PERAMALAN (FORECASTING)

Setiap hari para manajer seperti halnya manajer di Tupperware membuat keputusan tanpa mengetahui apa yang akan terjadi di masa depan. Mereka memesan persediaan tanpa mengetahui bagaimana penjualan, membeli peralatan baru tanpa kejelasan mengenai permintaan produk, dan membuat investasi tanpa mengetahui bagaimana keuntungannya. Para manajer selalu berusaha membuat prediksi apa yang akan terjadi di masa depan dalam lingkup ketidakpastian. Membuat prediksi yang baik adalah tujuan utama dari peramalan.
Di dalam bab ini kita akan melihat jenis-jenis peramalan yang menyajikan beragam model peramalan. Tujuannya adalah untuk menunjukkan bahwa ada banyak jalan bagi para manajer untuk membuat peramalan. Bab ini juga mengulas peramalan penjualan bisnis dan menjelaskan cara untuk menyiapkan, mengawasi, dan menentukan ketepatan suatu peramalan. Peramalan yang baik adalah bagian yang sangat penting dari operasi pelayanan dan manufaktur yang efisien.

APAKAH PERAMALAN ITU
Peramalan (forecasting) adalah seni dan ilmu untuk memperkirakan kejadian di masa depan. Hal ini dapat dilakukan dengan melibatkan pengambilan data masa lalu dan menempatkannya ke masa yang akan datang dengan suatu bentuk model matematis. Bisa juga merupakan prediksi intuisi yang bersifat subjektif. Atau bisa juga dengan menggunakan kombinasi model matematis yang disesuaikan dengan pertimbangan yang baik dari seorang manajer.
Setelah mengenai beberapa teknik peramalan di bab ini, Anda akan melihat bahwa tidak ada satu metode tunggal yang paling unggul. Sesuatu yang berjalan dengan baik di suatu perusahaan pada suatu set kondisi tertentu mungkin bisa menjadi bencana bagi organisasi lain, atau bahkan pada departemen yang berbeda di perusahaan yang sama. Sebagai tambahan, Anda akan melihat keterbatasan dari apa yang dapat diharapkan dari'suatu peramalan. Sangat jarang peramalan memberikan hasil yang sempurna. Peramalan juga menghabiskan banyak biaya dan waktu untuk persiapan dan pengawasan.
Hanya sedikit bisnis yang dapat menghindari proses peramalan dan hanya menunggu apa yang terjadi untuk kemudian mengambil kesempatan. Perencanaan yang efektif baik untuk jangka panjang maupun pendek bergantung pada peramalan permintaan untuk produk perusahaan tersebut.

Meramal Horizon Waktu
Peramalan biasanya diklasifikasikan berdasarkan horizon waktu masa depan yang dicakupnya. Ho­rizon waktu terbagi atas beberapa kategori:
1.Peramalan jangka pendek. Peramalan ini mencakup jangka waktu hingga 1 tahun tetapi umumnya kurang dari 3 bulan. Peramalan ini digunakan untuk merencanakan pembelian, penjadwalan kerja, jumlah tenaga kerja, penugasan kerja, dan tingkat produksi.
2.Peramalan jangka menengah. Peramalan jangka menengah, atau intermediate, umumnya mencakup hitungan bulanan hingga 3 tahun. Peramalan ini berguna untuk merencanakan penjualan, perencanaan clan anggaran produksi, anggaran kas, clan menganallsis bermacam-macam rencana operasi.
3.Peramalan jangka panjang. Umumnya untuk perencanaan masa 3 tahun atau lebih. Peramalan jangka panjang digunakan untuk merencanakan produk baru, pembelanjaan modal, lokasi atau pengembangan fasilitas, Berta penelitian clan pengembangan (litbang).
Peramalan jangka menengah clan jangka panjang dapat dibedakan dari peramalan jangka pendek dengan melihat tiga hal:
1.Pertama, peramalan jangka menengah clan jangka panjang berkaitan dengan permasalahan yang lebih menyeluruh clan mendukung keputusan manajemen yang berkaitan dengan perencanaan produk, pabrik, clan proses. Menetapkan keputusan akan fasilitas, seperti misalnya keputusan seorang manajer umum untuk membuka pabrik manufaktur baru di Brasil, dapat memerlukan waktu 5-8 tahun sejak permulaan hingga benar-benar selesal secara tuntas.
2.Kedua, peramalan jangka pendek biasanya menerapkan metodologi yang berbeda dibandingkan peramalan jangka panjang. Teknik matematika, seperti rata-rata bergerak, penghalusan eksponensial, clan ekstrapolasi tren (yang kesemuanya akan dibahas sebentar lagi) umumnya clikenal untuk peramalan jangka pendek. Lebih sedikit metode kuantitatif yang berguna untuk meramalkan suatu permasalahan, misalnya apakah suatu produk baru seperti perekam disk optik perlu dimasukkan dalam lint produk perusahaan.
3.Akhirnya, sebagaimana yang mungkin Anda perkirakan, peramalan jangka pendek cenderung lebih tepat dibandingkan peramalan jangka panjang. Faktor-faktor yang mempengaruhi perubahan permintaan berubah setiap hari. Dengan demikian, sejalan dengan semakin panjangnya horizon waktu, ketepatan peramalan seseorang cenderung semakin berkurang. Peramalan penjualan harus diperbarul secara berkala untuk menjaga nilai clan integritasnya. Peramalan harus selalu dikaji ulang dan direvisi pada setiap akhir periode penjualan.
Pengaruh Siklus Hidup Produk
Faktor lain yang harus dipertimbangkan saat membuat peramalan penjualan, terutama peramalan penjualan jangka panjang, adalah siklus hidup produk. penjualan produk dan bahkan jasa, ticlak terjadi pada tingkat yang konstan sepanjang hidupnya. Hampir semua produk yang berhasil melalui empat tahapan: (1) perkenalan, (2) pertumbuhan, (3) kematangan, dan (4) penurunan.
Produk dalam dua tahapan pertama siklus produk (seperti virtual reality clan TV dengan fitur beresolusi tinggi) membutuhkan peramalan yang lebih panjang daripada produk yang beradapada tahapan matang dan penurunan (seperti disket 31/2 inci dan mobil penumpang). Peramalanyang menggambarkan siklus hidup, berguna dalam memproyeksikan tingkat penempatan pekerjayang berbeda-beda, penentuan tingkat persediaan dan kapasitas pabrik sepanjang produk melewati tahapan awal hingga akhir. Tantangan dalam pengenalan produk baru akan dijelaskan secara lebih rinci pada Bab sebelumnya.

JENIS PERAMALAN
Organisasi pada umumnya menggunakan tiga tipe peramalan yang utama dalam perencanaan operasi di masa depan:
1.Peramalan ekonomi (economic forecast) menjelaskan siklus bisnis dengan memprediksikan tingkat inflasi, ketersediaan uang, dana yang dibutuhkan untuk membangun perumahan, dan indikator perencanaan lainnya.
2.Peramalan teknologi (technological forecast) memperhatikan tingkat kemajuan teknologi yang dapat meluncurkan produk baru yang menarik, yang membutuhkan pabrik dan peralatan baru.
1.Peramalan permintaan (demand forecast) adalah proyeksi permintaan untuk produk atau layanan suatu perusahaan. Peramalan ini disebut juga peramalan penjualan, yang mengendalikan produksi, kapasitas, Berta sistem penjadwalan dan menjadi input bagi perencanaan keuangan, pemasaran, dan sumber daya manusia.
Peramalan ekonomi dan teknologi adalah teknik khusus yang mungkin bukan termasuk bagian dari tugas manajer operasi. Karena itu penekanan pada buku ini adalah pada peramalan permintaan.

KEPENTINGAN STRATEGIS PERAMALAN
Peramalan yang balk sangat penting dalam semua aspek bisnis: Peramalan merupakan satu-satunya prediksi atas permintaan hingga permintaan yang sebenarnya diketahui. Peramalan permintaan mengendalikan keputusan di banyak bidang. Berikut ini akan dibahas dampak peramalan produk pada tiga aktivitas: (1) sumber daya manusia, (2) kapasitas, dan (3) manajemen rantai-pasokan (supply-chain management).
Sumber Daya Manusia
Mempekerjakan, melatih, dan memberhentikan pekerja, semuanya bergantung pada permintaan. jika departemen sumber daya manusia harus mempekerjakan pekerja tambahan tanpa adanya persiapan, akibatnya kualitas pelatihan menurun dan kualitas pekerja juga menurun. Sebuah perusahaan kimia besar di Louisiana hampir kehilangan konsumen terbesarnya saat melakukan ekspansi cepat yang memberlakukan shift tanpa henti 24 jam, yang mengakibatkan rendahnya pengendalian kualitas pada shift kedua dan ketiga.
Kapasitas
Saat kapasitas tidak mencukupi, kekurangan yang diakibatkannya bisa berarti tidak terjaminnyapengiriman, kehilangan konsumen, dan kehilangan pangsa pasar. Inilah yang terjadi pada Nabisco saat la melakukan kesalahan dengan menghitung terlalu rendah permintaan untuk biskuit barn bernama Snackwell Devil's Food yang rendah kalori, yang ternyata permintaannya sangat besar. Bahkan dengan bekerja lembur, Nabisco tidak bisa memenuhi permintaan, dan kehilangan konsumen. Tetapi jika kapasitas dibangun berlebihan, biayanya bisa melonjak tajam.
Manaiemen Rantai Pasokan
Hubungan yang balk dengan pemasok, dan harga barang dan komponen yang bersaing, bergantung pada peramalan yang akurat. Sebagai contoh, manufaktur pembuat mobil yang menginginkan TRW Corp. menjamin ketersediaan kantung udara (airbag) yang cukup, harus menyediakan ramalan yang akurat untuk membenarkan ekspansi pabrik TRW. Dalam pasar global, di mana komponen mahal untuk jet Boeing 777 dibuat di lusinan negara, koordinasi yang dikendalikan oleh peramalan sangat penting. Penjadwalan transportasi ke Seattle untuk perakitan akhir pada biaya serendah mungkin berarti tidak ada kejutan tiba-tiba di akhir waktu yang akan menurunkan margin keuntungan yang sudah rendah.

TUJUH LANGKAH SISTEM PERAMALAN
peramalan terdiri dari tujuh langkah dasar. Tupperware Corporation, yang merupakan fokus Profil Perusahaan Global pada bah ini, akan digunakan sebagai contoh setiap langkah.
1.Menetapkan tujuan peramalan. Tupperware menggunakan peramalan permintaan untuk mengendalikan produksi pada 13 pabriknya.
2.Memilih unsur apa yang akan dismal. Tupperware yang memiliki lebih dari 400 produk, dengan unit simpan produknya (stock-keeping unit—SKU) masing-masing. Tupperware melakukan peramalan permintaan sesuai dengan pengelompokan produk ini.
3.Menentukan horizon waktu peramalan. Apakah ini merupakan peramalan jangka pendek, menengah, atau jangka panjang? Tupperware menyusun prediksi penjualan bulanan, kuartalan, dan tahunan.
4.Memilih tipe model peramalan. Tupperware menggunakan beragam model statistik yang akan didiskusikan, termasuk rata-rata bergerak, penghalusan eksponensial, dan analisis regresi. Selain itu juga model yang menggunakan penilaian subjektif atau nonkuantitatif.
5.Mengumpulkan data yang diperlukan untuk melakukan peramalan. Kantor pusat Tupperware mempunyai database yang besar untuk mengawasi penjualan setiap produk.
6.Membuat peramalan.
7.Memvalidasi dan menerapkan basil peramalan. Pada Tupperware, peramalan dikaji di departemen penjualan, pemasaran, keuangan, dan produksi untuk memastikan bahwa model, asumsi, dan data yang digunakan sudah valid. Perhitungan kesalahan dilakukan; kemudian peramalan digunakan untuk menjadwalkan bahan, peralatan, dan pekerja pada setiap pabrik.
Tujuh langkah ini menyajikan jalan yang sistematis untuk memulai, mendesain, dan menerapkan sistem peramalan. Apabila sistem tersebut digunakan untuk menghasilkan ramalan berkala, maka
data harus dikumpulkan secara rutin. Kemudian perhitungan aktual dibuat dengan bantuan komputer.
Terlepas dari sistem yang digunakan oleh perusahaan seperti Tupperware, setiap perusahaan menghadapi beberapa kenyataan:
1.Peramalan jarang ada yang sempurna. Hal ini berarti faktor luar yang tidak dapat kita duga atau kendalikan sering mempengaruhi peramalan. Perusahaan harus memberikan kelonggaran untuk kenyataan ini.
2.Hampir semua teknik peramalan mengasumsikan bahwa sistem akan tetap stabil. Oleh karena itu, beberapa perusahaan membuat ramalan secara otomatis menggunakan komputer dengan software peramalan, dan hanya mengawasi produk yang mempunyai permintaan tidak menentu.
3.Baik peramalan kelompok produk maupun peramalan secara keseluruhan lebih akurat daripada peramalan produk individu. Sebagai contoh, Tupperware, melakukan peramalan melalui pengelompokkan ukuran produk dan daerah pemasaran. pendekatan ini menolong menyeimbangkan prediksi yang mungkin kurang atau berlebih untuk setiap produk dan daerah pemasaran.

PENDEKATAN DALAM PERAMALAN
Terdapat dua pendekatan umum peramalan, sebagaimana ada dua cara mengatasi semua model keputusan. Yang satu adalah analisis kuantitatif, yang lainnya adalah analisis kualitatif. Peramalan kuantitatif (quantitative forecast) menggunakan model matematis yang beragam dengan data masa lalu dan variabel sebab akibat untuk meramalkan permintaan. Peramalan subjektif atau kualitatif (qualitative forecast) menggabungkan faktor seperti intuisi, emosi, pengalaman pribadi, dan sistem nilai pengambil keputusan untuk meramal. Beberapa perusahaan menggunakan satu pendekatan, dan perusahaan lain menggunakan pendekatan yang lain. Pada kenyataannya, kombinasi dari keduanya merupakan yang paling efektif.
Tinjauan Metode Kualitatif
Pada bagian ini, kita mempertimbangkan empat teknik peramalan kualitatif yang berbeda:
Keputusan dari pendapat juri eksekutif (jury of executive opinion). Dalam metode ini, pendapat sekumpulan kecil manajer atau pakar tingkat tinggi, sering dikombinasikan dengan model statistik, dikumpulkan untuk mendapatkan prediksi permintaan kelompok. Sebagai contoh, Perusahaan Bristol-Meyers Squibb, menggunakan 220 ilmuwan terkenal sebagai pendapat juri eksekutif untuk mendapatkan tren masa depan di bidang penelitian medis.

Metode Delphi (Delphi method). Ada tiga jenis peserta dalam metode Delphi: pengambil keputusan, karyawan, dan responder. pengambil keputusan biasanya terdiri dari 5 hingga 10 orang pakar yang akan melakukan peramalan. Karyawan membantu pengambil keputusan dengan menyiapkan, menyebarkan, mengumpulkan, Berta meringkas sejumlah kuesioner dan hasil survei. Responder adalah sekelompok orang, biasanya ditempatkan di tempat yang berbeda, di mana penilaian dilakukan. Kelompok ini memberikan input pada pengambil keputusan sebelum peramalan dibuat.
Sebagai contoh, negara bagian Alaska menggunakan metode Delphi untuk meramalkan ekonomi jangka panjangnya. Sekitar 90% anggaran negara bagian dihasilkan dari 1,5 juta barel minyak yang dipompa setiap, hari melalui pipa minyak di Prudhoe Bay. Sekumpulan besar pakar harus mewakili semua kelompok dan pendapat dalam negara bagian dan wilayah. Delphi merupakan alas peramalan yang sempurna, karena perjalanan para panelis dapat dihindari. Hal ini juga berarti bahwa Para pemimpin Alaska dapat berperan Berta karena jadwal mereka tidak dipengaruhi oleh pertemuan dan jarak.

Gabungan dari tenaga penjualan (sales force composite). Dalam pendekatan ini, setiap tenaga penjualan memperkirakan berapa penjualan yang bisa is lakukan dalarn. wilayahnya. Peramalan ini kemudian dikaji untuk memastikan apakah peramalan cukup realistic. Kemudian peramalan dikombinasikan pada tingkat wilayah dan nasional untuk mendapatkan peramalan secara keseluruhan.

Survei pasar konsumen (consumer market survey). Metode ini meminta input dari konsumen mengenai rencana pembelian mereka di masa depan. Hal ini membantu tidak hanya dalam menyiapkan peramalan tetapi juga memperbaiki desain produk dan perencanaan produk baru. Survei konsumen dan gabungan tenaga penjualan bisa jadi tidak benar, karena peramalan yang berasal dari input konsumen yang terlalu optimis. Hancurnya industri telekomunikasi di tahun 2001 merupakan hasil ekspansi berlebihan untuk memenuhi "ledakan permintaan konsumen". Dari mana data ini berasal? Oplink Communications, pemasok Nortel Network, mengatakan bahwa "peramalan perusahaan beberapa tahun terakhir hanya didasarkan pada percakapan informal dengan para konsumen."

Tinjauan Metode Kuantitatif
Bab ini akan menguraikan lima metode peramalan yang menggunakan data masa lalu. Mereka dibagi ke dalam dua kategori:
1.Pendekatan naif
2.Rata-rata bergerak model time-series
3.Penghalusan eksponensial
4.Proyeksi tren
5.Regresi linear model asosiatif
Model Time-Series Model time-series membuat prediksi dengan asumsi bahwa masa depan merupakan fungsi masa lalu. Dengan kata lain, mereka melihat apa yang terjadi selama kurun waktu tertentu, dan menggunakan data masa lalu tersebut untuk melakukan peramalan. jika kita memperkirakan penjualan mingguan mesin pemotong rumput, kita menggunakan data penjualan minggu lalu untuk membuat ramalan.
Model Asosiatif Model asosiatif (atau hubungan sebab akibat), seperti regresi linear, menggabungkan variabel atau faktor yang mungkin mempengaruhi kuantitas yang sedang diramalkan. Sebagai contoh, model asosiatif dari penjualan mesin pemotong rumput mungkin memasukkan faktor seperti adanya perumahan baru, anggaran Man, dan harga pesaing.


PERAMALAN TIME-SERIES
Time-series didasarkan pada waktu yang berurutan atau yang berjarak sama.(mingguan, bulanan, kuartalan, dan lainnya). Contohnya adalah penjualan mingguan Nike Air Jordans, laporan penghasilan kuartalan saham Microsoft, pengiriman harian bir Coor, dan indeks harga konsumen tahunan. Meramalkan data time-series berarti nilai masa depan diperkirakan hanya dan nilai masa lalu dan bahwa variabel lain diabaikan, walaupun variabel-variabel tersebut mungkin bisa sangat bermanfaat.
Dekomposisi Time-Series
Menganalisis time-series berarti membagi data masa lalu menjadi komponen-komponen, dan kemudian memproyeksikannya ke masa depan. Time-series mempunyai empat komponen: tren, musim, siklus, dan variasi acak (random variation).
1.Tren merupakan pergerakan data sedikit demi sedikit meningkat atau menurun. Perubahan pendapatan, populasi, penyebaran umur, atau pandangan budaya dapat mempengaruhi pergerakan tren.
2.Musim adalah pola data yang berulang pada kurun waktu tertentu seperti hari, minggu, bulan, atau kuartal.
1.Siklus adalah pola dalam data yang terjadi setiap beberapa tahun. Siklus ini biasanya terkait pada siklus bisnis dan merupakan satu hal penting dalam analisis dan perencanaan bisnis jangka pendek. Memprediksi siklus bisnis sulit karena bisa dipengaruhi oleh kejadian politik ataupun kerusuhan internasional.
2.Variasi acak merupakan satu titik khusus dalam data, yang disebabkan oleh peluang dan situasi yang tidak biasa. Variasi acak- tidak mempunyai pola khusus, jadi tidak dapat diprediksi.
Gambar 1 menggambarkan permintaan selama kurun waktu empat tahun. Gambar ini menunjukkan rata-rata, tren, komponen musiman, dan variasi acak di sekeliling kurva permintaan. Permintaan rata-rata merupakan penjumlahan permintaan untuk setiap kurun waktu dibagi dengan jumlah data pada kurun waktu tersebut.

Pendekatan Naif
Cara yang paling sederhana untuk meramal adalah dengan berasumsi bahwa permintaan di periode mendatang akan sama dengan permintaan pada periode terakhir. Dengan kata lain, jika penjualan in sebuah produk—katakanlah telepon genggam Motorola—adalah 68 unit pada bulan januari, tang kita dapat meramalkan bahwa penjualan pada bulan Februari akan sama yaitu sebanyak 68 unit Juga. Apakah cara ini masuk akal? Terbukti untuk beberapa jenis produk, pendekatan naif (naïve approach) ini merupakan model peramalan objektif yang paling efektif dan efisien dari segi biaya.
Paling tidak, pendekatan naif memberikan titik awal untuk perbandingan dengan model lain yang lebih canggih.
Rata-rata Bergerak
Peramalan Rata-rata. bergerak (moving average) menggunakan sejumlah data aktual masa lalu untuk menghasilkan peramalan. Rata-rata bergerak berguna jika kita dapat mengasumsikan bahwa permintaan akan pasar akan stabil sepanjang masa yang kita ramalkan. Rata-rata bergerak empat-bulanan ditemukan dengan cara sederhana, yaitu menjumlahkan permintaan selama masa empat bulan yang lalu, dibagi dengan empat. Sewaktu satu bulan berlalu, data bulanan yang terbaru ditambahkan pada penjumlahan data tiga bulan sebelumnya, dan data bulan yang paling awal dihapus. Praktik semacam ini cenderung meminimumkan ketidaknormalan dalam data berseri.
Secara matematis, rata-rata bergerak sederhana (merupakan prediksi permintaan periode mendatang) dinyatakan sebagai:

Rata-rata bergerak =  permintaan n periode sebelumnya
n
di mana n adalah jumlah periode dalam rata-rata bergerak—sebagai contoh, 4, 5, atau 6 bulan, berarti rata-rata bergerak untuk 4, 5, atau 6 periode.
Contoh 1 menunjukkan bagaimana rata-rata bergerak dihitung.

Saat ada tren atau pola yang terdeteksi, bobot dapat digunakan untuk menempatkan penekanan yang lebih pada mlai terkini. Praktik im membuat teknik peramalan lebih tanggap terhadap perubahan karena periode yang lebih dekat mendapatkan bobot yang lebih berat. Pemilihan bobot merupakan hal yang ticlak pasti karena ticlak ada rumus untuk menetapkan mereka. Oleh karena itu, pemutusan bobot yang mana 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.
Rata-rata bergerak dengan pembobotan dapat digambarkan secara matematis sebagai:

Rata-rata bergerak dengan pembobotan =

 (bobot pada periode n ) (permintaan pada periode n)

 bobot

contoh diatas menunjukkan bagaimana menghitung rata-rata bergerak dengan pembobotan.

Baik rata-rata bergerak sederhana maupun rata-rata bergerak dengan pembobotan sangat efektif dalam meredam fluktuasi pada pola permintaan untuk menghasilkan prediksi yang stabil. Rata-rata bergerak mempunyai tiga masalah:
1.Bertambahnya jumlah n (jumlah periode yang dirata-rata) memang meredam fluktuasi dengan lebih baik, tetapi membuat metode ini kurang sensitif terhadap perubahan nyata pada data.
2.Rata-rata bergerak tidak dapat menggambarkan tren dengan baik. Karena merupakan rata-rata, mereka akan selalu berada dalam tingkat yang sebelumnya dan tidak akan memprediksikan perubahan ke tingkat yang lebih tinggi atau lebih rendah, yang merupakan nilai aktual sesungguhnya.
3.Rata-rata bergerak membutuhkan data masa lalu yang ekstensif.
Gambar 2 merupakan gambaran data pada Contoh 1 dan 2, mengilustrasikan efek keterlambatan (lag effect) model rata-rata bergerak. Perhankan bahwa balk garis rata-rata bergerak dan garis rata-rata bergerak dengan pembobotan tertinggal dari permintaan aktual sejak bulan April. Walaupun demikian, rata-rata bergerak dengan pembobotan biasanya bereaksi lebih cepat saat terjadi perubahan permintaan. Bahkan saat periode menurun (lihat November dan December), rata-rata bergerak dengan pembobotan dapat lebih mendekati permintaan aktual.
Penghalusan Eksponensial
Penghalusan eksponensial (exponential smoothing) merupakan metode peramalan rata-rata bergerak dengan pembobotan yang canggih, namun masih mudah digunakan. Metode ini menggunakan sangat sedikit pencatatan data masa lalu. Rumus penghalusan eksponensial dasar dapat ditunjukkan sebagai berikut:

Peramalan baru = peramalan periode lalu +  (permintaan actual periode lalu – peramalan periode lalu)

di mana  adalah sebuah bobot, atau konstanta penghalusan (smoothing constant), yang dipilih oleh peramal, yang mempunyai nilai antara 0 dan 1. Persamaan (3) dapat juga ditulis secara matematis sebagai

Konsepnya tidak rumit. Prediksi terakhir permintaan sama dengan prediksi lama, disesuaikan dengan sebagian dari diferensiasi permintaan aktual periode lalu dengan prediksi lama. Contoh 3 menunjukkan bagaimana menggunakan penghalusan eksponensial untuk mendapatkan peramalan.
Pada bulan januari, sebuah dealer mobil memprediksi permintaan Ford Mustang di bulan Februari sebanyak 142 mobil. permintaan aktual bulan Februari adalah 153 mobil. Dengan menggunakan konstanta penghalusan yang dipilih oleh pihak manajemen,  = 0,20, kita dapat meramalkan permintaan di bulan Maret dengan menggunakan model penghalusan eksponensial. Dengan memasukkan data sampel ke dalam rumus, kita mendapatkan:
Peramalan baru (untuk permintaan Maret) = 142 + 0,2 (153 – 142) = 142 + 2,2 = 144,2
jadi, peramalan permintaan bulan Maret untuk Ford Mustang dibulatkan menjadi 144.
Konstanta penghalusan, , untuk penerapan di bidang bisnis biasanya berkisar dari 0,05 hingga 0,5. Konstanta ini bisa diubah untuk memberi bobot lebih pada data sekarang (saat  tinggi) atau bobot lebih pada data masa lalu (saat a rendah). Saat  mencapai titik ekstrem 1,0, maka


pada persamaan (4-4), Ft = 1,0 At-1, . Semua nilai yang lebih lama turun, dan peramalan menjadi sama dengan model naif sebagaimana yang disebutkan sebelumnya pada bab ini. Ini berarti, peramalan permintaan untuk periode mendatang sama dengan permintaan periode ini.
Tabel berikut membantu menggambarkan konsep ini. Sebagai contoh, saat . =0,5, kita bisa melihat bahwa peramalan barn seluruhnya berclasarkan permintaan pada tiga atau empat periode terakhir. Saat  = 0, 1, peramalan menempatkan sedikit bobot pada permintaan sekarang dan menggunakan banyak periode (sekitar 19) dari nilai masa lalu dalam perhitungan.

Memilih Konstanta Penghalusan. Pendekatan penghalusan eksponensial mudah digunakan, dan telah berhasil diterapkan pada hampir setiap jenis bisnis. Walaupun demikian, nilai yang tepat untuk konstanta penghalusan, (X, dapat membuat diferensiasi antara peramalan yang akurat dan yang tidak akurat. Nilai  yang tinggi dipilih saat rata-rata cenderung berubah. Nilai  yang rendah digunakan saat 'rata-rata cukup stabil. Tujuan pemilihan suatu nilai untuk konstanta penghalusan adalah untuk mendapatkan peramalan yang paling akurat.
Menghitung Kesalahan peramalan
Keakuratan keseluruhan dari setiap model peramalan—rata-rata bergerak, penghalusan eksponensial, atau lainnya—dapat dijelaskan dengan membandingkan nilai yang dismal dengan nilai aktual atau nilai yang sedang diamati. Jika F, melambangkan peramalan pada periode t, dan A, melambangkan permintaan aktual pada periode t, maka kesalahan peramalan (deviasi) adalah:
Kesalahan peramalan = permintaan aktual – Nilai peramalan
= A, – Ft
Ada beberapa perhitungan yang biasa digunakan untuk menghitung kesalahan peramalan (fore­cast error) total. perhitungan ini dapat digunakan untuk membandingkan model peramalan yang berbeda, juga untuk mengawasi peramalan, untuk memastikan peramalan berjalan dengan balk. Tiga dari perhitungan yang paling terkenal adalah deviasi rata-rata absolut (mean absolute devia­tion—MAD), kesalahan rata-rata kuadrat (mean squared error—MSE), dan kesalahan persen rata-rata absolut (mean absolute percent error—MAPS). Sekarang akan dijelaskan dan diberikan sebuah contoh untuk masing-masing perhitungan.
Mean Absolute Deviation Ukuran pertama kesalahan peramalan keseluruhan untuk sebuah model adalah MAD. Nilai ini dihitung dengan mengambil jumlah nilai absolut dari tiap kesalahan peramalan dibagi dengan jumlah periode data (n).

Posted in: Specific Topic in Finance