Pengertian Peramalan
Peramalan/Perkiraan (Forecasting) Forecasting adalah meramalkan,
memproyeksikan, atau mengadakan perkiraaan/ taksiran terhadap berbagai
kemungkinan yang akan terjadi sebelum suatu rancana yang lebih pasti dapat
dilakukan. Peramalan ( forecasting ) adalah seni dan ilmu untuk memperkirakan
kejadian di masa depan. Hal ini dapat dilakukan dengan melibatkan pengambilan
data historis dan memproyeksikannya ke masa mendatang dengan suatu bentuk
model matematis. Hal ini bisa juga merupakan pediksi intuisi yang bersifat
subjektif. Hal ini pun dapat dilakukan dengan menggunakan kombinasi model
matematis yang disesuakan dengan pertimbangan yang baik dari seorang manager.
Setelah mengenal beberapa teknik peramalan, anda akan melihat bahwa tidak ada
satu metode tunggal yang paling unggul. Sesuatu yan berjalan dengan baik di suatu
perusahaan pada suatu set kondisi tertentu mungkin bisa menjadi bencana bagi
organisasi lain, bahkan pada departemen yang berada di perusahaan yang sama.
Selain itu, anda akan melihat keterbatasan dari apa yang dapat anda harapkan dari
suatu peramalan.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. Peramalan (Forecasting),
merupakan kegiatan memprediksi nilai-nilai sebuah variabel berdasarkan nilai
yang diketahui dari variabel tersebut atau variabel yang berhubungan. Terdapat dua
macam metode yaitu metode kualitatif dan metode kuantitatif. Metode kualitatif
hanya menggunakan intuisi saja, tanpa menggunakan pendekatan matematis
maupun statistik. Situasi, kondisi, dan pengalaman peramal sangat mempengaruhi
hasil ramalan. Metode kuantitatif dapat dibedakan menjadi dua cara yaitu metode
kausal dan metode time series. Metode kausal mempertimbangkan nilai sebuah
variabel sebagai pengaruh dari banyak variabel yang lain. Sedangkan metode time
series hanya meninjau nilai sebuah variabel sebagai fungsi waktu.
Kegunaan Peramalan
Data ramalan dipergunakan sebagai perkiraan, bukan merupakan suatu angka atau
bilangan yang harus dipergunakan begitu saja. Penggunaannya masih memerlukan
pertimbangan dari para pemakai. Hal ini disebabkan oleh karena hasil ramalan
biasanya didasarkan atas dasar asumsi-asumsi, kalau keadaan tidak berubah seperti
waktu sebelumnya.
Peramalan Kualitatif :
" Peramalan yang didasarkan atas data kualitatif pada masa lalu, hasil peramalan
tergantung pada orang yang menyusunnya ".
Peramalan Kuantitatif :
" Peramalan yang didasarkan atas data kuantitatif pada masa lalu, hasilnya
tergantung pada metode yang digunakan ".
REGRESI DAN KORELASI
Regresi merupakan suatu alat ukur yang juga dapat digunakan untuk mengukur ada
atau tidaknya korelasi antarvariabel.
SEDANGKAN Korelasi merupakan teknik analisis yang termasuk dalam salah
satu teknik pengukuran asosiasi / hubungan (measures of association).
Forecasting adalah peramalan atau perkiraan mengenai sesuatu yang belum terjadi.
Ramalan yang dilakukan pada umumnya akan berdasarkan data yang terdapat di
masa lampau yang dianalisis dengan mengunakan metode-metode tertentu.
Forecasting diupayakan dibuat dapat meminimumkan pengaruh ketidakpastian
tersebut, dengan kata lainbertujuan mendapatkan ramalanyang bisa
meminimumkan kesalahan meramal (forecast error) yang biasanya diukur dengan
Mean Absolute Deviation, Absolute Error, dan sebagainya. Peramalan merupakan
alat bantu yang sangat penting dalam perencanaan yang efektif dan efisien
(Subagyo, 1986).
Peramalan permintaan memiliki karakteristik tertentu yang berlaku secara umum.
Karakteristik ini harus diperhatikan untuk menilai hasil suatu proses peramalan
permintaan dan metode peramalan yang digunakan. Karakteristik peramalan yaitu
faktor penyebab yang berlaku di masa lalu diasumsikan akan berlaku juga di masa
yang akan datang, dan peramalan tak pernah sempurna, permintaan aktual selalu
berbeda dengan permintaan yang diramalkan (Baroto, 2002).
Penggunaan berbagai model peramalan akan memberikan nilai ramalan yang
berbeda dan derajat dari galat ramalan (forecast error) yang berbeda pula. Seni
dalam melakukan peramalan adalah memilih model peramalan terbaik yang
mampu mengidentifikasi dan menanggapi pola aktivitas historis dari data. Modelmodel peramalan dapat dikelompokan ke dalam dua kelompok utama, yaitu
metode kualitatif dan metode kuantitatif. Metode kuantitatif dikelompokkan ke
dalam dua kelompok utama, yaitu intrinsik dan ekstrinsik.
Metode kualitatif ditujukan untuk peramalan terhadap produk baru, pasar baru,
proses baru, perubahan sosial dari masyarakat, perubahan teknologi, atau
penyesuaian terhadap ramalan-ramalan berdasarkan metode kuantitatif.
Metode Peramalan
Model kuantitatif intrinsik sering disebut sebagai model-model deret waktu (Time
Series model). Model deret waktu yang populer dan umum diterapkan dalam
peramalan permintaan adalah rata-rata bergerak (Moving Averages), pemulusan
eksponensial (Exponential Smoothing), dan proyeksi kecenderungan (Trend
Projection). Model kuantitatif ekstrinsik sering disebut juga sebagai model kausal,
dan yang umum digunakan adalah model regresi (Regression Causal model)
(Gaspersz, 1998).
1. Weight Moving Averages (WMA)
Model rata-rata bergerak menggunakan sejumlah data aktual permintaan yang baru
untuk membangkitkan nilai ramalan untuk permintaan di masa yang akan datang.
metode rata-rata bergerak akan efektif diterapkan apabila permintaan pasar
terhadap produk diasumsikan stabil sepanjang waktu. Metode rata-rata bergerak
terdapat dua jenis, rata-rata bergerak tidak berbobot (Unweight Moving Averages)
dan rata-rata bobot bergerak (Weight Moving Averages). Model rata-rata bobot
bergerak lebih responsif terhadap perubahan karena data dari periode yang baru
biasanya diberi bobot lebih besar. Rumus rata-rata bobot bergerak yaitu sebagai
berikut.
Pola data yang tidak stabil atau perubahannya besar dan bergejolak umumnya
menggunakan model pemulusan eksponensial (Exponential Smoothing Models).
Metode Single Exponential Smoothing lebih cocok digunakan untuk meramalkan
hal-hal yang fluktuasinya secara acak (tidak teratur). Peramalan menggunakan
model pemulusan eksponensial rumusnya adalah sebagai berikut.
Y = hasil peramalan
n = periode
a = perpotongan dengan sumbu tegak
b = menyatakan slope atau kemiringan garis regresi
Ukuran Akurasi Peramalan
4. Tracking Signal
Validasi peramalan dilakukan dengan Tracking Signal. Tracking Signal adalah
suatu ukuran bagaimana baiknya suatu peramalan memperkirakan nilai-nilai
aktual. Nilai Tracking Signal dapat dihitung dengan menggunakan rumus sebegai
berikut.
Tracking signal yang positif menunjukan bahwa nilai aktual permintaan lebih besar
daripada ramalan, sedangkan tracking signal yang negatif berarti nilai aktual
permintaan lebih kecil daripada ramalan. Tracking signal disebut baik apabila
memiliki RSFE yang rendah, dan mempunyai positive error yang sama banyak
atau seimbang dengan negative error, sehingga pusat dari tracking signal
mendekati nol. Tracking signal yang telah dihitung dapat dibuat peta kontrol untuk
melihat kelayakkan data di dalam batas kontrol atas dan batas kontrol bawah.
5. Moving Range (MR)
Peta Moving Range dirancang untuk membandingkan nilai permintaan aktual
dengan nilai peramalan. Data permintaan aktual dibandingkan dengan nilai
peramal pada periode yang sama. Peta tersebut dikembangkan ke periode yang
akan datang hingga dapat dibandingkan data peramalan dengan permintaan aktual.
Peta Moving Range digunakan untuk pengujian kestabilan sistem sebab-akibat
yang mempengaruhi permintaan. Rumus perhitungan peta Moving Range adalah
sebagai berikut.
Jika ditemukan satu titik yang berada diluar batas kendali pada saat peramalan
diverifikasi maka harus ditentukan apakah data harus diabaikan atau mencari
peramal baru. Jika ditemukan sebuah titik berada diluar batas kendali maka harus
diselidiki penyebabnya. Penemuan itu mungkin saja membutuhkan penyelidikan
yang ekstensif. Jika semua titik berada di dalam batas kendali, diasumsikan bahwa
peramalan permintaan yang dihasilkan telah cukup baik. Jika terdapat titik yang
berada di luar batas kendali, jelas bahwa peramalan yang didapat kurang baik dan
harus direvisi (Gaspersz, 1998).
Kegunaan peta Moving Range ialah untuk melakukan verifikasi hasil peramalan
least square terdahulu. Jika peta Moving Range menunjukkan keadaan diluar
kriteria kendali. Hal ini berarti terdapat data yang tidak berasal dari sistem sebabakibat yang sama dan harus dibuang maka peramalan pun harus diulangi lagi.