Dalam
peramalan, penggunaan berbagai model akan memberikan nilai dan derajat error yang berbeda. Salah satu seni
dalam peramalan adalah memilih model peramalan terbaik yang mampu
mengidentifikasi dan menanggapi pola aktivitas historis dari data.Secara umum,
model-model peramalan dapat dikelompokkan ke dalam dua kelompok utama, yaitu:
1.
Metode Kualitatif
Metode
kualitatif adalah metode yang dilakukan berdasarkan pendapat dari pihak yang
melakukan peramalan. Metode kualitatif ditujukan untuk peramalan terhadap
produk baru, pasar baru, perubahan sosial dari masyarakat, perubahan teknologi,
atau penyesuaian terhadap forecast
berdasarkan metode kuantitatif. Beberapa model peramalan produksi yang
digolongkan sebagai model kualitatif adalah:
a.
Dugaan Manajemen (Manajemen Estimate)
Dugaan
manajemen adalah metode dimana peramalan semata-mata berdasarkan pertimbangan
manajemen. Metode ini akan cocok dalam situasi yang sangat sensitif terhadap
intuisi dari satu kelompok kecil berdasarkan pengalaman dengan opini yang
kritis dan relevan. Bagaimanapun, metode ini mempunyai banyak keterbatasan
sehingga perlu dikombinasikan dengan metode peramalan yang lain.
b.
Riset Pasar (Market Research)
Riset
pasar merupakan metode peramalan berdasarkan hasil-hasil dari survei pasar yang
dilakukan oleh tenaga-tenaga pemasar produk atau yang mewakilinya. Metode ini
tidak hanya akan membantu peramalan, tetapi juga untuk meningkatkan desain dan
perencanaan produk baru.
c.
Metode Kelompok Terstruktur (Structured Group Methods)
Metode
kelompok terstruktur merupakan teknik peramalan berdasarkan pada proses
konvergensi dari opini beberapa orang atau ahli secara iteraktif tanpa
menyebutkan identitasnya. Peranan fasilitator sangat diharapkan untuk
memperoleh atau menyimpulkan hasil-hasil peramalan.
d.
Analogi Historis (Historical Analogy)
Analogi historis
merupakan teknik peramalan berdasarkan pola data masa lalu dari produk-produk
yang dapat disamakan secara analogi. Metode ini cenderung akan menjadi metode
terbaik untuk penggantian produk di pasar.
2.
Metode Kuantitatif
Metode kuantitatif adalah
metode yang dilakukan berdasarkan analisis hubungan numerik dari data atau
metode statistik. Metode kualitatif dikelompokkan ke dalam dua bagian utama,
yaitu:
a.
Metode Kuantitatif Intrinsik (Time Series Model)
Time series model
merupakan suatu metode yang menggunakan seri pengamatan suatu variabel dalam
bentuk interval waktu diskrit. Waktu yang diamati merupakan waktu periode
sebelum hingga saat ini. Time series model yang biasa digunakan dalam analisa perhitungan peramalan adalah sebagai
berikut:
·
Metode Moving Average
Metode moving average menggunakan
sejumlah data aktual untuk membangkitkan nilai peramalan di masa yang akan
datang. Metode ini akan efektif diterapkan apabila asumsi bahwa permintaan
pasar stabil sepanjang waktu. Tujuan dari metode moving average adalah untuk melibatkan periode permintaan yang
sesuai sehingga faktor acak dapat dikurangi dan informasi yang tidak relevan
dari permintaan di masa lalu dapat diabaikan. Perhitungan metode moving average berubah seiring dengan
perubahan waktu, data lama dihapus, dan data baru ditambahkan. Secara matematis
dinyatakan sebagai berikut:
Keterangan:
Ft =
Peramalan permintaan periode t
n = Jumlah
periode moving average
t = Periode terbaru
·
Metode Weighted Moving Average
Metode weighted moving average lebih
responsif terhadap perubahan karena data dari periode baru biasanya diberi
bobot lebih besar. Pemilihan bobot merupakan hal yang tidak pasti karena tidak
ada rumus untuk menetapkan mereka. Oleh karena itu, pemutusan bobot yang
digunakan membutuhkan pengalaman. Sebagai contoh, jika bulan atau periode
terakhir diberi bobot yang terlalu berat, peramalan dapat menggambarkan
perubahan yang terlalu cepat yang tidak biasa pada permintaan atau pola
penjualan. Secara matematis dinyatakan sebagai berikut:
Keterangan:
Ft = Peramalan permintaan
periode t
n = Jumlah periode weighted moving average
·
Metode Single Exponential Smoothing
Metode single exponential smoothing
merupakan metode peramalan rata-rata bergerak dengan pembobotan yang canggih,
tetapi masih mudah digunakan. Mudah dalam artian bahwa penyimpanan data
historis akan lebih kecil sehingga proses perhitungan akan semakin efisien.
Metode ini menggunakan pencatatan data masa lalu yang sangat sedikit. Selain
itu, seluruh data historis diperhitungkan dan permintaan aktual terakhir diberi
bobot lebih besar (α, faktor smoothing).
Secara matematis dinyatakan sebagai berikut:
Keterangan:
Ft = Peramalan permintaan periode t
α =
Konstanta pemulusan (0 ≤ α ≤ 1)
Ft-1 =
Peramalan permintaan satu periode yang lalu (t – 1)
At-1 =
Permintaan aktual satu periode yang lalu (t – 1)
·
Metode Double Exponential Smoothing
Metode double exponential smoothing adalah metode
penghalusan eksponensial yang lebih rumit dan dapat menyesuaikan diri pada trend yang ada. Idenya adalah menghitung
trend rata-rata data penghalusan
eksponensial, kemudian menyesuaikan untuk kelambatan (lag) positif atau negatif pada tren. Dengan penghalusan
eksponensial pada penyesuaian trend,
estimasi rata-rata dan trend dapat
dihaluskan. Prosedur ini membutuhkan dua konstanta penghalusan, dimana α untuk
rata-rata dan ß untuk trend.
Kemudian, dilakukan perhitungan rata-rata dan trend untuk setiap periode. Secara matematis dinyatakan sebagai
berikut:
Keterangan:
Ŷt =
Peramalan permintaan periode t
a =
Konstanta pemulusan (0 ≤ α ≤ 1)
β =
Konstanta trend (0 ≤ β ≤ 1)
Et-1 = Peramalan permintaan periode (t – 1)
Tt = Indeks trend pada periode t
·
Metode Triple
Exponential Smoothing
Metode triple exponential smoothing,
atau yang dikenal sebagai metode Holt-Winters,
dapat menangani faktor seasonal dan trend yang muncul secara sekaligus pada
sebuah data time series. metode Holt-Winters dapat digunakan untuk data
stasioner maupun non-stasioner (Kalekar, 2004). Metode ini didasarkan atas tiga
unsur peramalan, yaitu keseluruhan, trend,
dan seasonal untuk setiap periode dan
memberikan tiga pembobotan dalam prediksinya, yaitu α, β, dan γ. Metode ini
terbagi menjadi dua, yakni:
Keterangan:
St
= Nilai pemulusan peramalan untuk
periode t
Xt = Nilai aktual pada periode t
bt = Nilai pemulusan trend
It = Komponen musiman pada periode t
Ŷt+m = Peramalan untuk m periode ke depan dari t
m
= Jumlah periode yang akan di-foreast
ke depan
α = Parameter penghalusan untuk data (0 <
α < 1)
β =
Parameter penghalusan untuk trend (0
< β < 1)
γ =
Parameter penghalusan untuk seasonal (0
< γ < 1)
L =
Panjang seasonal
o Metode Holt-Winters Additive
Menurut Montgomery (2009), metode musiman additive dengan metode penambahan musiman cocok untuk prediksi time series dengan amplitudo pola
musiman yang tidak tergantung pada rata-rata level atau ukuran data sehingga
bersifat konstan. Secara matematis dinyatakan sebagai berikut:
Keterangan:
St = Nilai pemulusan peramalan untuk periode
t
Xt =
Nilai aktual pada periode t
bt =
Nilai pemulusan trend
It =
Komponen musiman pada periode t
Ŷt+m = Peramalan untuk m periode ke depan dari t
m =
Jumlah periode yang akan di-forecast
ke depan
α =
Parameter penghalusan untuk data (0 < α < 1)
β =
Parameter penghalusan untuk trend (0
< β < 1)
γ =
Parameter penghalusan untuk seasonal (0
< γ < 1)
L =
Panjang seasonal
o
Metode Holt-Winters
Multiplicative
Metode musiman multiplicative dengan
metode perkalian musiman cocok untuk prediksi time series dengan amplitudo pola musimannya proporsional dengan
rata-rata level atau tingkatan dari time
series (Montgomery, 2009). Dengan kata lain, pola musiman membesar seiring
meningkatnya ukuran data. Secara matematis dinyatakan sebagai berikut:
Keterangan:
St = Nilai pemulusan peramalan untuk periode
t
Xt = Nilai aktual pada periode t
bt = Nilai pemulusan trend
It = Komponen musiman pada periode t
Ŷt+m = Peramalan untuk m periode ke depan dari t
m
= Jumlah periode yang akan di-foreast
ke depan
α = Parameter penghalusan untuk data (0 <
α < 1)
β =
Parameter penghalusan untuk trend (0
< β < 1)
γ =
Parameter penghalusan untuk seasonal (0
< γ < 1)
L = Panjang
seasonal
·
Metode Trend
Line Analysis
Metode trend line analysis dipergunakan sebagai
metode peramalan apabila pola historis dari data aktual permintaan menunjukkan
adanya suatu kecenderungan menarik dari waktu ke waktu. Metode yang paling
sederhana adalah menggunakan persamaan garis lurus (straight line equation). Secara matematis dinyatakan sebagai
berikut:
Keterangan:
Ft = Permintaan pada periode t
a
= Intersep dari persamaan garis lurus
b
= Slope dari trend line
t
= Indeks waktu
tbar = Nilai rata-rata dari t
A = Variabel permintaan (data aktual
permintaan)
Abar = Nilai rata-rata dari A
b.
Metode Kuantitatif Ekstrinsik (Model
Kausal)
Model kausal dilakukan berdasarkan
pada pola-pola eksternal.