Minggu, 25 September 2011 | By: Asril Arilaha

Forecasting (Peramalan)

Arti Forecasting (Peramalan)
  • Seni & Ilmu Untuk Memprediksi Masa Depan
  • Proses Analisis untuk memperkirakan Masa Depan dgn Metode-metode tertentu dan mempertimbangkan segala variabel yang mungkin berpengaruh di dalamnya.
  • Suatu estimasi tentang hal-hal yang paling mungkin terjadi di masa mendatang berdasarkan eksplorasi dari masa lalu
Peramalan adalah merupakan Tahap Awal, sementara Hasil Ramalan adalah Basis Bagi Seluruh Tahapan Pada Perencanaan Produksi. Proses Peramalan Dilakukan Pada Level Agregat (Part Family); bila data yg dimiliki adalah data item, maka perlu dilakukan agregasi terlebih dahulu. Peramalan dapat dilakukan dengan menggunakan Metode Kuantitatif & atau Kualitatif. 

Sementara itu, Futurecasting adalah Sebuah Estimasi individu tentang bagaimana hendaknya masa depan itu terjadi (Terdapat peran aktif individu melalui proses perencanaan). Melalui proses analisa yg logis dari masa lalu, seseorang berusaha untuk mengkondisikan masa depan yg diinginkan, tentunya dgn mempertimbangkan segala sesuatu yg mungkin dapat terjadi di masa depan, sebab semua estimasi harus mungkin (possible) untuk dilaksanakan.

Ciri-ciri Ramalan:
  • Beranggapan sistem kausal : masa lalu ==> masa depan
  • Ramalan jarang sempurna, oleh karena tingkat keacakan
  • Ramalan lebih akurat untuk group daripada individu
  • Tingkat akurasi ramalan menurun sejalan dengan  meningkatnya cakrawala waktu
Unsur-unsur Ramalan yang baik adalah:
·         - Tepat waktu
·         - Handal
·         - Akurat
·         - Berarti
·         - Tertulis
- Mudah digunakan

Langkah-langkah Proses Peramalan 



Jenis-jenis Ramalan
  Pendapat – menggunakan masukan secara subjektif
Serial waktu – menggunakan data historis dan mengasumsikan masa depan akan sama dengan masa lalu
Model Asosiatif (Associative Model) – menggunakan variabel-variabel untuk meramalkan masa depan

Ramalan berdasarkan penilaian (Judgmental Forecast)
  Pendapat atasan
  Pendapat tenaga penjual
  Survei konsumen
  Pendapat dari luar
  Metode Delphi
     Pendapat dari manajer dan staf
     Mencapai ramalan secara kosensus

Ramalan serial waktu (times series)
  Tren – pergerakan jangka panjang dalam data
  Musiman- variasi tetap jangka pendek dalam data
  Siklus – variasi-variasi bergelombang dari lebih dari satu tahun
  Variasi tak beraturan – disebabkan kejadian-kejadian yang tidak biasanya
  Variasi acak – disebabkan karena kesempatan

Variasi-variasi Ramalan

Peramalan berdasarkan Data runut waktu (serial data)
  Metode Naif (Na├»ve Method)
  Teknik Perata-rataan
      Metode rata-rata bergerak
      Metode rata-rata bergerak tertimbang
      Metode pemulusan pangkat (exponential smoothing)
  Teknik untuk tren
      Tren linear

Teknik-teknik Perata-rataan
  Rata-rata bergerak (Moving average)
  Rata-rata bergerak tertimbang(Weighted moving average)
  Exponential smoothing

Teknik-teknik untuk Musiman
·         Variasi-variasi Musiman. Pergerakan tetap yang berulang dalam rangakaian-rangkaian nilai yang bisa dihubungkan dengan kejadian-kejadian berulang.
·         Musiman relative. Persentase dari rata-rata atau tren (kecenderungan).
·         Rata-rata. Sebuah rata-rata bergerak yang ditempatkan pada pusat data yang telah digunakan untuk menghitungnya.

Peramalan Asosiatif (Associative Forecasting)
  Variable-variabel peramal – digunakan untuk meramal nilai-nilai dari variabel sejenis
  Regresi – sebuah teknik untuk mencocokkan sebuah garis ke dalam serangkaian nilai-nilai
  Garis pangkat terkecil (Least squares line) – memperkecil jumlah pangkat penyimpangan-penyimpangan di sekitar sebuah garis


Akurasi Ramalan
  Kesalahan (Error) – perbedaan antara nilai aktual dan nilai ramalan
  Mean Absolute Deviation (MAD)
  Rata-rata kesalahan mutlak (Average absolute error)
  Mean Squared Error (MSE)
  Rata-rata kesalahan berpangkat (Average of squared error)
  Mean Absolute Percent Error (MAPE)
  Rata-rata persentase kesalahan mutlak (Average absolute percent error)

Pengawasan Ramalan
  Grafik Pengawasan (Control Chart)
     Alat untuk mengawasi kesalahan-kesalahan ramalan secara visual
     Digunakan untuk menemukan ketidak-serempangan dalam kesalahan-kesalahan
  Kesalahan-kesalahan peramalan berada dalam kendali jika
     Semua kesalahan berada dalam batas kendali
     Muncul dengan tidak berbentuk, seperti tren atau siklus

Sumber-sumber kesalahan ramalan
  Model peramalan mungkin tidak cukup
  Variasi-variasi yang tak beraturan
  Kesalahan penggunaan teknik peramalan

Memilih teknik peramalan
  Tidak ada teknik yang berfungsi di setiap situasi
  Dua faktor yang paling penting
     Biaya
     Akurasi
  Faktor lain termasuk ketersediaan dari:
     Data historis (masa lalu)
     Komputer
     Waktu yang dibutuhkan untuk mengumpulkan dan menganalisa data
     Cakrawala ramalan (forecast horizon)

Strategi Operasi Terkait Peramalan
  Ramalan-ramalan adalah berbasis pada banyak keputusan-keputusan
  Berusaha untuk memperbaiki ramalan jangka pendek
  Akurasi ramalan-ramalan jangka pendek memperbaiki:
      Keuntungan
      Menurunkan tingkat persediaan
      Mengurangi keterbatasan persediaan
      Memperbaiki tingkat layanan konsumen
      Mempertinggi tingkat kepercayaan terhadap ramalan

1 komentar:

Dawud Tan mengatakan...

permisi pak, saya pernah menulis tentang fungsi autocorrelation untuk penentuan pola data time series apakah musiman, tren, atau stationer, di artikel berikut: http://datacomlink.blogspot.com/2015/12/data-mining-identifikasi-pola-data-time.html yang ingin saya tanyakan, apakah ada teknik lain untuk mencari pola data time series selain fungsi autocorrelation ya pak? terima kasih

Poskan Komentar