Tindakan pemerintah secara makro ekonomi by 1ygrs3W6

VIEWS: 63 PAGES: 13

									                              MODUL PERAMALAN
                UNTUK MATA KULIAH SISTEM PRODUKSI
                      DOSEN : Budi Aribowo ST., M.Si.
                            Jurusan Teknik Industri
                           Universitas Mercu Buana
                                    Jakarta




PUSAT PENGEMBANGAN BAHAN AJAR-UMB     Budi Aribowo, ST.,M.Si   SISTEM PRODUKSI   0
                                             PERAMALAN

                  Peramalan (forecasting) merupakan alat bantu yang penting dalam perencanaan
           yang efektif dan efisien khususnya dalam bidang ekonomi. Dalam organisasi modern
           mengetahui keadaan yang akan datang tidak saja penting untuk melihat yang baik atau
           buruk tetapi juga bertujuan untuk melakukan persiapan peramalan.
                  Menurut Yamit (1999, p13), peramalan adalah prediksi, proyeksi atau estimasi
           tingkat kejadian yang tidak pasti dimasa yang akan datang. Sedangkan menurut
           Makridakis (1999, lampiran p24), peramalan merupakan prediksi nilai-nilai sebuah
           variabel berdasarkan kepada nilai yang diketahui dari variabel tersebut atau variabel
           yang berhubungan.
                  Beberapa faktor umum lingkungan yang mempengaruhi peramalan, yaitu :
           1. Kondisi umum bisnis dan ekonomi.
              Hal ini berkaitan dengan perkembangan bisnis dan ekonomi secara global
           2. Reaksi dan tindakan pesaing
              Kita dapat memperhatikan segala reaksi dan tindakan pesaing agar pola peramalan
              yang ditetapkan dapat menyimbangi pesaing tersebut.
           3. Tindakan pemerintah
              Tindakan pemerintah secara makro ekonomi mengakibatkan pola peramalan dapat
              berubah
           4. Kecenderungan pasar
              Kecendrungan pasar dapat merubah design dari suatu produk atau jasa sehingga
              menyebabkan peramalan berubah pola menggunakan Trend dan Musiman
           5. Inovasi teknologi
              Innovasi teknologi dapat merubah design dari suatu produk atau jasa dan pola
              peramalan pun ikut berubah


           Klasifikasi Metode Peramalan

                   Metode peramalan secara umum dibagi menjadi dua, yaitu menurut Eddy
           Herjanto (2004;117) :
           1. Kuantitatif, yaitu peramalan yang didasarkan atas data kuantitatif pada masa lalu.
              Peramalan kuantitatif hanya dapat digunakan apabila terdapat tiga kondisi sebagai
              berikut :



PUSAT PENGEMBANGAN BAHAN AJAR-UMB                  Budi Aribowo, ST.,M.Si     SISTEM PRODUKSI      1
              a. Tersedia informasi tentang masa lalu.
              b. Informasi tersebut dapat dikuantitatifkan dalam bentuk data numeric.
              c. Dapat diasumsikan bahwa beberapa aspek pola masa lalu akan terus berlanjut
                 di masa mendatang.


              Metode kuantitatif dapat dibagi menjadi dua, yaitu :
              a. Deret Berkala (time series)
                 Merupakan metode peramalan yang didasarkan atas penggunaan analisa pola
                 hubungan antara variabel yang akan diperkirakan dengan variabel waktu.
                 Pendugaan masa depan dilakukan berdasarkan nilai masa lalu dari suatu
                 variabel dan/atau kesalahan masa lalu. Tujuannya adalah menentukan pola
                 dalam deret data historis dan mengekstrapolasikan pola tersebut ke masa
                 depan. Keuntungan dari model deret berkala yaitu dapat digunakan dengan
                 mudah untuk meramal. Ada empat jenis pola data pada peramalan time series,
                 yaitu :
                    Pola Horisontal atau Stationary (H)
                     Pola data ini terjadi apabila nilai data observasi berfluktuasi disekitar nilai rata
                     – rata yang konstan.
                    Pola Musiman atau Seasonal (S)

                     Pola ini terjadi bilamana suatu deret dipengaruhi oleh faktor musiman

                     (misalnya kuartal tahun tertentu, bulanan atau hari-hari pada minggu

                     tertentu).

                    Pola Siklus atau Cyclical (C)

                     Pola ini terjadi bilamana datanya dipengaruhi oleh fluktuasi ekonomi jangka

                     panjang seperti yang berhubungan dengan siklus bisnis.




                                         Grafik 2.3 Pola Data Siklis




PUSAT PENGEMBANGAN BAHAN AJAR-UMB                     Budi Aribowo, ST.,M.Si        SISTEM PRODUKSI         2
                     Pola Trend (T)

                      Pola ini terjadi bilamana terdapat kenaikan atau penurunan sekuler jangka

                      panjang dalam data.

                                           y




                                                     waktu

                                          Grafik 2.4 Pola Data Trend

              b. Model Causal

                  Merupakan metode peramalan yang didasarkan atas penggunaan analisa pola
                  hubungan antara variabel yang akan diperkirakan dengan variabel lain yang
                  mempengaruhinya, yang bukan waktu. Model kausal mengasumsikan bahwa
                  faktor yang diramalkan mewujudkan hubungan sebab akibat dengan satu atau
                  lebih variabel bebas. Tujuan dari metode peramalan ini adalah untuk
                  menemukan      bentuk        hubungan   tersebut   dan   menggunakannya     untuk
                  meramalkan nilai mendatang dari variabel tak bebas. Sedangkan keuntungannya
                  yaitu dapat digunakan dengan keberhasilan yang lebih besar untuk pengambilan
                  keputusan dan kebijaksanaan.


           2. Kualitatif (Teknologis), yaitu peramalan yang didasarkan atas data kualitatif pada
              masa lalu. Metode ini biasa digunakan untuk meramalkan lingkungan dan teknologi,
              karena kondisi tersebut berbeda dengan kondisi perekonomian dan pemasaran.
              Input yang dibutuhkan tergantung pada metode tertentu dan biasanya merupakan
              hasil dari pemikiran intuitif, pertimbangan, dan pengetahuan yang telah didapat.
              Ramalan ini terutama digunakan untuk memberikan petunjuk, untuk membantu
              perencana dan untuk melengkapi ramalan kuantitatif, bukan untuk memberikan
              suatu ramalan numeric tertentu. Metode ini dibagi menjadi dua bagian, yaitu :
              a. Metode Eksploratoris




PUSAT PENGEMBANGAN BAHAN AJAR-UMB                     Budi Aribowo, ST.,M.Si     SISTEM PRODUKSI      3
                 Metode ini dimulai dengan masa lalu dan masa kini sebagai titik awalnya dan
                 bergerak ke arah masa depan secara heuristik, seringkali dengan melihat semua
                 kemungkinan yang ada.
              b. Metode Normatif
                 Metode ini dimulai dengan menetapkan sasaran dan tujuan yang akan datang,
                 kemudian bekerja mundur untuk melihat apakah hal ini dapat dicapai,
                 berdasarkan kendala, sumber daya, dan teknologi yang tersedia.


           Langkah-langkah Peramalan
                 Pada dasarnya ada tiga langkah peramalan yang penting, yaitu :
           1. Menganalisa data yang lalu.
              Tahap ini berguna untuk pola yang terjadi pada masa lalu. Analisa ini dilakukan
              dengan cara membuat tabulasi dari data yang lalu. Dengan tabulasi data, maka
              dapat diketahui pola dari data tersebut.
           2. Menentukan metode yang dipergunakan.
           3. Masing-masing metode memberikan hasil peramalan yang berbeda. Metode
              peramalan yang terbaik adalah metode yang memberikan hasil ramalan yang tidak
              jauh berbeda dengan kenyataan yang terjadi.
           4. Memproyeksikan data yang lalu dengan menggunakan metode yang dipergunakan
              dan mempertimbangkan adanya beberapa faktor perubahan.
              Faktor-faktor perubahan tersebut antara lain terdiri dari perubahan kebijakan-
              kebijakan yang mungkin terjadi, termasuk perubahan kebijakan pemerintah,
              perkembangan potensi masyarakat, perkembangan teknologi dan penemuan-
              penemuan baru, dan perbedaan antara hasil ramalan yang ada dengan kenyataan.


           Peranan Metode Peramalan
                 Metode peramalan memiliki beberapa peranan, yaitu :
           1. Penjadwalan sumber daya yang tersedia.
              Penggunaan sumber daya yang efisien memerlukan penjadwalan produksi,
              transportasi, kas, personalia, dan sebagainya. Input yang penting untuk penjadwalan
              seperti itu adalah ramalan tingkat permintaan untuk produk, bahan, tenaga kerja,
              finansial, atau jasa pelayanan.
           2. Penyediaan sumber daya tambahan.




PUSAT PENGEMBANGAN BAHAN AJAR-UMB                    Budi Aribowo, ST.,M.Si   SISTEM PRODUKSI       4
              Waktu tenggang untuk memperoleh bahan baku, menerima pekerjaan baru, atau
              membeli mesin dan peralatan dapat berkisar antar beberapa hari sampai beberapa
              tahun. Peramalan diperlukan untuk menentukan kebutuhan sumber daya di masa
              mendatang.
           3. Penentuan sumber daya yang diinginkan.
              Setiap organisasi harus menentukan sumber daya yang ingin dimiliki dalam jangka
              panjang. Keputusan semacam itu bergantung pada kesempatan pasar, faktor-faktor
              lingkungan, dan pengembangan internal dari sumber daya finansial, manusia,
              produk, dan teknologis. Semua penentuan ini memerlukan ramalan yang baik dan
              manajer yang dapat menafsirkan pendugaan serta membuat keputusan yang tepat.


           Metode Pemulusan (Smoothing)
                  Strategi untuk menilai suatu metode peramalan pemulusan terdiri dari enam
           tahap, yaitu :
           1. Tahap 1 : Pilih suatu deret berkala (kelompok data) untuk dianalisis.
                            Bagi data ini menjadi kelompok “inisialisasi” dan kelompok “pengujian”.
           2. Tahap 2 : Pilihlah suatu metode pemulusan.
           3. Tahap 3 : Inisialisasi metode. Gunakan kelompok data inisisalisasi.
           4. Tahap 4 : Gunakan metode pemulusan untuk meramalkan seluruh kelompok
                            “Pengujian”
           5. Tahap 5 : Mengoptimalkan
                            Memodifikasi prosedur inisialisasi.
                            Melacak nilai parameter yang optimum.
           6. Tahap 6 : Keputusan penilaian : keuntungan dan kerugian
              Klasifikasi metode pemulusan (smoothing) :
           1. Metode Perataan (Average)
              Tujuan dari metode ini adalah memanfaatkan data masa lalu untuk mengembangkan
              suatu sistem peramalan pada periode mendatang.
               Metode perataan ini meliputi :
              a. Metode rata-rata bergerak sederhana (simple moving average)
                  Metode rata-rata sederhana adalah mengambil rata-rata dari semua data dalam
                  kelompok inisialisasi :




PUSAT PENGEMBANGAN BAHAN AJAR-UMB                      Budi Aribowo, ST.,M.Si      SISTEM PRODUKSI    5
                                   T
                 F T 1  X   X i T
                             i 1

                 sebagai ramalan untuk periode (T+1). Kemudian bilamana data periode (T+1)
                 tersedia, maka dimungkinkan untuk menghitung nilai kesalahannya :
                 eT 1  X T 1  F T 1

                 Metode ini akan menghasilkan ramalan yang baik hanya jika proses yang
                 mendasari nilai pengamatan X : tidak menunjukkan adanya trend dan tidak
                 menunjukkan adanya unsur musiman.
              b. Metode rata-rata bergerak tunggal (single moving average)
                 Metode ini memiliki karakteristik sebagai berikut :
                    hanya menyangkut T periode terakhir dari data yang diketahui,
                    jumlah titik data dalam setiap rata-rata tidak berubah dengan berjalannya
                     waktu.
                 Secara aljabar, rata-rata bergerak (MA) dapat dituliskan sebagai berikut :

                             X 1 X 2 ... X T           1 T
                 F T 1                                   Xi
                                        T                 T i 1


                             X 2  ...  X T  X T 1  1 T 1
                 F T 2                 T
                                                            X
                                                        T i 2 i

              c. Metode rata-rata bergerak ganda (double moving average)
                 Metode ini dapat mengatasi adanya trend secara lebih baik. Rata-rata bergerak
                 ganda ini merupakan rata-rata bergerak dari rata-rata bergerak, dan menurut
                 simbol dituliskan sebagai MA(M x N) dimana artinya adalah MA M-periode dari
                 MA N-periode. Prosedur rata-rata bergerak linier secara umum dapat
                 diterangkan melalui persamaan berikut :
                                         ...  X t  N 1
                 S 't  X t X t 1 X t 2
                                      N


                         S 't  S 't 1  S 't 2  ...  S 't  N 1
                 S ''t                        N

                                           
                 at  S 't  S 't  S ''t  2S 't  S ''t




PUSAT PENGEMBANGAN BAHAN AJAR-UMB                                  Budi Aribowo, ST.,M.Si   SISTEM PRODUKSI   6
                       2
                              
                 bt  N  1 S 't  S ''t   

                  F t m  at  bt m



           2. Metode Pemulusan Eksponensial (Exponential Smoothing)
              a. Metode Pemulusan Eksponensial Tunggal
                 Metode ini banyak mengurangi masalah penyimpanan data, karena tidak perlu
                 lagi menyimpan semua data historis atau sebagian daripadanya.
                 Persamaan berikut merupakan bentuk umum yang digunakan dalam menghitung
                 ramalan dengan metode pemulusan eksponensial :

                  F t 1   X t  1    F t
                 Karena nilai untuk F1 tidak diketahui, maka dapat digunakan nilai observasi
                 pertama (X1) sebagai ramalan pertama (F1 = X1) dan kemudian dialnjutkan
                 dengan menggunakan persamaan di atas. Ini merupakan salah satu metode
                 inisialisasi.
              b. Metode Pemulusan Eksponensial Tunggal : Pendekatan Adaptif
                 Metode ini bersifat adaptif dalam arti bahwa nilai  akan berubah secara otomatis
                 bilamana terdapat perubahan pada pola data dasar dan dapat bermanfaat untuk
                 sistem peramalan yang melibatkan sejumlah besar item.
                 Inisialisasi :     F2 = X1
                                    2 = 3 = 4 = 
                                    E1 = M1 = 0
                 Persamaan dasar untuk peramalan dengan metode ini adalah :
                                              
                  F t 1   t X t  1   t F t
                 dimana

                            Et
                  t 1 
                            Mt

                  E t   et  1    E t 1

                  M t   et  1    M t 1


PUSAT PENGEMBANGAN BAHAN AJAR-UMB                      Budi Aribowo, ST.,M.Si    SISTEM PRODUKSI     7
                 et  X t  F t
                 Et = unsur kesalahan yang dihaluskan.
                 Mt = unsur kesalahan absolut yang dihaluskan.
              c. Metode Pemulusan Eksponensial Ganda : Metode Linear Satu-Parameter dari
                 Brown
                 Dasar pemikiran dari pemulusan eksponensial metode Brown adalah serupa
                 dengan rata-rata bergerak linier karena kedua nilai pemulusan tunggal dan ganda
                 ketinggalan dari data yang sebenarnya bilamana terdapat unsur trend, perbedaan
                 antara nilai pemulusan tunggal dan ganda dapat ditambahkan kepada nilai
                 pemulusan tunggal dan disesuaikan untuk trend.
                 Persamaan yang dipakai dalam implementasi pemulusan eksponensial linear satu-
                 parameter dari Brown ditunjukkan dibawah ini :
                 Inisialisasi awal : S '1  S ' '1  X 1
                 S 't   . X t  (1   ) S ' ( t 1)


                 S ''t   .S 't (1   ) S ' ' ( t 1)

                 at  2.S ' t  S ' 't


                         
                 bt        ( S 't  S ' 't )
                        1

                 Ft  m  at  bt .m
                 dimana :                S’t = nilai pemulusan eksponensial tunggal.
                                         S’’t = nilai pemulusan eksponensial ganda.
                                         m = jumlah periode ke muka yang diramalkan.
              d. Metode Pemulusan Eksponensial Ganda : Metode Dua-Parameter dari Holt
                 Metode pemulusan eksponensial linear dari Holt dalam prinsipnya sama dengan
                 Brown kecuali bahwa Holt tidak menggunakan rumus pemulusan berganda secara
                 langsung. Sebagai gantinya, Holt memuluskan nilai trend dengan parameter yang
                 berbeda dari parameter yang digunakan pada deret yang asli. Ramalan dari




PUSAT PENGEMBANGAN BAHAN AJAR-UMB                           Budi Aribowo, ST.,M.Si     SISTEM PRODUKSI   8
                 pemulusan eksponensial linear Holt didapat dengan menggunakan dua konstanta
                 pemulusan (dengan nilai antara 0 dan 1) dan tiga persamaan sebagai berikut :
                 S t  X t  (1   )( S t 1  bt 1 )

                 bt   ( S t  S t 1 )  (1   )bt 1

                 Ft  m  S t  bt .m

                 Inisialisasi :          S1 = X1
                                         b1 = X2 – X1
              e. Metode Pemulusan Eksponensial Tripel : Metode Kuadratik Satu-Parameter dari
                 Brown
                 Pendekatan dasarnya adalah memasukkan tingkat pemulusan tambahan
                 (pemulusan tripel) dan memberlakukan persamaan peramalan kuadratik
                 Persamaan untuk pemulusan kuadratik adalah :

                 Inisialisasi awal : S '1  S ' '1  S ' ' '1  x1
                 Pemulusan pertama : S 't   . X t  1   S 't 1

                 Pemulusan Kedua : S ' 't   .S 't 1   S ' 't 1

                 Pemulusan Ketiga : S ' ' 't   .S ' 't 1   S ' ' 't 1

                 at  3.S ' t 3.S ' ' t  S ' ' ' t
                              
                 bt                     6  5 S 't 10  8 S ' 't 4  3 S ' ' 't 
                        2(1   ) 2

                        
                                     2

                 ct        ( S 't 2.S ' 't  S ' ' 't )
                      1  
                 dan
                                                       1
                 Ft m  at  bt m 
                                                             2
                                                         ct m
                                                       2
              f. Metode Pemulusan Eksponensial Tripel : Metode Tiga-Parameter untuk
                 Kecenderungan dan Musiman dari Winter.
                 Metode Winter didasarkan atas tiga persamaan pemulusan, yaitu satu untuk unsur
                 stasioner, satu untuk trend, dan satu untuk musiman. Hal ini serupa dengan
                 metode Holt, dengan satu persamaan tambahan untuk mengatasi musiman.
                 Persamaan dasar untuk metode Winter adalah sebagai berikut :


PUSAT PENGEMBANGAN BAHAN AJAR-UMB                                  Budi Aribowo, ST.,M.Si        SISTEM PRODUKSI   9
           Pemulusan Keseluruhan :
                           Xt
           St  .               (1   )( S t 1  bt 1 )
                          I tL

           Pemulusan Trend :
           bt   ( S t  S t 1 )  (1   )bt 1

           Pemulusan Musiman :
                      Xt
           It           (1   ) I t  L
                      St

           Ramalan :
           Ft  m  S t  bt m I t  L  m

           Inisialisasi awal :
           S L1  X L1

                  Xt
           It 
                  X
                      L

                   X          t
            X       i 1

                          L
                      1
           bL 1        [( X L 1  X 1 )  ( X L  2  X 2 )  ........ ( X L  L  X L )]
                      L2


           Ketepatan Metode Peramalan
                       Kesalahan dalam peramalan mempengaruhi keputusan melalui dua cara yaitu
           kesalahan dalam memilih teknik peramalan dan kesalahan dalam mengevaluasi
           keberhasilan penggunaan teknik peramalan.bagi pemakai peramalan, ketepatan ramalan
           yang akan datang adalah yang paling penting menurut Eddy Herjanto (2004;145)
                       Ketepatan metode peramalan secara garis besar dibagi menjadi :
           1. Ukuran Statistik Standar
               Jika Xi merupakan data aktual untuk periode i dan Fi merupakan ramalan untuk
               periode yang sama, maka kesalahan didefinisikan sebagai :
               ei = Xi – Fi




PUSAT PENGEMBANGAN BAHAN AJAR-UMB                                    Budi Aribowo, ST.,M.Si     SISTEM PRODUKSI   10
              Jika terdapat nilai pengamatan dan ramalan untuk n periode waktu, maka ukuran
              statistik standar berikut yang dapat didefinisikan :
              a. Nilai Tengah Galat (Mean Error)
                          n
                   ME   ei n
                         i 1

              b. Nilai Tengah Galat Absolut (Mean Absolute Error)
                                n
                   MAE   ei n
                              i 1

              c. Jumlah Kuadrat Galat (Mean Squared Error)
                           n
                  SSE   ei
                                         2

                          i 1

              d. Nilai Tengah Galat Kuadrat (Mean Squared Error)
                               n
                   MSE   ei n
                                             2

                              i 1

              e. Deviasi Standar Galat (Standard Deviation of Error)

                  SDE           e n  1
                                                 2
                                                 i


           2. Ukuran-ukuran Relatif
              Tiga ukuran berikut sering digunakan :
              a. Galat Persentase (Percentage Error)
                          
                        X t F t 100
                   PEt           
                         Xt 
              b. Nilai Tengah Galat Persentase (Mean Pencentage Error)
                               n
                   MPE   PE i n
                           i 1


              c. Nilai Tengah Galat Persentase Absolut (Mean Absolute Percentage Error)
                                     n
                   MAPE   PE i n
                                   i 1


           3. Statistik-u dari Theil




PUSAT PENGEMBANGAN BAHAN AJAR-UMB                     Budi Aribowo, ST.,M.Si   SISTEM PRODUKSI   11
                                                  2
                      
                    n 1              
                  F i 1 X i 1 
                i 1 
                                      
             U
                              Xi       
                                        2
                 n 1 
                         X i 1  X i 
                     
                  i 1 
                                      
                                      
                              Xi 

           4. Statistik Durbin-Watson

                      e  e 
                      n
                                              2
                             t         t 1
           D-W      t 2
                             n

                            e
                                   2
                                   t
                            t 1




PUSAT PENGEMBANGAN BAHAN AJAR-UMB                     Budi Aribowo, ST.,M.Si   SISTEM PRODUKSI   12
TEM PRODUKSI   12

								
To top