Metode Forecasting

Metode peramalan (forecasting) terdiri dari metode kualitatif dan kuantitatif. Metode kualitatif adalah metode yang menganalisis kondisi obyektif dengan apa adanya atau peramalan yang didasarkan atas data kualitatif pada masa lalu. Hasil peramalan yang dibuat sangat bergantung pada orang yang menyusunnya. Peramalan kualitatif memanfaatkan factor-faktor penting seperti intuisi, pendapat, pengalaman pribadi, dan system nilai pengambilan keputusan. Metode ini meliputi metode delphi, metode nominal grup, survey pasar dan analisis historikal analogy and life cycle.

Metode kuantitatif adalah peramalan yang didasarkan atas data kuantitatif atau model matematis yang beragam dengan data masa lalu. Hasil peramalan yang dibuat sangat bergantung pada metode yang dipergunakan dalam peramalan tersebut.

Baik tidaknya metode yang digunakan tergantung dengan perbedaan atau penyimpangan antara hasil ramalan dengan kenyataan yang terjadi. Semakin kecil penyimpangan antara hasil ramalan dengan kenyataan yang akan terjadi maka semakin baik pula metode yang digunakan. Metode kuantitatif dapat diterapkan apabila :

a. Tersedia data dan informasi masa lalu

b. Data dan Informasi tersebut dapat dikuantitatifkan dalam bentuk numerik

c. Diasumsikan beberapa aspek masa lalu akan terus berlanjut di masa datang.

Metode ini meliputi metode kausal dan time series.

A.           Metode Time Series

Metode time series (deret waktu) didasarkan atas penggunaan analisa pola hubungan antar variabel yang diperkirakan dengan variabel waktu. Metode time series terdiri dari metode naif, metode rata-rata bergerak (moving average), metode eksponential smoothing dan metode trend projection.

•  Metode Naif

Cara sederhana untuk peramalan ini mengasumsikan bahwa permintaan dalam periode berikutnya adalah sama dengan peramalan dalam periode sebelumnya. Pendekatan naif ini merupakan model peramalan objektif yang paling efektif dan efisien dari segi biaya. Paling tidak pen-dekatan naif memberikan titik awal untuk perbandingan dengan model lain yang lebih canggih.

Contoh : jika penjualan sebuah produk (mis: telepon genggam Motorolla) adalah 68 unit pada bulan Januari, kita dapat meramalkan penjualan pada bulan Februari akan sama, yaitu sebanyak 68 unit juga.

 Metode Rata-rata Bergerak (Moving Average)

Rata-rata bergerak adalah suatu metode peramalan yang menggunakan rata-rata periode terakhir data untuk meramalkan periode berikutnya.

 

umus pembobotan rata-rata bergerak

Dimana n adalah jumlah periode dalam rata-rata

Metode ini dapat menghaluskan fluktuasi tiba-tiba dalam pola permintaan untuk menghasilkan estimasi yang stabil. Metode ini mempunyai masalah :

1. Meningkatkan ukuran n memang menghaluskan fluktuasi dengan lebih baik tetapi metode ini kurang sensitive untuk perubahan nyata dalam data.  
2. Rata-rata bergerak tidak dapat memanfaatkan trend dengan baik. 
3. Karena merupakan rata-rata, rata-rata bergerak akan selalu berada dalam tingkat masa lalu dan tidak akan memprediksi perubahan ke tingkat yang lebih tinggi maupun yang lebih rendah.

Contoh : Berikut ini adalah contoh penjualan pada supermarket Minikuper selama satu tahun lalu. Kita ingin mengetahui nilai penjualan bulan depan tahun yang akan datang.

Periode	Bobot yang diberikan
Bulan lalu	3
2 bulan lalu	2
3 bulan lalu	1
JUMLAH	6

Bulan	Aktual penjualan tahun lalu	Moving Average dalam 3 bulan	Hasil Moving Average dalam 3 bulan	Rata-rata bergerak dengan pembobotan 3 bulan	Hasil rata-rata bergerak dengan pembobotan 3 bulan
Januari	15
Februari	12
Maret	14
April	13	(15 + 12 + 14)/3	13,67	(1x15 + 2x12 + 3x14)/6	13,5
Mei	14	(12 + 14 + 13)/3	13,00	(1x12 + 2x14 + 3x13)/6	13,17
Juni	16	(14 + 13 + 14)/3	13,67	(1x14 + 2x13 + 3x14)/6	13,67
Juli	21	(13 + 14 + 16)/3	14,33	(1x13 + 2x14 + 3x16)/6	14,83
Agustus	22	(14 + 16 + 21)/3	17,00	(1x14 + 2x16 + 3x21)/6	18,17
September	24	(16 + 21 + 22)/3	19,67	(1x16 + 2x21 + 3x22)/6	20,67
Oktober	25	(21 + 22 + 24)/3	22,33	(1x21 + 2x22 + 3x24)/6	22,83
November	18	(22 + 24 + 25)/3	23,67	(1x22 + 2x24 + 3x25)/6	24,17
Desember	19	(24 + 25 + 18)/3	22,33	(1x24 + 2x25 + 3x18)/6	21,33

•     Metode Eksponential Smoothing

Metode eksponential smoothing merupakan pengembangan dari metode moving averages. Dalam metode ini peramalan dilakukan dengan mengulang perhitungan secara terus menerus dengan menggunakan data terbaru. Setiap data diberi bobot, data yang lebih baru diberi bobot yang lebih besar. Rumus metode eksponential smoothing :

dimana :     F_t   = Peramalan baru

                   F_t-1 = Peramalan sebelumnya

                   α    = Konstanta penghalusan (0≤α≥1)

                   A_t-1 = Permintaan aktual periode lalu

Menghitung kesalahan peramalan

Ada beberapa perhitungan yang biasa digunakan untuk menghitung kesalahan dalam peramalan. Tiga dari perhitungan yang paling terkenal adalah 

• Deviasi mutlak rata-rata (mean absolute deviation = MAD)

MAD adalah nilai yang dihitung dengan mengambil jumlah nilai absolut dari setiap kesalahan peramalan dibagi dengan jumlah periode data (n).

•   Kesalahan kuadrat rata-rata (mean absolute deviation =MSE)

•  Kesalahan persen mutlak rata-rata (mean absolute percent = MAPE)

 Contoh : PT. TPN ingin memprediksi total penjualan bulan Januari tahun depan. Data penjualan bulan Januari hingga Desember adalah sebagai berikut:

Bulan	Aktual penjualan	Peramalan yg dibulatkan dgn α =0,1	Perhitungan MAD	Perhitungan MSE	Perhitungan MAPE
			Deviasi absolut	(Kesalahan)2	Kesalahan / Aktual (%)
Januari	178	170	178 - 170= 8	64	(8 / 178) x 100 = 4,47
Februari	172	170 + 0,1 x (178 – 170)= 171	172 – 171 = 1	1	(1 / 172) x 100 = 0,70
Maret	168	171 + 0,1 x (172 – 171)= 171	3	9	1,74
April	174	171	3	9	1,94
Mei	192	171	21	441	10,96
Juni	201	173	28	784	13,90
Juli	190	176	14	196	7,44
Agustus	192	177	15	225	7,67
September	194	179	15	225	7,86
Oktober	190	180	10	100	5,12
November	200	181	19	361	9,38
Desember	210	183	27	729	12,80
Jumlah			164	3143,97	83,96
Nilai			13,66	262	7,00

• Metode Trend Projection

Adalah suatu metode peramalan serangkaian waktu yang sesuai dengan garis tren terhadap serangkaian titik-titik data masa lalu, kemudian diproyeksikan ke dalam peramalan masa depan untuk peramalan jangka menengah dan jangka panjang. Persamaan garis :

Dimana :                y = variabel yg akan diprediksi

                              a = konstanta

                              b = kemiringan garis regresi

                              x = variabel bebas (waktu)

Dengan metode kuadrat terkecil (MKT) didapat :

 

Contoh : Tabel berikut adalah memperlihatkan jumlah kecelakaan yang terjadi di Florida State Highway 101 selama 4 tahun. Ramalkan jumlah kecelakaan yang terjadi pada bulan Mei.

Bulan	Periode waktu (x)	Jumlah kecelakaan (y)	x2	xy
januari	1	30	1	30
februari	2	40	4	80
maret	3	60	9	180
april	4	90	16	360
	∑ x =10	∑ y = 220	∑x2 = 30	∑xy = 650

B.     Metode Kausal

Metode peramalan kausal mengembangkan suatu model sebab-akibat antara permintaan yang diramalkan dengan variable-variabel lain yang dianggap berpengaruh. Sebagai contoh, permintaan akan baju baru mungkin berhubungan dengan banyaknya populasi, pendapat masyarakat, jenis kelamin, budaya daerah, dan bulan-bulan khusus (hari raya, natal, tahun baru). Data dari variable-variabel tersebut dikumpulkan dan dianalisa untuk menentukan kevaliditasan dari model peramalan yang diusulkan.

Metode ini dipakai untuk kondisi dimana variable penyebab terjadinya item yang akan diramalkan sudah diketahui. Dengan adanya hubungan tersebut, output dapat diketahui jika input diketahui.

• Metode Regresi dan Korelasi

Metoda regresi dan korelasi pada penetapan suatu persamaan estimasi menggunakan teknik “least squares”. Hubungan yang ada pertama-tama dianalisis secara statistik. Ketepatan peramalan dengan menggunakan metoda ini sangat baik untuk peramalan jangka pendek, sedangkan untuk peramalan jangka panjang ternyata ketepatannya kurang begitu baik. Metoda ini banyak digunakan untuk peramalan penjualan, perencanaan keuntungan, peramalan permintaan dan permalan keadaan ekonomi. Data yang dibutuhkan untuk penggunaan metoda ini adalah data kuartalan dari beberapa tahun lalu.

Contoh : Data berikut berhubungan dengan nilai penjualan pada bar pada beberapa pecan di penginapan Marthy and Polly Starr di Marathon, Florida. Jika peramalan menunjukkan bahwa akan dating 20 tamu pecan depan, berapakah penjualan yang diharapkan.

Pekan	Tamu (x)	Penjualan Pada Bar (x)	x2	xy
1	16	330	256	5280
2	12	270	144	3240
3	18	380	324	6840
4	14	300	196	4200
	∑x = 60	∑y = 1280	∑x2= 920	∑xy = 19560

• MetodeEkonometrik

Metoda ini didasarkan atas peramalan sistem persamaan regresi yang diestimasikan secara simultan. Baik untuk peramalan jangka pendek maupun peramalan jangka panjang, ketepatan peramalan dengan metoda ini sangat baik. Metoda peramalan ini selalu dipergunakan untuk peramalan penjualan menurut kelas produk, atau peramalan keadaan ekonomi masyarakat, seperti permintaan, harga dan penawaran. Data yang dibutuhkan untuk penggunaan metoda peramalan ini adalah data kuartalan beberapa tahun.

Empat tahapan yang termasuk di dalam memformulasi forecast model ekonometrika ini antara lain membangun suatu model teori, mengumpulkan data, memilih bentuk persamaan fungsi yang diestimasi, dan mengestimasi dan menginterpretasi hasil.

Contoh : sebagai contoh disini misalnya kita menginginkan untuk memprakirakan permintaan, maka hubungan antar harga dan kuantitas dapat menjadi dasar teori yang logis bagi suatu model. Faktor harga yang mempengaruhi volume permintaan tersebut sebenarnya tidaklah merupakan satu-satunya faktor yang mempengaruhi permintaan, tetapi banyak faktor lain yang juga ikut mempengaruhi permintaan. Maka secara spesifik hubungan kausalistik permintaan itu dipengaruhi oleh selain harga, tetapi juga dipengaruhi misalnya oleh income per kapita (I), harga barang lain (Po), dan Advertensi (A), dan lain-lain. Karena itu model fungsi yang dikembangkan dalam persamaan ekonometri sebagaimana ditunjukkan pada pembahasan estimasi permintaan yang dipengaruhi oleh sejumlah faktor atau variabel antara lain seperti yang dinyatakan sebagai:

               Qd =  f(P, I, Po, dan A)

Yang secara ekonomi terbukti secara empirik bahwa fungsi permintaan dipengaruhi P, I, Po, dan A itu dirumuskan sebagai fungsi:

               Qd = a – bP + cI + dPo + eA

Dimana Qd merupakan volume permintaan, a merupakan koefisiensi konstanta, b,c,d,dan e merupakan koefisiensi faktor Harga, Income, Harga Barang Lain, dan Advertensi.

• Metode Input Output

Metoda ini dipergunakan untuk menyusun proyeksi trend ekonomi jangka panjang. Model ini kurang baik ketepatannya untuk peramalana jangka panjang. Model ini banyak dipergunakan untuk peramalan penjualan perusahaan, penjualan sektor industri dan sub sektor industri, produksi dari sektor dan sub sektor industri. Data yang dibutuhkan untuk penggunaan metoda atau model ini adalah data tahunan selama sekitar sepuluh sampai lima belas tahun.