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