“PERAMALAN (FORECASTING)”
Disusun Oleh:
202261201092
JURUSAN MANAJEMEN
2023
A. Peramalan (Forecasting)
B. Karakteristik Peramalan
c. Akurasi, Setiap perhitungan yang dilakukan harus dilakukan dengan tepat dan
sempurna sehingga mampu menghasilkan hasil yang tepat. Hasil yang akurat
dapat dijadikan sebagai referensi yang baik dalam mengambil sebuah
keputusan.
C. Sifat Peramalan
Menurut Maria Y.D. Hayu Agustini (2018), Setiap metode peramalan yang
digunakan akan menghasilkan nilai ramalan yang berbeda tentunya. Oleh karena
itu, peramal harus memilih metode mana yang mampu mengidentifikasi ramalan
yang tingkat akurasinya sesuai dengan yang diinginkan. Mengingat bahwa hasil
peramalan tergantung pada data yang digunakan dalam forecasting, maka
diperlukan teknik-teknik tertentu yang dapat meningkatkan akurasi data sehingga
hasil perkiraan dapat dipercaya. Pada umumnya peramalan dibedakan menjadi 2
yakni, Model terstruktur yang mengidentifikasi bagaimana suatu variabel
pengamatan tergantung pada variabel ekonomi yang lain. Persamaan permintaan
model terstruktur yang mencakup banyak persamaan dan variabel biasanya
disebut sebagai model ekonometrika. Dan Model tidak terstruktur yang digunakan
untuk mengidentifikasi pola gerakan dari variabel ekonomi dari waktu ke waktu.
Metode model yang paling terkenal adalah tidak terstruktur adalah analisis deret
waktu dan analisis barometrik analisis.
a. Teknik naive.
Teknik naive adalah model peramalan yang paling hemat biaya, dan memberikan
tolok ukur yang dapat dibandingkan dengan model yang lebih canggih. Metode
peramalan ini hanya cocok untuk data deret waktu. Metode peramalan sederhana
yang mengasumsikan bahwa permintaan pelanggan pada periode berikutnya
sama dengan periode terakhir. Metode ini dianggap sebagai metode peramalan
biaya pengeluaran yang efektif dan efisien, yang memberikan titik awal dari
metode lain. Metode ini bekerja dengan baik untuk deret waktu ekonomi dan
keuangan, yang sering memiliki pola yang sulit diprediksi secara andal dan akurat.
Pendekatan naive mengasumsikan bahwa masa lalu adalah indikator terbaik masa
depan. Jika pola data adalah pola musiman, dimana nilai musim ini sama dengan
musim lalu, maka pendekatan naive dapat memberikan peramalan yang tepat.
b. Teknik average.
Ada berbagai macam model peramalan yang dapat digunakan untuk memprediksi
masa depan. Data masa lalu merupakan bahan dasar yang dapat digunakan
dalam memprediksi masa depan. Ketika kondisi perusahaan membutuhkan
peramalan yang cepat seperti peramalan produksi, persediaan, penjualan dan
lainnya baik harian, mingguan, bulanan, atau kuartal maka perusahaan dapat
menggunakan beberapa alat peramalan sederhana. Model average (rata-rata)
dapat digunakan pada kondisi ini. Premis dasar dari model average adalah bahwa
rata-rata tertimbang dari pengamatan masa lalu dapat digunakan untuk
memuluskan fluktuasi data dalam jangka pendek. Berikut adalah metode rata-rata
untuk membuat perkiraan jangka pendek.
Metode ini digunakan ketika deret waktu memiliki trend linier. Dalam
metodologi ini, anda menghitung satu set moving average dan kemudian set
kedua dihitung sebagai rata-rata bergerak dari set pertama. Artinya rata-rata
bergerak kedua merupakan hasil dari pergerakan sebelumnya dan
seterusnya.
Teknik yang terakhir digunakan dalam peramalan jangka pendek adalah teknik
smoothing. Pada teknik sebelumnya telah dijelaskan metode peramalan jangka
pendek yaitu teknik naive dan average. Dalam dua teknik sebelumnya, telah
diuraikan bagaimana menggunakan informasi masa lalu dengan beberapa
modifikasi untuk membuat perkiraan. Sebagai teknik peramalan, metode ini
bergantung pada asumsi bahwa data itu diam dengan rata-rata yang bervariasi.
Jadi, dapat diartikan bahwa tidak diperbaiki sepanjang waktu, melainkan berubah,
atau berevolusi sepanjang waktu. Selain itu, perkiraan direvisi terus menerus
karena semakin banyak informasi tersedia. Pendekatan ini didasarkan pada suatu
prosedur yang secara terus menerus memperbaiki peramalan dengan rata.
Metode ini bergantung pada tiga bagian data yakni, aktual terkini, perkiraan
terbaru, dan konstanta smoothing. Metode ini merupakan teknik weighted
moving average forecasting yang titik datanya ditimbang dengan fungsi
eksponensial. Metode ini juga merupakan metode pembobotan yang canggih
dan mudah digunakan. Nilai yang ditetapkan adalah kunci untuk perkiraan.
Jika deret waktu tampak berevolusi dengan cukup lancar maka perlu
memberikan bobot lebih besar pada nilai aktual terkini. Disisi lain, jika deret
waktu tidak cukup menentu, lebih sedikit berbobot ke nilai aktual terkini yang
diinginkan.
Metode peramalan ini sangat mirip dengan double moving average, meski
membutuhkan lebih sedikit data. Teknik ini digunakan untuk memperkirakan
data deret waktu yang memiliki tren linier.
Metode ini digunakan ketika terdapat unsur trend atau perilaku musiman yang
ditunjukan pada data.
5. Wintes seasonal exponential smoothing.
E. Pendekatan Kuantitatif
Proyeksi tren yang dibahas di atas adalah analisis tren yang tidak
memperhatikan pengaruh musim. Ketika pengaruh musim diperhitungkan,
maka hasil peramalan akan menjadi lebih akurat. Ratio to trend adalah metode
proyeksi tren dengan memasukkan pengaruh musim dalam perhitungan. Ini
dilakukan dengan memberi berat badan di setiap musim rasio rata-rata nilai
aktual dan perkiraan.
• Proyeksi trend.
adalah variasi data deret waktu disebabkan oleh faktor acak (tak terduga)
seperti perang, gempa bumi, bencana alam, teguran, atau peristiwa unik
lainnya. Semua data deret waktu pada dasarnya berisi fluktuasi acak bila dilihat
pada waktu yang lebih singkat. Penjualan ayam: bisnis penyembelihan ayam
hari ini akan berbeda dari kemarin dan besok karena faktor yang tak terduga.
• Variabel dummy.
Merupakan siklus terpendek yang tergantung pada waktu dalam satu tahun Ini
menunjukan fluktuasi yang muncul secara reguler setiap tahun karena musim
atau kebiasaan masyarakat. Faktor musiman ini akan mempengaruhi
permintaan untuk produk atau layanan. Misalnya, wisatawan hanya akan
bepergian selama musim liburan sekolah atau bekerja. Permintaan untuk
penerbangan dan hotel akan meningkat pada musim liburan ini dan akan
menurun lagi di musim sekolah. Demikian juga, permintaan jas hujan akan
bervariasi sesuai dengan musim hujan, yaitu permintaan jas hujan akan tinggi
pada musim hujan dan akan rendah (atau bahkan tidak ada) di musim
kemarau.
a. Delphin Method
b. Market Research.
Merupakan metode peramalan berdasarkan hasil survei pasar dilakukan oleh
pemasar pemasaran atau produk. Riset pasar dapat digunakan untuk
merencanakan produk baru atau juga meningkatkan desain produk yang ada.
c. Management Estimate.
d. Historycal Analogy.
Adalah teknik peramalan berdasarkan pola data masa lalu. Sebuah analogi
historis akan menjadi metode terbaik untuk penggantian produk di pasar jika
ada hubungan substitusi langsung produk di pasar.
a) Metode kausal.
• Metode regresi dan korelasi.
• Metode ekonometrik.
• Smoothing.
Metode smoothing dapat menguangi ketidakaturan musiman dari data
sebelumnya. Metode ini akan sangat tepat jika digunakan pada
peramalan jangka pendek, sedangkan kurang akurat jika digunakan
untuk jangka panjang. Berikut beberapa jenis metode smoothing:
1. Moving average.
2. Weighted moving average.
3. Exponential smoothing
• Regresi.
Metode ini sangat tepat jika digunakan untuk peramalan jangka pendek
dan jangka panjang. Metode ini membutuhkan data tahunan. Semakin
banyak data yang dimiliki oleh analis maka semakin baik hasil yang
diperoleh.
1. Linier
2. Kuadratik
• Dekomposisi.