Anda di halaman 1dari 8

Pengertian Peramalan

Peramalan (forecasting) adalah seni dan ilmu untuk memperkirakan kejadian di


masa depan,dimana hal ini dilakukan dengan melibatkan pengambilan data di
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 matematika
yang disesuaikan dengan pertimbangan yang baik dari seorang manajer.
Meramal Horizon Waktu
Peramalan biasanya diklasifikasikan berdasarkan horizon waktu masa depan
yang dicakupnya.Horizon Waktu terbagi kedalam beberapa kategori,yaitu :
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 dan anggaran
produksi,anggaran kas,dan menganalisis bermacam-macam rencana operasi.
3.Peramalan jangka panjang. Umumnya untuk perencanaan masa 3 tahun atau
lebih.Peramlan jangka panjang digunakan untuk merencanakan produk
baru,pembelanjaan,modal,lokasi atau pembangunan fasilitas,serta penelitian dan
pengembangan (litbang).
Peramalan jangka menengah dan jangka panjang dapat dibedakan dari
peramalan jangka pendek dengan melihat tiga hal berikut :
-

Pertama,peramalan jangka menengah dan jangka panjang berkaitan dengan


permasalahan yang lebih menyeluruh dan mendukung keputusan manajemen

yang berkaitan dengan perencanaan produk,pabrik dan proses.


Kedua,peramalan jangka pendek biasanya menerapkan metodologi yang
berbeda dibandingkan dengan peramlan jangka panjang.Teknik
matematika,seperti rata-rata bergerak,penghalusan eksponensial ,dan

ekstrapolasi tren yang umumnya dikenal untuk peramalan jangka pendek.Lebih


-

sedikit metode kuantitatif yang berguna untuk meramalkan suatu permasalahan.


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,semakin tipis pula
ketepatan peramalan seseorang.Peramalan penjualan harus diperbaharui secara
berkala untuk menjaga nilai integritasnya.Peramalan harus selalu dikaji ulang
dan direvisi pada setiap akhir periode penjualan.
Pengaruh Siklus Hidup Produk
Hampir semua produk yang berhasil melalui empat tahapan,yaitu :

1.
2.
3.
4.

Perkenalan
Pertumbuhan
Kematangan
Penurunan
Peramalan yang menggambarkan siklus hidup,berguna untuk memproyeksikan
tingkat penempatan pekerja yang berbeda-beda,penentuan tingkat persediaan
dan kapasitas pabrik sepanjang produk melewati tahapan awal hingga akhir.

Jenis Peramalan
Organisasi pada umumnya menggunakan tiga jenis peramalan yang utama
dalam perencanaan operasi masa depan :
1. Peramalan ekonomi (economic forecast) menjelaskan siklus bisnis dengan
memprediksikan tingkat inflasi,ketersediaan uang,dana yang dibutuhkan untuk
membangun perumahan,dan indicator perencanaan lainnya.
2. Peramalan teknologi (technological forecast) memperhatikan tingkat kemjuan
teknologi yang dapat meluncurkan produk baru yang menarik,yang
membutuhkan pabrik dan peralatan baru.
3. Peramalan permintaan (demand forecast) adalah proyeksi permintaan untuk
produk atau layanan suatu perusahaan.
4. Kepentingan Strategis Peramalan

Peramalan yang baik sangat penting dalam semua aspek bisnis :


Peramalan merupakan satu-satunya prediksi atas permintaan hingga permintaan
yang sebenarnya diketahui.Peramalan permintaan mengendalikan keputusan
dibanyak bidang.Berikut adalah dampak peramalan produk pada tiga
aktivitas,yaitu :
-

Sumber Daya Manusia


Kapasitas
Manajemen Rantai Pasokan
Hubungan yang tidak baik dengan pemasok,dan harga barang yang bersaing
dengan harga komponen,bergantung pada peramalan yang akurat.

Tujuh Langkah Sistem Peramalan


1.
2.
3.
4.
5.
6.
7.

Menetapkan tujuan peramalan


Memilih unsur apa yang diramal
Menentukan horizon waktu
Memilih tipe model peramalan
Mengumpulkan data yang diperlukan untuk melakukan peramlan
Membuat peramlan
Memvalidasi dan menerapkan hasil peramlan.
Tujuh langkah ini menyajikan jalan yang sistematis untuk
memulai,mendesain,dan menerapkan system peramalan.Apabila system
tersebut digunakan untuk menghasilkan ramalan berkala,maka data harus
dikumpulkan secara rutin.Kemudian perhitungan actual dibuat dengan bantuan
komputer.
Terlepas dari sistem diatas perusahaan menghadapi beberapa kenyataan :

1. Peramalan jarang sempurna.Hal ini berarti faktor luar yang tidak dapat kita duga
dan kita kendalikan sering mempengaruhi peramalan. Hampir semua teknik
peramalan mengansumsikan bahwa system akan tetap stabil.Oleh karena
itu,beberapa perusahaan membuat ramalan secara otomatis menggunakan
computer dengan software peramalan,dan hanya mengawasi produk yang
mempunyai permintaan tidak menentu.
2. Baik kelompok peramalan produk maupun peramalan secara keseluruhan lebih
akurat daripada peramalan produk individu.

PENDEKATAN DALAM PERAMALAN


Ada dua pendekatan umum peramalan :
-

Analisis kuantitatif
Peramalan kuantitatif (quantitative forecast) menggunakan model matematis
yang beragam dengan data masa lalu dan variabel sebab akibat untuk
meramalkan permintaan.

Analisis kualitatif
Peramalan subjektif atau kualitatif (qualitative forecast) menggabungkan faktor
seperti intuisi,emosi,pengalaman pribadi,dan system 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
Pertimbangan empat teknik peramalan kuantitatif yang berbeda :

1. Keputusan dari pendapat juri eksekutif (jury of executive opinion).Dalam metode


ini pendapat sekumpulan kecil manajer atau pakar tingkat tinggi,seiring
dikombinasikan dengan model statistik,dikumpulkan untuk mendapatkan prediksi
permintaan kelompok.
2. Metode Dephi (Delphi metodh).Ada tiga jenis peserta dalam metode Delphi :
pengambil keputusan,karyawan,dan responden.Pengambil keputusan biasanya
terdiri dari 5 hingga 10 orang pakar yang akan melakukan peramalan.Karyawan
membantu pengambil keputusan dengan
menyiapkan,menyebarkan,mengumpulkan,serta meringkas sejumlah kuesioner
dan hasil survei. Gabungan dari tenaga penjualan (sales force composite).Dalam
pendekatan ini,setiap tenaga penjualan memperkirakan berapa penjualan yang
bias ia lakukan dalam wilayahnya.Peramalan ini kemudian dikaji untuk
memastikan apakah peramalan dikombinasikan pada tingkat wilayah dan
nasional untuk mendapatkan peramalan secara keseluruhan.

3. Survei pasar konsumen (consumen market survey).Metode ini meminta input


dari konsumen mengenai rencana pembelian mereka dimasa depan.Hal ini
sangat 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.
Tinjauan Metode Kuantitatif
Metode peramalan yang menggunakan data masa lalu dibagi kedalam dua
kategori :
Model Time-Series (Pendekatan naf,Rata-rata bergerak,Penghalusan
eksponensial) 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.
Model asosiatif (Proyeksi tren,Regresi linear)
Model asosiatif (atau hubungan sebab akibat),seperti regresi
linear,menggabungkan variabel atau faktor yang mungkin mempengaruhi
kuantitas yang sedang diramalkan.
PERAMALAN TIME-SERIES
Time-series didasarkan pada waktu yang berurutan atau yang berjarak sama
(mingguan,bulanan,kuartalan,dll).Meramalkan data time-series berarti nilai masa
depan ierkirakan hanya dari nilai masa lalu dan bahwa variabel lain
diabaikan,walaupun variabel-variabel tersebut bisa sangat bermanfaat.
Dekomposisi Time-series
1. Tren merupakan pergerakan data sedikit demi sedikit meningkat atau menurun.
2. Musim adalah pola data yang berulang pada kurun waktu tertentu seperti
hari,minggu,bulan,atau kuartal.
3. Siklus adalah pola dalm 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.

4. 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.
Pendekatan Naif
Pendekatan naf (nave approach) ini merupakan model peramalan objektif yang
paling efektif dan efisien dari segi biaya.Paling tidak pendekatan naf
memberikan titik awal untuk perbandingan denan model lain yang lebih canggih.
Rata-rata Bergerak
Peramalan rata-rata bergerak (moving average) menggunakan sejumlah data
actual masa lalu untuk menghasilkan peramalan. Secara matematis,rata-rata
bergerak sederhana (merupakan prediksi permintaan periode mendatang)
dinyatakan sebagai berikut :
Rata-rata bergerak =

Dimana n adalah jumlah periode dalam rata-rata bergerak.


Rata-rata bergerak dengan pembobotan dapat digambarkan secara matematis
sebagai berikut :
Rata-rata bergerak dengan pembobotan =

Penghalusan Eksponensial
Penghalusan eksponensial (exponential smoothing) merupakan metode
peramalan rata-rata bergerak dengan pembobotan yang canggih,namun masih
mudah digunakan.
Peramalan baru = peramalan periode lalu
+ (permintaan aktual periode baru peramalan periode lalu)
Dimana adalah sebuah bobot,atau konstanta penghalusan (smoothing
constant),yang dipilih oleh peramal,yang mempunyai nilai antara 0 dan 1.
Persamaan diatas dapat ditulis secara matematis :

Ft = Ft-1+(At-1 Dimana : Ft

Ft-1)

= peramalan baru

Ft-1 = peramalan sebelumnya

= konstanta penghalus (pembobot) (0 1)

At-1

= permintaan aktual periode lalu

Konsepnya tidak rumit,prediksi terakhir permintaan sama dengan prediksi


lama,disesuaikan dengan sebagian dari diferensiasi permintaan aktual periode
lalu dengan prediksi lama,disesuaikan dengan sebagian dari diferensiasi
permintaan aktual periode lalu dengan periode lama.
Menghitung Kesalahan Peramalan
Persamaan kesalahan peramalan :
Kesalahan peramalan = permintaan aktual nilai peramalan
= At - Ft
Mean absolute Deviation (deviasi rata-rata absolute),adalah ukuran pertama
kesalahan peramalan keseluruhan untuk sebuah model adalah MAD.Nilai ini
dihitung dengan mengambil jumlah nilai absolut dari setiap kesalahan peramalan
dibagi dengan jumlah periode data (n) :

MAD =
Mean Squared Error (kesalahan rata-rata kuadrat),merupakan cara kedua untuk
mengukur kesalahan peramalan keseluruhan.Rumusnya adalah :

MSE =
Kekurangan unsur MSE adalah bahwa ia cenderung mnonjolkan deviasi yang
besar karena adanya pengkuadratan.

Mean absolute Percent Error (kesalahan persen rata-rata absolut),merupakan


masalah yang terjadi dengan MAD dan MSE adalah bahwa nilai mereka
tergantung pada besarnya unsure yang diramal.rumusnya adalah :

MAPE =