a. Metode Rata-Rata Bergerak Simple Moving Average
Ini adalah metode time series yang paling sederhana. Pada metode ini diasumsikan bahwa pola time series hanya sendiri dari komponen average level dan komponen
random error. Model rata-rata bergerak menggunakan sejumlah data aktual permintaan yang baru
untuk membangkitkan nilai ramalan untuk permintaan dimasa yang akan datang.l Metode rata-rata bergerak akan efektif diterapkan apabila kita dapat mengasumsikan bahwa
perminatan pasar tehadap produk akan tetap stabil sepanjang waktu. Metode rata-rata bergerak n-periode menggunakan formula berikut :
At = N
D D
D
N t
t 1
1 1
....
− −
−
+ +
+
dimana N adalah banyaknya periode dalam rata-rata bergerak. Kalau diasumsikan komponen time series adalah average level maka peramalan
pada periode t+1 adalah sama dengan rata-rata demand sebelumnya. Disini makin lama atau makin banyak periode yang digunakan maka:
1. Peramalan akan lebih stabil 2. Tetapi disisi lain tanggapan terhadap perubahan demand lebih lambat
b. Metode Pemulusan Eksponensial
Model peramalan pemulusan eksponensial bekerja hampir serupa dengan alat thermostat, dimana apabila galat ramalan adalah positif, yang berarti nilai aktual
permintaan lebih tinggi daripada nilai ramalan, maka model pemulusan eksponensial akan secara otomatis meningkatkan nilai ramalan. Sebaliknya apabila galat ramalan
adalah negatif, yang berarti nilai aktual permintaan lebih rendah daripada nilai ramalan,
Universitas Sumatera Utara
maka model pemulusann eksponensial akan secara otomatis menurunkan nilai ramalan. Proses penyesuaian ini berlangsung terus menerus, kecuali galat ramalan telah mencapai
nol. Kenyataan ini yang mendorong peramal lebih suka menggunakan model peramalan pemulusan eksponensial, apabila pola historis dari data aktual permintaan bergejolak atau
tidak stabil dari waktu kewaktu. Peramalan menggunakan model pemulusan eksponensial dilakukan berdasarkan
formula berikut : F
t
= F
t-1
+ αA
t-1
- F
t-1
dimana : F
t
= nilai ramalan untuk periode waktu ke-t F
t-1
= nilai ramalan untuk satu periode waktu yang lalu, t-1 A
t-1
= nilai aktual untuk satu periode waktu yang lalu, t-1 α = konstanta pemulusan
Permasalahan umum yang dihadapi apabila menggunakan model pemulusan eksponensial adalah memilih kontanta pemulusan,
α yang diperkirakan tepat. Nilai konstanta pemulusan
α dapat dipilih diantara nilai 0 dan 1, karena berlaku : 0 α 1. Bagaimanapun juga untuk menetapkan nilai
α yang diperkirakan tepat, kita dapat menggunakan panduan berikut :
a. Apabila pola historis dari data aktual permintaan sangat bergejolak atau tidak stabil dari waktu kewaktu, kita memilih nilai
α yang mendekati satu. Biasanya dipilih nilai
α = 0,9 namun kita dapat mencoba nilai-nilai α yang lain mendekati satu.
Universitas Sumatera Utara
b. Apabila pola historis dari data aktual permintaan tidak berfluktuasi atau relatif stabil dari waktu ke waktu, kita memilih nilai
α yang mendekati nol. Semakin stabil nilai
α yang dipilih harus semakin kecil menuju ke nilai nol. Pengujian keandalan dari model peramalan berdasarkan pemulusan eksponensial harus
menggunakan peta kontrol traking signal dan membandingkan apakah nilai-nilai ramalan itu telah menggambarkan atau sesuai dengan pola data historis dari data aktual
permintaan. Selanjutnya besar dan jenis error, dimana idealnya total jumlah error adalah o
nol yang diperoleh dengan perhitungan: Error
e
t
= Dt-Ft
2.3. Error Peramalan