3. dapat diasumsikan bahwa pola yang lalu akan berkelanjutan pada masa yang
akan datang Sofjan Assauri, 1984 : 5
Ada empat jenis pola data, antara lain : 1. Pola horizontal atau stationary, bila nilai – nilai dari data berfluktuasi
disekitar nilai konstan rata – rata. Dengan demikian pola ini dapat dikatakan sebagai stasionary pada rata – rata hitungnya mean
2. Pola musiman atau seaoanal , bila suatu deret waktu dipengaruhi oleh faktor
musim kuartalan, bulanan, minggua n dan harian 3.
Pola siklus atau cyclical bila data observasi dipengaruhi oleh fluktuasi ekonomi jangka panjang yang berkaitan atau bergabung dengan siklus usaha
business cycle 4.
Pola trend, bila ada pertambahan atau kenaikan atau penurunan dari data observasi untuk jangka panjang . Pola ini terlihat dari penjualan produk
banyak perusahaan Sofjan Assauri, 1984 : 46.
2.2.2. Metode Peramalan Moving Averages
Metode Moving Average diperoleh melalui penjumlahan dan pencarian nilai rata – rata dari sejumlah periode tertentu, setiap kali nilai terlama dan menambah nilai baru.
X Jumlah
Periode
MA ∑
=
Keterangan : MA = Moving Averages
X = Jumlah Produk
Universitas Sumatera Utara
Dengan tambahan bahwa satu nilai X diganti setiap periode. Perhitungan rata – rata dilakukan dengan bergerak ke depan untuk memperkirakan periode yang akan
datang dan dicatat dalam posisi terpusat pada data rata – ratanya. Moving Average secara efektif meratakan atau menghaluskan fluktuasi pola data yang ada. Tentu saja
semakin panjang periodenya, semakin rata kurvanya. Kebaikan lainnya adalah bahwa metode Moving Average dapat diterapkan pada jenis data apapun juga, apakah data
sesuai dengan suatu kurva matematik atau tidak.
Kelemahan metode ini adalah tidak mempunyai persamaan untuk peramalan. Sebagai gantinya digunakan nilai rata – rata bergerak terakhir sebagai ramalan periode
berikutnya T. Hani Handoko, 1984 : 276.
2.2.3. Metode Peramalan Exponential Smoothing
Exponential Smoothing adalah suatu tipe teknik peramalan rata – rata bergerak yang melakukan penimbangan terhadap data masa lalu dengan cara eksponensial sehingga
data paling akhir mempunyai bobot atau timbangan lebih besar dalam rata – rata bergerak. Dengan exponensial smoothing sederhana, peramalan dilakukan dengan
cara ramalan periode terakhir ditambah porsi perbedaan disebut α antara
permintaan nyata periode terakhir dan ramalan periode terakhir. Persamaan peramalan Exponential Smoothing
adalah :
F
t
= F
t -1
α +
A
t – 1
- F
t – 1
2 1
n α =
+
, dimana ;
Universitas Sumatera Utara
Keterangan : F
t
= peramalan pada periode -t F
t – 1
α = peramalan pada periode – t-1
= konstanta pemulusan A
t – 1
α = data permintaan actual pada periode t - 1
N = banyaknya periode data permintaan actual
Exponential Smoothing sederhana tidak memperhitungkan pengaruh trend, sehingga tidak ada nilai
yang akan sepenuhnya menggantikan trend dalam data. Nilai – nilai
α rendah akan menyebabkan jarak yang lebih lebar dengan trend, karena hal itu akan memberikan bobot yang lebih kecil pada permintaan sekarang.
Nilai – nilai α yang rendah terutama cocok bila permintaan produk relative
stabil tanpa trend atau variasi siklikal tetapi variasi acak adalah tinggi. Nilai – nilai α lebih tinggi adalah lebih berguna di mana perubahan – perubahan sesungguhnya
cenderung terjadi karena lebih responsive terhadap fluktuasi permintaan. Sebagai contoh, nilai
α yang tinggi mungkin sesuai bagi industri barang – barang mode yang memerlukan tanggapan cepat dan dramatik. Pengenalan – pengenalan produk baru,
kampanye promosional, dan bahkan antisipasi terhadap resesi juga memerlukan penggunaan nilai – nilai
α yang lebih tinggi. Niali α yang tepat pada umumnya dapat ditentukan dengan pengujian “ trial- and –error” coba – coba terhadap
α yang berbeda – beda untuk menemukan satu nilai
α yang menghasilkan kesalahan
kecil pada data masa lalu T. Hani Handoko : 280.
Universitas Sumatera Utara
2.2.4. Metode Peramalan Least Square