Peramalan atau forecasting permintaan akan produk dan jasa di waktu mendatang dan bagian-
bagiannya adalah sangat penting dalam perencanaan dan pengawasan produksi. Yang dimaksud dengan
peramalan produksi atau production forecasting dalam hal ini adalah peramalan tentang produk apa dan
berapa yang akan diproduksi oleh perusahaan yang bersangkutan. Dengan demikian, maka dari
peramalan produksi yang disusun oleh perusahan ini akan dapat diberikan data produk apa saja yang
akan diproduksi pada periode yang akan datang, sekaligus berapa jumlah masing-masing produk yang
akan dipromosikan dalam perusahaan tersebut.
“ Forecasting adalah peramalan atau perkiraan yang belum terjadi. Dalam ilmu pengetahuan sosial
segala sesuatu itu serba tidak pasti, sukar diperkirakan secara tepat, oleh karena itu digunakan
forecasting yang bertujuan agar forecast atau peramalan yang dibuat bisa meminimumkan pengaruh
ketidakpastian ini terhadap perusahaan”.
“ Peramalan adalah tingkat penjualan perusahaan yang diharapkan berdasarkan rencana pemasaran
yang dipilih dan lingkungan pemasaran yang diasumsikan “.
“Peramalan adalah seni memperkirakan permintaan dimasa depan dengan mengantisipasi apa yang
tampaknya akan dilakukan pembeli di bawah kondisi masa depan tertentu.”
“ Peramalan adalah prediksi, proyeksi, atau estimasi tingkat kejadian yang tidak pasti dimasa yang akan
datang. Ketepatan secara mutlak dalam memprediksi peristiwa dan tingkat kegiatan yang akan datang
adalah tidak mungkin dicapai, oleh karena itu ketika perusahan tidak dapat melihat kejadian yang akan
datang secara pasti diperlukan waktu dan tenaga yang besar agar mereka dapat memiliki kekuatan
untuk menarik kesimpulan terhadap kejadian yang akan datang”.
Fungsi dari tinjauan terhadap penglihatan masa depan ini adalah membantu para pengambil keputusan
dalam memilih alternatif-alternatif yang menjadi arah keputusannya, dan kemudian melihat
konsekuensi dari keputusan tersebut dimasa yang akan datang.
Beberapa sumber data yang dapat digunakan untuk melakukan peramalan adalah sebagai berikut:
1. Pendapat konsumen
1. Metode Ekstrapolasi
Metode ini menggunakan riwayat permintaan masa lalu dalam membuat ramalan untuk masa depan.
Sasaran metode ini adalah mengidentifikasikan pola data historis dan mengekstrapolasi pola ini untuk
masa mendatang. Proses ini dapat disamakan dengan mengendarai mobil sambil melihat melalui kaca
spion. Tetapi jika cakupan waktu peramalan pendek, metode ekstrapolasi memberikan hasil cukup baik.
2. Metode Kausal
Metode ini mengasumsikan bahwa permintaan akan suatu produk bergantung pada satu atau beberapa
faktor independen, Misalnya harga iklan, harga pesaing, dan sebagainya. Metode ini berusaha
menetapkan hubungan antara variabel yang akan diramalkan dengan variabel-variabel independen.
Setelah hubungan ini ditemukan, nilai-nilai masa mendatang dapat diramalkan cukup dengan
memasukkan nilai-nilai yang sesuai untuk variabel-variabel independen.
3. Metode Kualitatif
Metode ini mengandalkan opini pakar atau manajer dalam membuat prediksi tentang masa depan.
Metode ini berguna untuk tugas peramalan jangka panjang, penggunaan pertimbangan (judgment)
dalam peramalan sekilas, tampaknya tidak ilmiah dan bersifat sementara. Tetapi, bila data masa lalu
tidak ada atau tidak mencerminkan masa mendatang tidak banyak alternatif selain menggunakan opini
dari orang-orang yang berpengetahuan. Tetapi, ada cara yang baik dan cara yang buruk untuk
mendapatkan pertimbangan (judgment) guna membuat peramalan.
Dimulai dengan penggunaan hasil-hasil peramalan berbagai kondisi bisnis umum yang dibuat
oleh para ahli ekonomi dalam lembaga pemerintah dan perusahaan besar serta unversitas-
universitas.
Bottom up forecasting
Dimulai dengan perkiraan permintaan produk akhir individual. Peramal menerima estimasi dari
orang-orang penjualan, distribusi dan langganan.
Proses Peramalan
1. Penentuan Tujuan
Langkah pertama terdiri atas penentuan macam estimasi yang diinginkan. Sebaliknya, tujuan
tergantung pada kebutuhan-kebutuhan informasi para manajer.
2. Pengembangan Model
Setelah tujuan ditetapkan, langkah berikutnya adalah mengembangkan suatu model yang
merupakan penyajian secara lebih sederhana sistem yang dipelajari. Dalam peramalan model adalah
suatu kerangka analitik yang bila dimasukkan data masukan, menghasilkan estimasi penjualan
diwaktu mendatang.
3. Pengujian Model
Sebelum diterapkan model biasanya diuji untuk menentukan tingkat akurasi, validitas dan
reliabilitas yang diharapkan. Ini sering mencakup penerapannya pada data historik, dan penyiapan
estimasi untuk tahun-tahun sekarang dengan data nyata yang tersedia.
4. Penerapan Model
Setelah pengujian, analisis menerapkan model dalam tahap ini data historik dimasukkan dalam
model untuk menghasilkan suatu ramalan.
Ramalan yang dibuat harus senantiasa diperbaiki dan ditinjau kembali. Perbaikan mungkin perlu
dilakukan karena adanya perubahan-perubahan dalam perusahaan atau lingkungannya.
1. Jumlah Produk.
Analisa apa yang dibuat mengenai berbagai jenis produk yang ditawarkan oleh perusahaan itu
sendiri, yang ada baiknya menuju pada pengembangan usaha yang dilakukan perusahaan itu
sendiri.
2. Ketepatan.
Tingkat ketepatan sangat erat hubungannya dengan perincian yang diperlukan oleh suatu
peramalan.
3. Horizon Waktu
Keputusan suatu analisa akan sangat berpengaruh, dan pada saat itu manager harus
memperhitungkan pemakaian metodeyang tepat pada saat itu juga.
4. Biaya
penyimpana data
kesempatan untuk memakai metode atau teknik lainnya
biaya untuk pengembangan
operasi pelaksanaan
5. Tingkat Perincian
Dalam pengambilan suatu keputusan pada umumnya telah dibagi-bagi. Dalam hal ini untuk
mempermudah dalam hal penanganannya menurut tingkat perincian yang diperlukan.
Apabila dilihat ulang dari segi penyusunannya, maka peramalan dapat dibedakan atas dua macam:
1. Peramalan Subjektif.
2. Peramalan Objektif.
Peramalan yang didasarkan atas data yang kongkrit pada masa lalu dan didalam penggunaannya
memakai teknik dan metode untuk menganalisa seluruh data tersebut.
1. Peramalan Kualitatif
Peramalan yang didasarkan atas kualitatif pada masa lalu dan hasil peramalan yang dibuat
tergantumg pada orang yang menyusunnya. Biasanya peramalan kualitatif berdasarkan atas hasil
penyelidikan atau didasarkan ciri-ciri normatif.
2. Peramalan Kuantitatif
Peramalan yang didasarkan atas data yang lalu dan hasil peramalan yang dibuat sangat tergantung
pada ramalan tersebut. Peramalan ini hanya dapat digunakan apabila terdapat tiga kondisi, yaitu:
3. Data diasumsikan bahwa pola yang lalu akan berkelanjutan pada masa yang akan datang.
Akurasi Metode Peramalan
Akurasi metode peramalan merupakan salah satu kriteria terpenting untuk membandingkan
berbagai metode peramalan. Biaya, kemudahan aplikasi, dan persyaratan spesifik dari suatu situasi
perencanaan adalah faktor-faktor lain yang mempengaruhi pemilihan metode peramalan. Sukar
menentukan metode mana yang akan memberikan ramalan paling akurat dalam suatu situasi tertentu.
Tetapi selama bertahun-tahun, banyak bukt empirik telah dikumpulkan baik berupa data hipotetik
maupun nyata yang memungkinkan beberapa kesimpulan umum tentang akurasi relatif dari berbagai
metode peramalan.
Makridakis dan Winkler (1983) secara empirik memperkirakan dampak dari jumlah dan pilihan metode
peramalan atas akurasi ramalan bila hasil dari metode yang digunakan dirata-ratakan langsung untuk
mendapatkan hasil ramalan akhir. Temuan-temuan pokok mereka adalah sebagai berikut:
Akurasi peramalan meningkat jika ramalan dari lebih banyak metode dikombinasikan untuk
menghasilkan ramalan akhir; tetapi dampak marjinal dari penambahan satu metode berkurang
dengan semakin banyaknya jumlah metode yang digunakan.
Resiko kesalahan yang lebih besar dalam peramalan yang mungkin disebabkan oleh pemilihan
metode yang keliru berkurang bila hasil dari dua atau lebih metode di kombinasikan.
Variabel dalam akurasi ramalan diantara berbagai kombinasi metode peramalan berkurang dengan
makin banyaknya metode yang digunakan.
Jadi, alternatif yang bisa dilakukan bila kita tidak pasti mengenai metode peramalan yang terbaik adalah
mengambil rata-rata ramalan dari dua atau beberapa model peramalan.
Jika proses perubahan dapat diketahui dengan tepat maka forecast pasti bisa tepat
seperti yang akan terjadi. Hal ini hanya bisa terjadi dalam ilmu alam dan ilmu pasti. Misalnya kalau suhu
udara dipanaskan, apabila faktor lain tetap maka tekanan udara akan bertambah. Hubungan antara
tekanan dengan suhu udara ini sudah tetap, artinya kalau diulang lagi pasti hasilnya sama. Lain halnya
dalam ilmu sosial, hubungan yang pasti ini sulit diperoleh dan pola perubahan yang sebenarnya sulit
diketahui.
Oleh karena itu dalam membuat forecast keadaan sosial pada umumnya dan bidang ekonomi pada
khususnya tidak mungkin bisa tepat. Penyimpangan pasti ada karena tingkah laku manusia itu selalu
dipengaruhi oleh berbagai macam hal, seperti kebudayaan, selera, perasaan, dan sebagainya. Dalam
bidang sosial dan ekonomi, meskipun kita tidak bisa membuat forecast yang persis sama dengan
kenyataan, tetapi bukan berarti forecast ini tidak penting, forecast sangat penting sebagai pedoman
dalam pembuatan rencana. Kerja dengan menggunakan forecast akan jauh lebih baik daripada tanpa
forecast sama sekali. Hanya sekarang masalahnya bagaimanakah cara membuat forecast agar bisa
mendekati kenyataan. Caranya kita harus bisa memilih metode forecast yang paling cocok dengan
masalahnya.
Bagaimanakah cara membuat forecast agar bisa mendekati kenyataan. Caranya kita harus bisa memilih
metode forecast yang paling cocok dengan masalahnya. Banyak sekali metoda forecasting yang ada,
misalnya metode moving averages, metode exponential smoothing, metoda dekomposisi, metode input
output, metde regresi, metode simulasi, dan sebagainya. Kesemuanya itu belum tentu cocok untuk
setiap masalah. Tidak ada metoda forecasting yang paling baik dan selalu cocok digunakan untuk
membuat forecast setiap macam hal. Suatu metoda mungkin sangat cocok untuk membuat forecast
mengenai sesuaru hal tetapi tetapi tidak cocok untuk membuat forecast hal yang lain. Oleh karena itu
kita harus memilih metode yang cocok, yaitu yang bisa meminimumkan kesalahan forecast.
Metoda Dekomposisi
Metoda Dekomposisi sering juga disebut sebagai metoda Time Series. Metoda ini
didasarkan pada kenyataan bahwa biasanya apa yang telah terjadi itu akan berulang kembali dengan
pola yang sama. Artinya yang dulu selalu naik , pada waktu yang akan datang biasanya akan naik juga;
yang biasanya berkurang biasanya akan berkurang juga; yang biasanya berfluktuasi akan berfluktuasi
dan biasanya tidak teratur, biasanya akan tidak teratur.
Perubahan suatu hal itu biasanya mempunyai pola yang agak kompleks, misalnya ada unsur kenaikan,
berfluktuasi dan tidak teratur. Untuk dianalisa dan diramal sekaligus sangat sulit, sehingga biasanya
diadakan dekomposisi atau pemecahan yang komponen perubahnya terdiri dari; Trend (T), Fluktuasi
Musiman (M), Fluktuasi Siklis (S), dan perubahan-perubahan yang bersifat Random (R). Disini yang akan
dibahas adalah Trend (T).
Trend atau sering disebut Seculer Trend adalah rata-rata perubahan (biasanya tiap tahun) dalam jangka
panjang. Kalau hal yang diteliti menunjukkan gejala kenaikan maka trend yang dimiliki menunjukkan
rata-rata pertambahan, sering disebut trend positif; tetapi kalau hal yang kita teliti menunjukkan gejala
semakin berkurang, maka trend yang kita miliki menunjukkan rata-rata penurunan atau sering disebut
trend negatif.
Menurut Pangestu Subagyo ( Forecasting, Konsep dan Aplikasi : 2002), metoda Dekomposisi dibagi
kedalam dua bentuk metoda yaitu metoda Trend Linier Least Squares dan Trend Eksponensial.
Penggunaan metoda-metoda itu tentu saja disesuaikan dengan kebutuhan dan sifat data yang dimiliki.
Sebetulnya ada beberapa metoda yang bisa dipakai untuk membuat trend linier ini, misalnya metoda
setengah rata-rata, tetapi yang paling banyak digunakan adalah metoda least squares. Oleh karena itu
dalam bagian ini yang akan kita bicarakan hanya metoda least squares saja. Dikatakn sebagai metoda
least squares karena persaman yang diperoleh mengakibatkan jumlah kesalahan forecast kuadrat
terkecil kalu dibandingkan dengan persamaan yang dihasilkan oleh metoda lain.
Untuk mencari persamaan trend dengan metoda least squares adalah sebagai berikut :
Ŷ = a + bX
Dimana Ŷ adalah nilai trend ( forecast ), a adalah bilangan konstan, b adalah slope atau koefisien
kecondongan garis trend dan X mewakili waktu (tahun).
Untuk mencari nilai a dan nilai b dari persamaan diatas, maka dapat digunakan dua persamaan normal
sebagai berikut:
∑Y = n . a + b . ∑X
∑XY = a . ∑X + b . ∑X²
Untuk mempermudah hitungannya biasanya nilai X pada tahun yang berada di tengah diberi angka 0,
tahun-tahun sesudahnya berturut-turut 1, 2, 3, dan seterusnya, sedangkan tahun-tahun sebelumnya
berturut-turut -1, -2, -3, dan seterusnya. Kalau jumlah data (tahun) ganjil, maka kita bisa meletakkan X
= 0 tepat ditahun yang berada di tengah, sehingga persamaan diatas dapat dirubah, manghasilkan
rumus untuk mencari nilai a dan nilai b secara lebih singkat sebagai berikut:
a = ∑X / n
b = ∑XY / ∑X²
Untuk data yang jumlah tahunnya genap akan menjadi masalah, sebab tidak ada tahun yang tepat di
tengah dan nilai X = 0 terletak diantara dua tahun yang mendekati tengah. Untuk mengatasi hal ini kita
buat skala X setengah tahunan, sehingga untuk setiap perbedaan satu tahun nilai X berbeda pula. Lihat
contoh gambar 2.1.
-5 -3 -1 1 3 5 skala X
Tahun yang mendekati tengah diantara tahun 1999 dan 2000, oleh karena itu origin (X = 0) terletak di
antara tahun 1999 dan 2000. Untuk tahun 1999 terletak setengah tahun sebelum tahun origin, maka
diberi nilai X = -1, sedang tahun 2000 setengah tahun sesudah origin diberi nilai X = 1, sedangkan untuk
tahun 2001 terletak satu setengah tahun dari origin maka diberi nilai X = 3; dan seterusnya.
Trend Eksponensial
Perubahan sesuatu itu mungkin bersifat eksponensial, seperti persamaan di bawah ini :
ŷ= abX
Untuk mencari nilai a serta b pada persamaan diatas sukar, maka kita gunakan cara dengan bantuan
logaritma, sehingga persamaannya berubah menjadi persaman dengan skala logaritma, yang
menghasilkan proyeksi terhadap log Y, sebagai berikut:
Untuk mencari nilai log a serta log b digunakan rumus sebagai berikut :
N ∑ x²