peramalan diawali dengan pengeksplorasian pola data pada masa lalu guna mengembangkan model yang sesuai dengan pola data itu dengan menggunakan
asumsi bahwa pola data pada masa lalu itu akan berulang lagi pada waktu yang akan datang. Hasil pengolahan data masa lalu akan menjadi tolak ukur perusahaan
untuk membuat perencanaan langkah langkah yang akan diambil oleh perusahaan. Tujuan peramalan adalah mengurangi rentang ketidakpastian dimana
pendapat pribadi judgement manajemen yang harus diambil. Tujuan ini mengarah kepada dua aturan utama yang harus diperhatikan pada proses
peramalan: 1.
Peramalan harus secara teknik benar dan menghasilkan peramalan cukup akurat dalam memenuhi kebutuhan perusahaan.
2. Prosedur peramalan dan hasilnya harus secara efektif disajikan kepada
manajemen sehingga peramalan dapat dipakai dalam proses pengambilan keputusan demi keuntungan perusahaan dan hasilnya juga harus dijustifikasi
berbasis biaya manfaat. Pertimbangan yang terakhir seringkali disalah-artikan dan dapat membuat
frustasi forecaster peramal professional. Namun jika ramalan akan digunakan untuk keuntungan perusahaan, maka mereka yang mempunyai wewenang harus
memanfaatkannya.
2.4. Pendekatan dalam Peramalan
Menurut Heizer dan Render 2006, terdapat pendekatan umum peramalan, yaitu analisis kuantitatif dan analisis kualitatif. Peramalan kuantitatif quantitative
forecast menggunakan model matematis yang beragam dengan data masa lalu dan variable sebab akibat untuk meramalkan permintaan. Peramalan subjektif atau
kualitatif qualitative forecast menggabungkan faktor seperti intuisi, emosi,
pengalaman pribadi, dan sistem ilai pengambil keputusan untuk meramal.
Menurut Gujarati 2003, ada lima pendekatan dalam peramalan ekonomi berbasis data runtut waktu. Kelima pendekatan tersebut adalah:
1. Exponential smoothing method
Merupakan prosedur yang berkesinambungan merevisi ramalan dalam hal pengalaman yang lebih terkini. Metode ini berbasis rerata pemulusan nilai
lampau deret secara menurun eksponensial. Pemulusan eksponensial sederhana menyediakan rata-rata bergerak tertimbang secara eksponensial
semua nilai pengamatan yang lalu. 2.
Single-equation regression method Metode ini disebut juga analisis regresi sederhana yaitu hanya memiliki satu
variabel dependen dan satu variabel independen. 3.
Simultaneous-equation regression model Metode ini disebut juga analisis regresi berganda yaitu melibatkan
penggunaan lebih dari satu variabel bebas dalam prediksi variabel terikat. 4.
Autoregressive integrated moving average ARIMA model Model ARIMA berasal dari gabungan antara AR autoregression dan MA
Moving Average yang sudah didiferen. Konsep ini mendasar pada asumsi bahwa “data speak for themselves”, karena nilai data pada masa sekarang
dipengaruhi oleh nilai data pada masa-masa sebelumnya. 5.
Vector Auto Regression VAR Vector Auto Regression VAR merupakan alat analisis atau metode statistik
yang bisa digunakan baik untuk memproyeksikan sistem variabelvariabel runtut waktu maupun untuk menganalisis dampak dinamis dari faktor
gangguan yang terdapat dalam sistem variabel tersebut. Selain itu, VAR Analisis juga merupakan alat analisis yang sangat berguna, baik di dalam
memahami adanya hubungan timbal balik interrelationship antara variabel-variabel ekonomi maupun di dalam pembentukan model ekonomi
berstruktur.
2.5. Peramalan Penjualan
