3.3.1 Peramalan Kualitatif
Metode kualitatif biasanya tidak menggunakan perhitungan secara matematis atau perhitungan secara statistik. Metode ini hanya berupa tanggapan
dan buah pikiran orang-orang yang cukup mengenal keadaan yang diramalkan. Beberapa metode peramalan yang digolongkan sebagai model kualitatif :
- Dugaan Manajemen
Management Estimate -
Riset Pasar Market Research
- Metode Kelompok Terstruktur
Structured Group Method seperti metode Delphi.
- Analogi Histories
Historical Analogy
3.3.2. Peramalan Kuantitatif
Metode kuantitatif yang dipergunakan dalam peramalan pada dasarnya dapat dikelompokkan dalam dua jenis, yaitu metode deret berkala dan metode
kausal. Metode deret berkala time series adalah metode yang digunakan untuk
menganalisis serangkaian data yang merupakan fungsi dari waktu. Metode ini mengasumsikan beberapa pola atau kombinasi pola secara berulang sepanjang
waktu, dan pola dasar dapat diindentifikasi semata-mata atas dasar data historis dari serial itu. Tujuan dari analisis ini untuk menemukan deret variabel yang
bersangkutan berdasarkan atas nilai-nilai variabel pada masa sebelumnya, dan mengekstrapolasikan pola tersebut untuk membuat peramalan nilai variabel
tersebut pada masa yang akan datang.
Universitas Sumatera Utara
3.3.2.1. Model Time SeriesDeret Berkala
Model time seriesderet berkala merupakan fungsi dari waktu, pola
permintaan yang akan datang diperkirakan serupa dengan pola masa lalu. Yang termasuk dalam metode ini adalah metode konstan, metode regresi linier, metode
kuadratis, metode siklis dan metode eksponensial. a
Metode Konstan Bentuk umum dari persamaan metode konstan adalah sebagai berikut :
a t
Y
b Metode Regresi Linier
Bentuk umum dari persamaan regresi linier untuk dua variabel adalah sebagai berikut :
bx a
Y
Dimana Y : Variabel tidak bebas yang diramalkan
x : Variabel bebas a : nilai dari pada Y bila x = 1
b : perubahan rata-rata y terhadap perubahan per unit x c
Metode Kuadratis Bentuk umum dari persamaan kuadratis adalah sebagai berikut :
Y t = a + bt + ct
2
d Metode Eksponensial
Peramalan matematis yang digunakan yaitu : Y
t = a.e
b.t
Universitas Sumatera Utara
e Metode Siklis
Persamaan matematis yang digunakan : Y
t = n
t c
n t
b a
2 cos
2 sin
Analisis deret berkala dimulai dengan memplot data pada suatu skala waktu, kemudian mempelajari plot tersebut, dan akhirnya mencari suatu bentuk
atau pola yang konsisten atas data tersebut. Ada empat komponen utama yang mempengaruhi analisis ini yaitu :
1. Pola Siklis Cycle
Penjualan produk dapat memiliki siklus yang berulang secara priodik. Banyak produk dipengaruhi pola penggerak aktivitas ekonomi yang terkadang
memiliki kecenderungan priodik. Komponen siklis ini sangat berguna dalam peramalan jangka menengah. Pola data ini terjadi bila data memiliki
kecenderungan untuk naik dan turun terus-menerus. Pola data ini dapat dilihat pada Gambar 3.2. dibawah ini :
Biaya
Waktu
Gambar 3.2. Pola Siklis
2. Pola Musiman Seasonal
Perkataan musiman menggambarkan pola penjualan yang berulang setiap priode. Komponen musiman dapat dijabarkan kedalam faktor cuaca, libur atau
kecenderungan perdagangan. Pola musiman berguna dalam meramalkan penjualan dalam jangka pendek. Pola data ini terjadi bila nilai data sangat
Universitas Sumatera Utara
dipengaruhi oleh musim. Pola data ini dapat dilihat pada Gambar 3.3. dibawah ini :
Biaya
Waktu
Gambar 3.3. Pola Musiman
3. Pola Horizontal
Pola data ini terjadi apabila nilai data berfluktuasi disekitar nilai rata-rata. Pola data ini dapat dilihat pada Gambar 3.4. dibawah ini :
Biaya
Waktu
Gambar 3.4. Pola Horizontal
4. Pola Trend
Pola data ini terjadi bila data memiliki kecenderungan untuk naik atau turun terus menerus. Pola data ini dapat dilihat pada Gambar 3.5. dibawah ini :
Biaya
Waktu
Gambar 3.5. Pola Trend
Universitas Sumatera Utara
3.3.2.2. Metode Smoothing
Metode Smoothing digunakan untuk mengurangi ketidakteraturan musiman dari data yang lalu, dengan membuat rata-rata tertimbang dari sederetan
data yang telah lalu. Metode ini terdiri dari 2 kelompok yaitu : 1.
Metode Rata-rata Bergerak -
Metode rata-rata bergerak sederhana Simple Moving Average Peramalan didasarkan pada proyeksi serial data yang dimuluskan dengan
rata-rata bergerak. Serial data yang digunakan jumlahnya akan selalu tetap dan termasuk data periode terakhir.
Secara matematis, rumus peramalan dengan metode rata-rata bergerak sederhana sebagai berikut :
N X
X X
F
t t
n t
t
1 1
1
...
Dimana : X
t
= Data pengamatan periode i N = Jumlah deret waktu yang digunakan
F
t+1
= Nilai peramalan periode t + 1 -
Metode Rata-rata Bergerak Tertimbang Weighted Moving Average Penggunaan metode rata-rata bergerak sederhana mempunyai kelemahan
yaitu setiap periode diberikan bobot yang sama. Rumus metode rata-rata bergerak tertimbang adalah sebagai berikut :
n t
n t
t t
A w
A w
A w
F
...
2 2
1 1
Dimana : W1 = Bobot yang diberikan pada periode t-1
Universitas Sumatera Utara
W2 = Bobot yang diberikan pada periode t-2 Wn = Bobot yang diberikan pada periode t-n
n = Jumlah periode 2.
M nensial
l Tunggal single exponential smoothing
etode Pemulusan Ekspo -
Metode Pemulusan Eksponensia Metode pemulusan eksonensial tunggal
menambahkan parameter alpha dalam modelnya untuk mengurangi faktor merandoman. Nilai peramalan dapat dicari dengan menggunakan
rumus sebagai berikut :
t t
t
F X
F .
1 .
1
Dimana : ta permintaan pada periode t
Xt = Da
= Faktorkonstanta pemulusan F
t
- M
hanya akan efektif apabila serial
eksponensial linier yang dapat
+1
= Peramalan untuk periode t etode Pemulusan Eksponensial Linier
Metode pemulusan eksponensial tunggal data yang diamati memiliki pola horizontal.
- Metode Pemulusan Eksponensial Musiman
Sebagaimana halnya persamaan pemulusan digunakan untuk meramalkan serial data yang memiliki pola trend, bentuk
persamaan yang lebih tinggi dapat digunakan bila pola dasar setiap datanya musiman.
Universitas Sumatera Utara
3.3.2.3. Metode Dekomposisi
itu hasil peramalan ditentukan dengan kombinasi d
fu
rhitungan : = a + bt
rolehan index kemudian ramalkan yang baru.
n yang diprediksikan menghasilkan dari suatu hubungan
uk naik maka permintaan akan naik -
n distribusi maka permintaan akan naik. -
nduduk
. Metode dekomposisi ya
ari ngsi yang ada sehingga tidak dapat diramalkan. Model tersebut didekati
dengan linier atau siklis, kemudian bagi t atau kwartalan, semesteran berdasarkan pola data yang ada.
Langkah-langkah pe 1.
Ramalkan fungsi d
t
biasa dt 2.
Hitung nilai index 3.
Gabungkan nilai pe 4.
Hitung ramalan dan tingkat kesalahan.
3.3.2.4. Model Causal
Model peramala sebab akibat beberapa variabel yang berpengaruh. Pada model ini untuk
meramalkan permintaan tidak hanya memperhatikan waktu, tetapi juga memperhatikan faktor yang mempengaruhi, antara lain:
- Harga produk
Jika harga prod Saluran distribusi
Jika banyak salura Promosi
- Jumlah pe
- Pendapatan
- Dan lain-lain
Universitas Sumatera Utara
Kebaikan dari model causal : -
ng tinggi. panjang.
- yak data.
kan hasil yang baik dibutuhkan usaha yang besar dan
emerlukan persyaratan : -
njut pada masa mendatang.
.4. Prosedur Peramalan
yang digunakan melalui melalui perhitungan atem
Mempunyai ketepatan hasil ya -
Dapat digunakan untuk peramalan jangka Kelemahan dari model causal :
Tidak praktis, membutuhkan ban -
Memakan waktu lama. -
Mahal, untuk mendapat biaya yang besar.
Model kuantitatif m Data masa lalu tersedia.
- Pola masa lalu akan berla
3
Peramalan kuantitatif m
atis, sehingga tahap peramalan kuantitatif memiliki prosedur yang dapat dilihat pada Gambar 3.6. dibawah ini :
Universitas Sumatera Utara
Defenisikan Tujuan Peramalan