Peramalan permintaan merupakan kegiatan analitis untuk memperkirakan besar dan arah
perubahan permintaan sejenis barang/jasa di masa datang berdasarkan data masa lalu dan
saat ini yang relevan. Data yang dianalisis merupakan data time-series.
2. Objective Forecasting adalah forecasting yang dilakukan berdasarkan past data yang
relevan dan penggunaan teknik forecasting yang sesuai.
Langkah-Langkah Forecasting
1. Menganalisis data masa lalu untuk mengetahui pola perkembangannya dengan cara
mentabulasi data tersebut dan kemudian memplotnya dalam suatu grafik, sehingga
menunjukkan adanya fluktuasi. Selanjutnya dapat dilakukan analisis untuk mengetahui
faktor-faktor yang menyebabkan fluktuasi data tersebut, yaitu faktor musiman, trend,
siklus, dan random.
2. Menentukan metode atau teknik forecasting yang sesuai.
3. Mempertimbangkan adanya perubahan faktor-faktor yang mempengaruhi di masa
datang, seperti perubahan kebijakan pemerintah, potensi masyarakat, teknologi, dsb.
Akurasi peramalan ditunjukkan oleh ukuran akurasi peramalan yang dihitung dengan
rumus tertentu dan berbasis kekeliruan ramalan (error forecasting). Kekeliruan ramalan
menunjukkan perbedaan antara hasil sesungguhnya dan hasil ramalan et = Xt - Ft
Metode peramalan kuantitatif terdiri dari metode peramalan data time-series dan metode
peramalan kausal maupun non kausal.
Metode peramalan data time-series terdiri dari metode: (1) Naïve forecasting, (2) Rata-
Rata Kumulatif, (3) Single Moving Average, (4) Double Moving Average, (5) Single
Exponential Smoothing, dsb. Metode peramalan kausal maupun non kausal menggunakan
metode regresi.
Metode peramalan dengan data time-series adalah peramalan yang dilakukan dengan
mengidentifikasi pola-pola fluktuasi data masa lalu.
Fluktuasi suatu data time-series akan menunjukkan pola-pola teridentifikasi dengan empat
komponen pola yaitu:
1. Horisontal
2. Musiman (seasonal)
3. Siklus
4. Trend
Pola Horisontal
Pola Horisontal terjadi ketika tidak ada trend dalam data time-series, sehingga secara
statistis disebut juga sebagai pola stasioner.
Probabilitas nilai masa datang akan berada di atas rata-rata adalah sama dengan
probabilitas nilai masa datang tersebut akan berada di bawah rata-rata.
Biasanya pola horisontal selalu ada untuk forecasting jangka pendek yang memiliki
keadaan stabil.
Pola Siklis
Pola siklis serupa dengan pola musiman, tetapi panjang suatu siklus umumnya lebih dari
satu tahun, seperti penjualan rumah, GNP, Pengangguran, dsb.
Pola siklus biasanya sulit diidentifikasi, karena jangkauannya lebih panjang dan interval
waktu pengulangannya tidak seragam.
Pola Trend
Pola trend terjadi ketika terdapat peningkatan dan penurunan secara umum dalam nilai
variabel sepanjang waktu, seperti penjualan pada banyak perusahaan, harga, indikator-
indikator perekonomian makro lainnya.
NAÏVE FORECASTING
Ada dua jenis naïve forecasting (ramalan sederhana) yang sering digunakan, yaitu Metode
Ramalan Sederhana Satu (RS-1) dan Metode Ramalan Sederhana Dua (RS-2).
RS-1 akan menghasilkan nilai ramalan yang baik, jika data time-series yang dianalisis
tidak memiliki variasi musiman dan mengikuti pola random walk, sehingga metode RS-1
disebut juga sebagai random walk model.
Perilaku random walk sering ditemukan dalam data time-series di bursa saham, valas, dan
bursa komoditi atau bursa perdagangan berjangka (future trading).
Selanjutnya nilai ramalan ditentukan sebagaimana metode RS-1, yaitu nilai ramalan
periode berikutnya ditentukan berdasarkan nilai aktual terakhir yang telah bebas dari
pengaruh musimannya. Biasanya ukuran akurasi hasil forecasting dengan metode RS-2
lebih baik daripada RS-1.
Metode ini menentukan nilai ramalan pada periode tertentu berdasarkan rata-rata sejumlah
nilai observasi pada periode sebelumnya.
Pada bulan Januari jumlah penjualan sebesar Rp 90 juta, maka nilai ramalan penjualan
pada bulan Pebruari sama dengan Rp 90 juta. Kemudian jika pada bulan Pebruari
diperoleh nilai penjualan sebenarnya sebesar Rp 80 juta, maka nilai ramalan penjualan
pada bulan Maret sama dengan (90+80)/2 yaitu Rp 85 juta. Selanjutnya jika pada bulan
Maret diperoleh nilai penjualan sebenarnya sebesar Rp 90 juta, maka nilai ramalan
penjualan pada bulan April sama dengan (90+80+90)/3 yaitu Rp 87 juta, dan seterusnya.
Metode rata-rata bergerak tunggal (Single Moving Average) yang disingkat sebagai metode
MA(N), dengan N adalah jumlah periode sebelumnya yang dihitung rata-ratanya untuk
menentukan ramalan periode berikutnya.
Metode Single Moving Average (Metode SMA) dilakukan berdasarkan anggapan bahwa
semua informasi masa lalu (past data) pada interval waktu tertentu (N) sama pentingnya
dalam menentukan nilai ramalan, maka setiap nilai aktual pada interval waktu tersebut
diberi bobot (weighted) yang sama dalam menghitung nilai ramalan periode berikutnya.
Secara matematis, nilai ramalan periode ke-(t+1) dengan MA(N) dirumuskan sebagai
berikut :
X + X + …+ X t N X i
F t+1 = 1 2 =∑
N i=1 N
Metode SES menentukan nilai ramalan berdasarkan data observasi periode sebelumnya
dengan bobot (weighted) yang berbeda. Data observasi terakhir diberi bobot yang lebih
tinggi dibanding data observasi sebelumnya.
Tujuan penerapan metode SES adalah melakukan smoothing terhadap data observasi masa
lalu untuk mengurangi pengaruh randomness terhadap nilai ramalan, sehingga forecasting
error dapat diminimumkan.
Persamaan peramalan SES dapat diturunkan dari persamaan peramalan SMA sebagai
berikut:
Dalam persamaan tersebut adalah parameter smoothing yang nilainya minimum sama
dengan nol dan maksimum sama dengan satu ( 0 ≤ ≤ 1 ).
Nilai yang optimal diperoleh dengan membandingkan MSE dari penggunaan beberapa
. Selanjutnya, yang memberikan MSE terkecil akan dipilih sebagai nilai optimal.
Jika untuk yang mendekati nol menghasilkan MSE yang semakin kecil, maka dapat
diartikan bahwa data obsevasi hampir mendekati random.
Untuk Persamaan III, jika dipilih = 0 maka nilai ramalan periode berikutnya tidak
memiliki kekeliruan ramalan periode sebelumnya. Sebaliknya, jika dipilih = 1 maka
nilai ramalan periode berikutnya memiliki kekeliruan ramalan periode sebelumnya.
Ft+1 = Xt + (1 - ) Ft
Ft+1 = Xt + (1 - ){ Xt-1 + (1 - ) Ft-1}
Ft+1 = Xt + (1 - ) Xt-1 + (1 - )2 Ft-1
Ft+1 = Xt + (1 - ) Xt-1 + (1 - )2 { Xt-2 + (1 - ) Ft-2}
Ft+1 = Xt + (1 - ) Xt-1 + (1 - )2 Xt-2 + (1 - )3 Ft-2
Misalnya akan dihitung nilai ramalan periode ke-6 berdasarkan data observasi sebelumnya,
X5, X4, X3, X2, dan X1. Jika kita pilih = 0,2 maka bobot (weighted) untuk setiap observasi
tersebut adalah:
X5 → = 0,2
X4 → (1 - ) = 0,2(1 - 0,2) = 0,16
X3 → (1 - )2 = 0,2(1 - 0,2)2 = 0,128
X2 → (1 - )3 = 0,2(1 - 0,2)3 = 0,1024
X1 → (1 - )4 = 0,2(1 - 0,2)4 = 0,08192
Hal lain yang perlu diperhatikan dalam penggunaan SES adalah inisialisasi yaitu
penentuan nilai ramalan pertama (F1). Untuk itu bisa diambil F 1 = X1 atau hasil rata-rata
dari beberapa observasi.
Berdasarkan variabel bebas yang ada dalam persamaan regresi, peramalan dengan metode
regresi akan terdiri dari persamaan non causal dan persamaan causal. Kedua persamaan
ramalan tersebut sama-sama diperoleh dengan menganalisis data time-series secara regresi,
baik regresi linear maupun non linear. Perbedaannya adalah variabel bebas dalam
persamaan ramalan yang bersifat non causal merupakan variabel waktu, sedangkan dalam
persamaan ramalan yang bersifat causal merupakan variabel yang secara teoritis maupun
empiris mempengaruhi variabel tidak bebas.
Persamaan ramalan non causal yang linear: Yt = f(t) → Yt = a + b(t) yang merupakan
persamaan trend linear dengan a adalah intersep dan b adalah koefisien trend (slope).
n ∑ X 2t −
t =1
(∑ )
t=1
Xt
a=Ý −b X́
Analisis trend linear merupakan salah satu teknik untuk mendapatkan persamaan ramalan
yang bersifat non causal, yaitu dengan meregresikan suatu variabel tak bebas terhadap
variabel waktu tertentu. Persamaan ramalan yang diperoleh akan merupakan persamaan
trend linear, yang dapat menunjukkan bahwa suatu data time-series memiliki trend
meningkat atau menurun dari waktu ke waktu dengan peningkatan atau penurunan yang
konstan.
Persamaan trend linear tersebut diperoleh dengan metode kuadrat terkecil (least-square
error), sedemikian sehingga diperoleh rumus sebagai berikut:
n n n
n ∑ X t Y t −∑ X t ∑ Y t
t =1 t=1 t =1
b= n n 2
n ∑ X 2t −
t =1
(∑ )
t=1
Xt
a=Ý −b X́
Tabel berikut menunjukan jumlah permintaan (Q) dan harga (P) sejenis barang selama
tahun 2019.
REFERENSI
Spyros Makridakis and Steven Wheelwrigt. Metode dan Aplikasi Peramalan. Penerbit
Erlangga, Jakarta, 1992.
Hanke, J.E., Wichern, D.W., and Reitsch, A.G. Peramalan Bisnis. Ed. 7. Penerbit PT.
Prenhallindo, Jakarta, 2003.