Pengertian, Kegunaan dan sifat-sifat forecast (peramalan) DEFINISI, SIFAT-SIFAT PREECÇÃO (RAMALAN), PENGERTIAN REGRESI DAN KORELASI peramalan (previsão) Pengertian Peramalan PeramalanPerkiraan (Previsão) Prevalência adalah meramalkan, memproyeksikan, atau mengadakan perkiraaan taksiran terhadap berbagai kemungkinan yang akan Terjadi sebelum suatu rancana yang lebih pasti dapat dilakukan. Peramalan (previsão) adalah seni dan ilmu untuk memperkirakan kejadian di masa depan. Hal ini dapat dilakukan dengan melibatkan pengambilan dados historis dan memproyeksikannya ke masa mendatang dengan suatu bentuk modelo matematis. Hal ini bisa juga merupakan pediksi intuisi yang bersifat subjektif. Hal ini chatice dapat dilakukan dengan menggunakan kombinasi modelo matematis yang disesuakan dengan pertimbangan yang baik dari seorang gerente. Setelah mengenal beberapa teknik peramalan, anda akan melihat bahwa tidak ada satu metode tunggal yang paling unggul. Sesuatu yan berjalan dengan baik di suatu perusahaan pada suatu set kondisi tertentu mungkin bisa menjadi bencana bagi organisasi lain, bahkan pada departemen yang berada di perusahaan yang sama. Selain itu, anda akan melihat keterbatasan dari apa yang dapat anda harapkan dari suatu peramalan. Hanya sedikit bisnis yang dapat menghindari proses peramalan dan hanya menunggu apa yang terjadi untuk kemudian mengambil kesempatan. Perencanaan yang efektif baik untuk jangka panjang maupun pendek bergantung pada peramalan permintaan untuk produk perusahaan. Peramalan (Forecasting), merupakan kegiatan memprediksi nilai-nilai sebuah variabel berdasarkan nilai yang diketahui dari variabel tersebut atau variabel yang berhubungan. Terdapat dua macam metode yaitu metode kualitatif dan metode kuantitatif. Metodo kualitatif hanya menggunakan intuisi saja, tanpa menggunakan pendekatan matematis maupun statistik. Situasi, kondisi, dan pengalaman peramal sangat mempengaruhi hasil ramalan. Metode kuantitatif dapat dibedakan menjadi dua cara yaitu metode kausal dan metode séries temporais. Metode kausal mempertimbangkan nilai sebuah variabel sebagai pengaruh dari banyak variabel yang lain. Sedangkan metode séries temporais hanya meninjau nilai sebuah variabel sebagai fungsi waktu. Kegunaan Peramalan Dados ramalan dipergunakan sebagai perkiraan, bukan merupakan suatu angka atau bilangan yang harus dipergunakan begitu saja. Penggunaannya masih memerlukan pertimbangan dari para pemakai. Hal ini disebabkan oleh karena hasil ramalan biasanya didasarkan atas dasar asumsi-asumsi, kalau keadaan tidak berubah seperti waktu sebelumnya. Peramalan Deret Waktu Deret waktu didasarkan pada urutan dari titik 8211 titik dados yang berjarak sama dalam waktu (mingguan, bulanan, kuartalan, dan lain 8211 lain). Meramalkan deret data waktu berarti nilai masa depan diperkirakan hanya dari nilai masa lalu dan variável lain diabaikan walaupun variabel 8211 variabel tersebut mungkin sangat bermanfaat. Menganalisis deret waktu berarti membagi dados masa lalu menjadi komponen 8211 komponen 8211 komponen, kemudian memproyeksikannya ke masa depan. Deret waktu mempunyai empat komponen yaitu: 1. Pola trem merupakan pergerakan dados sedikit demi sedikit meningkat atau menurun. Perubahan pendapatan, populasi, penyebaran umur, atau pandangan budaya dapat mempengaruhi pergerakan tren. 2.Pola dados musiman adalah pola dados yang berulang pada kurun waktu tertentu, seperti hari, mingguan, bulanan, atau kuartal. 3.Pola dados Siklus adalah pola dalam dados yang terjadi setiap beberapa tahun. Siklus ini biasanya terkait pada siklus bisnis dan merupakan satu hal penting dalam analisis dan perencanaan bisnis jangka pendek. Memprediksi siklus bisnis 4.Pola dados variasi acak Merupakan satu titik khusus dalam dados yang disebabkan oleh peluang dan situasi yang tidak lazim. Variasi acak tidak memiliki pola khusus sehingga tidak dapat di prediksi. Metode Pemulusan Eksponensial Penghalusan Eksponensial merupakan metode peramalan rata 8211 rata bergerak dengan pembobotan yang canggih, tetapi masih mudah digunakan. Metode ini menggunakan pencatatan dan masa lalu yang sangat sedikit. Bentuk umum dari metode pemulusan eksponensial: Ft Ft - 1 a (A 8211 1 Ft82111) Ft peramalan baru Ft-1 peramalan sebelumnya a Konstanta penghalusan (pembobotan) (0 a 1) Período de Permintaan Período real lalu. Konsepnya tidak rumit. Prediksi terakhir untuk permintaan sama dengan prediksi lama, disesuaikan dengan sebagian deferensiasi permintaan aktual periode lalu dengan prediksi lama. 1.Alinhamento Eksponensial único Metode penghalusan eksponential orde satu sebenarnya merupakan perkembangan dari metodo rata-rata bergerak (média móvel) sederhana. Metode ini dipengaruhi secara luas di dalam peramalan (previsão) karena sederhana, efisian di dalam perhitungan dan perubahan ramalan, mudah disesuaikan dengan perubahan dados, dan ketelitian metode ini cukup besar. 2.Double Epsponensial smoothing Metode ini akan menyesuaikan factor tendência yang ada pada pola dados. Dipopulerkan oleh C. C. Holt (1957), modelo ini menambahkan factor pertumbuhan (fator de crescimento) atau faktor tendência (fator de tendência) pada persamaan dasar dari suavização. 3.Triple Suavização exponencial Metodo ini merupakan perluasan dari metode holt. Dipopulerkan oleh inverno, modelo ini menambahkan fator sazonal pada persamaan dasar dari suavização. Hanya berbeda dengan dua metode Suavização exponencial yang lalu, pada metode inverno ada dua cara previsão perhitungan, aditivo de Yakni Secara atau secara multiplikatif, disini akan digunakan cara multiplikatif. 2.3.2. Menghitung Kesalahan Peramalan Seorang perencana tentu menginginkan hasil perkiraan ramalan yang tepat atau paling tidak dapat memberikan gambaran yang paling mendekati sehingga rencana yang dibuatnya merupakan rencana yang realistis. Ketepatan atau ketelitian inilah yang menjadi kriteria desempenho suatu metode peramalan. Ketepatan atau ketelitian tersebut dapat dinyatakan sebagai kesalahan dalam peramalan. Kesalahan yang kecil memberikan arti ketelitian peramalan yang tinggi, dengan kata lain keakuratan hasil peramalan tinggi, begitu pula sebaliknya. Ada beberapa perhitungan yang biasa digunakan untuk membandingkan modelo peramalan yang berbeda, mengawasi peramalan, dan untuk memastikan peramalan dengan baik. Tiga dari perhitungan yang paling terkenal adalah: 1.1. Deviasi Mutlak Rerata (Desvio Médio Absoluto 8211 MAD) 2.2. Kesalahan Kuadrat Rerata (erro quadrado médio 8211 MSE) 3.3. Kesalahan Persen Mutlak Rerata (erro médio de porcentagem absoluta - MAPE) Sifat-Sifat Peramalan sifat-sifat peramalan Peramalan yang Subyektif: Peramalan yang didasarkan atas perasaan (instuisi) dari orang yang menyusunnya. Peramalan yang Obyektif: Peramalan yang didasarkan atas data 8211 dados pada masa lalu dengan menggunakan metode 8211 metode dalam penganalisaan data tersebut. Peramalan Kualitatif: Peramalan yang didasarkan atas dados kualitatif pada masa lalu, hasil peramalan tergantung pada orang yang menyusunnya. Peramalan Kuantitatif: Peramalan yang didasarkan atas dados kuantitatif pada masa lalu, hasilnya tergantung pada metode yang digunakan. REGRESI DAN KORELASI Regresi merupakan suatu alat ukur yang juga dapat digunakan untuk mengukur ada atau tidaknya korelasi antarvariabel. SEDANGKAN Korelasi merupakan teknik analisis yang termasuk dalam salah satu teknik pengukuran asosiasi hubungan (medidas de associação).Pantero peramalan (previsão) Dalam dunia usaha sangat penting diperlukan hal-hal yang terjadi dimasa depan sebagai dasar untuk pengambilan keputusan. Render dan Heizer (2007) mendefinisikan peramalan adalah seni dan ilmu memprediksi peristiwa-peristiwa masa depan. Hal ini serupa dengan pendapat Subagyo (2000) Previsão adalah memperkirakan sesuatu yang akan terjadi. Menurut Handoko (1999) Peramalan adalah suatu usaha untuk meramalkan keadaan di masa mendatang melalui pengujian keadaan di masa lalu. Menurut Gaspersz (2005) Aktivitas peramalan merupakan suatu fungsi bisnis yang berusaha memperkirakan penjualan dan penggunaan produk sehingga produk-produk itu dapat dibuat dalam kuantitas yang tepat. Menurut Taylor (2004) Peramalan yaitu sebuah prediksi mengenai apa yang akan terjadi di masa depan. Sebuah perusahaan yang menghasilkan barang hasil produksi memerlukan bahan baku, seperti halnya PT. Kusumahadi Santosa memerlukan bahan baku dalam proses produksi. Dalam memenuhi kebutuhan bahan baku diperlukan peramalan. Dari pengertian para ahli diatas, maka dapat ditarik suatu kesimpulan bahwa Peramalan adalah seni dan ilmu memprediksi peristiwa-peristiwa masa depan dengan melakukan studi dados terhadap historis untuk menemukan hubungan, kecenderungan dan pola yang sistematis. Jenis - Jenis Peramalan Menurut Render dan Heizer (2004) pada jenis peramalan dapat dibedakan menjadi beberapa tipe. Dilihat dari perencanaan operasi di masa depan, maka peramalan dibagi menjadi 3 macam yaitu: a. Peramalan ekonomi (previsão econômica) menjelaskan siklus bisnis dengan memprediksi tingkat inflasi, ketersediaan uang, dana yang dibutuhkan untuk membangun perumahan dan indikator perencanaan lainnya. B. Peramalan teknologi (previsão tecnológica) mempehatikan tingkat kemajuan tehnologi yang dapat meluncurkan produk baru yang menarik, yang membutuhkan pabrik dan peralatan baru. C. Peramalan permintaan (previsão da demanda) adalah proyeksi permintaan untuk produk atau layanan suatu perusahaan. Peramalan biasanya diklasifikasikan berdasarkan horizonte waktu masa depan yang dicakupnya. Menurut Taylor (2004) dalam hubungannya dengan horizon waktu peramalan terbagi atas beberapa kategori, yaitu: a. Ramalan jangka pendek (previsão de curto alcance) mencakup masa depan yang dekat (futuro imediato) dan memperhatikan kegiatan harian suatu perusahaan bisnis, seperti permintaan harian atau kebutuhan sumber daya harian. B. Ramalan jangka menengah (previsão de médio alcance) mencakup jangka waktu satu atau dua bulan sampai satu tahun. Ramalan jangka waktu ini umumnya lebih berkaitan dengan rencana produksi tahunan dan akan mencerminkan hal-hal seperti puncak dan lembah dalam suatu permintaan dan kebutuhan untuk menjamin adanya tambahan untuk sumber daya untuk tahun berikutnya. C. Ramalan jangka panjang (previsão de longo alcance) mencakup periode yang lebih lama dari satu atau dua tahun. Ramalan ini berkaitan dengan usaha manajemen untuk merencanakan produk baru untuk pasar yang berubah, membangun fasilitas baru, atau menjamin adanya pembiayaan jangka panjang. Peramalan yang baik adalah peramalan yang dilakukan dengan mengikuti langkah-langkah atau prosedur penyusunan yang baik. Menurut Gaspersz (2005) terdapat 9 langkah yang harus diperhatikan untuk menjamin efektivitas dan efisiensi dari sistem peramalan, yaitu: a. Menentukan tujuan dari peramalan b. Demonstração independente do item Memilih yang akan diramalkan c. Menentukan horison waktu dari peramalan (jangka pendek, menengah, atau panjang) d. Memilih model-model peramalan e. Memperoleh data yang dibutuhkan untuk melakukan peramalan f. Validasi modelo peramalan g. Membuat peramalan h. Implementasi hasil-hasil peramalan i. Memantau keandalan hasil peramalan Menurut Render dan Heizer (2004) dalam melakukan peramalan diperlukan perhitungan yang akurat sehingga diperlukan peramalan yang tepat. Pada dasarnya terdapat dua pendekatan umum untuk mengatasi semua modelo keputusan untuk meramal: a. Peramalan Kualitatif Yaitu peramalan yang menggabungkan faktor-faktor seperti intuisi pengambilan keputusan, emosi, pengalaman pribadi, dan system nilai. Dalam peramalan kualitatif terdapat empat teknik peramalan yang berbeda, b. Keputusan dari pendapat juri eksekutif, dalam metode ini pendapat sekumpulan kecil manajer atau pakar tingkat tinggi, sering dikombinasikan dengan modelo estatística, dikumpulkan untuk mendapatkan prediksi permintaan kelompok. C. Metode Delphi, merupakan teknik peramalan yang menggunakan proses kelompok dimana para pakar melakukan peramalan. 1) Gabungan dari tenaga penjualan, metode ini mengoptimasi jumlah penjualan diwilayahnya, peramalan ini kemudian dikaji untuk memastikan apakah peramalan cukup realistis lalu dikombinasikan pada tingkat wilayah dan nasional untuk mendapatkan peramalan secara keseluruhan. 2) Survei pasar konsumen, metode peramalan yang meminta entrada dari konsumen mengenai rencana pembelian mereka di masa depan. D. Peramalan Kuantitatif Yaitu peramalan yang menggunakan satu atau lebih modelo matematis dengan dados masa lalu dan variabel sebab akibat untuk meramalkan permintaan. Ada lima metode peramalan kuantitatif, yaitu metode pendekatan naif, metode rata-rata bergerak, metode penghalusan eksponential, penghalusan tren, dan regresi linear. Pada dasarnya metode peramalan kuantitatif ini dibedakan menjadi dua: 1) Metode peramalan berdasarkan seri waktu (série temporal) Modelo ini melihat pada apa yang terjadi selama periode waktu menggunakan seri dados masa lalu untuk membuat ramalan. 2) Metode kausal (métodos causais) atau metode korelasi Metode kausal, bergabung menjadi variável atau hubungan yang bisa mempengaruhi jumlah yang sedang diramal. Metode série temporária peramalana terdiri dari: 1) Pendekatan naif Pendekatan ini adalah teknik peramalan yang mengasumsikan permintaan di periode mendatang sama dengan permintaan terkini. Metode ini merupakan modelo peramalan objektif yang paling efektif dan efisien dari segi biaya, pendekatan ini memberikan titik awal untuk perbandingan dengan modelo lain yang lebih canggih. 2) Rata-rata bergerak (média móvel) Bermanfaat jika mengasumsikan bahwa permintaan pasar tetap stabil sepanjang waktu. Metode rata-rata bergerak dibagi menjadi dua metode yaitu: a) Rata-rata bergerak sederhana (média móvel única) Metode ini digunakan untuk melakukan peramalan hal-hal yang bersifat aleatório, artinya tidak ada gejala tendência naik maupun turun, musiman dan sebagainya, melainkan Sulit diketahui polanya. Metodo ini mempunyai dua sifat khusus yaitu untuk membuat peramalan memerlukan história de dados selama jangka waktu tertentu, semakin panjang waktu média móvel akan menghasilkan média móvel yang semakin halus. Secara matematis média móvel: dimana n adalah jumlah dalam rata-rata bergerak, misalnya tiga, lempat, atau lima bulan secara berurutan. Kelemahan metodo média móvel antara lain perlu historias de dados, semua dados diberi pesa sama, tidak bisa mengikuti perubahan yang terjadi. B) Rata-rata bergerak tertimbang (peso médio em movimento) Apabila ada tren atau pola terdeteksi, bobot dapat digunakan untuk menempatkan penekanan yang lebih pada nilai terkini. Praktik ini membuat teknik peramalan lebih tanggap terhadap perubahan karena periode yang lebih dekat mendapatkan bobot yang lebih berat. Rata-rata bergerak dengan pembobotan dapat digambarkan secara matematis sebagai: Pemilihan bobot merupakan hal yang tidak pasti karena tidak ada rumus untuk menetapkan mereka. Oleh karena itu, pemutusan bobot yang mana yang digunakan, membutuhkan pengalaman. C) Penghalusan eksponential (suavização exponencial) Penghalusan eksponential adalah teknik peramalan rata-rata bergerak dengan pembobotan dimana dados diberi bobot oleh sebuah fungsi eksponential. Penghalusan eksponential merupakan metode peramalan rata-rata bergerak dengan pembobotan yang canggih, namun masih mudah digunakan. Metode ini menggunakan sangat sedikit pencatatan dados masa lalu Rumus penghalusan eksponential dapat ditunjukkan sebagai berikut: Pendekatan penghalusan eksponential mudah digunakan, dan telah berhasil diterapkan pada hampir setiap jenis bisnis. Walaupun demikian, nilai yang tepat untuk konstanta penghalus, dapat membuat diferensiasi antara peramalan yang akurat dan yang tidak akurat. Nilai yang tinggi dipilih saat rata-rata cenderung berubah. Nilai yang rendah digunakan saat rata-rata cenderung stabil. Tujuan pemilihan suatu nilai untuk konstanta penghalus adalah untuk mendapatkan peramalan yang paling akurat. D) Proyeksi tren (projeção de tendência) Adalah metode peramalan series temporais yang menyesuaikan sebuah garis tren pada sekumpulan dados masa lalu dan kemudian diproyeksikan dalam garis untuk meramalkan masa depan untuk peramalan jangka pendek atau jangka panjang. Kalau hal yang diteliti menunjukkan gejala kenaikan maka tren yang kita miliki menunjukkan rata-rata pertumbuhan, sering disebut trend positif, tetapi hal yang kita teliti menunjukkan gejala yang semakin berkurang maka tren yang kita miliki menunjukkan rata-rata penurunan atau disebut juga tren negatif Menurut Adisaputro Dan Asri (2004) ada beberapa metodo yang bisa digunakan untuk membuat tren yaitu (1) Metode kuadrat terkecil (linear menos quadrado) Persamaan tren dengan metode linear menos quadrado adalah sebagai berikut: y nilai variabel yang dihitung untuk diprediksi a perpotongan sumbu y, bila Constan b slope koefisien kecenderungan garis tren X variável bebas, waktu Dalam persamaan tersebut, merupakan variabel yang akan dicari, x merupakan satuan waktu (diketahui). Dengan demikian maka variabel a dan b masih harus dicari terlebih dahulu. Adapun cara mencari variabel a dan b dengan: (2) Metode garis lurus (linha de tendência linear). Persamaan tren dengan metode linha de tendência linear dapat dirumuskan sebagai berikut: nilai terthitung dari variabel yang akan diprediksi (disebut variabel terikat) a persilangan sumbu yb kemiringan garis regresi (atau tingkat perubahan pada y untuk perubahan yang terjadi di x) X variável bebas, dalam kasus Ini adalah waktu Untuk menghasilkan nilai a dan b secara singkat sebagai berikut: e. Pengukuran kesalahan peramalan Keakuratan keseluruhan dari setiap modelo peramalan dapat dijelaskan dengan membandingkan nilai yang diramal dengan nilai real atau nilai yang sedang diamati. Kesalahan peramalan mengatakan seberapa baik kinerja suatu modelo dibandingkan dengan modelo itu sendiri dengan menggunakan dados masa lalu. Untuk menghitung kesalahan peramalan (deviasi) adalah Kesalahan peramalan At 61485 Ft At nilai real Ft nilai peramalan Ada beberapa perhitunngan yang biasa digunakan untuk menghitung kesalahan peramalan (erro de previsão) total. Perhitungan ini dapat digunakan untuk membandingkan modelo peramalan yang berbeda, juga untuk mengawasi peramalan, untuk memastikan peramalan berjalan dengan baik. Cara untuk mengevaluasi teknik peramalan menurut Render dan Heizer (2004) ada 3: 1) Deviasi rata-rata atau absoluto Absorto absoluto médio (MAD) Adalah mengukur kesalahan peramalan keseluruhan untuk sebuah modelo. Nalai MAD dihitung dengan mengambil jumlah nilai absolut dari tiap kesalahan peramalan dibagi dengan jumlah data de dados (n): dimana n jumlah data de dados 2) Kesalahan rata-rata kuadrat atau Mean Squared Error (MSE) Merupakan cara kedua untuk mengukur kesalahan peramalan keseluruhan. MSE adalah rata-rata selisih kuadrat antara nilai yang diramalkan dan yang diamati. Rumusnya adalah: 3) Kesalahan persen rata-rata absolute atau Mean Absolute Percentagem Erro (MAPE) Merupakan rata-rata diferensiasi absolut antara nilai peramalan dan aktual, yang dinyatakan sebagai presentase nilai aktual. MAPE dihitung sebagai rata-rata diferensiasi absolut antara nilai yang diramal dan aktual, dinyatakan sebagai presentase nilai aktual. MAPE dihitung sebagai: Keputusan kita dalam memilih suatu teknik peramalan sebagian tergantung pada apakah teknik-teknik tersebut menghasilkan kesalahan yang bisa dianggap kecil atau tidak.
Comments
Post a Comment