2.3. Peramalan
Menurut Heizer dan Render 2008, peramalan adalah proses memperkirakan kejadian di masa depan dengan cara melibatkan pengambilan data
masa lalu dan menempatkannya ke masa depan dengan suatu bentuk model matematik. Menurut Soeparno 2009, peramalan bertujuan agar peramalan yang
dibuat dapat meminimumkan kesalahan peramalan artinya perbedaan antara kenyataan dengan ramalan tidak terlalu jauh. Peramalan yang baik adalah
peramalan yang mendekati kenyataan. Oleh sebab itu, peramalan digunakan manajemen perusahaan sebagai acuan dalam pengambilan keputusan sehingga
mendapatkan gambaran perusahaan di masa mendatang dan memperoleh masukan yang sangat berarti dalam menentukan kebijakan perusahaan.
2.4. Metode Peramalan
Menurut Herjanto 2007, peramalan dapat dilakukan secara kuantitatif maupun kualitatif. Pengukuran secaran kualitatif lebih didasarkan pada pendapat
dari orang yang melakukan peramalan. Pengukuran kuantitatif menggunakan metode statistika. Metoda peramalan kuantitatif dapat dibedakan menjadi dua
bagian, yaitu: 1.
Metoda peramalan yang didasarkan atas penggunaan analisis pola hubungan antara variabel yang akan diperkirakan dengan variabel waktu disebut metode
deret waktu atau time series method. 2.
Metoda peramalan yang didasarkan atas penggunaan analisis pola hubungan antara variabel yang akan diperkirakan dengan variabel lain yang
mempengaruhinya, yang bukan waktu disebut metode sebab akibat atau metode eksplanatori.
Terdapat empat komponen utama yang mempengaruhi analisis peramalan time series, yaitu:
1. Pola Siklis Cycle
Penjualan dapat memiliki siklus yang berulang secara periodik yang dipengaruhi oleh pola pergerakan aktivitas ekonomi yang terkadang memiliki
kecenderungan periodik. Komponen siklis ini sangat berguna dalam peramalan jangka menengah. Pola ini terjadi bila data memiliki
kecenderungan untuk naik atau turun terus-menerus.
2. Pola Musiman Seasonal
Musim menggambarkan pola penjualan yang berulang setiap periode. Komponen musim dapat dijabarkan ke dalam faktor cuaca, libur, atau
kecenderungan perdagangan. Pola musiman berguna untuk meramalkan penjualan dalam jangka pendek. Pola data ini terjadi bila nilai data sangat
dipengaruhi oleh musim. 3.
Pola Horizontal Pola data ini terjadi apabila nilai data berfluktuasi di sekitar nilai rata-rata.
4. Pola Trend
Pola data ini terjadi bila data memiliki kecenderungan untuk naik atau turun terus menerus.
Jika dalam data terdapat komponen trend, seasonal, atau siklis, maka dapat dikatakan data tersebut bersifat tidak stasioner. Sebaliknya, jika pada data tidak
ada ketiga komponen tersebut, maka data dikatakan stasioner. Pengujian stasioneritas data dapat dilakukan dengan melihat pola grafik dan menguji
autokorelasi data. Pengujian autokorelasi dilakukan dengan memperhatikan adanya bar batang berwarna biru dalam grafik uji korelasi, bar yang terletak di
atas garis bernilai positif dan bar yang terletak di bawah garis bernilai negatif. Terdapat dua garis merah terputus-putus yang merupakan garis upper dan lower.
Jika bar tidak melewati kedua garis merah tersebut, berarti tidak adanya autokorelasi pada data, maka data terbukti stasioner dan bersifat random Santoso,
2009.
2.4.1. Moving average
Moving average atau rata-rata bergerak diperoleh dari rata-rata permintaan berdasarkan data masa lalu yang terbaru. Metode ini menggunakan sejumlah data
yang dapat dihitung rata-rata nilainya, kemudian menggunakan rata-rata tersebut untuk melakukan peramalan pada periode berikutnya. Jadi jumlah data yang
dipergunakan dari waktu ke waktu relatif konstan, walaupun nilai datanya dapat bervariasi. Persamaan moving average dinyatakan sebagai berikut:
Mt = Ŷt+1 = Yt + Yt-1 +Yt-2 + … + Yt-n+1 n .............................................. 2 Keterangan:
Mt = Rata-rata bergerak pada periode sekarang
Ŷt+1 = Nilai ramalan periode berikutnya
Kategori