” Initial Value F(0) diisi “berdasarkan rata-rata nilai seluruh waktu”.
IV. HASIL DAN PEMBAHASAN
A. Hasil
No Bulan Permintaan Aktual
1 Januari 2013 90
2 Februari 2013 126
3 Maret 2013 132
4 April 2013 117
5 Mei 2013 111
6 Juni 2013 102
7 Juli 2013 96
8 Agustus 2013 138
9 September 2013 81
10 Oktober 2013 99
11 November 2013 171
12 Desember 2013 153
13 Januari 2014 …
Gambar 1. Hasil dengan Metode Moving Average
Gambar 2. Hasil Peramalan dengan Metode Weigth Moving Average
Gambar 3. Hasil Peramalan dengan Metode Single Exponential Smoothing
B. Pembahasan
Metode – metode forecasting yang saya gunakan ada 3 yaitu:
1. Moving Average
2.. Weight Moving Averages (WMA)
3. Single Exponential Smoothing (SES)
Pada metode moving average 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).
Pada metode Weight Moving Average diambil dari 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.
Pada metode yang ketiga yaitu Single Exponential smoothing 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).
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. Hasil yang diperoleh ialah:
Metode CFE MAD MSE MAPE
MA -89,99 38,86 3137,62 21,19
WMA -4,88 6,78 M 1,23
SES -76,5 37,33 2681,25 -2,049
Menurut saya tingkat akurasi pada pemakaian metode metode pada tabel di
atas memakai metode Weigth Moving Average , karena dapat dilihat bahwa data yang
di peroleh merupakan data terakhir dengan memberikanbobot kemudian dapat dilihat
juga bahwa data tersebut merupakan data yang lebih baru adallah data yang lebih
besar dari data yang sudah lama. Nilai tersebut ditunjukkan untuk keadaan di masa
yang akan datang.
Bagi pada bidang pertanian dan khusunya pada pengusaha agribisnis juga dapat
mendapatkan informasi-informasi berupa teknologi tentang peramalan baru pada
bidang pertanian yang pada akhrirnya akan bermanfaat bagi kemajuan usahanya
seperti mengetahui banyaknya telur yang akan dipanen pada 4 bulan selanjutnya.
Contoh nyata yang telah dialami oleh sebuah perusahaan/instansi/lembaga yang
menggunakan Forecasting untuk keperluan melakukan perecanaan kinerjanya adalah
sebagai berikut: pada suatu perusahaan penanaman padi di Indonesia, tingkat
produktivitas tanaman pangan khususnya produktivitas padi dapat diperkirakan
melalui dua faktor antara lain tingkat produktivitas tanaman perhektar dan luas panen.
Kedua faktor tersebut dapat ditentukan melalui pemanfaatan data penginderaan jauh.
Perkiraan luas panen dilakukan dengan menggunakan model pendugaan umur
tanaman padi yaitu dengan mengkorelasikan antara indeks kehijauan tanaman dari
data satelit dengan umur tanaman padi. (Danang, 2011). Selain itu, serangan OPT
juga sangat memenetukan tingkat produktivitas tanaman padi.
Serangan organisme pengganggu tanaman dapat menyebabkan target pertanian
menurun. Kini prediksi serangan organisme pengganggu tanaman dapat diakses
melalui Forecasting. Organisme pengganggu tanaman (OPT), seperti gulma, hama,
dan mikroorganisme patogenik merupakan musuh bebuyutan para petani. Organisme-
organisme itu dapat menyebabkan tanaman rentan terserang penyakit dan
menurunkan kualitas tanaman.
BAB 6. PENUTUP
6.1 Kesimpulan
1. Peramalan (forecasting) merupakan bagian vital bagi setiap organisasi bisnis dan
untuk setiap pengambilan keputusan manajemen yang sangat signifikan.
2. Metode yang terdapat dalam peramalan yaitu: regresi selanjar, rerata bergerak,
pemulusan eksponensial, dan pemulusan dengan pemfaktoran kecenderungan.
3.
6.2 SaranKasih nilai yang bagus ya mas…
DAFTAR PUSTAKA
Gaspersz, V. 2004. Production Planning and Inventory Control. Jakarta : Gramedia
Pustaka Utama.
Herjanto, Eddy. 2013.Manajemen Operasi Edisi Ketiga. Jakarta :
Grasindo Falevy, Marcelina Rizka. Dkk. 2013.Sistem Peramalan Harga Sembako
Berbasis Moving Average Dengan Brew Platform Sebagai Mobile Interfaces.
Dalam http www.eepisits.edu%2Fuploadta%2Fdownloadmk.php%3Fid%3D1343&e
i=F4OUpLCNMjyrQe624D4Cg&usg=AFQjCNE4LcEYOFC5cVbUj4MGIn2RoX
diakses pada 19 November 2013 pukul 19.40 WIB
Anonim. 2013. Forecasting (Peramalan). Dalam
edwardferdinandonly.blogspot.com/2011/03/teori-peramalan.html diakses pada 19
November 2013 pukul 19.30 WIB
top related