TAHAP-TAHAP PERAMALAN Pertemuan 3

Menilai pilihan-pilihan peramalan Setiap manajer yang berkepentingan dengan penerapan peramalan dalam pengambilan keputusan yang dilakukannya mengetahui pentingnya memilih teknik peramalan yang sesuai. Perlu dilakukan pemilihan untuk menyesuaikan kebutuhan tertentu dengan pendekatan model tertentu.

6 faktor utama yang penting dalam menggambarkan metode peramalan: Horison waktu Pola data Biaya Ketepatan Daya tarik intuitif, kesederhanaan, dan kemudahan aplikasi Ketersediaan perangkat lunak komputer

1. Horison waktu Dua aspek dalam horison waktu berkaitan dengan setiap metode peramalan: Jangka waktu ke masa mendatang yang paling sesuai dengan setiap metode peramalan berbeda-beda Secara umum, peramalan kualitatif lebih banyak diperlukan untuk ramalan yang berjangka lebih panjang, sedangkan metode kuantitatif digunakan untuk situasi berjangka waktu segera atau pendek. Jumlah periode yang diinginkan dalam ramalan. Beberapa teknik peramalan hanya sesuai untuk 1 atau 2 periode di muka, sedangkan teknik lain dapat digunakan untuk beberapa periode ke depan.

2. Pola data Metode peramalan didasari oleh asumsi tentang jenis pola yang ditemukan dalam data yang diramalkan. Karena metode-metode peramalan yang berbeda memiliki kemampuan yang berbeda-beda untuk memperkirakan jenis pola yang berbeda. Teknik yang dipergunakan penting sekali disesuaikan dengan pola yang diperkirakan.

3. Biaya Pada umumnya terdapat 3 unsur biaya langsung yang terlibat dalam aplikasi prosedur peramalan, yaitu: Pengembangan Persiapan data Operasi aktual Variasi dalam biaya akan mempengaruhi daya tarik pemilihan berbagai metode peramalan dalam berbagai situasi.

4. Ketepatan Ketepatan yang diperlukan dalam pemilihan metode peramalan berkaitan erat dengan tingkat ketelitian yang diperlukan dalam ramalan.

5. Daya tarik intuitif, kesederhanaan, dan kemudahan aplikasi Satu prinsip umum dalam aplikasi peramalan bagi manajemen adalah bahwa hanya metode yang dipahami yang akan dipergunakan secara berkelanjutan oleh pengambil keputusan. Para manajer tidak akan membuat keputusan yang harus mereka pertanggungjawabkan atas dasar ramalan-ramalan yang tidak mereka pahami atau yang tidak mereka percayai. Dengan demikian, selain memenuhi kebutuhan situasi, teknik peramalan harus pula sesuai dengan manajer yang akan menggunakan ramalan tersebut.

6. Ketersediaan perangkat lunak komputer Penerapan metode peramalan kuantitatif tertentu jarang sekali dimungkinkan tanpa adanya program komputer yang sesuai. Program-program tersebut harus mudah digunakan, disertai dokumentasi yang lengkap, dan bebas dari kesalahan-kesalahan besar, sehingga manajer dapat menggunakannya dan memahami serta menginterpretasikan hasilnya.

Contoh kejadian-kejadian yang dapat diramalkan dengan tingkat ketepatan yang wajar: Penjualan Pengaruh tindakan promosi dan periklanan Tingkat sediaan yang diperlukan Arus kas masuk dan keluar Kebutuhan bahan mentah dan bahan lainnya Kebutuhan tenaga kerja Dsb.

Manfaat utama dari peramalan yang akurat: Peningkatan kepuasan pelanggan Jadwal produksi atau pelayanan yang lebih baik Sediaan lebih sedikit Kebijakan promosi dan periklanan lebih efektif Kebijakan penetapan harga lebih efektif Manajemen material lebih baik Manajemen personalia lebih baik Dsb.

Contoh kejadian-kejadian yang tidak dapat diramalkan dengan tingkat ketepatan yang wajar: Kejadian-kejadian khusus, seperti bencana alam, cuaca, pemogokan, dsb. Aksi persaingan tertentu, misal, kampanye iklan atau penurunan harga oleh pesaing. Penjualan produk baru.

Masalah yang disebabkan kesalahan peramalan yang tidak diperkirakan: Sediaan sangat tinggi/rendah Tenaga kerja kurang dimanfaatkan Kehilangan penjualan Kehilangan pangsa pasar Penurunan laba atau kerugian Dsb.

Data dan peramalan Jika ingin membuat suatu peramalan yang didasarkan pada suatu model, maka kita perlu melakukan pengumpulan data. Biasanya data ini diungkapkan secara kuantitatif

Dua hal yang harus diperhatikan dalam proses pembuatan peramalan: Pengumpulan data yang relevan Pemilihan teknik peramalan yang tepat

Tahap-tahap dalam proses pembuatan peramalan: Pengumpulan data Mengkaji ulang pengalaman sebelumnya, studi literatur dan diskusi dapat membantu untuk memahami keberhasilan dan kegagalan dari pendekatan-pendekatan pada masa lalu. Menganalisis pola data yang dimiliki tersebut Pengamatan terhadap data Memahami perilaku data tersebut Pemilihan metode peramalan Mengevaluasi kesalahan/ketelitian metode peramalan Memilih metode peramalan dengan tingkat kesalahan terkecil, memvalidasi dan menginterpretasikan hasil peramalan

Data runtut waktu Setiap variabel yang terdiri dari data yang dikumpulkan, dicatat, atau diobservasi sepanjang waktu yang berurutan. Suatu pemahaman yang cepat mengenai analisis runtut waktu adalah mencoba untuk menjelaskan atau meperhatikan perilaku serial data tersebut.

Pendekatan sistematis untuk menganalisis data time series: Analisis otokorelasi Metode yang dapat digunakan untuk mengidentifikasi komponen-komponen dan pola data.

Analisis pola data dengan analisis otokorelasi: Jika data diukur selama suatu periode waktu tertentu yang berurutan, seringkali terjadi korelasi antara nilai data pada suatu waktu tertentu dengan nilai data tersebut pada 1 periode waktu sebelumnya (lagged) atau lebih. Korelasi ini dapat dihitung dengan menggunakan koefisien otokorelasi.

Analisis pola data dengan analisis otokorelasi: Untuk mengukur koefisien otokorelasi tingkat pertama (r1) atau korelasi antara Yt dengan Yt-1 adalah : Dimana r1 = koefisien otokorelasi tingkat pertama, = nilai rata-rata serial data, Yt = observasi pada waktu t, Yt-1 = observasi pada satu periode sebelumnya (t-1)

Data yang terotokorelasi Waktu (t) Bulan Data asli (Yt) Y dilag 1 periode (Yt-1) Y dilag 2 periode (Yt-2) 1 Januari 123   2 Pebruari 130 3 Maret 125 4 April 138 5 Mei 145 6 Juni 142 7 Juli 141 8 Agustus 146 9 September 147 10 Oktober 157 11 Nopember 150 12 Desember 160

Contoh perhitungan koefisien otokorelasi derajat pertama: Waktu (t) Data asli (Yt) Y dilag 1 periode (Yt-1) (Yt - Ybar) (Yt-1 - Ybar) (Yt - Ybar)2 (Yt - Ybar)(Yt-1 - Ybar) 1 123   -19 361 2 130 -12 144 228 3 125 -17 289 204 4 138 -4 16 68 5 145 9 6 142 7 141 -1 8 146 147 25 20 10 157 15 225 75 11 150 64 120 12 160 18 324 jumlah 1704 -18 1474 843 mean (Ybar) = 1704 / 12 = r1 = 843 / 1474 = 0.5719

Contoh perhitungan koefisien otokorelasi derajat kedua: Waktu (t) Data asli (Yt) Y dilag 2 periode (Yt-2) (Yt - Ybar) (Yt-2 - Ybar) (Yt - Ybar)2 (Yt - Ybar)(Yt-2 - Ybar) 1 123   -19 361 2 130 -12 144 3 125 -17 289 323 4 138 -4 16 48 5 145 9 -51 6 142 7 141 -1 -3 8 146 147 25 -5 10 157 15 225 60 11 150 64 40 12 160 18 324 270 jumlah 1704 -26 1474 682 mean (Ybar) = 1704 / 12 = r2 = 682 / 1474 = 0.4627

Jadi, Dari 2 perhitungan tersebut, terlihat bahwa terdapat otokorelasi dalam data runtut waktu tersebut untul lag waktu 1 periode dan 2 periode. Otokorelasi untuk lag waktu 1 periode adalah 0,572 artinya nilai variabel Yt secara berturut-turut terkorelasi (tergantung) satu sama lain. Otokorelasi untuk lag waktu 2 periode adalah 0,463 artinya otokorelasi yang terjadi relatif sedang. Pada umumnya, jika jumlah lag waktu (k) semakin besar, maka koefisien otokorelasinya semakin kecil.

Koefisien otokorelasi untuk lag waktu (k) dari suatu variabel dapat digunakan untuk mengidentifikasi hal-hal berikut: Apakah data tersebut bersifat acak? Apakah data tersebut mempunyai trend (tidak stasioner)? Apakah data tersebut stasioner? Apakah data tersebut musiman?

Catatan: Jika data runtut waktu tersebut bersifat acak, maka korelasi antara Yt dengan Yt-1 mendekati nol, dan nilai-nilai runtut waktu berikutnya tidak terkait satu sama lain.

Catatan: Jika suatu data runtut waktu mempunyai pola trend, maka Yt dengan Yt-1 terkorelasi cukup kuat dan koefisien otokorelasinya biasanya tidak sama dengan nol untuk beberapa lag waktu pertama kali dan kemudian secara perlahan turun mendekati nol jika jumlah periode waktu meningkat. Koefisien otokorelasi untuk 1 lag waktu biasanya sangat besar (mendekati 1), untuk 2 lag waktu juga masih tetap besar tetapi tidak sebesar untuk 1 lag waktu.

Catatan: Jika suatu data runtut waktu mempunyai pola musiman, maka suatu koefisien otokorelasi yang signnifikan akan terjadi pada suatu lag waktu yang sesuai: empat untuk data kuartalan atau duabelas untuk data bulanan.

Pemilihan Metode peramalan no metode pola data jangka waktu Model 1 sederhana ST, T, M PDK RW 2 rata-rata sederhana ST 3 rata-rata bergerak 4 pemulusan eksponensial 5 regresi sederhana T MNH K   regresi berganda M, S 6 dekomposisi klasik M 7 model ttrendddd eksponensial MNH, PJG 8 Box-Jenkins ST, T, S, M 9 Model ekonometrikl S 10 regresi berganda runtut waktu T, M KETERANGAN * Pola data : ST = stasioner ; T = trend ; M = musiman ; S = siklis * jangka waktu : PDK = pendek ; MNH = menengah ; PJG = panjang * Model : RW = runtut waktu ; K = kausal

Pengukuran kesalahan peramalan MAD (Mean Absolute Deviation) MSE (Mean Squared Error) MAPE (Mean Absolute Percentage Error) MPE (Mean Percentage Error) Dimana : Yt = nilai sebenarnya pada periode t = nilai peramalan pada periode t

MACAM-MACAM ERROR Kesalahan Waktu Jumlah mobil (Yt) Ramalan (Y^t) et   Kesalahan Waktu Jumlah mobil (Yt) Ramalan (Y^t) et êet ê et2 ½et ½/ Yt et / Yt (%) 1 58 - 2 54 -4 4 16 7.41% -7.41% 3 60 6 36 10.00% 55 -5 5 25 9.09% -9.09% 62 7 49 11.29% 0.00% 65 9 4.62% 8 63 -2 3.17% -3.17% 70 Jumlah 12 34 188 55.58% 16.23% ME = 12/8 1,5 MAD = 34 / 8 = 4.25 MSE = 188 / 8 = 23.5 MAPE = 55,58% / 8 = 6.95% MPE = 16,23% / 8 = 2.03%

Data berdistribusi normal U = 61 dan std = 5 darut fa(x) z fe(x) D 1 58 54 0,1111 -1,4 0,0808 0,0303 2 55 0,2222 -1,2 0,1151 0,1071 3 60 0,3333 -0,6 0,2743 0,0590 4 0,4444 -0,2 0,4207 0,0237 5 62 0,5556 0,2 0,7257 -0,1701 6 0,6667 -0,0590 7 65 63 0,7778 0,4 0,6554 0,1224 8 0,8889 0,8 0,7881 0,1008 9 70 0,9999 1,8 0,9641 0,0358 mean 61   std 5,0 dmax dt 0,38746 Data berdistribusi normal U = 61 dan std = 5

Tingkat kecukupan metode peramalan Apakah dalam koefisien otokorelasi dari residual dari data runtut waktu tersebut muncul? Apakah residual tersebut terdistribusi secara normal? Apakah semua koefisien regresi mempunyai uji t yang signifikan? Apakah teknik tersebut mudah untuk digunakan dan dipahami oleh pengambil keputusan?