Aplikasi Alat Manajemen Pemasaran Dalam

BAB I PENDAHULUAN

1.1 Pengembangan Produk

Produk baru diartikan sebagai produk baru bagi perusahaan, modifikasi dari produk yang sudah ada, duplikat dari produk pesaing, produk yang diakuisisi dan produk asli innovatif. Produk baru diperkirakan bisa memberi sebuah proporsi yang tinggi bagi pertumbuhan perusahaan dan kadang-kadang memberikan kontribusi utama terhadap laba bisnis keseluruhan.

Dalam perencanaan produk, produk harus dipandang sebagai pemecahan masalah bagi konsumen, dimana jika seorang konsumen membeli sebuah produk mereka dapat memperoleh manfaat dari penggunaan produk tersebut. Dan yang terpenting disini adalah bagaimana konsumen percaya bahwa suatu produk dapat memenuhi kebutuhannya, bukan bagaimana penjual memandang produk tersebut. Jika kebutuhan konsumen sudah terpenuhi, diharapkan timbul kepuasan dalam diri mereka sehingga dimasa yang akan datang mereka akan melakukan pembelian berikutnya terhadap produk yang sama. Beberapa faktor penting yang perlu diperhatikan dalam perencanaan produk baru, yaitu :

1. Pengetahuan tentang kebutuhan dan keinginan konsumen lengkap.

2. Sumber daya yang mendukung terhadap pengembangan produk baru.

3. Perkiraan penyimpangan produk baru dalam memenuhi pasar sasaran

4. Perkiraan biaya yang dibutuhkan dalam pengembangan dan produksi produk baru.

5. Antisipasi terhadap reaksi para pesaing.

6. Kapan waktu yang paling tepat untuk meluncurkan produk baru.

7. Jasa terkait sebagai pendukung produk baru

Terdapat empat tipe dasar dalam program pengembangan produk, yaitu :

1. Modifikasi produk lini.

2. Diluar produk lini/ produk substitusi.

3. Produk komplemen

4. Produk Innovasi

Produk baru berpeluang menawarkan nilai superior ke customer dan secara total produk baru dapat meningkatkan keberadaan produk.

1. Jenis-jenis produk baru : Perkenalan barang atau jasa baru bisa diklasifikasikan menjadi : Benar-benar baru bagi pasar dan luasnya nilai yang disiptakan, menghasilkan jenis-jenis produk baru berikut ini :

a. Innovasi transformasional, produk yang secara radikal baru dan penciptaan nilai yang substansial.

b. Innovasi substansial, produk yang secara significan baru dan menciptakan nilai penting untuk customer.

c. Innovasi incremental, innovasi, produk baru yang menyediakan peningkatan performans atau nilai yang diterima lebih baik (atau biaya lebih rendah).

Sebuah perusahaan yang berinisiatip mengembangkan produk baru dapat melakukan innovasi dalam satu atau lebih dari ketiga kategori diatas. Kenyataannya, banyak produk baru merupakan perluasan dari jalur produk yang ada dari total produk baru yang dihasilkan.

2. Menemukan peluang nilai customer Kebutuhan customer menjadi informasi penting yang menentukan nilai peluang yang ada dalam pengembangan produk baru. Identifikasi dan analisis segmen 2. Menemukan peluang nilai customer Kebutuhan customer menjadi informasi penting yang menentukan nilai peluang yang ada dalam pengembangan produk baru. Identifikasi dan analisis segmen

a. Nilai konsumen, Tujuan analisis nilai customer adalah mengidentifikasi kebutuhan :

 Produk baru  Peningkatan produk yang ada.  Peningkatan dalam proses produksi  Peningkatan layanan pendukung

b. Kapabilitas yang cocok untuk peluang nilai, Setiap peluang nilai harus dipertimbangkan pada saat organisasi mempunyai kapabilitas untuk membawa nilai customer yang superior. Organisasi secara normal akan mempunyai kapabilitas yang dibutuhkan perluasan lini produk dan tambahan peningkatan. Pengembangan produk untuk sebuah kategori produk baru membutuhkan penilaian pada kapabilitas organisasi mengenai kategori baru.

c. Innovasi transformasional Customer barangkali bukan penuntun yang baik untuk idea produk baru yang secara total mungkin disebut radikal atau penerobosan innovasi sejak mereka membentuk keluarga produk baru atau bisnis baru. Ketika setiap ide dibawah pertimbangan, pelanggan potensial mungkin tidak mengerti bagaimana produk baru akan mengganti produk yang ada. Masalahnya adalah customer tidak mungkin mengantisipasi sebuah preferensi untuk sebuah produk baru yang revolusioner.

3. Karakteristik innovator yang berhasil

Gambar 1 : Karakteristik Innovator yang Berhasil

Tahap-Tahap Dalam Perencanaan Produk Baru

Perencanaan produk baru mencakup semua kegiatan perencanaan dari produsen dan penyalur untuk menyesuaikan produknya dengan permintaan pasar dan menentukan susunan produk lininya. Adanya perencanaan produk baru ini akan mendorong perusahaan meningkatkan perolehan labanya atau paling tidak membuat laba menjadi stabil.

Tahap-tahap dalam perencanaan produk baru terdiri dari :

1. Penciptaan ide. Pengembangan produk baru berawal dari penciptaan ide, didalam penciptaan ide tidak hanya seadaya saja tetapi harus didefinisikan dengan jelas tujuan dari produk yang ingin dikembangkanya, dan harus jelas 1. Penciptaan ide. Pengembangan produk baru berawal dari penciptaan ide, didalam penciptaan ide tidak hanya seadaya saja tetapi harus didefinisikan dengan jelas tujuan dari produk yang ingin dikembangkanya, dan harus jelas

2. Penyaringan ide. Tujuan langkah ini adalah untuk menyaring ide ide yang buruk agar nantinya ide yang akan dikembangkan bisa realistis dan memungkinkan bisa diwujudkan secara nyata.

3. Pengembangan dan pengujian konsep. Dalam hal ini ide yang menarik akan dibuat konsep produk yang bias diuji, dari ide produk bias dibuat beberapa konsep, lalu ilmuan menguji apakah sudah sesuai dengan apa yang menjadi keinginan konsumen, apabila konsepnya sesuai dengan tujuan maka bisa dilakukan pabrikasi,,dan jika belum maka tim pengembang membuat konsep baru dengan memperbaiki konsep yang lama.

4. Strategi pemasaran. Tahapan ini merupakan tahap perancangan pemasaran yang strategis untuk memperkenalkan produknya ke pasaran

5. Analisa bisnis. Dalam hal ini perusahaan memperkirakan biaya dan laba,serta mengevaluasi manfaat suatu produk baru dengan analisis break event agar nantinya perusahaan mengetahui berapa produk yang akan dijual agar impas dengan harga dan struktur biaya tertentu.

6. Pengembangan produk. Jika konsep produk yang sudah matang dan sudah melalui analisis bisnis maka langkah yang selanjutnya adalah mengubah konsep produk tersebut kedalam bentuk fisik, hal ini akan menjawab pertanyaan apakah produk layak secara teknis dan komersil. Departemen peneliti dan pengembang harus mengembangkan satu atau lebih konsep produk agar nantinya mendapatkan suatu model Prototype yang mewakili semua konsep produk, setelah prototype jadi maka dilakukan uji fungsional dan uji konsumen.

7. Uji pemasaran. Didalam tahap ini produk diberi nama, kemasan,dan program pemasaran awal untuk mengujinya dalam bentuk yang nyata.tujuan tahap ini adalah mempelajari bagaimana dealer atau konsumen bereaksi didalam 7. Uji pemasaran. Didalam tahap ini produk diberi nama, kemasan,dan program pemasaran awal untuk mengujinya dalam bentuk yang nyata.tujuan tahap ini adalah mempelajari bagaimana dealer atau konsumen bereaksi didalam

8. Komersialisasi. Uji pemasaran memberikan cukup informasi untuk bisa mengambil keputusan apakah produk akan dilincurkan atau tidak, adapun keputusan sebelum memasrkan ,diantaranya kapan produk akan diluncurkan, target pasar mana yang akan menjadi target, dimana awal produk akan dijual, biaya yang dibutuhkan untuk pemasaran produk.

2.1 Tools yang digunakan

Dalam pengembangan produk dibutuhkan alat bantu untuk membantu dalam pengambilan keputusan oleh manajemen. Dalam buku ajar ini tools yang digunakan adalah sebagai berikut :

a. Analisis Faktor. Analisis Faktor merupakan teknik analisis statistik yang bertujuan menerangkan

struktur hubungan di antara variable-variabel yang diamati dengan jalan membangkitkan beberapa faktor yang jumlahnya lebih sedikit daripada banyaknya variable asal. Analisis ini dapat digunakan untuk menggambarkan hubungan- hubungan kovarian antara beberapa variabel yang mendasari tetapi tidak teramati, kuantitas random yang disebut faktor, (Johnson &Wichern, 2002).

b. Analisis Cluster Analisis cluster merupakan teknik multivariat yang mempunyai tujuan utama untuk

mengelompokkan objek-objek berdasarkan karakteristik yang dimilikinya. Analisis cluster mengklasifikasi objek sehingga setiap objek yang paling dekat kesamaannya dengan objek lain berada dalam cluster yang sama. Cluster-cluster yang terbentuk memiliki homogenitas internal yang tinggi dan heterogenitas eksternal yang tinggi.

Berbeda dengan teknik multivariat lainnya, analisis ini tidak mengestimasi set variabel secara empiris sebaliknya menggunakan setvariabel yang ditentukan oleh peneliti itu sendiri. Analisis ini dapat digunakan untuk mempartisi suatu set objek menjadi dua kelompok atau lebih berdasarkan kesamaan karakteristik khusus yang dimilikinya.

c. Multidimensional Scaling (MDS)

Menurut Dilon (1984 ; 107) bahwa prosedur Multidimensional Scaling( MDS) memberikan informasi tentang hubungan yang ada antar obyek ketika dimensi dimensi evaluasi yang penting yang tidak diketahui. Dasar dari Multidimensional Scaling ini adalah asumsi yang menekankan persepsi subyek terhadap sejumlah obyek dikarenakan oleh sejumlah atribut atau dimensi. MDS dapat digunakan untuk memberikan gambaran visual dari pola kedekatan yang berupa kesamaan atau jarak diantara sekumpulan objek-objek. Penerapan MDS dapat dijumpai pada visualisasi ilmiah dan data mining dalam ilmu kognitif, informasi, pemasaran maupun ekologi.

d. Forecasting Forecasting merupakan suatu cara atau pendekatan untuk memprediksi berapa besar peluang pasar yang tersedia di masa mendatang sehingga potensi pasar yang hendak dan sudah dimasuki itu tergambar secara proyektif ke depan. Secara garis besar terdapat dua macam metode forecasting yang biasa dilakukan, yaitu metode kualitatif yang terdiri atas teknik survey dan teknik pengumpulan opini. Sedangkan metode berikutnya adalah metode prakiraan kuantitatif, yang terdiri atas Analisis Runtut Waktu, Trend Seluler, Siklus Fluktuasi, Analisis Musiman dan Model Ekonometri.

e. Markov Chains Markov Chains merupakan proses acak di mana semua informasi tentang masa depan terkandung di dalam keadaan sekarang (yaitu orang tidak perlu memeriksa masa lalu e. Markov Chains Markov Chains merupakan proses acak di mana semua informasi tentang masa depan terkandung di dalam keadaan sekarang (yaitu orang tidak perlu memeriksa masa lalu

BAB II TOOLS YANG DIGUNAKAN

Dalam pengembangan produk dibutuhkan alat bantu untuk membantu dalam pengambilan keputusan oleh manajemen. Dalam buku ajar ini tools yang digunakan adalah sebagai berikut :

2.1 Analisis Faktor

Analisis Faktor semakin banyak digunakan dalam penelitian, terutama dalam penelitian sosial, sebagai dampak positif perkembangan software aplikasi statistika seperti SPSS, SAS, Systat, Minitab dan sebagainya.

Konsep Dasar Analisis Faktor

Analisis Faktor merupakan teknik analisis statistik yang bertujuan menerangkan struktur hubungan di antara variable-variabel yang diamati dengan jalan membangkitkan beberapa faktor yang jumlahnya lebih sedikit daripada banyaknya variable asal. Misalkan seorang peneliti pemasaran mempunyai seperangkat variabel nyata yang terdiri dari warna, kualitas, diskon, kemasan, pembayaran dapat dicicil, iklan, wiraniaga, barang dapat diperoleh dimana-mana, barang dapat diantar ke rumah. Ia dapat menggunakan analisis faktor untuk menemukan satu atau beberapa hipotetik (besar dan abstrak) yang mewakili variabel-variabel tersebut.

Tujuan Analisis Faktor

Tujuan dari analisis faktor adalah untuk menggambarkan hubungan-hubungan kovarian antara beberapa variabel yang mendasari tetapi tidak teramati, kuantitas random yang disebut faktor, (Johnson &Wichern, 2002). Menurut Subash Sharma, analisis faktor bertujuan untuk menggunakan matriks korelasi hitungan untuk 1.) Mengidentifikasi jumlah terkecil dari faktor umum (yaitu model faktor yang paling Tujuan dari analisis faktor adalah untuk menggambarkan hubungan-hubungan kovarian antara beberapa variabel yang mendasari tetapi tidak teramati, kuantitas random yang disebut faktor, (Johnson &Wichern, 2002). Menurut Subash Sharma, analisis faktor bertujuan untuk menggunakan matriks korelasi hitungan untuk 1.) Mengidentifikasi jumlah terkecil dari faktor umum (yaitu model faktor yang paling

sebagai berikut :

X 1   1   11 F 1   12 F 2  ....   1 m F m   1 (1)

X p   p   p 1 F 1   p 2 F 2  ....   pm F m   p

Atau dapat ditulis dalam notasi matrik sebagai berikut :

X pxl  μ ( pxl )  L ( pxm ) F ( mxl )  ε pxl

dengan  i  rata-rata variabel i

 i  faktor spesifik ke – i

F j  common faktor ke- j

 i j  loading dari variabel ke – i pada faktor ke-j

Bagian dari varian variabel ke – i dari m common faktor disebut komunalitas ke – i yang merupakan jumlah kuadrat dari loading variabel ke – i pada m common faktor (Johnson &Wichern, 2002), dengan rumus :

i   i 1   i 2  ....   i m

Penggunaan analisis factor menghasilkan pola hubungan seperti berikut :

Model analisis faktor menjelaskan bahwa vektor acak X tergantung secara linier pada beberapa variable acak yang tidak teramati F1, F2, F3, ….. Fm, yang disebut faktor- faktor bersama (common factor). Misal : Model analisis faktor tersebut adalah :

X 1 =c 11 F 1 +c 12 F 2 +……+C 1m F m +e 1

X 2 =c 21 F 1 +c 22 F 2 +……+C 2m F m +e 2

X p =c p1 F 1 +c p2 F 2 +……+C pm F m +e p

Dimana :

F j : (j=1,2,3,…..,m) merupakan faktor bersama ke j.

C ij : (i=1,2,3,…..,p ; j=1,2,3,….,m) merupakan parameter yang merefleksikan pentingnya faktor ke j dalam komposisi dari respon ke I dalam analisis faktor

disebut sebagai bobot (loading) dari respon ke-I pada faktor bersama ke-j.

e i : (i=1,2,3,….,p) merupakan galat (error) dari respon ke-I dalam analisi faktor disebut sebagai faktor spesifik ke-I yang bersifat acak.

Persamaan diatas dapat ditulis :

(p x 1) (p x m) (m x 1)

(p x 1) (p x 1)

e’ = (e 1 ,e 2 ,e 3 , ……. e p ) Matrik C diatas dalam analisis faktor disebut matrik bobot faktor (matrix of factor

loadings ) Struktur peragam untuk model analisis faktor dinyatakan dalam persamaan berikut : Var (X i )=

+ ᴪ i atau

Var (X i )= ℎ+ᴪ i Dimana :

Dari rumus diatas terlihat bahwa ragam dari variabel X i diterangkan oleh dua komponen h i dan ᴪ i . komponen h i disebut sebagai komunalitas yang menunjukkan proporsi ragam dari variabel respon X i yang diterangkan oleh m faktor secara

bersama-sama, sedangkan komponen ᴪ I merupakan proporsi ragam dari variabel respon X i yang disebabkan oleh faktor spesifik (error). Dalam menduga parameter dalam analisis faktor terdapat beberapa metode. Pada sebagian besar analisis terapan bersama-sama, sedangkan komponen ᴪ I merupakan proporsi ragam dari variabel respon X i yang disebabkan oleh faktor spesifik (error). Dalam menduga parameter dalam analisis faktor terdapat beberapa metode. Pada sebagian besar analisis terapan

2.2 Analisis Cluster

Analisis cluster merupakan teknik multivariat yang mempunyai tujuan utama untuk mengelompokkan objek-objek berdasarkan karakteristik yang dimilikinya. Analisis cluster mengklasifikasi objek sehingga setiap objek yang paling dekat kesamaannya dengan objek lain berada dalam cluster yang sama. Cluster-cluster yang terbentuk memiliki homogenitas internal yang tinggi dan heterogenitas eksternal yang tinggi. Berbeda dengan teknik multivariat lainnya, analisis ini tidak mengestimasi set variabel secara empiris sebaliknya menggunakan setvariabel yang ditentukan oleh peneliti itu sendiri. Fokus dari analisis cluster adlah membandingkan objek berdasarkan set variabel, hal inilah yang menyebabkan para ahli mendefinisikan set variabel sebagai tahap kritis dalam analisis cluster. Set variabel cluster adalah suatu set variabel yang merpresentasikan karakteristik yang dipakai objek-objek. Bedanya dengan analisis faktor adalah bahwa analisis cluster terfokus pada pengelompokan objek sedangkan analisis faktor terfokus pada kelompok variabel. Solusi analisis cluster bersifat tidak unik, anggota cluster untuk tiap penyelesaian/solusi tergantung pada beberapa elemen prosedur dan beberapa solusi yang berbeda dapat diperoleh dengan mengubah satu elemen atau lebih. Solusi cluster secara keseluruhan bergantung pada variabel-variaabel yang digunakan sebagai dasar untuk menilai kesamaan. Penambahan atau pengurangan variabel-variabel yang relevan dapat mempengaruhi substansi hasi analisisi cluster.

Cara Kerja Analisis Cluster

Secara garis besar ada tiga hal yang harus terjawab dalam proses kerja analisis cluster, yaitu :

1. Bagaimana mengukur kesamaan ? Ada tiga ukuran untuk mengukur kesamaaan antar objek, yaitu ukuran korelasi, ukuran jarak, dan ukuran asosiasi.

2. Bagaimana membentuk cluster ? Prosedur yang diterapkan harus dapat mengelompokkan objek-objek yang memiliki kesamaan yang tinggi ke dalam sutau cluster yang sama.

3. Berapa banyak cluster/kelompok yang akan dibentuk ? Pada prinsipnya jika jumlah cluster berkurang maka homogenitas alam cluster secra otomatis akan menurun.

Proses Analisis Cluster Tahap Pertama : Tujuan Analisis Cluster

Tujuan utama analisis cluster adalah mempartisi suatu set objek menjadi dua kelompok atau lebih berdasarkan kesamaan karakteristik khusus yang dimilikinya. Dalam pembentukan kelompok/cluster dapat dicapai tiga tujuan, yaitu :

A. Deskripsi klasifikasi (taxonomy description)

Penerapan anallisis cluster secara tradisisonal bertujuan mengeksplorasi dan membentuk suatu klasisfikasi/taksonomi secara empiris. Karena kemampuan partisinya analisis cluster dapat diterapkan secara luas. Meskipun secara empiris merupakan teknik eksplorasi analisis cluster dapat pula digunakan untuk tujuan konfirmasi.

a. Penyederhanaan Data Penyederhanaan data merupakan bagian dari suatu taksonomi. Dengan struktur yang terbatas observasi/objek dapat dikelompokkan untuk analisis selanjutnya.

b. Identifikasi Hubungan (Relationship Identification) Hubunganantar objek diidentifikasi secara empiris. Struktur analisis cluster yang sederhana dapat menggambarkan adanya hubungan atau kesamaan dan perbedaan yang tidak dinyatakan sebelumnya.

Pemilihan pada Pengelompokan Variabel Tujuan analisis cluster tidak dapat dipisahkan dengan pemilihan variabel yang digunakan untuk menggolongkan objek ke dalam clucter- cluster. Cluster yang terbentuk merefleksikan struktur yang melekat pada data seperti yang didefinisikan oleh variabel-variabel. Pemilihan variabel harus sesuai dengan teori dan konsep yang umum digunakan dan harus rasional. Rasionalitas ini didasarkan pada teori-teori eksplisit atau penelitian sebelumnya. Variabel-variabel yang dipilih hanyalah variabel yang dapat mencirikan objek yang akan dikelompokkan dan secara spesifik harus sesuai dengan tujuan analisis cluster.

Tahap Kedua : Desain Penelitian dalam Analisis Cluster

Tiga hal penting dalam tahap ini adalah pendeteksian outlier, mengukur kesamaan, dan standarisasi data.

A. Pendeteksian Outlier Outlier adlah suatu objek yang sangat berbeda dengan objek lainnya. Outlier dapat digambarkan sebagai observasi yang secara nyata kebiasaan, tidak mewakili populasi umum, dan adanya undersampling dapat pula memunculkan outlier. Outlier menyebabkan menyebabkan struktur yang tidak benar dan cluster yang terbentuk menjadi tidak representatif.

B. Mengukur Kesamaan antar Objek Konsep kesamaan adalah hal yang fundamental dalam analisis cluster. Kesamaan antar objek merupakan ukuran korespondensi antar objek. Ada tiga metode yang dapat diterapkan, yaitu ukuran korelasi, ukuran jarak, dan ukuran asosiasi.

a. Ukuran Korelasi Ukuran ini dapat diterapkan pada data dengan skala metrik, namun jarang digunakan karena titik bertnya pada nilai suatu pola tertentu, padahal tisik berat analisis cluster adalah besarnya objek. Kesamaan antar objek dapat dilihat dari koefisien korelasi antar pasangan objek yang diukur dengan beberapa variabel.

b. Ukuran Jarak Merupakan ukuran yang paling sering digunakan. Diterapkan untuk data berskala metrik. Sebenarnya merupakan ukuran ketidakmiripan, dimana jarak yang besar menunjukkan sedikit kesamaan sebaliknya jarak yang pendek/kesil menunjukkan bahwa suatu objek makin mirip dengan objek lain. Bedanya dengan ukuran korelasi adalah bnahwa ukuran jarak fokusnya pada besarnya nilai. Cluster berdasarkan ukuran korelasi bisa saja tidak memiliki kesamaan nilai tapi memiliki kesamaan pola, sedangkan cluster dberdasrkan ukuran jarak lebih memiliki kesamaan nilai meskipun polanya berbeda. Ada beberapa tipe ukuran jarak antara lain jarak Euklidian, jarak city-Box, dan jarak Mahalanobis. Ukuran yang paling sering digunakan adalah jarak Euklidian. Jarak Euklidian adalah besarnya jarak suatu garis lurus yang menghubungkan antar objek. Misalkan ada dua objek yaitu A dengan koordinat ( ) dan B dengan koordinat ( ) maka jarak antar kedua objek tersebut dapat diukur dengan rumus ....

c. Ukuran Asosiasi Ukuran asosiasi dipakai untuk mengukur data berskala nonmetrik (nominal atau ordinal).

C. Standarisasi Data

a. Standarisasi Variabel Bentuk paling umum dalam standarisasi variabel adalah konversi setiap variabel terhadap skor atandar ( dikenal dengan Z score) dengan melakukan substraksi nilai tengan dan membaginyadengan standar deviasi tiap variabel.

b. Standarisasi Data Berbeda dengan standarisasi variabel, standarisasi ndata dilakukan terhadap observasi/objek yang akan dikelompokkan.

Tahap Ketiga : Asumsi-asumsi dalam Analisis Cluster

Seperti hal teknik analisis lain,analisis cluster juga menetapkan adanya suatu asumsi. Ada dua asumsi dalam analisis cluster, yaitu :

A. Kecukupan Sampel untuk merepresentasikan/mewakili Populasi Biasanya suatu penelitian dilakukan terhadap populasi diwakili oleh sekelompok sampel. Sampel yang digunakan dalam analisis ckuster harus dapat mewakili populasi yang ingin dijelaskan, karena analisis ini baik jika sampel representatif. Jumlah sampel yang diambil tergantung penelitinya, seorang peneliti harus yakin bahwa sampil yang diambil representatif terhadap populasi.

B. Pengaruh Multukolinieritas Ada atau tidaknya multikolinieritas antar variabel sangat diperhatikan dalam analisis cluster karena hal itu berpengaruh, sehingga variabel-variabel yang bersifat multikolinieritas secara eksplisit dieprtimbangkan dengan lebih seksama.

Tahap Keempat : Proses Mendapatkan Cluster dan Menilai kelayakan secara keseluruhan

Ada dua proses penting yaitu algoritma cluster dalam pembentukan cluster dan menentukan jumlah cluster yang akan dibentuk. Keduanya mempunyai implikasi substansial tidak hanya pada hasil yang diperoleh tetapi juga pada interpretasi yang akan dilakukan terhadap hasil tersebut.

Algoritma Cluster

Algoritma cluster harus dapat memaksimalkan perbedaan relatif cluster terhadap variasi dalam cluster. Dua metode paling umum dalam algoritma cluster adalahmetode hirarkhi dan metode non hirarkhi. Penentuan metode mana yag akan dipakai tergantung kepada peneliti dan konteks penelitian dengan tidak mengabaikan substansi, teori dan konsep yang berlaku. Keduanya memiliki kelebihan sendiri- sendiri. Keuntungan metode hirarkhi adalah cepat dalam proses pengolahan sehingga menghemat waktu, namun kelemahannya metode ini dapat menimbulkan kesalahan. Selain itu tidak baik diterapkan untuk menganalisis sampel dengan ukuran besar. Metode Non Hirarkhi memiliki keuntungan lebih daripada metode hirarkhi. Hasilnya memiliki sedikit kelemahan pada data outlier, ukuran jarak yang digunakan, dan

termasuk variabel tak relevan atau variabel yang tidak tepat. Keuntungannya hanya dengan menggunakan titik bakal nonrandom, penggunaan metode non hirarkhi untuk titik bakal random secara nyata lebih buruk dari pada metode hirarkhi.

Alternatif lain adalah dengan mengkombinasikan kedua metode ini. Pertama gunakan metode hirarkhi kemudian dilanjutkan dengan metode non hirarkhi.

A. Metode Hirarkhi

Tipe dasar dalam metode ni adalah aglomerasi dan pemecahan. Dalam metode aglomerasi tiap observasi pada mulanya dianggap sebagai cluster tersendiri sehingga terdapat cluster sebyak jumlah observasi. Kemudian dua cluster yang terdekat kesamaannya digabung menjadi suatu cluster babru, sehingga jumlah cluster berkurang satu pada tiap tahap. Sebaliknya pada metode pemecahan dimulai dari satu cluster besar yang mengandung seluruh observasi, selanjutnya observasi-observasi Tipe dasar dalam metode ni adalah aglomerasi dan pemecahan. Dalam metode aglomerasi tiap observasi pada mulanya dianggap sebagai cluster tersendiri sehingga terdapat cluster sebyak jumlah observasi. Kemudian dua cluster yang terdekat kesamaannya digabung menjadi suatu cluster babru, sehingga jumlah cluster berkurang satu pada tiap tahap. Sebaliknya pada metode pemecahan dimulai dari satu cluster besar yang mengandung seluruh observasi, selanjutnya observasi-observasi

a. Pautan Tunggal (Single Linkage) Metode ini didasarkan pada jarak minimum. Dimulai dengan dua objek yang dipisahkan dengan jarak paling pendek maka keduanya akan ditempatkan pada cluster pertama, dan seterusnya. Metode ini dikenal pula dengan nama pendekatan tetangga terdekat.

b. Pautan Lengkap (Complete Linkage) Disebut juga pendekatan tetangga terjauh. Dasarnya adalah jarak maksimum. Dalam metode ini seluruh objek dalam suatu cluster dikaitkan satu sama lain pada suatu jarak maksimuma atau dengan kesamaan minimum.

c. Pautan Rata-rata (Average Linkage) Dasarnya adalah jarak rata-rata antar observasi. pengelompokan dimulai dari tengan atau pasangan observasi dengan jarak paling mendekati jarak rata-rata.

d. Metode Ward (Ward’s Method) Dalam metode ini jarak antara dua cluster adalah jumlah kuadrat antara dua cluster untuk seluruh variabel. Metode ini cenderung digunakan untuk mengkombinasi cluster-cluster dengan jumlah kecil.

e. Metode Centroid Jarak antara dua cluster adalah jarak antar centroid cluster tersebut. Centroid cluster adalah nilai tengah observasi pada variabel dalam suatu set variabel cluster. Keuntungannya adalah outlier hanya sedikit berpengaruh jika dibandingkan dengan metode lain.

B. Metode Non Hirarkhi

Masalah utama dalam metoda non hirarkhi adalah bagaimana memilih bakal cluster. Harus disadari pengaruh pemilihan bakal cluster terhadap hasil akhir analisis cluster. Bakal cluster pertama adalah observasi pertama dalam set data tanpa missing value. Bakal kedua adalah observasi lengkap berikutnya (tanpa missing data) yang dipisahkan dari bakal pertama oleh jarak minimum khusus. Ada tiga prosedur dalam metode non hirarkhi, yaitu :

a. Sequential threshold Metode ini dimulai dengan memilih bakal cluster dan menyertakan seluruh objek dalam jarak tertentu. Jika seluruh objek dalam jarak tersebut disertakan, bakal cluster kedua terpilih, kemudian proses terus berlangsung seperti sebelumnya.

b. Parallel Threshold Metode ini memilih beberapa bakal cluster secara simultan pada permulaannya dan menandai objek-objek dengan jarak permulaan ke bakal terdekat.

c. Optimalisasi Metode ketiga ini mirip dengan kedua metode sebelumnya kecuali pada penandaan ulang terhadap objek-objek.

Hal penting lain dalam tahap keempat adalah menentukan jumlah cluster yang akan dibentuk.Sebenarnya tidak ada standar,prosedur pemilihan tujuan eksis. Karena tidak ada kriteria statistik internal digunakan untuk inferensia, seperti tes signifikansipada teknik multivariat lainnya, para peneliti telah mengembangkan beberapa kriteria dan petunjuk sebagai pendekatan terhadap permasalahan ini dengan memperhatikan substansi dan aspek konseptual.

Tahap Kelima : Interpretasi terhadap Cluster

Tahap interpretasi meliputi pengujian tiap cluster dalam term untuk menamai dan menandai dengan suatu label yang secara akurat dapat menjelaskan kealamian cluster. Proes ini dimulai dengan suatu ukuran yang sering digunakan yaitu centroid cluster. Membuat profil dan interpretasi cluster tidak hanya tidak hanya untuk memoeroleh suatu gambaran saja melainkan pertama, menyediakan suatu rata-rata untuk menilai korespondensi pada cluster yang terbentuk, kedua, profil cluster memberikan araha bagi penilainan terhadap signifikansi praktis.

Tahap Keenam: Proses Validasi dan Pembuatan Profil (PROFILING) Cluster

A. Proses validasi solusi cluster Proses validasi bertujuan menjamin bahwa solusi yang dihasilkan dari analisis

cluster dapat mewakili populasi dan dapat digeneralisasi untuk objek lain. Pendekatan ini membandingkan solusi cluster dan menilai korespondensi hasil. Terkadang tidak dapat dipraktekkan karena adanya kendala waktu dan biaya atau ketidaktersediaan ibjek untuk analisis cluster ganda.

B. Pembuatan Profil ( PROFILING) Solusi Cluster

Tahap ini menggambarkan karakteristik tiap cluster untuk menjelaskan cluster-cluster tersebut dapat dapat berbeda pada dimensi yang relevan. Titik beratnya pada karakteristik yang secara signifikan berbeda antar clustre dan memprediksi anggota dalam suatu cluster khusus. Secara keseluruhan proses analisis cluster berakhir setelah keenam tahap ini dilalui. Hasil analisis cluster dapat digunakan untuk berbagai kepentingan sesuai dengan materi yang dianalisis.

2.3 Multidimensional Scaling (MDS)

Menurut Dilon (1984 ; 107) bahwa prosedur Multidimensional Scaling (MDS) memberikan informasi tentang hubungan yang ada antar obyek ketika dimensi dimensi evaluasi yang penting yang tidak diketahui. Dasar dari Multidimensional Scaling ini adalah asumsi yang menekankan persepsi subyek terhadap sejumlah obyek dikarenakan oleh sejumlah atribut atau dimensi. Jadi dalam subyek, untuk membedakano byekt idak hanyab erdasarkan atas dimensi tertentu saja, namun meliputi perbedaan secara keseluruhan. Ada dua macam skala Multidimensional Scaling yaitu :

1. Metric MDS, skala ini memperlakukan data input berupa jarak antara pasangan objek sebagai jarak sebenarnya.

2. Nonmetric MDS, data input yang diberikan hanya berupa urutan peringkat atau pendapat kesamaan yang diberikan subyek terhadap persepsi ketidaksamaan diantara pasangan-pasangan obyek dan tidak dianggap sebagai jarak sebenarnya, namun berupa informasi ordinal.

Tujuan dari multidimensional scaling (MDS) adalah untuk memberikan gambaran visual dari pola kedekatan yang berupa kesamaan atau jarak diantara sekumpulan objek-objek. Penerapan MDS dapat dijumpai pada visualisasi ilmiah dan data mining dalam ilmu kognitif, informasi, pemasaran maupun ekologi.

Misalnya ketika konsumen potensial diminta untuk membandingkan produk dan melakukan penilaian mengenai kesamaan produk tersebut. MDS dapat menunjukkan dimensi penilaian dari responden secara langsung ke dalam pola visualisasi kedekatan mengenai kesamaan produk, berbeda dengan analisis faktor atau diskriminan yang melibatkan penilaian dari si peneliti. Karena keunggulan inilah MDS merupakan suatu alat yang paling umum digunakan dalam pemetaan perceptual (perceptual mapping).

MDS sangat popular dalam penelitian bidang pemasaran untuk perbandingan brand, dan pada psikologi MDS digunakan untuk mempelajari dimensi ciri-ciri pribadi. Penggunaan lain adalah pada aplikasi yang menggunakan ranking, rating, pembedaan persepsi, atau dalam pengambilan suara (voting).

Dalam perencanaan kebutuhan data untuk menganalisa MDS memerlukan:

 Data kemiripan merk sebagai input Prosedur Multidimensional Scaling  Data rating merk sebagai input Prosedur Property Fitting.

Langkah-langkah analisis multidimensional scaling adalah

1) Perumusan masalah, dalam perumusan masalah dibutuhkan suatu kejelasan tujuan untuk dapat menggunakan hasil MDS secara optimal,

2) Memperoleh data input, data input dari analisis MDS adalah nilai kesamaan dan ketidaksamaan antara setiap atau sebagian besar pasangan dari n objek,

3) Pemilihan prosedur MDS, prosedur MDS dapat berupa metrik dan nonmetrik,

4) Penentuan dimensi, pedoman yang disarankan untuk menentukan banyak dimensi, yaitu penelitian sebelumnya, penginterpretasian peta dimensi, kriteria plot, dan kemudahan dalam penggunaan,

5) Penamaan dimensi dan penamaan konfigurasi,

6) Uji reliabilitas dan validitas, dua macam nilai yang dipakai untuk pengujian reliabilitas dan validitas, yaitu nilai stress dan R-square.

1. Metric Multidimensional Scaling Metode Metric Multidimensional Scaling yang pertama kali dikenal adalah metode “classical scaling”. Hal yang utama dalam classical scaling adalah suatu metode rekonstruksi aljabar untuk mengetahui konfigurasi dari nilai-nilai dalam kemiripan

(similarity) atau ketidakmiripan (dissimilarity) data yang direpresentasikan secara tetap atau melalui pendekatan Euclidian distance.

Dalam classical scaling, dissimilarities (δij) diperlakukan sama dengan jarak (δij), yaitu dij = 0.Selain itu, sifat lain classical scaling yaitu non-degeneracy dan triangular unequality. Non-degeneracy berarti bahwa dii = 0, untuk setiap nilai i. Sedangkan triangular inequality menyatakan bahwa dij + dik ≥ djk, untuk setiap i, j, k. (n x n ) matriks jarak D = (dij) dikatakan Euclidean jika untuk titik x1, x2, …, xn R p

2 ;d T ij = (xi – xj ) (xi – xj)

2. Nonmetric Multidimensional Scaling Dalam MDS nonmetrik mengasumsikan skala pengukuran nominal atau ordinal. Pada kasus ini perhitungan kriteria adalah untuk menghubungkan nilai ketidaksamaan suatu jarak ke nilai ketidaksamaan yang terdekat. Program MDS nonmetrik menggunakan transformasi monoton (sama) ke data yang sebenarnya sehingga dapat dilakukan operasi aritmatika terhadap nilai ketidaksamaannya, untuk menyesuaikan jarak dengan nilai urutan ketidaksamaanya. Transformasi monoton akan memelihara urutan nilai ketidaksamaannya sehingga jarak antara objek yang tidak sesuai dengan urutan nilai ketidaksamaan dirubah sedemikian rupa sehingga akan tetap memenuhi urutan nilai ketidaksamaan tersebut dan mendekati jarak awalnya. Hasil perubahan ini disebut disparities. Disparities ini digunakan untuk mengukur tingkat ketidaktepatan konfigurasi objek-objek dalam peta berdimensi tertentu dengan input data ketidaksamaannya.

Pendekatan yang sering digunakan saat ini untuk mencapai hasil yang optimal dari skala non metrik digunakan ‘Kruskal’s Least-Square Monotomic Transformation” dimana disparities merupakan nilai rata-rata dari jarak-jarak yang tidak sesuai dengan urutan ketidaksamaanya. Informasi ordinal kemudian dapat diolah dengan MDS nonmetrik sehingga menghasilkan konfigurasi dari objek-objek yang yang terdapat Pendekatan yang sering digunakan saat ini untuk mencapai hasil yang optimal dari skala non metrik digunakan ‘Kruskal’s Least-Square Monotomic Transformation” dimana disparities merupakan nilai rata-rata dari jarak-jarak yang tidak sesuai dengan urutan ketidaksamaanya. Informasi ordinal kemudian dapat diolah dengan MDS nonmetrik sehingga menghasilkan konfigurasi dari objek-objek yang yang terdapat

2.4 Forecasting

Forecasting permintaan dari pasar yang dimasuki oleh perusahaan adalah suatu pekerjaan yang perlu dilakukan oleh setiap manajer perusahaan dalam rangka

memprediksi berapa besar peluang pasar yang tersedia di masa mendatang. Sehingga potensi pasar yang hendak dan sudah dimasuki itu tergambar secara proyektif ke depan.

Dengan melakukan forecasting permintaan pasar dengan cara yang tepat, akan dapat membantu manajer perusahaan dalam menggambarkan tersedianya potensi pasar. Jika hasil forecasting itu dapat meyakinkan para manajer perusdahaan maka akan dapat membantu menyiapkan perencanaan di bidang produksi, keuangan dan menyiapkan sarana dan prasarana pemasaran yang diperlukan dalam rangka memanfaatkan potensi pasar yang tersedia itu. Namun yang menjadi pertanyaan disini adalah bagaimana para manajer perusahaan melakukan forecasting terhadap permintaan pasar ini.

Secara garis besar terdapat dua macam metode forecasting yang biasa dilakukan, yaitu metode kualitatif yang terdiri atas teknik survey dan teknik pengumpulan opini. Sedangkan metode berikutnya adalah metode prakiraan kuantitatif, yang terdiri atas Analisis Runtut Waktu, Trend Seluler, Siklus Fluktuasi, Analisis Musiman dan Model Ekonometri.

Forecasting Kualitatif

Forecasting dengan metode ini jika data kuantitatif yang berkaitan dengan faktor-faktor yang langsung mempengaruhi permintaan tidak cukup memadai. Apabila dari data yang tidak cukup memadai ini dipaksakan untuk dasar forecasting maka hasilnya diperkirakan atau dikhawatirkan terjadi bias, tidak proporsional, dan tidak memiliki relevansi yang cukup kuat. Oleh karena itu dipergunakan metode forecasting kualitatif.

Tetapi dengan metode ini dapat dipergunakan untuk mendukung metode forecasting kuantitatif. Hal ini dilakukan dalam rangka mengantisipasi jika metode kuantitatif yang biasa dilakukan berdasar data histories yang mungkin telah dilakukan itu perlu ada koreksi dari hasil metode kualitatif ini. Jadi dengan demikian metode kualitatif ini masih diperlukan dalam usaha mengoreksi hasil forecasting berdasar data historis. Karena metode kualitatif ini meliputu aspek-aspek tertentu yang paling terkini yang menyangkut perilaku permintaan dan konsumen. Justru di dalam metode kualitatif akan digali dan diselidiki fenomena terakhir yang menyangkut keinginan dan kebutuhan konsumen. Sehingga metode kualitatif merupakan kelengkapan dan penyempurnaan dari metode kuantitatif.

1. Teknik Survey

Teknik survey ini merupakan suatu alat memforecasting yang cukup penting khusunya untuk memprediksi kejadian-kejadian atau kecenderungzn-kecenderungan dalam jangka pendek mendatang ini.

Survey biasanya menggunakan alat interview atau daftar pertanyaan yang akan ditujuakan para responden yang terpilih dan yang dituju. Sesuai kelompok yang memang diperkirakan akan menjadi sasaran pasar yang dituju oleh perusahaan. Sasaran dan klasifikasi sasaran dan jenis kebutuhan dan keperluan dari kelompok responden ini dapat dikategorikan sebagai berikut: Survey biasanya menggunakan alat interview atau daftar pertanyaan yang akan ditujuakan para responden yang terpilih dan yang dituju. Sesuai kelompok yang memang diperkirakan akan menjadi sasaran pasar yang dituju oleh perusahaan. Sasaran dan klasifikasi sasaran dan jenis kebutuhan dan keperluan dari kelompok responden ini dapat dikategorikan sebagai berikut:

b. Survey mengenai barang atau jasa yang diperlukan bagi para pelaku bisnis yang akan memperdagangkan barang atau jasanya. Mereka ini mungkin pelaku bisnis yang bergerak pada bisnis distributor, pengecer atau pedagang besar.

c. Survey ini dilakukan bagi para rumah tangga umum mengenai keperluan rumah tangga, produk atau barang apa secara periodik diperlukan dan frekuensi pemenuhan yang dilakukan untuk masa-masa yang akan datang. Dari metode survey berdasar kelompok sasaran ini sebenarnya terkandung

maksud dari surveyor bahwa barang dan jasa apa saja yang dibutuhkan, berapa frekuensi pemenuhan kebutuhan dan faktor-faktor apa saja yang pada umumnya yang mempengaruhi perilaku beli mereka ini. Sehingga secara tidak langsung perusahaan melihat peluang dan kendala apa saja yang bisa ditarik sebagai kepentingan bagi perusahaan atas hasil-hasil survey ini untuk memprediksi dan memperkirakan perilaku pasar dan konsumen perusahaan.

2. Sasaran Pengumpulan Data Kualitatif

Sasaran yang dituju dari pengumpulan data kualitatif ini kurang lebih sama dengan metode survey. Mereka antara lain para eksekutif, agen dan distributor, serta konsumen pada umumnya. Bahkan disini adalah sejumlah pihak yang dimintakan opini mereka, yakni para expert dibidangnya masing-masing, para konsultan manajemen dan bisnis yang relevan dengan maksud pengumpulan data dan opini ini.

Para konsultan dan expert ini dimintai opini mereka tentang persepsi mereka tentang beberapa aspek, tentang perilaku konsumen, selera dan keinginan konsumen, Para konsultan dan expert ini dimintai opini mereka tentang persepsi mereka tentang beberapa aspek, tentang perilaku konsumen, selera dan keinginan konsumen,

Metode Perkiraan Kuantitatif

1. Teknik dan Analisis Runtut Waktu

Pengertian runtut waktu sering dikonotasikan sebagai serangkaian waktu yang berurutan periodesasinya sepanjang periode di mana prakiraan permintaan diproyeksikan. Misalnya mingguan, bulanan, kuartalan dan tahunan, tergantung keinginan dari pihak-pihak yang melakukan prakiraan permintaan ini. Kalau diinginkan mingguan atau bulanan atau kuartalan dan tahunan maka periode prakiraan yang diinginkan adalah periode mingguan, biulanan, kuartalan, dan tahunan. Ini sesuai dengan kebutuhan periodik yang akan diharapokan hasilnya sebagai prediksi volume atau jumlah permintaan atau potensi pertumbuhan permintaan.

Perlu diperhatikan disini, bahwa klasifikasi waktu menurut sifat keruntutannya dapat dikelompokkan dalam empat kategori:

1. Trend Sekuler

2. Siklus Fluktuasi

3. Variasi Musim

4. Pengaruh Tak Teratur

a. Trend Sekuler

Forecasting model trend sekuler dilakukan dengan menarik garis secara kasar atau serampang mengikuti kecenderungan permintaan yang terjadi secara siklus dari tahun ke tahun.

Kalau kecenderungan permintaan di tahun-tahun yang akan datang naik maka garis trend yang kita tarik cenderung menaik untuk tahun yang akan datang. Tetapi kalau kecenderungannya turun maka kita tarik garis trend menurun untuk tahun-tahun yang akan datang. Model penarikan garis semacam ini ada sejumlah data atau variabel lain ynag perlu kita jadikan sebagai data atau variabel pendukung serta asumsi yang bisa memperkuat kecenderungan garis yang telah dibuat.

b. Fluktuasi Siklus

Siklus perubahan atau naik turunnya volume permintaan selama tahun- tahun yang telah lalu dan yang akan dating,kita tarik kecenderungannya tentu disebabkan atau dipengaruhi oleh sejumlah faktor yang secara periodik dan tetap harus ada atau terjadi selam periode tahunan yang akan datang. Biasanya siklus bisa kita duga sebelumnya bahwa dengan datangnya permintaan yang meningkat pada periode tertentu sudah bisa kita prediksi kejadiannya. Begitu juga atas terjadinya penurunan permintaan oleh konsumen kita mesti dapat menduga sebelumnya pada periode tertentu selama tahun yang bersangkutan.

c. Metode Proyeksi Trend

Metode proyeksi trend ini merupakan metode yang paling sederhana dibanding dengan metode yang lainnya. Karena di dalam metode ini hanya dengan menarik garis lurus sesuai dengan kecenderungan data time series yang ada. Jika data time series yang dijadikan pijakan dalam menarik garis lurus ini ada kecenderungan meningkat, maka garis lurus yang ditarik cenderung naik sesuai dengan kecenderungan peningkatan yang terjadi atau yang akan terjadi.

Rumus yang dipakai dalam menarik garis lurus ini adalah:

St = So + bt

Di mana St merupakan nilai variabel yang akan diramal pada periode t. So adalah nilai estimasi dari time series (nilai konstanta dari fungsi forecast) pada tahun dasar. Dan b merupakan koefisien kecenderungan kemiringan garis forecast yang akan ditarik, atau angka absolut pertumbuhan atau penurunan per periode. Dan t merupakan lama waktu di mana time series dalam periode yang diramalkan.

d. Metode Variasi Musim

Melakukan prakiraan volume permintaan konsumen di waktu-waktu yang akan datang dapat didasarkan pada gelombang musiman yang melekat pada kultur budaya atau kebiasaan dari masyarakat. Tetapi dapat juga karena faktor sifat dan keadaan alam yang melekat pada iklim atau cuaca. Misalnya produksi musim semi, gugur, dan musim hujan bahkan musim kemarau. Sifat masyarakat yang menimbulkan musiman ini oleh karena faktor budaya dan kebiasaaan misalnya karena musim hari raya keagamaan. Pada saat itu biasanya masyarakat akan memiliki ajat yang cukup besar dalam melakukan pemenuhan konsumsi barang keperluan pesta dan sehari-hari. Maka dapat dipastikan pada periode ini permintaan akan kebutuhan dan keperluan konsumsi akan meningkat dalam jumlah yang cukup berarti.

Metode yang digunakan dalam forecasting adalah sebagai berikut :

1. Metode Rata-rata Bergerak

Metode rata-rata bergerak ini dilakukan untuk lebih memperbaiki hasil dari metode trend yang dinilai cukup kasar dan cukup besar risiko penyimpangan dari hasil trend seperti yang telah ditampilkan sebelum ini. Metode rata-rata bergerak, sesuai dengan yang namanya bergerak dilakukan dengan pengelompokan periode waktu dihitung rata-ratanya menurut pengelompokkan periode waktu dihitung.

Kepentingan peramalan yang akan dipakai apakah dalam skup jangka pendek nilai ramalan yang diketahui atau dalam rentang waktu yang lebih panjang. Kalau menggunakan rentang waktu yang lebih pendek maka hasil rata-rata bergerak yang akan kita peroleh akan lebih mendekati kondisi sifat data yang sebenarnya dan rata- rata yang kita temukan terdistribusi atau tersebar pada kelompok data faktual. Sedangkan jika satuan waktu yang lebih panjang, rata-rata yang kita peroleh akan lebih mewakili sejumlah data yang lebih banyak dan beraneka macam fluktuasinya, sehingga rata-rata bergeraknya lebih tersebar dan kurang mewakili fakta sifat data yang tersebar tersebut. Terkecuali sifat data lebih homogen dan tidak terlalu fluktuatif.

Angka deviasi dapat diperoleh dengan cara mengurangi angka observasi dengan angka rata-rata bergerak. Sedangkan deviasi kuadrat adalah menguadratkan deviasi sehingga menghasilkan angka pada kolom deviasi kuadrat. Jumlah deviasi kuadrat ini akan kita pergunakan untuk menghitung penyimpangan atau tingkat error (istilah disini adalah Root Mean Square Error = RMSE) setiap pengelompokkan rata- rata bergerak ini. Dengan rumus sebagai berikut:

Di mana: RMSE = Root Mean Squre Error At = angka observasi Ft = rata-rata bergerak yang dihasilkan per kelompok waktu

2. Metode Rata-rata Tertimbang

Metode eksponential smoothing ini merupakan metode yang lebih halus lagi daripada metode rata-rata bergerak. Jadi metode ini lebih hati-hati dalam memprediksi atau meramal permintaan yang akan terjadi di masa datang.

Apabila kita memperhatikan sifat data time series, maka ada kecenderungan bahwa metode rata-rata tertimbang akan lebih dipilih daripada metode rata-rata bergerak. Mengapa demikian, karena di dalam metode rata-rata tertimbang menyertakan faktor-faktor yang relevan yang menjadi penyebab tersebarnya data time series. Hal ini diimplementasikkan ke dalam prakiraan dari faktor terjadinya fluktuasi pada data time series kedalam risiko penyimpangan prakiraan, sehingga hasil prakiraan pada masing-masing prakiraan lebih kecil risiko fluktuasi penyimpangan. Dan angka rata-rata tertimbang tertentu yang dipilih merupakan komposisi persebaran atas terjadinya keakuratan dan risiko penyimpangan yang mungkin akan terjadi sebagai mendasari prakiraan yang dihasilkan. Demikian untuk perhitungan prakiraan berikutnya secara berjenjang dari prakiraan sebelumnya ke prakiraan selanjutnya di dalam periode yang diramalkan. Hal ini dimaksudkan untuk meratakan risiko penyimpangan sehingga risiko tersebut berada pada persebaran yang lebih merata keseluruhan periode yang diperkirakan.

Metode rata-rata tertimbang dilakukan dengan proses perhitungan sebagai berikut:

a. Menentukan angka tertimbang (weight) tertentu bagi data observasi dengan notasi w antara angka 0 s/d angka 1.;