Peramalan ( Forecasting)

PERAMALAN  (FORECASTING)

Salah satu keputusan penting dalam perusahaan yang dilakukan oleh manajemen adalah menentukan tingkat produksi dari barang atau jasa yang perlu disiapkan untuk masa datang. Penentuan tingkat produksi, yang merupakan tingkat penawaran yang dipengaruhi oleh jumlah permintaan pasar yang dapat dipenuhi oleh perusahaan. Tingkat penawaran yang lebih tinggi dari permintaan pasar dapat mengakibatkan terjadinya pemborosan biaya, seperti biaya penyimpanan, biaya modal, dan biaya kerusakan barang. Tingkat penawaran yang lebih rendah dibandingkan dengan kemampuan pangsa pasar yang dapat diraih mengakibatkan hilangnya kesempatan untuk memperoleh keuntungan, bahkan mengakibatkan hilangnya pelanggan karena beralih ke pesaing.

            Untuk membantu tercapainya suatu keputusan yang optimal diperlukan adanya suatu cara yang tepat, sistematis dan dapat dipertanggungjawabkan. Salah satu alat yang diperlukan oleh manajemen dan merupakan bagian dari proses pengambilan keputusan adalah metode Peramalan (Forecasting). Metode peramalan digunakan untuk mengukur atau menaksir keadaan di masa datang. Peramalan tidak saja dilakukan untuk menentukan jumlah produk yang perlu dibuat atau kapasitas jasa yang perlu disediakan, tetapi juga diperlukan untuk berbagai bidang lain (seperti dalam pengadaan, penjualan, personalia, termasuk peramalan teknologi, ekonomi ataupun perubahan sosial-budaya). Dalam setiap perusahaan, bagian yang satu selalu mempunyai keterkaitan dengan bagian lain sehingga suatu peramalan yang baik atau buruk akan mempengaruhi perusahaan secara keseluruhan.

            Kebutuhan akan peramalan semakin bertambah sejalan dengan keinginan manajemen untuk memberikan respon yang cepat dan tepat terhadap kesempatan di masa datang, serta menjadi lebih ilmiah dalam menghadapi lingkungan. Oleh karena itu, penguasaan terhadap metode peramalan menjadi signifikan bagi seorang manajer operasi.

1.1       Pengertian Umum

Peramalan dapat dilakukan secara kuantitatif ataupun kualitatif. Pengukuran kuantitatif menggunakan metode statistik, sedangkan pengukuran kualitatif berdasarkan pendapat (judgment) dari yang melakukan peramalan. Berkaitan dengan itu, dalam peramalan dikenal istilah prakiraan dan prediksi.

            Peramalan didefinisikan sebagai proses peramalan suatu variabel (kejadian) di masa datang dengan berdasarkan data variabel yang bersangkutan pada masa sebelumnya. Data masa lampau itu secara sistematik digabungkan dengan menggunakan suatu metode tertentu dan diolah untuk memperoleh prakiraan keadaan pada masa datang.

            Prediksi adalah proses peramalan suatu variabel di masa datang dengan lebih mendasarkan pada pertimbangan subjektif/intuisi daripada data kejadian pada masa lampau. Meskipun lebih menekankan pada intuisi, dalam prediksi juga sering terdapat data kuantitatif yang dipakai sebagai masukan dalam melakukan peramalan. Dalam prediksi, peramalan yang baik/tepat sangat tergantung dari kemampuan, pengalaman dan kepekaan dari orang yang bersangkutan.

            Perbedaan antara prakiraan dan prediksi dapat digambarkan sebagai berikut. Suatu perusahaan ingin meramalkan berapa permintaan pasar atas produknya pada periode yang akan datang, maka perusahaan itu dapat melakukan prakiraan dengan menggunakan data penjualan periode sebelumnya untuk mengetahui taksiran permintaan pasar. Namun, jika akan mengeluarkan produk baru, perusahaan yang bersangkutan melakukan prediksi untuk mengetahui berapa jumlah yang dapat diserap pasar karena belum mempunyai data penjualan masa lampau. Dalam hal ini, perusahaan menggunakan data kuantitatif–seperti data penjualan produk sejenis dari perusahaan lain–sebagai masukan dalam melakukan prediksi.

            Berdasarkan horizon waktu, Jenis-jenis peramalan dapat dibagi dalam tiga bagian, yaitu peramalan jangka panjang, menengah, dan jangka pendek.

1.   Peramalan jangka panjang,   yaitu yang mencakup waktu lebih besar dari 24 bulan, misalnya peramalan yang diperlukan dalam kaitannya dengan penanaman modal, perencanaan fasilitas, dan perencanaan untuk kegiatan litbang.

2.   Peramalan jangka menengah,  yaitu antara 3-24 bulan, misalnya peramalan untuk perencanaan penjualan, perencanaan dan anggaran produksi.

3.   Peramalan jangka pendek,  yaitu untuk jangka waktu kurang dari 3 bulan, misalnya peramalan dalam hubungannya dengan perencanaan pembelian material, penjadwalan kerja, dan penugasan.

            Peramalan jangka panjang banyak menggunakan pendekatan kualitatif, sedangkan peramalan jangka menengah dan pendek menggunakan pendekatan kuantitatif.

1.2       Metode Peramalan Kuantitatif

Pada dasarnya, metode kuantitatif yang digunakan dalam prakiraan dapat dikelompokkan dalam dua jenis, yaitu metode serial waktu dan metode kausal. Metode serial waktu (deret berkala, time series) adalah metode yang digunakan untuk menganalisis serangkaian data yang merupakan fungsi dari waktu. Metode ini mengasumsikan bahwa beberapa pola atau kombinasi pola selalu berulang sepanjang waktu, dan pola dasar dapat diidentifikasi semata-mata atas dasar data historis dari serial itu.  Tujuan analisis ini untuk menemukan pola deret variabel yang bersangkutan berdasarkan nilai-nilai variabel pada masa sebelumnya, dan mengekstrapolasikan pola itu untuk membuat peramalan nilai variabel tersebut pada masa datang.

            Metode kausal (causal/explanatory model) mengasumsikan bahwa faktor yang diprakirakan menunjukkan adanya hubungan sebab akibat dengan satu atau beberapa variabel bebas (independen). Misalnya, permintaan printer berhubungan dengan jumlah penjualan komputer, atau jumlah pendapatan berhubungan dengan faktor-faktor, seperti jumlah penjualan, harga jual, dan tingkat promosi. Kegunaan metode kausal untuk menemukan bentuk hubungan antara variabel-variabel dan menggunakannya untuk meramalkan nilai dari variabel tidak bebas (dependen).

1.2.1    Metode Serial Waktu

Analisis serial waktu dimulai dengan memplot data pada suatu skala waktu, mempelajari plot tersebut, dan akhirnya mencari suatu bentuk atau pola yang konsisten atas data. Pola dari serangkaian data dalam serial waktu dapat dikelompokkan dalam pola dasar sebagai berikut (lihat gambar 4.1).

 

 

	Gambar 1.1   Pola dalam Serial Waktu

 

1.     Konstan, yaitu apabila data berfluktuasi di sekitar rata-rata secara stabil. Polanya berupa garis lurus horizontal. Pola seperti ini terdapat dalam jangka pendek atau menengah, jarang sekali suatu variabel memiliki pola konstan dalam jangka panjang.

2.     Kecenderungan (trend), yaitu apabila data dalam jangka panjang mempunyai kecenderungan, baik yang arahnya meningkat dari waktu ke waktu maupun menurun. Pola ini disebabkan antara lain oleh bertambahnya populasi, perubahan pendapatan, dan pengaruh budaya.

3.     Musiman (seasonal), yaitu apabila polanya merupakan gerakan yang berulang-ulang secara teratur dalam setiap periode tertentu, misalnya tahunan, semesteran, kuartalan, bulanan atau mingguan. Pola ini berhubungan dengan faktor iklim/cuaca atau faktor yang dibuat oleh manusia, seperti liburan dan hari besar.

4.     Siklus (cyclical), yaitu apabila data dipengaruhi oleh fluktuasi ekonomi jangka panjang, seperti daur hidup bisnis. Perbedaan utama antara pola musiman dan siklus adalah pola musiman mempunyai panjang gelombang yang tetap dan terjadi pada jarak waktu yang tetap, sedangkan pola siklus memiliki durasi yang lebih panjang dan bervariasi dari satu siklus ke siklus yang lain.

5.     Residu atau variasi acak, yaitu apabila data tidak teratur sama sekali. Data yang bersifat residu tidak dapat digambarkan.

            Pengolahan data kuantitatif dari serial waktu dapat dilakukan dengan metode dasar, sebagai berikut:

a.        rata-rata bergerak;

b.       pemulusan eksponensial;

c.        dekomposisi.

            Metode dasar itu telah dikembangkan lagi menjadi berbagai derivasi/ turunannya. Dalam buku ini hanya akan dibahas sebagian dari derivasi metode dasar tersebut.

1.2.2    Metode Rata-Rata Bergerak

1.    Metode Rata-Rata Bergerak Sederhana (Simple Moving Average)

            Prakiraan didasarkan pada proyeksi serial data yang dimuluskan dengan rata-rata bergerak. Satu set data (N periode terakhir) dicari rata-ratanya, selanjutnya dipakai sebagai prakiraan untuk periode berikutnya. Istilah rata-rata bergerak digunakan karena  setiap diperoleh  observasi (data aktual) baru  maka  rata-rata  yang baru dapat dihitung dengan mengeluarkan/meninggalkan data periode yang terlama dan memasukkan data periode yang terbaru/terakhir. Rata-rata yang baru ini kemudian dipakai sebagai prakiraan untuk periode yang akan datang, dan seterusnya. Serial data yang digunakan jumlahnya selalu tetap termasuk data periode terakhir.

            Secara matematika, rumus prakiraan dengan metode rata-rata bergerak sederhana sebagai berikut.

Ft+1 =

Dimana :

X_t        = data pengamatan periode t

N         = jumlah deret waktu yang digunakan

F_t+1      = nilai prakiraan periode t + 1

            Tabel 6.1 memberikan contoh perhitungan peramalan menggunakan metode rata-rata bergerak sederhana dengan deret waktu (N) 3 periode dan 5 periode.

Tabel 1.1

Prakiraan dengan Metode Rata-Rata Bergerak Sederhana

Periode (t)	Nilai pengamatan (Xt)	Nilai peramalan (F)
		(N = 3)	(N = 5)
1 2 3 4 5 6 7 8 9 10 11	41 40 42 43 41 42 41 40 43 42 -	- - - 41,0 41,7 42,0 42,0 41,3 41,0 41,3 41,7	- - - - - 41,4 41,6 41,8 41,4 41,4 41,6

            Prakiraan permintaan pada periode ke-11 dapat dihitung, sebagai berikut.

Untuk N = 3               F₁₁ = (40 + 43 + 42) / 3 = 41,7

                        N = 5               F₁₁ = (42 + 41 + 40 + 43 + 42) / 5 = 41,6

            Semakin panjang/banyak serial waktu yang digunakan, grafik prakiraannya akan semakin halus (pengisolasian faktor random makin halus) tetapi semakin kurang responsif terhadap data aktualnya (lilhat gambar 4.2). Serial waktu yang digunakan dipilih secara trial and error sampai diperoleh kesalahan prakiraan yang terkecil. Pengukuran ketelitian prakiraan diterangkan pada bagian akhir bab ini.

2.         Metode Rata-Rata Bergerak Tertimbang

            Metode rata-rata bergerak sederhana menggunakan bobot yang sama pada setiap periode. Hal ini menunjukkan bentuk prakiraannya linier. Dalam banyak hal, periode yang diramalkan (periode t + 1) banyak memiliki keadaan yang sama dengan periode t dibandingkan periode yang lain, misalnya t-1 atau t-2. Oleh karena itu, periode terakhir seyogianya mendapat bobot yang lebih besar dibandingkan dengan periode sebelumnya (di sini menyiratkan adanya bentuk prakiraan yang non linier). Metode rata-rata tertimbang dikembangkan untuk dapat memenuhi keinginan itu.

            Metode rata-rata bergerak tertimbang (weighted moving average) juga menggunakan data N periode terakhir sebagai data historis untuk melakukan prakiraan, tetapi setiap periode mendapat bobot yang berbeda.

            Rumus metode rata-rata bergerak tertimbang sebagai berikut.

Ft+1 =

Ft+1 = W.Xt + Wt-1.Xt-1 + ... + Wt-N+1.Xt-N+1

                        Dimana :

                           W_t = persentase bobot yang diberikan periode t

            Apabila W_t + W_t-1 + ... + W_t-N+1 = 1, rumus nilai prakiraan untuk periode t+1 dapat disederhanakan menjadi:

                       

Ft+1 = Wt.Xt + Wt-1.Xt-1 + ... + Wt-N+1. Xt-N+1

            Contoh prakiraan dengan menggunakan metode rata-rata bergerak tertimbang dapat dilihat pada tabel 4.2. Pada tabel itu diberikan dua contoh, pertama menggunakan 3 periode dengan pembobotan 50:30:20 (kolom 3), sedangkan kedua menggunakan 4 periode dengan pembobotan 40:30:20:10 (kolom 4). Bobot terbesar berarti untuk periode t, dan secara berurutan untuk periode t-1, t-2 dan seterusnya.

Tabel 1.2

Peramalan dengan Metode Rata-Rata Bergerak Tertimbang

Periode (t)	Nilai pengamatan (Xt)	Nilai peramalan (F)
		(50, 30, 20)*	(40, 30, 20, 10)*
1 2 3 4 5 6 7 8 9 10 11	41 40 42 43 41 42 41 40 43 42 -	- - - 41,2 40,6 40,9 41,3 41,8 42,5 41,8 42,9	- - - - 40,7 40,8 41,3 41,6 42,3 41,9 42,7

*   Perbandingan bobot X pada periode t, t-1, t-2 (dalam persen)

** Perbandingan bobot X pada periode t, t-1, t-2, t-3 (dalam persen)