3.6.1. Metode Peramalan Kualitatif
Judgement Method
Peramalan kualitatif umumnya bersifat subjektif, dipengaruhi oleh intuisi, emosi, pendidikan, dan pengalaman seseorang. Oleh karena itu, hasil peramalan
dari satu orang dengan orang yang lain dapat berbeda. Meskipun demikian, peramalan dengan metode kualitatif tidak berarti hanya menggunakan intuisi,
tetapi juga mengikutsertakan model-model statistik sebagai bahan masukan dalam melakukan
judgement
, dan dapat dilakukan secara perorangan ataupun kelompok. Beberapa metode peramalan yang digolongkan sebagai model kualitatif adalah
sebagai berikut: 1.
Metode
Delphi
2. Dugaan Manajemen
Management Estimate
atau
Panel Consensus
3. Riset Pasar
Market Research
4. Metode Kelompok Terstruktur
Structured Group Methods
5. Analogi Historis
Historical Analogy
3.6.2. Metode Peramalan Kuantitatif
Statistical Method
3.6.2.1. Metode
Time Series
Metode
time series
adalah metode yang digunakan untuk menganalisis serangkaian data yang merupakan fungsi dari waktu. Metode ini mengasumsikan
beberapa pola atau kombinasi pola selalu berulang sepanjang waktu, dan pola dasarnya dapat diidentifikasikan semata-mata atas dasar data historis serial itu.
Ada empat komponen utama yang mempengaruhi analisi ini, yaitu: 1.
Pola siklis
cycle
Universitas Sumatera Utara
Penjualan produk dapat memiliki siklus yang berulang secara periodik. Banyak produk dipengaruhi pola pergerakan aktivitas ekonomi yang
terkadang memiliki kecenderungan periodik. Komponen siklis ini sangat berguna dalam peramalan jangka menengah.
Sumber: Sistem Produksi , Rosnani Ginting, hal. 46.
Gambar 3.2. Pola Siklis
2. Pola musiman
seasonal
Perkataan musim menggambarkan pola penjualan yang berulang setiap periode. Komponen musim dapat dijabarkan ke dalam faktor cuaca, libur, atau
kecenderungan perdagangan. Pola musiman berguna untuk meramalkan penjualan dalam jangka pendek.
Sumber: Sistem Produksi , Rosnani Ginting, hal. 47.
Gambar 3.3. Pola Musiman
Universitas Sumatera Utara
3. Pola horizontal
Pola data ini terjadi apabila data berfluktuasi di se
kita
r nilai rata-rata.
Sumber: Sistem Produksi , Rosnani Ginting, hal. 47.
Gambar 3.4. Pola Horizontal
4. Pola
Trend
Pola data ini terjadi bila data memiliki kecenderungan untuk naik atau turun terus-menerus.
Sumber: Sistem Produksi , Rosnani Ginting, hal. 48.
Gambar 3.5. Pola
Trend
Universitas Sumatera Utara
Biaya yang termasuk di dalam biaya operasi dipergunakan pola
trend
karena biaya tersebut cenderung naik jika mesin atau peralatan semakin tua atau
semakin lama jangka waktu pemakaiannya. Ada beberapa
trend
yang digunakan di dalam penyelesaian masalah ini, yaitu:
a.
Trend
Linier b.
Trend
Eksponensial atau Pertumbuhan c.
Trend
Logaritma d.
Trend
Geometrik e.
Trend
Hyperbola Metode peramalan yang termasuk model
time series
adalah sebagai berikut:
1. Metode
Smoothing
Metode
smoothing
digunakan untuk mengurangi ketidakteraturan musiman dari data yang lalu dengan membuat rata-rata tertimbang dari sederetan data
masa lalu. Metode
smoothing
dibagi lagi menjadi beberapa jenis, antara lain: a.
Moving Average Moving Average
diperoleh dengan merata-rata permintaan berdasarkan beberapa data masa lalu yang terbaru. Tujuannya adalahuntuk mengurangi
atau menghilangkan variasi acak permintaandalam hubungannya dengan waktu. Metode ini terdiri atas:
1
Single Moving Average
2
Linier Moving Average
Universitas Sumatera Utara
3
Double Moving Average
4
Weigthed Moving Average
b. Metode
Exponential Smoothing
Peramalan dengan metode ini pada umumnya digunakan untuk perkiraan potensi penjualan produk-produk secara individu.
1
Single exponential smoothing
2
Double exponential smoothing
3
Exponential smoothing
dengan musiman 2.
Metode Proyeksi Kecenderungan dengan Regresi Metode kecenderungan dengan regresi merupakan dasar kecenderungan
untuk suatu persamaan, sehingga dengan dasar persamaan tersebut dapat diproyeksikan hal-hal yang akan diteliti pada masa yang akan datang. Untuk
peramalan jangka pendek dan jangka panjang, ketepatan peramalan dengan metode ini sangat baik. Semakin banyak data yang dimiliki semakin baik
hasil yang diperoleh.Bentuk fungsi dari metode ini dapat berupa: a.
Konstan, dengan fungsi peramalan Yt:
Yt = a, dimana N
Yi a
Keterangan: Yt = nilai tambah
N = jumlah periode b.
Linear, dengan fungsi peramalan: Yt = a + bt
Universitas Sumatera Utara
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
tY n
Y t
Y t
n Y
t
2 2
3 2
2
t n
t t
2 2
t n
t
d.
Eksponensial, dengan fungsi peramalan : Yt = ae
bt
dimana :
Universitas Sumatera Utara
n t
b Y
a
ln ln
2 2
ln ln
t
t n
Y t
Y t
n b
e. Siklis, dengan fungsi peramalan :
n t
c n
t 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
t b
n t
a n
t Y
2
cos 2
sin 2
sin 2
sin 2
sin
2
n t
n t
b n
t c
n t
a n
t Y
2
cos 2
sin 2
cos 2
cos 2
cos
2
3. Metode Dekomposisi
Yaitu hasil ramalan ditentukan dengan kombinasi dari fungsi yang ada sehingga tidak dapat diramalkan secara biasa. Model tersebut didekati dengan
fungsi linear atau siklis, kemudian bagi t atas kwartalan sementara berdasarkan pola data yang ada. Metode dekomposisi merupakan pendekatan
peramalan yang tertua. Terdapat beberapa pendekatan alternatif untuk mendekomposisikan suatu deret berkala yang semuanya bertujuan
memisahkan setiap komponen deret data seteliti mungkin. Konsep dasar
Universitas Sumatera Utara
pemisahan bersifat empiris dan tetap, yang mula-mula memisahkan unsur musiman, kemudian
trend
dan akhirnya unsur siklis. Langkah-langkah perhitungannya adalah sebagai berikut:
a. Diramalkan fungsi Y biasa dt=a+bt
b. Dihitung nilai indeks
c. Digabungkan nilai perolehan indeks kemudian ramalkan yang baru.
3.6.2.2. Metode Peramalan Kausal
Kategori