Pengumpulan data yang relevan berupa informasi yang dapat menghasilkan peramalan
yang akurat.
Pemilihan teknik peramalan yang tepat yang akan memanfaatkan informasi data yang
diperoleh semaksimal mungkin.
Fungsi peramalan atau forecasting terlihat pada saat pengambilan keputusan. Keputusan
yang baik adalah keputusan yang didasarkan atas pertimbangan apa yang akan terjadi pada
waktu keputusan itu dilaksanakan. Apabila kurang tepat ramalan yang kita susun, maka
masalah peramalan juga merupakan masalah yang selalu kita hadapi (Ginting, 2007).
Menurut Heizer dan Render (2009:47), peramalan atau forecasting memiliki tujuan sebagai
berikut:
a) Untuk mengkaji kebijakan perusahaan yang berlaku saat ini dan dan di masa lalu serta
melihat sejauh mana pengaruh di masa datang.
b) Peramalan diperlukan karena adanya time lag atau delay antara saat suatu kebijakan
perusahaan ditetapkan dengan saat implementasi.
c) Peramalan merupakan dasar penyusutan bisnis pada suatu perusahaan sehingga dapat
meningkatkan efektivitas suatu rencana bisnis.
Berdasarkan horizon waktu, peramalan atau forecasting dapat dibagi menjadi tiga jenis,
yaitu (Herjanto, 2008:78):
1) Peramalan jangka panjang, yaitu yang mencakup waktu lebih besar dari 18 bulan.
Misalnya, peramalan yang diperlukan dalam kaitannya dengan penanaman modal,
perencanaan fasilitas dan perencanaan untuk kegiatan litbang.
2) Peramalan jangka menengah, yaitu mencakup waktu antara 3 sampai 18 bulan.
Misalnya, peramalan untuk perencanaan penjualan, perencanaan produksi dan
perencanaan tenaga kerja tidak tetap.
3) Peramalan jangka pendek, yaitu mencakup jangka waktu kurang dari 3 bulan. Misalnya,
peramalan dalam hubungannya dengan perencanaan pembelian material, penjadwalan
kerja dan penugasan karyawan.
Berdasarkan fungsi dan perencanaan operasi di masa depan, peramalan atau forecasting dibagi
menjadi tiga jenis, yaitu (Heizer dan Render, 2009:47):
Berdasarkan jenis data ramalan yang disusun, peramalan dibagi menjadi dua jenis, yaitu
(Saputro dan Asri, 2000:148):
1) Peramalan kualitatif, yaitu peramalan yang didasarkan atas data kualitatif pada masa
lalu. Hasil ramalan yang dibuat sangat tergantung pada orang yang menyusunnya. Hal
ini penting karena peramalan tersebut ditentukan berdasarkan pemikiran yang bersifat
intuisi, pendapat, dan pengetahuan serta pengalaman dari penyusunnya. Biasanya
peramalan secara kualitatif ini didasarkan atas hasil penyelidikan, seperti pendapat
salesman, pendapat sales manajer pendapat para ahli dan survey konsumen.
2) Peramalan kuantitatif, yaitu peramalan yang didasarkan atas data penjualan pada masa
lalu. Hasil peramalan yang dibuat sangat tergantung pada metode yang dipergunakan
dalam peramalan tersebut. Penggunaan metode yang berbeda akan diperoleh hasil yang
berbeda pula.
Berdasarkan sifat penyusunannya, peramalan dibagi menjadi dua jenis, yaitu (Ginting, 2007)
1) Peramalan subjektif, yaitu peramalan yang didasarkan atas perasaan atau intuisi dari
orang yang menyusunnya.
2) Peramalan objektif, yaitu peramalan yang didasarkan atas data yang relevan pada masa
lalu, dengan menggunakan teknik-teknik dan metode-metode dalam penganalisaan data
tersebut.
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:
Keterangan:
Ft = Peramalan permintaan periode t
n = Jumlah periode moving average
t = Periode terbaru
Keterangan:
Ft = Peramalan permintaan periode t
n = Jumlah periode weighted moving average
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. metodeHolt-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
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
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
Nurlifa, Alfian. Kusumadewi, Sri. 2017. Sistem Peramalan Jumlah Penjualan Menggunakan
Metode Moving Average Pada Rumah Jilbab Zaky. Jurnal Inovtek Polbeng 2.1 (2017):
2527-9866
https://www.kajianpustaka.com/2017/11/pengertian-fungsi-dan-jenis-peramalan-
forecasting.html (diakses pada tanggal 21 April 2019)
https://vebyenandes.wordpress.com/2013/03/27/manajemen-industri-metode-
peramalan-forecasting/ (diakses pada tanggal 21 April 2019)
https://coretancakmus.blogspot.com/2018/02/metode-metode-peramalan.html (diakses pada
tanggal 21 April 2019)