49 sampai satu tahun. Ramalan jangka menengah umumnya lebih berkaitan
dengan rencana produksi tahunan dan akan mencerminkan hal-hal seperti puncak dan lembah suatu permintaan dan kebutuhan untuk menjamin
adanya tambahan sumber daya untuk tahun berikutnya. 3.
Peramalan jangka pendek, yaitu peramalan yang dilakukan untuk penyusunan hasil ramalan dengan jangka waktu yang kurang dari satu
setengah tahun. Contohnya adalah penyusunan rencana produksi, rencana penjualan, rencana persediaan, dan anggaran perusahaan.
Berdasarkan sifat ramalan yang telah disusun, maka peramalan dapat dibedakan atas dua macam, yaitu
3
: 1.
Peramalan kualitatif, yaitu peramalan yang didasarkan atas data kualitatif pada masa lalu. Hasil peramalan yang dibuat sangat tergantung dengan
orang yang menyusunnya. Hal ini penting karena hasil peramalan tersebut ditentukan berdasarkan pemikiran yang bersifat pendapat, intuitif,
pengetahuan, dan pengalaman. 2.
Peramalan kuantitatif, yaitu peramalan yang didasarkan atas data kuantitatif masa lalu. Hasil peramalan yang dibuat sangat tergantung pada
metode yang dipergunakan dalam peramalan tersebut.
3.1.3. Peramalan Kualitatif
Peramalan kualitatif biasanya digunakan bila tidak ada atau sedikit data masa lalu tersedia. Dalam metode ini, pendapat pakar dan prediksi mereka
3
Hendra Kusuma, Perencanaan dan Pengendalian Produksi, Andi Yogyakarta, 2002 Hal, 13
Universitas Sumatera Utara
50 dijadikan dasar untuk menetapkan permintaan yang akan datang. Beberapa
metode kualitatif yang banyak dikenal antara lain: 1.
Metode Delphy Metode ini merupakan cara sistematis untuk mendapatkan keputusan
bersama dari suatu grup yang terdiri dari para ahli dan berasal dari disiplin yang berbeda. Grup ini tidak bertemu secara bersama dalam suatu forum untuk
berdiskusi, tetapi mereka diminta pendapatnya secara terpisah dan tidak boleh saling berunding. Hal ini dilakukan untuk menghindari pendapat yang bias karena
pengaruh kelompok. Metode ini dipakai dalam peramalan teknologi yang sudah digunakan pada pengoperasian jangka panjang.
2. Riset pasar.
Metode ini mengumpulkan dan menganalisis fakta secara sistematis pada bidang yang berhubungan dengan pemasaran. Salah satu teknik utama adalah
survey pasar yang akan memberikan informasi mengenai selera yang diharapkan konsumen, dimana informasi tersenut diperoleh dengan cara kuesioner.
3. Metode Kelompok Terstruktur.
Metode ini melibatkan orang-orang yang berpengalaman dalam berbagai bidang. Perbedaan dengan metode Delphy terletak pada interaksi antar anggota
panel. Dalam metode ini terdapat diskusi antaranggota secara langsung sedangkan dalam metode Delphy sama sekali tidak ada interaksi lisan.
4. Analogi Historis
Metode ini berdasarkan pada data masa lalu dari produk-produk yang dapat disamakan secara analogi.
Universitas Sumatera Utara
51
3.1.4. Peramalan Kuantitatif.
Pada metode ini, data historis masa lalu digunakan untuk meramalkan permintaan masa depan. Ada dua kelompok besar metode kuantitatif, yaitu:
1. Time Series
Metode Time Series adalah metode peramalan secara kuantitatif dengan menggunakan waktu sebagai dasar peramalan. Untuk membuat suatu peramalan
diperlukan data historis. Data inilah yang diakumulasikan dalam beberapa periode waktu. Metode seri waktu mengasumsikan bahwa apa yang telah terjadi di masa
lalu akan terus terjadi di masa yang akan datang. Time series memakai teknik statistik yang menggunakan data historis.
Ada beberapa komponen utama yang mempengaruhi analisis ini, yaitu: a.
Trend Kecenderungan Trend merupakan sifat dari permintaan dimasa lalu terhadap waktu
terjadinya bila ada pertambahankenaikan atau penurunan dari data observasi jangka panjang. Pola trend dipakai untuk meramalkan biaya-biaya yang termasuk
didalam biaya operasi karena biaya akan cenderung naik jika mesin dan peralatan semakin tua atau semakin lama.
Gambar 3.1. Pola Trend
Universitas Sumatera Utara
52 b.
Siklus. Digunakan bila data dipengaruhi oleh fluktuasi jangka panjang atau
memiliki siklus yang berulang secara periodik. Pola siklis dipakai untuk peramalan jangka menengah akibat pengaruh dari penjualan produk yang
memiliki siklus naik turun karena pergerakan ekonomi.
Gambar 3.2. Pola Siklis
c. Musiman Seasonal
Pola ini digunakan bila suatu deret waktu dipengaruhi oleh faktor musim seperti mingguan, bulanan, dan harian. Pola musiman dipakai untuk melakukan
peramalan jangka pendek.
Gambar 3.3. Pola Musiman
Biaya
Waktu
Universitas Sumatera Utara
53 d.
Horizontal Pola ini dipakai bila nilai-nilai dari data observasi berfluktuasi di sekitar
nilai konstan rata-rata. Dengan demikian dapat dikatakan pola ini sebagai stationary pada rata-rata hitungannya. Misalnya, pola ini terdapat bila suatu
produk mempunyai jumlah penjualan yang tidak menaik atau menurun selama beberapa periode waktu.
e. Residu Acak
Yaitu jika datanya tidak teratur sama sekali. Data ini tidak dapat digambarkan.
Adapun metode peramalan yang termasuk dalam metode Time Series adalah:
1. Metode Smoothing penghalusan
a. Moving Average
- Single Moving Average
- Linier Moving Average
- Double Moving Average
- Weighted Moving Average
b. Metode Eksponensial Smoothing
- Single Exponential Smoothing
- Double Exponential Smoothing
- Exponential Smoothing dengan musiman.
2. Metode Regresi
3. Metode Dekomposisi
Universitas Sumatera Utara
54
1. Metode Smoothing
Metode smoothing digunakan untuk melicinkan atau mengurangi fluktuasi ketidakteraturan ramalan berdasarkan data yang lalu. Metode smoothing dapat
dibagi lagi menjadi beberapa metode, antara lain : 1.
Moving Average Moving Average diperoleh dengan merata-ratakan permintaan berdasarkan
beberapa data masa lalu yang terbaru. Tujuannya adalah untuk mengurangi atau menghilangkan variasi acak permintaan dalam hubungannya dengan waktu.
a. Single Moving Average Merupakan peramalan untuk satu periode ke depan dari periode rata-rata.
Rumus yang digunakan adalah:
m f
f f
f f
M t
t t
t t
...
ˆ
3 2
1
Dimana: m
: jumlah periode yang digunakan sebagai dasar peramalan.
t
fˆ : ramalan permintaan untuk periode t
t
f : permintaan aktual pada periode t
b. Weigthed Moving Average Weighted moving averages adalah metode perhitungan dengan cara
mengalikan tiap-tiap periode dengan faktor bobot dan membagikannya dengan hasil produk yang merupakan penjumlahan faktor bobot. Formula metode
Weighted Moving Average adalah:
m t
m t
t
f c
f c
f c
f
2 1
2 1
1
ˆ
Universitas Sumatera Utara
55 Dimana :
t
fˆ : peramalan permintaan untuk periode t
t
f : permintaan aktual pada periode t
1
c
: bobot masing-masing data yang digunakan m
: jumlah periode yang digunakan untuk peramalan. 2.
Metode Eksponensial Smoothing a. Single Eksponensial Smoothing
Nilai ramalan pada periode t+1 merupakan nilai aktual pada periode t ditambah dengan penyesuaian yang berasal dari kesalahan nilai ramalan yang
terjadi pada periode t tersebut. Secara matematis dapat dinyatakan:
1
ˆ 1
ˆ
t t
t
f f
f
Dimana :
t
fˆ : perkirakan permintaan pada periode t
: suatu nilai 0
1 yang ditentukan secara subjektif
t
f : permintaan aktual pada periode t
1
ˆ
t
f : perkiraan permintaan pada periode t-1
b. Double Exponensial Smoothing Formula Double Exponential Smoothing adalah :
. .m
b a
f
t t
m t
Sedangkan :
1
1
t t
t
f X
f
Universitas Sumatera Utara
56
1
1
t t
t
f f
f
Dimana
t
f : single exponential smoothing
t
f : double exponential smoothing
2
t t
t t
t t
f f
f f
f
2. Metode Regresi
Bentuk fungsi dari metode ini dapat berupa: a Konstan, dengan fungsi peramalan Yt:
Yt = a, dimana
N Y
a
1
Dimana: Yt = nilai tambah
N =
jumlah periode
b Linier, dengan fungsi peramalan: Yt = a + bt
Dimana :
n bt
Y a
2 2
t t
n y
t ty
n b
c Kuadratis, dengan fungsi peramalan : Yt = a + bt + ct
2
Dimana :
n t
c t
b Y
a
2
b c
2
b
4 2
2
t n
t
Universitas Sumatera Utara
57
tY n
Y t
Y t
n Y
t
2 2
3 2
2
t n
t t
=
d Eksponensial, dengan fungsi peramalan : Yt = ae
bt
Dimana :
n t
b Y
a
ln ln
2 2
ln ln
ln
t
t n
Y t
Y t
n a
e Siklis, dengan fungsi peramalan :
n t
c n
b a
Y
t
2 cos
2 sin
ˆ
Dimana :
n t
c n
t b
na Y
2 cos
2 sin
n t
n t
c n
b n
t a
n t
Y
2 cos
2 sin
2 sin
2 sin
2 sin
2
n t
n t
b n
c n
t a
n t
Y
2 cos
2 sin
2 cos
2 cos
2 cos
2
3. Metode Dekomposisi
Metode dekomposisi dilakukan bukan untuk mengidentifikasikan masing- masing komponen dari pola dasar yang ada, tetapi untuk memecahkan atau
mendekomposisikan pola tersebut ke dalam subpola, yang mengidentifikasikan masing-masing komponen secara terpisah. Dengan memecah atau
2 2
X n
X
Universitas Sumatera Utara
58 mendekomposisikan pola tersebut dapat diharapkan meningkatnya ketepatan
dalam peramalan dan dapat membantu lebih baiknya pemahaman atas polanya
4
.
Pendekatan dekomposisi ini berusaha menguraikan suatu deret berkala kedalam subkomponen utamanya. Dengan demikian, bukan hanya pola tunggal
suatu komponen yang diramalkan, melainkan berbagai pola yakni pola musiman seasonality, pola kecenderungan trend, pola siklus cycle ikut ambil bagian
dalam menentukan arah suatu peramalan. Peramalan metode ini membuat ekstrapolasi
dari tiap-tiap pola komponen secara terpisah dan menggabungkannya kembali ke dalam ramalan akhir. melakukan dekomposisi
dalam time series analysis harus diperhatikan beberapa komponen yang polanya sesuai dengan persamaan yaitu:
Data = pattern + error = f trend, seasonality, cycle + error
Y
t
= f T
t
, S
t
, C
t
, I
t
Persamaannya secara matematis dapat ditulis sebagai berikut: Y
t
= T
t
x S
t
x C
t
x I
t
Y
t
= T
t
x S
t
x C
t
Dimana: Y
t
adalah data time series periode t T
t
adalah data trend periode t S
t
adalah faktor seasonal indeks periode t C
t
adalah faktor cyclical periode t I
t
adalah faktor randomness periode t
4
Makridakis, Spyros G., Forecasting, Methods and application, Second Edition, Jhon Wiley Sons, New York1983, hal132
Universitas Sumatera Utara
59
Untuk mencari nilai komponen T, S, C dan I dilakukan dengan memisahkan masing-masing komponen sebagai dasar untuk melihat pola
karakteristik data.
Berdasarkan pola data yang diperlihatkan pada scatter diagram maka digunakan metode peramalan dekomposisi dengan langkah-lahkah sebagai
berikut: a.
Menghitung Nilai Trend Trend merupakan suatu gerakan kecendrungan naik atau turun dalam jangka
panjang yang diperoleh dari rata-rata perubahan dari waktu ke waktu dan nilainya cukup rata.
Menghitung nilai trend dapat dilakukan dengan beberapa metode, dalam tulisan ini akan disampaikan tiga metode yang paling sering digunakan yaitu:
1. Metode Kuadrat Terkecil
Perhitungan nilai trend dengan metode ini jugabiasa disebut dengan menggunakan persamaan
Yx = a + b X Dimana :
Y adalah data time series periode X
X adalah waktu bulan
a dan b diperoleh dari:
n Y
a
2
X XY
b
Universitas Sumatera Utara
60 2.
Metode Kuadratis Menghitung nilai trend dengan metode ini dilakukan dengan menggunakan
persamaan. Yx = a + bX + cX
2
Nilai a dan b diperoleh dari:
2 2
2 2
2 2
2 2
. .
. X
X X
n X
Y X
X X
Y a
2
. X
Y X
b
2 2
2 2
2 2
. .
X X
X n
Y X
Y X
n c
3. Metode Trend eksponential
Menghitung nilai trend dengan dilakukan dengan menggunakan persamaan Y = a1+b
x
Nilai a dan b diperoleh dari : a = Ln
n LnY
b = Ln
1
2
X LnY
b. Menghitung Indeks Seasional atau musim S
Variasi musiman berhubungan dengan perubahan atau fluktuasi dalam musim-musim tertentu, dalam satuan bulanan, triwulan, semesteran dan tahunan.
Untuk menghitung indeks musim dapat dilakukan dengan beberapa metode yaitu: a.
metode rata-rata sederhana b.
Metode rata-rata dengan trend c.
Metode rasio rata-rata bergerak
Universitas Sumatera Utara
61 Dari tiga metode diatas, metode rata-rata sederhana dan metode rata-rata
dengan trend sudah jarang dipergunakan karena perhitungannya terlalu sederhana, sedangkan metode ketiga lebih banyak dipakai karena lebih baik dalam
menjelaskan variasi musim. Mencari indeks musim dilakukan proses dekomposisi dengan metode rasio
rata-rata bergerak -
Pada data actual hitung rata bergerak yang panjangnya N sama dengan panjang musiman
- Rata-rata bergerak ini digunakan untuk menghilangkan unsur musiman St
dan unsur error It -
Rata-rata cergerak yang dihasilkan adalah Mt = Tt x Ct
- Dengan membagi data aktual maka S x I dapat dipisahkan
- Kemudian mencari indeks musiman St dengan cara memisahkan faktor error I
yaitu dengan cara a.
Gunakan rata-rata bergerak medial dengan menggunakan unsur acak I dan yang tersisa hanya faktor musiman.
b. Indeks musiman adalah data aktual dibagi moving average.
c. Indeks musiman diperoleh dari data medial dikalikan dengan faktor
koreksi. d.
Menghitung Cylical Indeks atau Indeks Siklus C Siklus merupakan suatu perubahan atau gelombang naik dan turun dalam
suatu periode serta berulang pada periode lain. Suatu siklus biasanya mempunyai
Universitas Sumatera Utara
62 periode tertentu untuk kembali ke titik asalnya, periode ini dikenal dengan lama
siklus. Siklus juga memiliki frekuensi yaitu siklus yang dapat diselesaikan dalam satu periode waktu.
Indeks siklus diperoleh dari persamaan: Mt = Tt x CtTx = a + bx = C
3.1.5. Metode Kausal
Peramalan dengan metode kausal mendasarkan hasil ramalan yang disusun atas pola hubungan antara variabel yang dicari atau diramalkan dengan variabel-
variabel yang mempengaruhinya yang bukan waktu. Dalam analisis ini, diasumsikan bahwa faktor atau variabel yang menunjukkan suatu hubungan
pengaruh sebab akibat dengan satu atau lebih variabel bebas. Sebagai contoh, permintaan akan baju baru mungkin berhubungan dengan banyaknya populasi
pendapatan masyarakat, jenis kelamin, budaya daerah, dan bulan-bulan khusus. Jadi, maksud dari analisis metode kausal adalah untuk menemukan bentuk
pola hubungan yang saling mempengaruhi antara variabel yang dicari dan variabel-variabel yang mempengaruhinya, serta menggunakannya untuk
meramalkan nilai-nilai dari variabel pada masa yang akan datang. Metode kausal dapat dipergunakan dalam peramalan dengan keberhasilan yang lebih besar,
sehingga sering dipergunakan untuk pengambilan keputusan. Metode kausal terdiri dari :
1. Metode regresi dan korelasi Metode regresi dan korelasi didasarkan pada penetapan suatu persamaan
estimasi menggunakan teknik least squares. Ketepatan peramalan dengan metode
Universitas Sumatera Utara
63 ini sangat baik untuk peramalan jangka pendek, sedangkan untuk peramalan
jangka panjang ternyata ketepatannya kurang begitu baik. 2. Model Ekonometri
Metode ini didasarkan atas peramalan pada sistem persamaan regresi yang diestimasikan secara simultan. Baik untuk peramalan jangka pendek maupun
untuk jangka panjang, ketepatan peramalan dengan metode ini sangat baik. Data yang dibutuhkan untuk penggunaan metode peramalan ini adalah data kuartalan
beberapa tahun. 3. Model output-input
Metode ini dipergunakan untuk menyusun proyeksi trend ekonomi jangka panjang. Model ini kurang baik ketepatannya untuk peramalan jangka pendek, dan
sangat baik ketepatannya untuk peramalan jangka panjang. Data yang digunakan untuk metode ini adalah data tahunan selama sekitar sepuluh sampai lima belas
tahun.
3.1.6. Kriteria Pemilihan Metode Peramalan
