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).
|
|
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 :
Xt = data pengamatan periode t
N = jumlah deret waktu yang digunakan
Ft+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 :
Wt = persentase bobot yang
diberikan periode t
Apabila
Wt + Wt-1 + ... + Wt-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)
makasih kak sangat membantu
BalasHapusHarrah's Lake Tahoe Casino & Hotel
BalasHapusCompare reviews, opening hours and a 영주 출장샵 parking map of 당진 출장마사지 Harrah's Lake 충청북도 출장마사지 Tahoe 김제 출장샵 Casino & Hotel, Stateline, NV, from 원주 출장마사지 real guest reviews. Rating: 2.7 · 6 reviews