Peramalan Permintaan Pasar ke-3

Analisa Pola Peramalan

Data Pola data historis mempengaruhi pengambil keputusan dalam menentukan metode peramalan yang tepat. Tabel berikut ini menggambarkan tipe jenis data.

Ukuran Performansi Hasil Peramalan

Untuk mendapatkan hasil peramalan yang baik maka penentuan metode peramalan yang sesuai menjadi faktor penentu keberhasilan. Pemilihan metode peramalan harus berdasarkan situasi yang ada seperti horison waktu, jumlah item yang akan diramalkan, pola data masa lalu, dan tingkat keakuratan yang diinginkan. Ukuran performansi suatu metode peramalan ditunjukkan oleh galat yang dihasilkan. Galat (error) merupakan selisih antara hasil peramalan dengan data aktual. Metode peramalan yang baik adalah metode dengan galat terkecil. Galat dalam peramalan digunakan dalam dua kondisi berikut:

1. Jika untuk suatu masalah dapat digunakan beberapa model peramalan, maka galat dapat digunakan untuk memilih metode peramalan terbaik dengan kriteria galat minimum; dan 
2. Jika untuk suatu masalah hanya dapat digunakan satu model peramalan, maka galat berperan sebagai parameter yang menunjukkan tingkat efektivitas dari model peramalan tersebut. Besarnya galat pada periode ke-t, yaitu e(t), dinyatakan dengan formula berikut:

Bagaimanapun akurasi data yang digunakan harus dapat dipertanggung-jawabkan, karena kualitas data akan mempengaruhi secara langsung akurasi peramalan. Definisi data yang tepat serta kemudian dikoreksi untuk menjamin konsistensi merupakan tugas utama setiap orang yang terlibat dalam sistem peramalan. Indikator dalam pengukuran akurasi peramalan yang paling umum adalah MAD (Mean Absolute Deviation) atau rata-rata penyimpangan absolut, MAPE (Mean Absolute Percent Error) atau rata-rata persentase kesalahan absolut dan MSE (Mean Square Error) atau rata-rata kuadrat kesalahan. Akurasi peramalan akan semakin tinggi apabila nilai MAD, MAPE, MSE semakin rendah.

Berkaitan dengan validasi model peramalan dapat menggunakan tracking signal sebagai berikut: 

Tracking Signal yang positif menunjukkan nilai aktual permintaan lebih besar dari ramalan, sedangkan tracking signal negative berarti nilai aktual permintaan lebih kecil dari ramalan. Suatu tracking signal yang baik apabila memiliki RSFE yang rendah, dan mempunyai positive error yang sama banyak atau seimbang dengan negative error, sehingga pusat dari tracking signal mendekati nol. Setelah melakukan perhitungan tracking signal, maka dapat dibentuk peta control seperti Statistical Process Control (SPC) yang memiliki batas control atas dan batas control bawah.

Beberapa ahli dalam sistem peramalan seperti George Plossl dan Oliver Wight yang merupakan pakar production planning and inventory control, menyarankan untuk menggunakan nilai tracking signal ± 4, sebagai batas-batas pengendalian untuk tracking signal. Apabila tracking signal telah berada di luar batas-batas kontrol, maka model peramalan perlu ditinjau kembali karena akurasi peramalan tidak dapat diterima.

Untuk melakukan perbaikan terus-menerus dalam peramalan permintaan dapat dilakukan dengan cara memperketat batas-batas control dalam range yang lebih rendah, misalnya ± 3, ± 2, ± 1, dan lain-lain. Kondisi ideal tanp kesalahan peramalan adalah 0, meskipun hal tersebut tidak mungkin tercapai, namun itulah hakekat dari upaya continuous improvement dalam sistem peramalan untuk menuju ke tingkat kesalahan nol (zero defect orientation).

Subscribe to receive free email updates: