Anda di halaman 1dari 9

peramalan ( forecasting)

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 Deret Waktu


Deret waktu didasarkan pada urutan dari titik titik data yang berjarak sama dalam
waktu ( mingguan, bulanan, kuartalan, dan lain lain ). Meramalkan deret data
waktu berarti nilai masa depan diperkirakan hanya dari nilai masa lalu dan variable
lain diabaikan walaupun variabel variabel tersebut mungkin sangat
bermanfaat.Menganalisis deret waktu berarti membagi data masa lalu menjadi
komponen komponen komponen, kemudian memproyeksikannya ke masa
depan. Deret waktu mempunyai empat komponen yaitu :
1. Pola tren
merupakan pergerakan data sedikit demi sedikit meningkat atau menurun.
Perubahan pendapatan, populasi, penyebaran umur, atau pandangan budaya dapat
mempengaruhi pergerakan tren.
2.Pola data musiman
adalah pola data yang berulang pada kurun waktu tertentu, seperti hari, mingguan,
bulanan, atau kuartal.
3.Pola data Siklus
adalah pola dalam 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. Memprediksi siklus bisnis
4.Pola data variasi acak
Merupakan satu titik khusus dalam data yang disebabkan oleh peluang dan situasi
yang tidak lazim. Variasi acak tidak memiliki pola khusus sehingga tidak dapat di
prediksi.
Metode Pemulusan Eksponensial
Penghalusan Eksponensial merupakan metode peramalan rata rata bergerak
dengan pembobotan yang canggih, tetapi masih mudah digunakan. Metode ini
menggunakan pencatatan dan masa lalu yang sangat sedikit.
Bentuk umum dari metode pemulusan eksponensial :
Dimana:
Konsepnya tidak rumit. Prediksi terakhir untuk permintaan sama dengan prediksi
lama, disesuaikan dengan sebagian deferensiasi permintaan aktual periode lalu
dengan prediksi lama.
1.Single Eksponensial smoothing
Metode penghalusan eksponential orde satu sebenarnya merupakan perkembangan
dari metode rata-rata bergerak(moving average) sederhana. Metode ini dipengaruhi

secara luas di dalam peramalan (forecasting) karena sederhana, efisian di dalam


perhitungan dan perubahan ramalan, mudah disesuaikan dengan perubahan data,
dan ketelitian metode ini cukup besar.
2.Double Eksponensial smoothing
Metode ini akan menyesuaikan factor trend yang ada pada pola data. Dipopulerkan
oleh C.C. Holt (1957), model ini menambahkan factor pertumbuhan ( growth
factor ) atau faktor trend ( trend factor ) pada persamaan dasar dari smoothing.
3.Triple Exponential smoothing
Metode ini merupakan perluasan dari metode holt. Dipopulerkan oleh winter,
model ini menambahkan factor seasonal pada persamaan dasar dari smoothing.
Hanya berbeda dengan dua metode Exponential smoothing yang lalu, pada metode
winter ada dua cara perhitungan forecasting, yakni secara additive atau secara
multiplikatif, disini akan digunakan cara multiplikatif.
2.3.2. Menghitung Kesalahan Peramalan
Seorang perencana tentu menginginkan hasil perkiraan ramalan yang tepat atau
paling tidak dapat memberikan gambaran yang paling mendekati sehingga rencana
yang dibuatnya merupakan rencana yang realistis. Ketepatan atau ketelitian inilah
yang menjadi kriteria performance suatu metode peramalan. Ketepatan atau
ketelitian tersebut dapat dinyatakan sebagai kesalahan dalam peramalan. Kesalahan
yang kecil memberikan arti ketelitian peramalan yang tinggi, dengan kata lain
keakuratan hasil peramalan tinggi, begitu pula sebaliknya. Ada beberapa
perhitungan yang biasa digunakan untuk membandingkan model peramalan yang
berbeda, mengawasi peramalan, dan untuk memastikan peramalan dengan baik.
Tiga dari perhitungan yang paling terkenal adalah :
1.1. Deviasi Mutlak Rerata ( Mean Absolute Deviation MAD )
2.2. Kesalahan Kuadrat Rerata ( Mean Square Error MSE )
3.3. Kesalahan Persen Mutlak Rerata ( Mean Absolute Percentage Error - MAPE)
Sifat-Sifat Peramalan
sifat-sifat peramalan
Peramalan yang Subyektif :
" Peramalan yang didasarkan atas perasaan ( instuisi ) dari orang yang
menyusunnya ".
Peramalan yang Obyektif :
" Peramalan yang didasarkan atas data data pada masa lalu dengan menggunakan
metode metode dalam penganalisaan data tersebut ".

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.

2. Single Exponential Smoothing (SES)

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.

Permasalahan umum yang dihadapi apabila menggunakan model pemulusan


eksponensial adalah memilih konstanta pemulusan () yang diperirakan tepat. Nilai
konstanta pemulusan dipilih di antara 0 dan 1 karena berlaku 0 < < 1. Apabila
pola historis dari data aktual permintaan sangat bergejolak atau tidak stabil dari
waktu ke waktu, nilai yang dipilih adalah yang mendekati 1. Pola historis dari
data aktual permintaan tidak berfluktuasi atau relatif stabil dari waktu ke waktu,
yang dipilih adalah yang nilainya mendekati nol (Gaspersz, 1998).
3. Regresi Linier
Model analisis Regresi Linier adalah suatu metode populer untuk berbagai macam
permasalahan. Menurut Harding (1974) dua variabel yang digunakan, variabel x
dan variabel y, diasumsikan memiliki kaitan satu sama lain dan bersifat linier.
Rumus perhitungan Regresi Linier yaitu sebagai berikut.
Keterangan:

Y = hasil peramalan
n = periode
a = perpotongan dengan sumbu tegak
b = menyatakan slope atau kemiringan garis regresi
Ukuran Akurasi Peramalan

Model-model peramalan yang dilakukan kemudian divalidasi menggunakan


sejumlah indikator. Indikator-indikator yang umum digunakan adalah rata-rata
penyimpangan absolut (Mean Absolute Deviation), rata-rata kuadrat terkecil (Mean
Square Error), rata-rata persentase kesalahan absolut (Mean Absolute Percentage
Error), validasi peramalan (Tracking Signal), dan pengujian kestabilan (Moving
Range).
1. Mean Absolute Deviation (MAD)
Metode untuk mengevaluasi metode peramalan menggunakan jumlah dari
kesalahan-kesalahan yang absolut. Mean Absolute Deviation (MAD) mengukur
ketepatan ramalan dengan merata-rata kesalahan dugaan (nilai absolut masingmasing kesalahan). MAD berguna ketika mengukur kesalahan ramalan dalam unit
yang sama sebagai deret asli. Nilai MAD dapat dihitung dengan menggunakan
rumus sebegai berikut.

2. Mean Square Error (MSE)


Mean Squared Error (MSE) adalah metode lain untuk mengevaluasi metode
peramalan. Masing-masing kesalahan atau sisa dikuadratkan. Kemudian
dijumlahkan dan ditambahkan dengan jumlah observasi. Pendekatan ini mengatur
kesalahan peramalan yang besar karena kesalahan-kesalahan itu dikuadratkan.
Metode itu menghasilkan kesalahan-kesalahan sedang yang kemungkinan lebih
baik untuk kesalahan kecil, tetapi kadang menghasilkan perbedaan yang besar.

3. Mean Absolute Percentage Error (MAPE)


Mean Absolute Percentage Error (MAPE) dihitung dengan menggunakan
kesalahan absolut pada tiap periode dibagi dengan nilai observasi yang nyata untuk
periode itu. Kemudian, merata-rata kesalahan persentase absolut tersebut.
Pendekatan ini berguna ketika ukuran atau besar variabel ramalan itu penting

dalam mengevaluasi ketepatan ramalan. MAPE mengindikasi seberapa besar


kesalahan dalam meramal yang dibandingkan dengan nilai nyata.

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.