A.

Pengertian forecasting (peramalan)

Forecasting merupakan salah satu metode untuk melakukan perencanaan serta pengendalian
produksi. Selain itu, forecasting juga didefinisikan sebagai alat bantu untuk melakukan
perencanaan yang efektif dan efisien. Sebagai contoh seperti meramalkan tingkat permintaan
suatu produk atau peramalan terhadap harga daging sapi di masa lebaran dan lain sebagainya.
Umumnya, kegiatan forecasting ini dilakukan oleh bagian pemasaran sehingga hasilnya sering
disebut ramalan permintaan. Dan hasil tersebut yang akan digunakan sebagai informasi untuk
menentukan aktivitas perusahaan.

Kemudian apakah perbedaannya peramalan dengan perencanaan?? Jelas berbeda, Rencana

adalah penentuan apa yang akan dilakukan oleh perusahaan pada waktu yang akan datang,
sedang dengan peramalan hanya perkiraan apa yang akan terjadi , namun belum tentu dapat di
laksanakan.

B. Fungsi dan tujuan forecasting

> Menurut Heizer dan Render (2009:47), peramalan (forecasting) mempunyai tujuan antara lain:

 Sebagai pengkaji kebijakan perusahaan yang berlaku disaat ini dan dimasa lalu dan juga
melihat sejauh mana pengaruh dimasa datang.

 Peramalan dibutuhkan karena terdapat time lag atau delay antara ketika suatu kebijakan
perusahaan ditetapkan dengan ketika implementasi

 Peramalan adalah dasar penyusutan bisnis di suatu perusahaan sehinga bisa

meningkatkan efektivitas sebuah rencana bisnis.

> Fungsi dari peramaalan akan diketahui ketika pengambilan keputusan. Keputusan yang baik
adalah keputusan yang berdasarkan atas pertimbangan apa yang akan terjadi di waktu keputusan
tersebut dijalankan. Jika kurang tepat ramalan yang sudah disusun, maka masalah peramalan
juga merupakan masalah yang sering dihadapi (Gingting, 2007)

C. Manfaat forecasting

Kegunaan atau manfaat dari peramalan adalah sebagai berikut:

 Sebagai alat bantu untuk merencanakan yang efektif dan efisien

 Untuk menetapkan kebutuhan sumber daya pada masa yang akan datang

 Untuk membuat keputusan yang tepat

D. Karakteristik Peramalan yang Baik

Karakteristik dari peramalan yang baik harus memenuhi beberapa kriteria yaitu dari hal-hal
sebagai berikut:

a. Ketelitian/Keakuratan

Tujuan utama peramalan adalah menghasilkan prediksi yang akurat. Peramalan yang terlalu
rendah mengakibatkan kekurangan persediaan (inventory). Peramalan yang terlalu tinggi akan
menyebabkan inventory yang berlebihan dan biaya operasi tambahan.

b. Biaya

Biaya untuk mengembangkan model peramalan dan melakukan peramalan akan menjadi
signifikan jika jumlah produk dan data lainnya semakin besar. Mengusahakan melakukan
peramalan jangan sampai menimbulkan ongkos yang terlalu besar ataupun terlalu kecil.
Keakuratan peramalan dapat ditingkatkan dengan mengembangkan model lebih komplek dengan
konsekuensi biaya menjadi lebih mahal. Jadi ada nilai tukar antara biaya dan keakuratan.

c. Responsif, ramalan harus stabil dan tidak terpengaruhi oleh fluktuasi demand.

d. Sederhana

Keuntungan utama menggunakan peramalan yang sederhana yaitu kemudahan untuk melakukan
peramalan. Jika kesulitan terjadi pada metode sederhana, diagnosa dilakukan lebih mudah.
Secara umum, lebih baik menggunakan metode paling sederhana yang sesuai dengan kebutuhan
peramalan.

E. Penggolongan Data

Penggolongan pola data produk dapat kita bedakan menjadi tiga, yaitu:

 Pola Horizontal (H) atau Horizontal Data Pattern Pola

data ini terjadi bilamana data berfluktuasi di sekitar nilai rata-rata yang konstan. Deret
seperti ini stasioner terhadap nilai rata-ratanya. Nilai data berfluktuasi disekitar nilai rata-
rata yang konstan (stasioner terhadap nilai rata-ratanya). Suatu produk yang penjualannya
tidak meningkat atau menurun selama waktu tertentu termasuk jenis ini. Bentuk pola
horizontal ditunjukan seperti gambar dibawah ini:
 Pola Trend (T) atau Trend Data Pattern

Pola data ini terjadi bilamana terdapat kenaikan atau penurunan sekuler jangka panjang
dalam data. Contohnya penjualan perusahaan, produk bruto nasional (GNP) dan berbagai
indikator bisnis atau ekonomi lainnya, selama perubahan sepanjang waktu. Bentuk pola
trend ditunjukan seperti Gambar:

 Pola Musiman (S) atau Seasional Data Pattern

Pola data ini terjadi bilamana suatu deret dipengaruhi oleh faktor musiman, misalnya:
kuartal tahun tertentu, bulanan atau hari-hari pada minggu tertentu atau waktu-waktu
tertentu. Penjualan dari produk seperti minuman ringan, es krim dan bahan bakar
pemanas ruang semuanya menunjukan jenis pola ini. Bentuk pola musiman ditunjukan
seperti Gambar:
  Pola Siklis (S) atau Cyclied Data Pattern
Pola data ini terjadi bilamana datanya dipengaruhi oleh fluktuasi ekonomi jangka
panjang seperti yang berhubungan dengan siklus bisnis. Contohnya penjualan
produk seperti mobil, baja. Bentuk pola siklis ditunjukan seperti Gambar:

F. Tipe-tipe forecasting

1. Berdasarkan horizon waktu

1. Peramalan jangka pendek

Peramalan ini mancakup jangka waktu hingga 1 tahun tetapi umumnya kurang dari 3 bulan.
Peramalan ini biasanya digunakan untuk merencanakan pembelian, penjadwalan kerja,
penjualan, jumlah tenaga kerja, penugasan kerja, dan tingkat produksi

2.  Peramalan jangka menengah

Peramalan ini umumnya mencakup hitungan bulanan hingga waktu 3 tahun. Peramalan ini
berguna untuk merencanakan penjualan, perencanaan dan anggaran produksi, anggaran kas, dan
menganalisis bermacam-macam rencana operasi.

3.  Peramalan jangka panjang

Umunya untuk waktu perencanaan masa 3 tahun atau lebih. Permalan jangka panjang digunakan
untuk merencanakan produk baru, pembelanjaan modal, lokasi atau pengembangan fasilitas,
serta penelitian dan pengembangan (litbang).

2. Berdasarkan aspek strategis

Menurut Heizer dan Render (2009:47) berdasaskan fungsi dan perencanaan operasi pada masa
depan, peramalan (forecasting) dibedakan menjadi tiga jenis yakni:

Peramalan ekonomi (economic forecast), peramalan ini menjelaskan/meramalkan siklus bisnis

dengan memprediksikan tingkat inflasi, ketersediaan uang, dana yang dibutuhkan untuk
membangun perumahan, dan indicator perencanaan lainnya.

Peramalan teknologi (technological forecast), memperhatikan tingkat kemajuan teknologi yang

dapat meluncurkan produk baru yang menarik, yang membutuhkan pabrik dan peralatan baru.

Peramalan permintaan (demand forecast), adalah proyeksi permintaan untuk produk atau

layanan suatu perusahaan. Peramalan ini disebut juga Peramalan Penjualan yang mengendalikan
produksi, kapasitas, serta sistem penjadwalan dan menjadi input bagi perencanaan keuangan,
pemasaran, dan sumber daya manusia.

3. Sifat penyusunnya

Menur Ginting (2007) berdasarkan sifat penyusunnya, peramalan dibedakan menjadi dua jenis,

yakni:

 Peramalan Subjektif
Adalah peramalan yang berdasar pada perasaan atas intuisi dari orang yang
menyusunnya.

 Peramalan Objektif
Adalah peramalan yang berdasar pada data yang relevan di masa lalu dengan memakai
teknik-teknik dan metode-metode dalam menganalisa data tersebut.

G. Metode forecasting
 1. Metode kuantitatif

Peramalan kuantitatif hanya dapat digunakan apabila terdapat tiga

kondisi sebagai berikut:

1. Informasi tentang keadaan masa lalu.

2. Informasi tersebut dapat dikuantifikasikan dalam bentuk data numerik.

3. Dapat diasumsikan bahwa beberapa aspek pola masa lalu akan terus berkelanjutan pada masa
yang akan datang.

a. Time series

Metode time series atau deret waktu merupakan metode peramalan yang menghubungkan
keterkaitan antara variabel dependen (variabel yang dicari) dengan variabel independen
atau variabel yang mempengaruhinya kemudian dihubungkan dengan waktu, mingguan,
bulan atau tahun. Jadi di dalam metode deret waktu, variabel yang dicari berupa waktu.
Untuk menggunakan metode peramalan ini, Anda  dapat menghitungnya menggunakan
metode smoothing, metode box jenkins, atau metode proyeksi trend dengan regresi.

Berikut metode peramalah di dalam analisa deret waktu:

1. Metode Smooting, merupakan jenis peramalan jangka pendek seperti perencanaan

persediaan, perencanaan keuangan. Tujuan penggunaan metode ini adalah untuk
mengurangi terjadinya ketidakteraturan data dari masa lampau seperti musiman.
2. Metode Box Jenkins, adalah deret waktu dengan menggunakan model matematis dan
digunakan untuk peramalan berjangka pendek.
3. Metode proyeksi trend dengan adanya regresi, merupakan metode yang sering
digunakan, baik untuk jangka pendek maupun yang berjangka panjang. Metode ini
berupa garis trend untuk persamaan secara matematis.

b. Metode Kasual (Sebab Akibat)

Metode peramalan kuantitatif yang kedua yaitu metode kasual (casual methods) atau
metode sebab akibat. Metode ini didasarkan pada keterkaitan antara variabel yang
diperkirakan dengan variabel lain yang mempengaruhinya. Namun, variabel nya bukan
dalam bentuk waktu. Untuk menghitung atau meramalnya, Anda dapat menggunakan
metode regresi dan korelase, metode input output, atau metode ekonometri

Metode peramalan yang ada pada causal methods yaitu:

 Metode Regresi dan Korelasi : merupakan metode yang sering digunakan, baik itu untuk
jangka panjang atau jangka pendek dan lebih didasarkan kepada persamaan dengan
teknik least squares yang sedang dianalisis secara statis.
  Model Input Output: metode yang sering digunakan untuk peramalan berjangka panjang
yang biasanya sering digunakan untuk menyusun trend ekonomi berjangka panjang.

 Model Ekonometri : model peramalan yang digunakan untuk jangka panjang dan jangka
pendek.

Interpretasi adalah berupa gerakan antara dua atau lebih pembicara yang tidak dapat
menggunakan simbol-simbol yang sama, baik secara simultan (interpretasi simultan) atau
berurutan (interpretasi berurutan). Suatu interpretasi sebagai bagian dari suatu presentasi atau
penggambaran informasi yang sedang diubah untuk menyesuaikan dengan suatu kumpulan
simbol spesifik. Informasi itu juga dapat berupa lisan, tulisan, gambar, matematika, atau
sebagai bentuk bahasa lainnya.

2. Metode kualitatif

a. Survei pasar

Metode ini dilakukan dengan cara mencari masukan atau pendapat dari konsumen yang
berpengaruh terhadap rencana pembelian pada saat periode pengamatan. Survei dapat dilakukan
dengan menyebar kuesioner, wawancara langsung atau telepon.

b. Juri dari opini eksekutif

Untuk melakukan metode ini caranya dengan meminta opini atau pendapat dari kelompok kecil
yang terdiri atas manajer pemasaran, manajer produksi, manajer teknik, manajer keuangan dan
manajer logistik dan hasilnya kemudian digabungkan dengan model statistik.

c. Gabungan tenaga penjualan

Seperti namanya metode ini menggabungkan setiap penjual kemudian mereka meramalkan
tingkat penjualan di daerah masing-masing yang pada akhirnya digabungkan di tingkat provinsi
dan nasional.

d. Metode delphi

Metode delphi sebenarnya mirip dengan metode kuisioner, untuk melakukan metode ini Anda
perlu menyebar kuesioner tetapi jawaban dari kuesioner yang terkumpul disederhanakan terlebih
dahulu sebelum diberikan kepada ahli untuk peramalannya. Kelebihan dari metode ini adalah
hasilnya yang akurat dan profesional, sedangkan kelemahannya adalah membutuhkan waktu
yang cukup banyak karena harus membuat kuesioner sampai merangkum hasilnya.

H. Sales Forecasting Method (Metode Peramalan Penjualan)

Salah satu perusahaan BUMN yaitu PT Pertamina (Persero) sebagai Badan Usaha Milik Negara
yang bergerak dalam bidang perminyakan dan gas bumi (National Oil Company) dipercaya
untuk mengemban tugas dalam mencari sumber minyak dan gas bumi, mengolah dan
menyediakan bahan bakar minyak bagi Indonesia. Namun meskipun demikian, sesuai dengan
ketentuan dalam Undang-Undang MIGAS, maka sekarang ini PT Pertamina (Persero) tidak lagi
menjadi satu-satunya perusahaan yang akan memonopoli industri minyak dan gas bumi yang
mana kegiatan usaha dari minyak dan gas bumi telah diserahkan terhadap mekanisme pasar.

Oleh karena itu PT Pertamina (Persero) harus mampu bersaing dalam rangka menghadapi
tantangan dan mempertahankan kelangsungan hidup perusahaan, maka dibutuhkan adanya
manajemen yang baik dalam pelaksanaan seluruh kegiatan perusahaan, dan salah satunya adalah
dalam bidang perencanaan dan pengawasan. Perusahaan harus menyusun perencanaan pada
segala bidang, salah satunya adalah bidang penjualan, misalnya dengan jalan menyusun
anggaran penjualan. Karena berperan sangat penting dalam membantu pihak manajemen untuk
menetapkan kebijakan manajemen terhadap penjualan dan untuk mengarahkan kegiatan-kegiatan
perusahaan dalam mencapai tujuan perusahaan. Oleh karena itu peramalan penjualan (sales
forecasting) sangat diperlukan dalam penyusunan anggaran penjualan.

Terdapat beberapa metode yang bisa digunakan dalam peramalan penjualan, yaitu:

1, Metode Trend Bebas.

2. Metode Trend Setengah Rata-rata.
3. Metode Trend Moment.
4. Metode Trend Least Square.
5. Metode Trend Kuadratik.

Efektifitas peramalan penjualan sangat dipengaruhi oleh metode yang akan digunakan dan
faktor-faktor lainnya yang berada dari luar perusahaan, misalnya keadaan ekonomi Negara yang
lebih banyak dipengaruhi dari daya beli masyarakat sebagai konsumen. Pemilihan metode harus
disesuaikan dengan bagaimana keadaan perusahaan, seperti: luas kerja dan banyaknya jenis
produk yang dijual.

Efektifitas peramalan penjualan akan dapat diukur dengan sebuah Standar Kesalahan Peramalan
(SKP), yang mana dari perhitungan tersebut akan dapat diketahui seberapa tinggi tingkat
kesalahan dari metode yang telah digunakan. Semakin kecil tingkat kesalahan untuk peramalan
maka itu artinya metode yang digunakan juga sudah sesuai dengan bagaimana kondisi
perusahaan dan sudah dapat diterapkan dalam perusahaan tersebut.

Peramalan penjualan disusun dengan menggunakan metode Trend Bebas. Metode Trend Bebas
untuk peramalan penjualan ini lebih bersifat sangat subjektif karena banyak dipengaruhi oleh
pendapat orang yang membuat peramalan tersebut.
I. Jenis – Jenis Model Forecasting

Terdapat beberapa jenis dari model forecasting atau peramalan, yaitu:

1. Jenis Model Rata – Rata Bergerak (Moving Averages Model)

Model data ini menggunakan sejumlah data permintaan baru yang actual guna membangkitkan
nilai ramal dalam permintaan di masa yang akan datang. Dengan rumus sebagai berikut:

Rata – rata bergerak n Periode =  (∑(permintaan dalam n-periode terdahulu))/n

2. Jenis Model Rata – Rata Bergerak Terbobot (Weighted Moving Averages Model)

Model ini memiliki sifat yang lebih responsive terhadap adanya perubahan sebab data dari
periode yang baru pada umumnya di beri bobot yang lebih besar. Dengan rumus sebagai berikut:

Weighted MA (n) = (∑(pembobot untuk periode permintaan aktual periode n))/(∑(pembobot))

3. Jenis Model Pemulusan Eksponensial (Exponential Smoothing Model)

Rumus untuk perhitungan exponential smoothing model adalah sebagai berikut:

Ft = Ft-1 + α (At-1 – Ft-1)

Dimana,

Ft = Nilai ramalan untuk periode waktu ke-t

Ft-1 = Nilai ramalan untuk satu periode waktu yang lalu, t-1

At-1 = Nilai aktual untuk satu periode yang lalu, t-1

α = konstanta pemulusan (smoothing constant)

Model – model peramalan yang telah di lakukan tersebut kemudian akan di validasi dengan
menggunakan sejumlah indikator. Indikator yang pada umumnya di gunakan yaitu:

 Mean Absolute Deviation (MAD)

 Mean Squared Error (MSE)

 Mean Absolute Percentage Error (MAPE)

  Tracking Signal

 Moving Range (MR)

J. Prosedur Peramalan

Dalam melakukan peramalan terdiri dari beberapa tahapan khususnya jika menggunakan metode
kuantitatif. Tahapan tersebut adalah:

1. Mendefinisikan Tujuan Peramalan

Misalnya peramalan dapat digunakan selama masa pra-produksi untuk mengukur tingkat dari
suatu permintaan.

2. Membuat diagram pencar (Plot Data)

Misalnya memplot demand versus waktu, dimana demand sebagai ordinat (Y) dan waktu
sebagai axis (X).

       3.      Memilih model peramalan yang tepat

Melihat dari kecenderungan data pada diagram pencar, maka dapat dipilih beberapa model
peramalan yang diperkirakan dapat mewakili pola tersebut.

4. Melakukan Peramalan

5. Menghitung kesalahan ramalan (forecast error)

Keakuratan suatu model peramalan bergantung pada seberapa dekat nilai hasil peramalan
terhadap nilai data yang sebenarnya. Perbedaan atau selisih antara nilai aktual dan nilai ramalan
disebut sebagai “kesalahan ramalan (forecast error)” atau deviasi yang dinyatakan dalam:

et = Y(t) – Y’(t)

Dimana : Y(t)  = Nilai data aktual pada periode t

Y’(t) = Nilai hasil peramalan pada periode t

t       = Periode peramalan

Maka diperoleh Jumlah Kuadrat Kesalahan Peramalan yang disingkat SSE (Sum of Squared

Errors) dan Estimasi Standar Error (SEE – Standard Error Estimated)

SSE = S e(t)2 = S[Y(t)-Y’(t)]2

6. Memilih Metode Peramalan dengan kesalahan yang terkecil.

Apabila nilai kesalahan tersebut tidak berbeda secara signifikan pada tingkat ketelitian tertentu
(Uji statistik F), maka pilihlah secara sembarang metode-metode tersebut.

7. Melakukan Verifikasi

Untuk mengevaluasi apakah pola data menggunakan metode peramalan tersebut sesuai dengan
pola data sebenarnya.

K. Memantau Ramalan

 Bila peramalan sudah selesai, yang paling adalah tidak melupakannya. Sangat jarang
manajer yang ingin mengingat bila hasil ramalan mereka sangat tidak akurat, tetapi
perusahaan perlu menentukan mengapa permintaan aktual (variabel yang diuji) secara
signifikan berbeda dari yang diproyeksikan.

 Salah satu cara untuk memantau peramalan   guna menjamin keefektifannya adalah

menggunakan isyarat arah.

 Isyarat Arah (Tracking Signal) : adalah pengukuran tentang sejauh mana ramalan
memprediksi nilai aktual dengan baik

 Isyarat Arah, dihitung sebagai jumlah kesalahan ramalan berjalan (running sum of the
forecast error, RSFE) dibagi dengan deviasi absolut mean (MAD)