You are on page 1of 11

BAB I PENDAHULUAN

A. Latar Belakang Masalah Peramalan (forecasting) merupakan bagian vital bagi setiap organisasi bisnis dan untuk setiap pengambilan keputusan manajemen yang sangat signifikan. Peramalan menjadi dasar bagi perencanaan jangka panjang perusahaan. Dalam area fungsional keuangan, peramalan memberikan dasar dalam menentukan anggaran dan pengendalian biaya. Pada bagian pemasaran, peramalan penjualan dibutuhkan untuk merencanakan produk baru, kompensasi tenaga penjual, dan beberapa keputusan penting lainnya. Selanjutnya, pada bagian produksi dan operasi menggunakan data-data peramalan untuk perencanaan kapasitas, fasilitas, produksi, penjadwalan, dan pengendalian persedian (inventory control). Untuk menetapkan kebijakan ekonomi seperti tingkat pertumbuhan ekonomi, tingkat pengangguran, tingkat inflasi, dan lain sebagainya dapat pula dilakukan dengan teknik metode peramalan dan pengukuran kesalahan peramalan. B. Perumusan Masalah Dari uraian yang telah diberikan dalam latar belakang masalah, dapat dirumuskan permasalahan dalam memilih teknik peramalan dan pengukuran kesalahan peramalan untuk data tertentu. C. Tujuan Penulisan Permasalahan yang akan dibahas dalam penulisan ini berdasarkan pada pemilihan teknik peramalan dan pengukuran kesalahan peramalan. D. Manfaat Penulisan Untuk mengetahui teknik-teknik dan pengukuran kesalahan peramalan apa saja yang dapat dilakukan untuk melakukan peramalan pada suatu data.

rata produksi yang sama. atau memudahkan dalam penjelasan dan pelaksanaan Contoh: ketika bisnis atau organisasi itu baru dan hanya sedikit data historis yang tersedia ± Adanya asumsi tertentu sehingga data menjadi lebih stabil Contoh: mengganti pendapatan ke pendapatan perkapita atau mengganti penjualan dolar ke jumlah dolar konstan.BAB II PEMBAHASAN A. Teknik peramalan untuk data Trend Rangkaian Trend diberikan lebih awal sebagai runtun waktu yang mengandung komponen bentuk panjang yang menggambarkan pertumbuhan atau kemerosotan dalam rangkaian diatas periode perpanjangan waktu. akar kuadrat atau pembedaan. Dengan kata lain runtun waktu dikatakan mempunyai Trend jika nilai rata-ratanya menggantikan waktu tambahan. ± Data adalah himpunan eror dari teknik peramalan yang dianggap cukup baik (memadai) ‡ Teknik yang bisa digunakan ± Naïve ± Simple averaging ± Moving average ± Autoregressive moving average (ARMA) 2. Beberapa teknik peramalan yang dapat digunakan: 1. Teknik peramalan untuk data stasioner Data stasioner dapat didefinisikan dengan cepat seperti sesuatu yang nilai rata-ratanya tidak dapat diubah sewaktu-waktu. ‡ Teknik peramalan stasioner digunakan jika ± Data stabil. Seperti situasi yang berkembang ketika ada peningkatan pola data yang mempengaruhinya maka teknik ini akan relatif stabil. jadi Trend . lingkungan yg berpengaruh relatif tetap Misalnya angka kerusakan perminggu pada pemasangan bagian-bagian perakitan mesin memiliki rata. kumpulan penjualan produk atau layanan dalam pekembangan proses kehidupan dan jumlah hasil penjualan dari tingkat usaha yang konstan. ± Butuh model yang sangat sederhana karena keterbatasan data. Teknik-teknik Peramalan Faktor utama yang mempengaruhi pemilihan teknik peramalan adalah identifikasi dan mengetahui pola dari data. ± Adanya transformasi data sehingga menjadi stabil Contoh: mentransformasi rangkaian dengan menggunakan logaritma.

permintaan konsumsi energi. dan penggunaan bahan mentah. Proses terakhir diarahkan sebagai pengaturan data musiman. ‡ Teknik peramalan untuk data musiman digunakan jika ± Musim mempengaruhi variabel minat Contoh: konsumsi yang berhubungan dengan listrik. ‡ Teknik yang bisa digunakan: ± Moving average ± Holt¶ linear exponential smoothing ± Simple regression ± Growth curve ± Exponential ± Autoregressive integrated moving average 3.digunakan untuk meningkatkan atau menurunkan selama periode yang mana peramalan diinginkan. ‡ Teknik yang bisa digunakan: ± Clasical decomposition ± Census X-12 . yang meningkat dengan adanya komputer dan pemakaian jalan kereta api yang menurun karena adanya pesawat terbang ± Pertambahan jumlah penduduk yang mendorong pada permintaan barang dan jasa Contoh: pajak penjualan barang-barang konsumsi. hari besar) mempengaruhi variabel minat Contoh: penjualan tiket masuk obyek wisata dipengaruhi musim libur. Teknik peramalan untuk data Musiman Rangkaian musiman sebagai runtun waktu dengan pola pergantian yang mengulang tahun sebelumnya.biaya produksi dan harga ± Sambutan pasar meningkat. 3 hari liburan. kegiatan musim panas dan musim dingin (seperti olaharaga: ski). ± Kalender tahunan (hari libur. Satu cara untuk membangun peramalan musiman yang melibatkan pemilihan salah satu dari metode dekomposisi perkalian atau pembagian dan kemudian mengestimasi indeks musiman dari sejarah / histori rangkaian. Contoh: periode pertumbuhan dalam putaran produk baru. ‡ Teknik peramalan untuk data trend digunakan jika ± Daya produksi yang meningkat atau kemajuan teknologi yang mendorong perubahan gaya hidup (misal:permintaan barang elektronik) Contoh: permintaan komponen elektronik. Indeks ini kemudian digunakan untuk memasukkan peramalan secara musiman atau menghilangkan efek dari nilai yang diobservasi. musim tanam. pakaian. dan kalender sekolah. ± Daya beli dolar yang mempengaruhi perekonomian _ inflasi Contoh: gaji.

T. karena putaran kelakuan yang tidak teratur. Metode dekomposisi dapat diperluas untuk menganalisis data siklis. kelaparan. ± Adanya pergantian selera. Teknik peramalan untuk data Siklis Efek siklis diberikan lebih awal sebagai fluktuasi seperti gelombang disekitar Trend. pasar dan faktor persaingan.mode. Pola siklis sulit untuk model karena pola mereka secara tipikal tidak stabil / tetap. Contoh : perang.S ST ST ST T T S S T C. Akan tetapi. Fluktuasi seperti gelombang ke atas ± ke bawah disekitar Trend jarang terulang di interval waktu yang tetap dan besarnya fluktuasi juga terjaga untuk berubah-ubah. ‡ Teknik peramalan untuk data siklis digunakan jika ± Putaran bisnis mempengaruhi variabel minat Contoh : ekonomi. wabah penyakit dan bencana alam ‡ Teknik yang bisa digunakan ± Clasical decompotition ± Economic indicator ± Econometrics model ± Multiple regression ± ARIMA Faktor lain yang perlu dipertimbangkan ‡ Jangka waktu mempengaruhi pemilihan teknik peramalan ‡ Perhatikan tabel berikut!!! Tabel pemilihan teknik peramalan Met ode Po Naïve Simple averages Moving averages Eksponensial smoothing Linear eksp smoothing Quadratic eksp smoothing Seasonal eksp smoothing Census X-12 Simple regression Multiple regression ST.± Winter¶s exponential smoothing ± Multiple regression ± Autoregressive integrated moving average 4.S S S S S S S S S I I nonmusim TS 1 TS 30 TS 4-20 TS 2 TS 3 TS 4 TS TS C 10 C 10 X V musim 2XS 6XS . dll ± Terjadinya perubahan dalam penduduk. analisa komponen siklis dari rangkaian sering memerlukan penemuan kejadian yang kebetulan atau kepemimpinan indikator ekonomi.

Sebagian besar dari pengukuran ini melibatkan rata-rata beberapa fungsi dari perbedaan antara nilai aktual dan nilai peramalannya.K Y . t Y = nilai ramalan untuk periode waktu t Satu metode untuk mengevaluasi metode peramalan menggunakan jumlah dari kesalahan-kesalahan yang absolut. t Y menunjukkan nilai dari runtun waktu pada periode waktu t. MAD paling berguna ketika orang yang menganalisa ingin mengukur kesalahan ramalan dalam unit yang sama sebagai deret asli. ^t t t e = Y ±Y dimana t e = error ramalan pada periode waktu t.C C T.Ydengan deret nilai ramalan . C=Siklis. akan diletakkan di atas sebuah nilai untuk mengindikasi bahwa hal tersebut sedang diramal. 2 . Notasi matematika juga harus dikembangkan untuk membedakan antara sebuah nilai nyata dari runtun waktu dan nilai ramalan.T. Huruf Y akan digunakan untuk menotasikan sebuah variabel runtun waktu meskipun ada lebih dari satu variabel yang ditunjukkan. Oleh karena itu. Ketepatan dari teknik peramalan sering kali dinilai dengan membandingkan deret asli 1 2.S.L TS TS TS C C 5XS 10 24 30 3XS 6XS Keterangan: Pola data: ST=Stasioner. Nilai ramalan untuk t Y adalah t Y ^.Classical decompotition Eksponential trend model Box jenkins Econometric model Time series multiple Regress S T ST. L=panjang. t Y = nilai aktual pada periode waktu t.S S I. Jangka waktu: S=singkat(kurang dari 3 bulan). T=Trend. PENGUKURAN TEKNIK PERAMALAN Sebuah notasi matematika dikembangkan untuk menunjukkan periode waktu yang lebih spesifik karena metode kuantitatif peramalan sering kali memperlihatkan data runtun waktu. Beberapa metode lebih ditentukan untuk meringkas kesalahan (error) yang dihasilkan oleh fakta (keterangan) pada teknik peramalan. The Mean Absolute Deviation (MAD) mengukur ketepatan ramalan dengan merata-rata kesalahan dugaan (nilai absolut masing-masing kesalahan). S=Musiman. Persamaan di bawah ini digunakan untuk menghitung error atau sisa untuk tiap periode peramalan. .K^1^Y Y NOTASI DASAR PERAMALAN Notasi peramalan dapat diringkas sebagau berikut: t Y = nilai data time series pada periode t t Y = nilai ramalan dari t Y ^ t t t e = Y -Y = sisa atau kesalahan ramalan. Perbedaan antara nilai observasi dan nilai ramalan ini sering dimaksud sebagai residual. B. I=menengah. Periode waktu bergabung dengan observasi yang ditunjukkan sebagai tanda.L S S I.

Perbandingan nilai MSE yang terjadi salama flase pencocokan peramalan mungkin memberikan sedikit indikasi ketepatan model dalam peramalan. Suatu model yang terlalu cocok dengan deret data yang berarti sama dengan memasukkan unsur random sebagai bagian proses bangkitan. Metode regresi meminimumkan MSE dengan memberikan bobot yang sama pada semua nilai pengamatan dan metode Box-Jenkin meminimumkan MSE dari suatu prosedur optimasi non linear. Hal ini sama buruknya dengan tidak berhasilnya mengenali pola non random. penggunaan MSE sebagai suatu ukuran ketepatan juga dapat menimbulkan masalh. pembandingan metode atas suatu kriteria tumggal. Dalam fase peramalan. Ukuran ini tidak dapat memudahkan perbandinganantar deret berkala yang berbeda dan untuk selang wsktu yang berlainan karena MSE merupakan absolut.Metode khusus yang digunakan dalam peramalan meliputi perbandingan metode mana yang akan menghasilkan kesalahan-kesalahan ramalan yang cukup kesil.= = -ni t t Y Yn MAD 11 ^ The Mean Squared Error (MSE) adalah metode lain untuk mengevaluasi metode peramalan. Tujuan optimalisasi statistik sering sekali untuk memilih suatu model agar MSE minimum. Selain itu. Kemudian dijumlahkan dan ditambahkan dengan jumlah observasi. c) Membantu mencari sebuah metode yang optimal . Masing-masing kesalahan atau sisa dikuadratkan. karena ukuran ini menyangkut pengkuadratan sederetan nilai. tetapi ukuran ini punya dua kelemahan Pertama. interpretasinya tidak bersifat intuitif bahkan untuk para spesialis sekalipun. Endekatan ini mengatur kesalahan peramalan yang besar karena kesalahan-kesalahan itu dikuadratkan. Fungsi keempat ukuran ketepatan peramalan adalah sebagai berikut: a) Membandingkan ketepatan dari dua arah atau lebih metode yang berbeda. metode dekomposisi memasukkan unsur trend siklis dalam tahap pencocokannya seakan-akan unsur diketahui. yaitu MSE yamg mempunyainilai terbatas. dalam data. tetapi kadang menghasilkan perbedaan yang besar. Metode ini baik untuk memprediksi metode peramalan sehingga menghasilkan kesalahan ramalan yang relatif kecil dalam dasar konsisten. Jadi. Pencocokan dengan menggunakan polinomi berorde tinggi atau suatu transformasi Fourier yang tepat. Metode itu menghasilkan kesalahankesalahan sedang yang kemungkinan lebih baik untuk kesalahan kecil. ukuran ini menunjukkan pencocokan suatu model terhadap data historis.Kekurangan kedua pada MSE sebagai ukuran ketepatan model adalah berhubungan dengan kenyataan bahwa metode yang berbeda akan menggunakan prosedur yang berbeda pula dalam fase pencocokan sebagai contoh. b) Sebagai alat ukur apakah teknik yang diambildapat dipercaya atau tidak.

Multiple regression. b) Mean Squared Error (MSE) MSE digunakan untuk mengukur ketepatan nilai dugaan model yang dinyatakan dalam ratarata kuadrat dari kesalahan c) Mean Absolute Percentage Error (MAPE) MAPE digunakan untuk mengukur ketepatan nilai dugaan model yang dinyatakan dalam bentuk rata-rata persentase absolute kesalahan d. Exponential. MPE adlah sebagai berikut: _ Membandingkan ketepatan dari dua atau lebih metode yang berbeda. . MAD.BAB III PENUTUP Kesimpulan : 1. MAD. Growth curve. · Teknik yang dapat digunakan untuk data Siklis adalah Clasical decompotition. _ Sebagai alat ukur apakah teknik yang diambil dapat dipercaya atau tidak. MAPE. _ Membantu mencari sebuah model ooptimal. · Teknik yang dapat digunakan untuk data Trend adalah Moving average. · Teknik yang dapat digunakan untuk data Musiman adalah Clasical decomposition. Economic indicator. Holt¶ linear exponential smoothing. Census X-12. Moving average. 4. Autoregressive integrated moving average. pilihlah model dengan nilai MAPE. Simple regression. MAPE. Winter¶s exponential smoothing. Beberapa teknik yang dapat digunakan : · Teknik yang dapat digunakan untuk data stasioner adalah Naïve. 2. Oleh karena itu. 3. Mean Percentage Error MPE digunakan untuk menentukan metode peramalan mana yang bias (peramalan tinggi atau rendah). Fungsi MAD. MPE maka semakin kecil nilai kesalahannya. MSE. Autoregressive moving average (ARMA). MSE.Ada empat ukuran peramalan sebagai berikut a) Mean Absolute Deviation (MAD) MAD digunakan untuk mengukur ketepatan nilai dugaan model yang dinyatakan dalam bentuk rata-rata absolute kesalahan. Autoregressive integrated moving average. Econometrics model. ARIMA. Multiple regression. MPE yang paling kecil. dalam menetapkan model yang akan digunakan dalam peramalan. Jika peramalan mendekati tak bias. MSE. Semakin kecil nilai-nilai MAPE. Simple averaging. MPE akan menghasilkan angka yang mendekati nol.

New Jersey: Pearson Education International. dan Basith.Edisi ke-8. .DAFTAR PUSTAKA Hanke. 4 Agustus 2010.1992. Business Forecasting. Untung.wordpress. John E.com. Jakarta : Erlangga. Edisi Kedua. Andriyanto. http://junaidichaniago. Metode dan Peramalan Aplikasi. Abdul. Sus.

Melalui makalah ini. Purwakarta. Penulis menyadari dalam makalah ini masih terdapat kekurangan. Maret 2012 Penulis . penulis ingin mengucapkan terimakasih yang sebesar-besarnya kepada pembimbing mata kulia (Dosen) dan semua pihak yang terlibat dalam penyelesaian makalah ini.KATA PENGANTAR Puji dan syukur penulis panjatkan kehadirat Allah SWT dan junjungan besar Nabi Muhammad SAW. oleh karena itu penulis sangat mengharapkan saran & kritik yang tentunya bersifat membangun demi kesempurnaan makalah ini. karena atas rahmat dan Hidayah-Nya penulis dapat menyelesaikan makalah ini dengan tepat waktu.

Firna Ariyanti .MANAJEMEN OPERASI & PRODUKSI ³PERAMALAN (FORECASTING)´ Makalah ini dibuat untuk memenuhi tugas mata kuliah Manajemen Operasi & Produksi. Disusun oleh : . Herman Lesmana JURUSAN MANAJEMEN BISNIS STIEB PERDANA MANDIRI PURWAKARTA 2012 .