Peramalan Permintaan Pasar ke-2

Konsep Peramalan Kuantitatif

Dalam kehidupan nyata, setiap data yang dikumpulkan adalah data yang berasal dari lapangan. Dalam suatu proses pengumpulan data tersebut, terdapat kemungkinan bahwa data yang terkumpul merupakan data yang tidak layak untuk diproses. Oleh karena itulah data yang terkumpul harus disaring terlebih dahulu untuk memastikan bahwa data yang akan diproses merupakan data yang tidak bermasalah dan sesuai dengan proses yang akan dilakukan.

Tidak terkecuali dalam peramalan, data penjualan yang digunakan sebagai data konstruksi merupakan data yang berasal dari “lapangan”. Selalu terdapat kemungkinan, terdapat kesalahan dalam pencatatan data penjualan. Jika data yang salah tersebut digunakan untuk membangun model maka model yang terbentuk tidak dapat merepresentasikan kondisi aktual. Untuk menghindari hal tersebut, harus dilakukan pre-processing data untuk memastikan data yang digunakan untuk membentuk model adalah data yang layak.

Pre-processing Data

Pre-processing data merupakan proses yang dilakukan pada data mentah yang disiapkan untuk prosedur pemrosesan data yang lain. Metode pengumpulan data primer terkadang tidak dikontrol dengan baik sehingga dapat menghasilkan masalah terkait representasi sistem existing yang digambarkan oleh data. Memproses atau menganalisis data yang bermasalah bisa mendapatkan hasil yang salah. Maka dari itu, harus dilakukan proses pre-processing data untuk menghindari fenomena GIGO (Garbage In, Garbage Out).Masalah yang dapat terjadi dalam peramalan adalah ketidaklengkapan data (missing data). Dalam Hair (2010) dijelaskan bahwa missing data adalah ketidaktersediaan informasi untuk suatu subyek atau kasus. Mengklasifikasi missing data dan penyebabnya dilakukan melalui beberapa langkah yang tidak hanya mengidentifikasi dampak dari missing data, namun juga memberikan perbaikan untuk menghadapi data tersebut dalam analisis. Dalam Hair (2010) juga dikatakan bahwa pada isu yang terkait missing data, tugas peneliti adalah untuk mengidentifikasi dan melihat hubungan yang terdapat pada missing data sehingga jika dilakukan perbaikan, hasilnya akan memiliki distribusi yang sama atau mirip dengan distribusi data aslinya.

Berdasarkan jenisnya terdapat 2 tindakan yang dapat dilakukan untuk menghadapi missing data yang terdapat dalam set data yakni:

1. Mengabaikan missing data

Tindakan ini dilakukan karena terdapat allowance untuk missing data yang normal terjadi dalam teknik yang dilakukan. Missing data juga dapat diabaikan dengan alasan yang dapat diterima misalnya karena data yang disensor.

2. Menghiraukan missing data

Tindakan ini dilakukan jika peneliti bisa mengidentifikasi bahwa missing data terjadi karena faktor prosedural, misalnya saja kesalahan dalam menginput data. Untuk mengatasi missing data yang dapat dihiraukan, terdapat alternatif tindakan berupa penghapusan variabel atau case, namun tindakan tersebut hanya dapat dilakukan pada data multivariat dan beberapa data univariat. Sedangkan untuk data univariat berupa data time series, penghapusan tidak dapat dilakukan karena data dari tiap waktu harus diperhitungkan untuk menentukan model peramalan terbaik.

Metode yang dapat dilakukan untuk mengatasi missing data, antara lain:

a. Mean Substitution

Mean substitution dilakukan dengan mengganti nilai missing data dengan rata-rata data yang ada. Metode ini dapat digunakan pada data numerik.

b. Regression-Based Approach

Pada metode ini, analisis regresi digunakan untuk memprediksi nilai variabel missing data berdasarkan hubungannya dengan variabel lain pada set data. Metode ini mengasumsikan bahwa terdapat hubungan antara missing data dengan variabel lain yang terdapat pada set data.

c. Case Substitution

Metode ini dilakukan dengan mengganti keseluruhan variabel yang memiliki missing data dengan data lain dari observasi.

d. Hot or Cold Deck Imputation

Hot Deck Imputation dilakukan dengan mengganti nilai variabel dengan nilai yang dimiliki oleh case lain pada observasi, yang dianggap memiliki kasus serupa. Sedangkan Cold Deck Imputation dilakukan dengan mengganti nilai variabel dengan berdasarkan pada sumber eksternal (misalnya observasi lain).

Metode Peramalan Kuantitatif

Model peramalan kuantitatif merupakan metode peramalan yang dilakukan berdasarkan data yang memadai. Jenis metode peramalan kuantitatif yakni model kuantitatif ekstrinsik dan intrinsik. Model kuantitatif ekstrinsik sering disebut sebagai model kausal, dan yang paling popular adalah model-model regresi (regression causal model). Model kuantitatif intrinsik sering disebut sebagai model deret waktu (time series). Model deret waktu yang umum dan populer diterapkan dalam peramalan antara lain rata-rata bergerak (moving averages), pemulusan eksponensial (exponential smoothing) dan proyeksi kecenderungan (trend projection).

Metode Kausal

Metode kausal terdiri atas teknik-teknik peramalan yang menggunakan informasi atas satu atau beberapa independent variable untuk memprediksi dependent variable dengan memanfaatkan pengetahuan atas hubungan antara variabel-variabel tersebut. Teknik utama dalam model-model kausal ini adalah model regresi.

Model Regresi merupakan salah satu model statistik yang mencoba untuk menjelaskan perubahan satu atau beberapa variabel ketika variabel lainnya mengalami perubahan. Variabel yang akan dijelaskan perubahannya biasa disebut variabel dependen atau variabel respons. Variabel yang menjelaskan perubahan variabel dependen (respons) disebut variabel independen atau variabel eksplanatori atau regresor atau prediktor. Pada modul ini istilah yang digunakan adalah variabel dependen dan variabel independen.

Pada metode kausal jenis regresi yang biasanya digunakan adalah multiple regression. Pada metode kausal, variabel independen (xi) merupakan variabel-variabel yang menyatakan sesuatu yang bukan waktu.

Terdapat alasan apriori untuk menganggap bahwa satu variabel dipengaruhi oleh variabel yang lain. Sebagai contoh, terdapat alasan yang kuat untuk mempercayai bahwa iklan akan mempengaruhi tingkat penjualan.
Sebuah indikator utama dapat diidentifikasi. Sebagai contoh, tingkat kelahiran bayi saat ini dapat digunakan untuk meramalkan kebutuhan akan busana balita untuk beberapa tahun ke depan.
Horison waktu peramalan yang relevan. Dalam jangka pendek, jarak waktu (delay) antara efek kausal dan waktu saat data dikumpulkan dapat diabaikan. Namun dalam jangka panjang terdapat kemungkinan bahwa efek kausal telah bergeser akibat faktor jarak waktu.

Metode Deret Waktu

Metode deret waktu memanfaatkan data masa lalu untuk meramalkan suatu kondisi di masa yang akan datang. Peramalan dengan metode time series menggunakan sumbu x untuk menunjukkan skala waktu seperti minggu, bulan, kuarter, atau tahun.

Beberapa metode kuantitatif yang sering digunakan untuk meramalkan permintaan pasar antara lain naive forecast, simple moving average, weighted moving average, single exponential smoothing, exponential smoothing with trend adjustment, linear regression with time, dan seasonal adjustment.

a. Naive Forecast

Metode ini sangat mudah diaplikasikan dengan menggunakan aturan sederhana. Naïve forecast digunakan untuk peramalan dalam jangka pendek dan dengan jumlah permintaan stabil. Misalnya peramalan untuk bulan depan sama dengan data bulan sebelumnya atau dengan data dari bulan yang sama tahun lalu. Walaupun metode ini sangat sederhana namun metode ini dipercaya sangat efektif

b. Simple moving average

Metode ini memanfaatkan rata-rata data aktual dari beberapa periode masa lalu. Penggunaan metode ini diawali dengan menentukan jumlah periode data masa lalu yang akan digunakan untuk meramalkan masa datang. Rata-rata data masa lalu yang digunakan bersifat dinamis disesuaikan dengan periode yang akan diramalkan. Semakin banyak jumlah periode yang digunakan untuk peramalan maka hasil yang diperoleh akan lebih smooth.

c. Weighted moving average

Sama halnya dengan metode simple moving average, metode ini juga memanfaatkan data aktual dari beberapa periode masa lalu. Perbedaanya terletak pada penggunaan bobot dalam meramalkan permintaan periode masa datang. Pemilihan bobot akan berpengaruh terhadap galat peramalan.

d. Single exponential smoothing

Metode ini memanfaatkan data hasil peramalan periode sebelumnya dan data aktual dari periode yang bersangkutan. Exponential smoothing bertujuan untuk melakukan penyesuaian antara hasil peramalan dengan data aktual.

e. Exponential smoothing with trend adjustment

Metode ini mempertimbangkan adanya factor trend pada data. Exponential smoothing with trend adjustment merupakan perkembangan dari metode simple moving average. Beta (β) menggunakan perubahan nilai aktual untuk memodifikasi tren peramalan dari periode sebelumnya. Untuk menghilangkan pengaruh level dan trend data peramalan maka dibutuhkan data dari beberapa periode sebelumnya.

f. Linear regression with time

Metode ini berupaya untuk mengestimasi sebuah garis lurus yang sesuai dengan kumpulan titik-titik yang ada. antara garis estimator dengan masing-masing titik. Garis tersebut terdiri dari intercept dan slope. Kedua nilai ini berubah seiring dengan pertambahan periode peramalan Berbeda dengan metode kausal, metode ini, waktu merupakan variabel independent.

g. Seasonal adjustment

Metode ini digunakan jika pola data masa lalu bersifat musiman. Variasi pola ini harus dikuantifikasi agar galat peramalannya dapat diminimasi. Jika data tersebut juga memiliki tren tertentu maka hal tersebut juga harus diperhitungkan.