FORECASTING - ILMU MANAGEMENT
Prakiraan/ forecasting bisa dianggap sebagai suatu proses menebak suatu kejadian di masa datang. Prakiraan dapat memiliki tingkat akurasi yang cukup tinggi jika didukung oleh data historis yang cukup dan indikasi-indikasi yang memadai. Prakiraan dapat menjadi bekal yang sangat penting untuk perencanaan kegiatan di masa datang. Metode yang paling populer adalah dengan melihat pola data. Teknik yg sudah diaplikasikan di antaranya adalah linear regression, non linear regression, Bayesian Regression, ARIMA (Box Jenkins), Moving Average, dll.Prakiraan atau biasa disebut forecasting di dunia bisnis juga memegang peranan yang sangat penting di industri. Forecasting dapat digunakan untuk memperkirakan volume penjualan, jumlah customer complaint, struktur pegawai, biaya bahan baku, dan lain sebagainya. Hasil dari forecasting ini akan dijadikan dasar bagi perusahaan untuk merencanakan kegiatan bisnis, mulai dari perencanaan jangka pendek sampai perencanaan jangka panjang. Jika hasil forecasting memiliki deviasi yang cukup tinggi dengan realita, perusahaan dapat mengalamai kerugian karena mengeluarkan biaya yang tidak perlu atau melewatkan peluang yang ada.
Pemilihan dan Pengendalian Teknik Forecasting
Oleh sebab itu, pemilihan teknik forecasting menjadi penting. Teknik forecasting harus dipilih yang sedapat mungkin menghasilkan keakuratan yang tinggi dengan menghasilkan deviasi yang rendah antara hasil forecasting dengan realita. Selain melihat dari segi akurasi, teknik forecasting juga dapat dipilih berdasarkan tingkat ketanggapan (responsiveness) terhadap perubahan data. Lebih lanjut lagi, jika data memperlihatkan pola yang berulang, teknik forecasting yang dipilih juga harus dapat mempertimbangkan unsur trend.
Setelah teknik forecasting dipilih, kita tetap harus melakukan proses pengendalian terhadap proses forecasting. Pengendalian teknik forecasting dapat dilakukan sebagaimana pengendalian terhadap proses-proses di manufaktur dengan menggunakan control chart. Dengan menggunakan control chart, proses forecasting dapt dibedakan antara yang masih signifikan bermanfaat dengan keadaan abnormal yang sulit dijadikan pegangan. Oleh sebab itu, beberapa teknik forecasting sebaiknya secara bersamaan digunakan dan dilihat perkembangannya dengan control chart agar kita dapat beralih ke teknik yang lain ketika suatu teknik forecasting gagal.
Moving Average (MA) dan Weighted Moving Average (WMA)
Pada kali ini, saya hanya akan membahas dua metode sederhana dari forecasting. Metode pertama adalah metode Moving Average (MA) dan metode kedua adalah Weighted Moving Average (WMA). Perlu diketahui, bahwa metode yang kedua adalah pengembangan dari metode pertama dengan menambahkan faktor bobot.
Metode Moving Average (MA) menggunakan rata-rata beberapa data terakhir sebagai data prakiraan masa berikutnya. Metode ini sangat sederhana karena berusaha merata-ratakan beberapa data terakhir. Metode ini berusaha memuluskan perubahan data yang sangat tinggi atau sangat rendah.
Di lain pihak, metode Weighted Moving Average (WMA) berusaha mem-forecast dengan beberapa data terakhir dengan memberikan bobot yang berbeda-beda. Hal ini bisa didasarkan jika pengaruh data yang lebih baru adalah lebih besar dari data yang lebih lama terhadap keadaan di masa datang.
Secara matematis, metode MA memiliki persamaan sebagai berikut jika kita menggunakan n data terakhir:
Perkiraan untuk periode p = (Data akual ke-(p – n) + Data akual ke-(p – n + 1) + .. + Data akual ke-(p – 1)) / n
Sedangkan untuk metode WMA, persamaannya adalah sebgai berikut:
Perkiraan untuk periode p = (Bobot ke-(p – n) * Data akual ke-(p – n) + Bobot ke-(p – n + 1) * Data akual ke-(p – n + 1) + .. + Bobot ke-(p – 1) * Data akual ke-(p – 1))
Moving_Average_And_Weighted_Moving_Average
Selain dapat digunakan untuk proses forecasting, template excel diatas juga dapat digunakan untuk mencari parameter yang paling tepat bagi kedua metode tersebut. Untuk MA, template tersebut akan mencari jumlah periode yang dapat menghasilkan MAPE yang paling rendah. Sedangkan untuk WMA, selain mencari jumlah periode, template tersebut dapat mencari bobot-bobot bulan sebelumnya demi mendapatkan akurasi yang tinggi.
Untuk memperlihatkan fitur forecasting dan fitur 'optimasi' parameter dari template tersebut, kami mencoba menggunakannya dengan data rekaan. Hasil dan perbandingan dari kedua hal tersebut dapat diperhatikan pada gambar di bawah. Khusus untuk gambar kedua yang menggunakan WMA, hasil forecasting yang berasal dari optimasi terlihat lebih mengikuti data aktual daripada tanpa optimasi. (Sumber belajar:http://staff.blog.ui.ac.id)
Comments