Teknik Peramalan Pengertian Peramalan
21
analysis. Permintaan berdasarkan urutan dapat menggambarkan permintaan, dapat secara konstan constant, meningkat secara garis lurus trend linear atau
musiman seasonal seperti yang terdapat pada Gambar 2.
Produksi atas Permintaan
garis peningkatan per unit
musiman
konstan Waktu
Gambar 2. Pola Permintaan
Sumber : Tampubolon 2004:41
Menurut Prasetya dan Lukiastuti 2009 :47, Komponen-komponen runtun waktu pada umumnya diklasifikasikan sebagai :
a. Trend T, merupakan pergerakan data sedikit demi sedikit meningkat atau menurun. Perubahan pendapatan, populasi, penyebaran umur, atau
pandangan budaya dapat mempengaruhi pergerakan trend. b. Musiman atau Seasonal S, merupakan pola data yang berulang pada
kurun waktu tertentu, seperti hari, minggu, bulan, atau kuartal. c. Siklikal atau Cyclical C, merupakan pola dalam data yang terjadi
setiap beberapa tahun. d. Residu atau Erratic E, merupakan satu titik khusus dalam data yang
disebabkan oleh peluang dan situasi yang tidak biasa.
22
Dalam menyusun rencana produksi dapat pula dilakukan dengan memperhatikan atau menggunakan perkembangan data produksi dengan mengacu
pada perkembangan data variabel yang mempengaruhinya. Metode sebab akibat didasarkan pada data masa lalu yang mempengaruhi masa depan misalnya
penjualan. Penggunaan peramalan untuk produksi dan metode yang cocok untuk digunakan dapat dilihat pada Tabel 2.
Tabel 2. Penggunaan Peramalan untuk Produksi Operasi dan Metodenya
Penggunaan peramalan
Jangka waktu
Ketetapan yang
dibutuhkan Jumlah
produk Tingkat
manajemen Metode
peramalan
Desain proses Panjang Rata-rata
Satu atau beberapa
Puncak Kualitatif
dan kausal Perencanaan
kapasitas mesin
Panjang Rata-rata
Satu atau beberapa
Puncak Kualitatif
dan kausal Perencanaan
agregat Menengah Tinggi
Beberapa Menengah Kausal dan
time series Schedulling
Pendek Sangat
tinggi Banyak
Rendah Time series
Manajemen persediaan
Pendek Sangat
tinggi Banyak
Rendah Time series
Sumber : Assauri 2004:36
1 Metode Time Series
Menurut Handoko 2000:267, model-model peramalan runtut waktu mencoba untuk meramalkan kejadian-kejadian di waktu yang akan datang atas
dasar serangkaian data masa lalu. Serangkaian data ini merupakan serangkaian observasi berbagai variabel menurut waktu, dan biasanya ditabulasi dan
digambarkan dalam bentuk grafik yang menunjukkan perilaku variabel subyek. Metode-metode yang yang digunakan dalam peramalan time series terdiri dari
beberapa metode.
23
a. Metode Naïve, metode ini didasarkan pada asumsi bahwa periode saat ini merupakan predictor terbaik dari masa mendatang. Metode ini merupakan
metode sederhana karena perhitungan peramalannya dengan menggunakan data yang lewat yang dijadikan sebagai ramalan waktu yang akan datang
Firdaus, 2006:4. b. Metode Rata-Rata Bergerak Sederhana Moving Average, menurut
Firdaus 2006:128 metode ini cocok untuk pola data stasioner. Kelebihan metode ini adalah jumlah data yang dimasukkan ke dalam nilai rataan
fleksibel sehingga dapat divariasikan sesuai pola datanya. Selain itu metode ini mudah untuk dipahami. Kelemahannya, metode ini hanya baik
untuk data stasioner. c. Metode Pelicinan Eksponensial Tunggal Single Exponential Smoothing,
metode ini sangat baik diterapkan pada serial data yang memiliki pola stasioner dan tidak efektif dalam menangani peramalan dengan
kecenderungan data yang memiliki komponen trend dan pola musiman. Hal tersebut dikarenakan jika diterapkan pada serial data yang memiliki
trend yang konsisten, ramalan dibuat akan selalu berada di belakang trend. Selain itu, metode eksponensial juga dapat memberikan bobot yang relatif
lebih tinggi pada nilai pengamatan terbaru disbanding nilai-nilai periode sebelumnya.
d. Metode Pelicinan Eksponensial Ganda Double Exponential Smoothing, metode ini memiliki dasar pemikiran yang sama dengan rata-rata bergerak
linier. Metode double exponential smoothing memproses data deret waktu
24
dengan mengekstrapolasi data atas dasar trend terakhir yang terbentuk, sehingga ramalan yang akan terlihat nantinya cenderung ke arah sesuai
dengan arah trend tereakhir. Metode ini baik digunakan untuk data deret waktu yang memiliki unsur trend.
e. Metode Perhitungan Indeks Musiman, Menurut Handoko 2000:278 perhitungan indeks musiman dapat dihitung dengan mencari nilai rata-rata
berbagai rasio penjualan kuartal nyata terhadap nilai garis trend untuk setiap periode. Peramalan model ini merupakan estimasi penjualan yang
hanya memasukkan unsur trend dan musiman tanpa memperhatikan pengaruh siklikal.
f. Metode Box Jenkins ARIMA, metode ini menggunakan pendekatan iteratif dalam mengidentifikasi suatu model yang paling tepat dari semua
kemungkinan model yang ada. Metode ini ini tidak menggunakan variabel independen, melainkan menggunakan nilai-nilai sekarang dan nilai-nilai
masa lampau dari variabel dependen. Firdaus 2006:19 menjelaskan prosedur ARIMA terdiri dari beberapa tahapan yaitu identifikasi, estimasi,
evaluasi model dan peramalan. Metode ARIMA hanya bisa diterapkan untuk data time series yang stasioner atau telah dijadikan stasioner dengan
data observasi paling tidak berjumlah 72 Mulyono. 2000:159.
2 Metode Kausal
Metode peramalan kausal didasarkan pada penggunaan analisa pola hubungan antara variabel yang akan diperkirakan dependen dengan variabel lain
yang mempengaruhinya independen. Metode ini sering disebut model regresi,
25
dimana regresi merupakan suatu penyederhanaan pola hubungan suatu variabel dengan satu atau lebih variabel lain Mulyono, 2000:53.