Forecasting Models – Seni & Sains Meramal Bisnis

Dalam bisnis, keputusan hari ini dibuat untuk hasil di masa depan. Berapa bahan baku yang harus dibeli? Berapa kasir yang harus disiapkan minggu depan?

Tanpa bola kristal, manajer mengandalkan Forecasting Models. Pada Sesi 12 ini, kita akan membahas jenis-jenis metode peramalan, cara membedah data deret waktu (time series), dan cara mengukur seberapa akurat ramalan kita.

1. Jenis-Jenis Model Peramalan

Secara umum, metode peramalan dibagi menjadi dua kategori besar berdasarkan ketersediaan data:

A. Qualitative Models (Metode Kualitatif)

Digunakan ketika tidak ada data historis (misalnya produk baru) atau data tidak relevan lagi. Model ini mengandalkan intuisi dan pengalaman.

1. Delphi Method: Proses iteratif grup pakar untuk mencapai konsensus.
2. Jury of Executive Opinion: Sekelompok manajer level atas berdiskusi untuk membuat estimasi.
3. Sales Force Composite: Menggabungkan estimasi dari setiap tenaga penjual (salesperson) di lapangan.
4. Consumer Market Survey: Bertanya langsung kepada calon pembeli tentang rencana pembelian mereka.

B. Quantitative Models (Metode Kuantitatif)

Digunakan ketika data historis tersedia.

1. Time Series Models: Berasumsi bahwa “masa lalu adalah indikator masa depan”. (Contoh: Moving Average, Exponential Smoothing).
2. Causal Models: Berasumsi ada hubungan sebab-akibat antara variabel. (Contoh: Penjualan Payung dipengaruhi oleh Curah Hujan $\rightarrow$ Regresi Linear).

---

2. Dekomposisi Data Time Series

Saat kita melihat grafik penjualan dari waktu ke waktu, pola yang terlihat sebenarnya adalah gabungan dari 4 komponen. Proses memisahkan komponen ini disebut Decomposition.

1. Trend (T): Pergerakan jangka panjang ke atas atau ke bawah (misal: Pertumbuhan populasi, pergeseran teknologi).
2. Seasonality (S): Pola berulang yang teratur dalam periode kurang dari satu tahun (misal: Penjualan baju naik tiap Lebaran, penjualan es krim naik tiap musim panas).
3. Cycles (C): Pola gelombang jangka panjang (lebih dari 1 tahun) yang dipengaruhi siklus ekonomi/politik (misal: Resesi, Boom ekonomi).
4. Random Variations (R): Fluktuasi acak yang tidak bisa diprediksi (misal: Penjualan turun karena pabrik kebakaran atau mogok kerja).

Rumus Dasar: $Y = T \times S \times C \times R$ (Model Multiplikatif)

---

3. Teknik Peramalan di Excel

Dalam praktik BDM, kita menggunakan Excel untuk menghitung model Time Series berikut (biasanya ada di file 11-1 s/d 11-5):

A. Moving Averages (Rata-Rata Bergerak)

Cocok untuk data yang stabil (tidak ada trend kuat).

• Simple Moving Average: Rata-rata 3 bulan terakhir.
• Weighted Moving Average: Memberi bobot lebih besar pada bulan terbaru (karena dianggap lebih relevan).

B. Exponential Smoothing

Metode canggih yang hanya membutuhkan 3 data: Forecast periode lalu, Data Aktual periode lalu, dan konstanta pemulusan ($\alpha$).

• Jika $\alpha$ (alpha) tinggi: Model sangat reaktif terhadap perubahan terbaru.
• Jika $\alpha$ rendah: Model lebih stabil (smooth).

C. Trend Projections (Least Squares)

Menggunakan garis regresi ($Y = a + bX$) untuk memproyeksikan data yang memiliki tren kenaikan/penurunan yang jelas.

---

4. Mengukur Akurasi (Error Measurements)

Bagaimana kita tahu model mana yang terbaik? Apakah Moving Average 3-bulan atau 5-bulan? Kita harus menghitung Forecast Error ($Error = Actual – Forecast$).

Tiga ukuran kesalahan yang paling umum adalah:

1. MAD (Mean Absolute Deviation):Rata-rata kesalahan absolut. Memberitahu kita seberapa besar “melesetnya” ramalan kita dalam satuan unit.
   • Rumus: $\frac{\sum |Actual – Forecast|}{n}$
2. MSE (Mean Squared Error):Rata-rata kuadrat kesalahan. Karena dikuadratkan, metode ini memberikan “hukuman” lebih berat pada kesalahan yang besar.
3. MAPE (Mean Absolute Percent Error):Rata-rata persentase kesalahan. Ini yang paling mudah dipahami manajemen.
   • Contoh: MAPE 5% artinya rata-rata ramalan kita meleset 5% dari kenyataan.

Aturan Main: Pilih model dengan MAD, MSE, atau MAPE yang Paling Kecil.

---

Kesimpulan Sesi 12

Tidak ada model ramalan yang sempurna. Kuncinya adalah:

1. Pilih model yang sesuai dengan pola data (Apakah ada Trend? Seasonality?).
2. Selalu pantau Error Measurement untuk memvalidasi model.
3. Gabungkan hasil hitungan Excel dengan pertimbangan kualitatif manajer.

Aktivitas Praktik:

Jika Anda memiliki file Excel 11-1.xls hingga 11-4.xls, cobalah bandingkan metode Moving Average dengan Exponential Smoothing. Lihat mana yang menghasilkan MAD lebih kecil untuk data penjualan yang sama.