Peramalan Kualitatif Peramalan Kuantitatif

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