Peramalan kuantitatif adalah peramalan yang didasarkan pada data kuantitatif pada masa lalu. Hasil peramalan yang dibuat tergantung pada metode
yang dipergunakan dalam peramalan tersebut.Metode yang baik yaitu yang memberi nilai-nilai perbedaan atau penyimpangan yang mungkin. Peramalan
kuantitatif hanya dapat digunakan apabila terdapat dua kondisi berikut: 1. Adanya informasi tentang keadaan yang lain.
2. Informasi tersebut dapat dikuantifikasikan dalam bentuk data dapat diasumsikan bahwa pola yang lalu akan berkelanjutan pada masa yang akan
datang. Prosedur umum yang digunakan dalam peramalan secara kuantitatif
adalah : 1. Mendefenisikan tujuan peramalan.
2. Pembuatan diagram pencar scatter diagram. 3. Memilih minimal dua metode peramalan yang dianggap sesuai.
4. Hitung parameter-parameter fungsi peramalan. 5. Hitung kesalahan setiap metode peramalan.
6. Pilih metode yang terbaik, yaitu yang memiliki kesalahan terkecil. 7. Lakukan verifikasi peramalan.
3.3.3. Metode Time Series
6
Analisis Time Series menemukan bagaimana indikator produksi tertentu bervariasi terhadap waktu. Total penjualan tahunan pada beberapa tahun terakhir
6
James L. Riggs, 1981, Production System: Planning Analyisis and Control. John Wiley Sons, Inc : New York, Hal : 59-60.
Universitas Sumatera Utara
dapat menjadi indikator produksi. Pada umumnya jumlah dari penjualan dapat berubah dari tahun ke tahun sesuai dengan yang telah di formulasikan, hasil dari
penggambaran tidak dapat dipungkiri pada sebuah hubungan waktu penjualan yang digunakan untuk memprediksi level penjualan yang akan datang.
Menetapkan perhatian untuk setiap langkah dan setiap rumusan hasil sebuah produk hasil akhir terbaik, yang merupakan peramalan paling tepat.
3.3.4. Metode Penghalusan Smoothing
Metode smoothing digunakan untuk mengurangi ketidakteraturan musiman dari data yang lalu, dengan membuat rata-rata tertimbang dari sederetan
data masa lalu. Ketepatan peramalan dengan metode ini akan terdapat pada peramalan jangka pendek, sedangkan untuk peramalan jangka panjang kurang
akurat.
Metode smoothing terdiri dari beberapa jenis, antara lain : 1. Metode Rata-rata Bergerak Moving Average, terdiri atas :
a. Single Moving Average SMA Moving Average
pada suatu periode merupakan peramalan untuk satu periode ke depan dari periode rata-rata tersebut. Persoalan yang timbul
dalam penggunaan metode ini adalah dalam menentukan nilai t periode rata-rata. Semakin besar nilai t maka peramalan yang dihasilkan akan
semakin menjauhi pola data. Secara matematis, rumus fungsi peramalan metode ini adalah:
F
t+1
=
N X
X X
t N
t 1
1 1
...... +
+ +
+ +
−
Universitas Sumatera Utara
dimana : X
t
= data pengamatan periode i
N = jumlah deret waktu yang digunakan
F
t+1
= nilai peramalan periode t+1
b. Linier Moving Average LMA Dasar metode ini adalah penggunaan moving average kedua untuk
memperoleh penyesuaian bentuk pola trend.Metode Linier Moving Average
adalah: i. Hitung single moving average dari data dengan periode perata-rataan
tertentu dan hasilnya dinotasikan dengan St’. ii. Setelah semua single moving average dihitung, hitung moving average
kedua yaitu moving average dari St’ dengan periode perata-rataan yang sama. Hasilnya dinotasikan dengan St’’.
iii. Hitung komponen At dengan rumus: At = St’ + St’-St’’
iv. Hitung komponen trend bt dengan rumus: bt =
1 2
St St
N −
−
v. Peramalan untuk periode ke depan setelah t adalah sebagai beriku: F
t+m
= At + bt .m c. Double Moving Average
Notasi yang diberikan adalah MA MxN, artinya M-periode MA dan N- periode MA.
Universitas Sumatera Utara
d. Weighted Moving Average Data pada periode tertentu diberi bobot, semakin dekat dengan saat
sekarang semakin besar bobotnya.Bobot ditentukan berdasarkan pengalaman. Rumusnya adalah sebagai berikut:
F
t
=
n n
t n
t t
w w
w A
w A
w A
w +
+ +
+
− −
− 2
1 2
2 1
1
dimana : w
1
= bobot yang diberikan pada periode t-1
w
2
= bobot yang diberikan pada periode t-2
w
n
= bobot yang diberikan pada periode t-n
n =
jumlah periode 2. Metode Exponential Smoothing, terdiri atas :
a. Single Exponential Smoothing Pengertian dasar dari metode ini adalah 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.
Nilai peramalan dapat dicari dengan menggunakan rumus berikut: F
t+1
= a.X
t
+ 1-a.F
t
dimana: Xt =
data permintaan pada periode t a
= faktorkonstanta pemulusan
F
t+1
= permasalahan untuk periode t
b. Double Exponential Smoothing DES
Universitas Sumatera Utara
i. Satu parameter Brown’s Liniar Method, merupakan metode yang hampir sama dengan linear moving average, disesuaikan dengan
menambahkan satu parameter: S
t
’ = αX
t
+ 1- αS’
t-1
S
t
’’ = α S’’
t
+ 1- αS’’
t-1
dimana St’ merupakan single exponential smoothing, sedangakan St’’ merupakan double exponential smoothing.
a
t
= S
t
’ + S
t
’ – S
t
’’ = 2S
t
’ – S
t
’’ b
t
=
1 St
St −
∝ −
∝
Rumus perhitungan peramalan pada period eke t : F
t+m
= a
t
+ b
t
.m ii. Dua parameter Holt’s Method, merupakan metode untuk time series
dengantrend linier. Terdapat konstanta yaitu α dan β. Adapun
rumusnya adalah sebagai berikut: S
t
= αD
t
+ 1- αS
t-1
+G
t-1
G
t
= βS
t
– S
t-1
+1- βG
t-1
dimana : S
t
= intercept pada waktu t G
t
= slope pada waktu t Rumusan perhitungan peramalan pada period ke t:
F
t+m
= S
t
.G
t
.m iii. Exponential Smoothing dengan musiman, pola permintaan musiman
dipengaruhi karakteristik data masa lalu, antara lain natal dan tahun
Universitas Sumatera Utara
baru, lebaran, awal tahun ajaran sekolah, dan sebagainya. Terdapat dua kemungkinan dari pengaruh musiman.Pertama dapat bersifat
addictive, yaitu mengabaikan laju penjualan setiap minggu selama
bulan desember, hanya dikatakan penjualan selama bulan desember meningkat 200 unit.Kedua, pengaruh musiman bersifat multiplicative,
laju penjualan setiap minggu selama bulan Desember meningkat dua kali lipat.
Rumusan untuk Exponential Smoothing dengan musiman: S
t
’ = α
1
1 1
1 −
− −
+ ∝
− +
t t
t t
b s
I X
I
t
= β
1 1
− −
+
t t
t
I S
X
β
G
t
= γ S
t
– S
t-1
+ 1- γ b
t-1
Maka rumus perhitungan peramalan: F
t+m
= S
t
+ G + mI
t-1
+ m dimana :
G = komponen trend L
= panjang musiman I
= faktor penyesuaian F
t+m
= ramalan untuk m periode ke muka.
3.3.5. Metode Proyeksi Kecenderungan dengan Regresi
