2018150003
UNIVERSITAS SAHID
JAKARTA
2020
PENDAHULUAN
Peramalan (forecasting) adalah kegiatan untuk meramalkan apa yang akan terjadi pada
masa yang akan datang. Sedangkan ramalan adalah suatu situasi atau kondisi yang akan
diperkirakan akan terjadi pada masa yang akan datang. Teknik peramalan dibagi menjadi dua,
yaitu model peramalan yang didasarkan pada model matematika statistik seperti, moving
average, exponential smoothing, ARIMA, SARIMA dan regresi. Model kedua adalah model
peramalan yang didasarkan pada kecerdasan buatan seperti neural network, algoritma genetika,
dan klasifikasi. Dalam perkembangan selanjutnya digunakanlah metode soft computing. Metode
soft computing ini sebagai pendekatan model time series yang tidak memerlukan asumsi pada
model statistika dan lebih fleksibel. Arti fleksibel pada soft computing adalah model dapat
berubah sesuai dengan keadaan pada saat digunakan. Beberapa asumsi model statistika yaitu uji
normalitas, uji linearitas dan uji homogenitas. Metode soft computing adalah model pendekatan
yang digunakan untuk komputasi dengan meniru kemampuan akal manusia untuk menalar dan
belajar pada lingkungan yang penuh dengan ketidaktetapan dan ketidakpastian (Jang & Mizutani,
1997:1). Beberapa contoh dari metode soft computing adalah Neural Network (NN) , Genetic
Algorithm dan sebagainya. Neural Network (NN) adalah sistem pemrosesan informasi yang
memiliki karakteristik mirip dengan jaringan saraf biologis. Model NN efektif digunakan untuk
satunya adalah Hippert (2005). Dalam penelitiannya tersebut, Hippert (2005) menggunakan
metode NN untuk meramalkan beban listrik di Kota Rio de Jeneiro, Brazil. Pada tahun 2007, Pao
(2007) menggunakan NN untuk meramalkan harga pasar listrik di European Energy Exchange
(EEX). Beberapa kelebihan dari pemodelan menggunakan NN adalah tidak memerlukan asumsi
seperti normalitas pada data yang seringkali sulit dipenuhi, karena data dapat digunakan secara
langsung dan mampu memberikan model yang mendekati sistem nyata. Salah satu contoh asumsi
yang biasa digunakan adalah asumsi uji normalitas. Seiring dengan perkembangan ilmu
adalah model Radial Basis Function Neural Network (RBFNN). Model RBFNN terdiri atas
lapisan masukan (input layer), lapisan tersembunyi (hidden layer) dan lapisan keluaran (output
layer). Karakteristik khusus dari RBFNN yang pertama adalah hanya memiliki bobot pada
jaringan yang terhubung dari lapisan tersembunyi ke lapisan output. Kedua, model RBFNN
terawasi) dan unsupervised learning (pembelajaran tak terawasi). Ketiga, RBFNN hanya
memiliki satu lapisan tersembunyi. Terdapat fungsi aktifitas pada lapisan hidden dan
mengeluarkan nilai berupa persamaan nonlinear, sedangkan pada lapisan output atau akhir proses
I. Pengertian
Perkiraan atau forecasting adalah metode yang biasanya hanya terkait denganpenganggaran,
namun memegang peranan penting dalam proses menghitung berapa banyak stok yang
diperlukan untuk mempertahankan pembelian dan persediaan pada tingkat yang sesuai.
ukuran kuantitas, kualitas, waktu dan lokasi yang dibutuhkan dalam rangka memenuhi
denganmenggunakan data-data masa lalu, untuk menentukan sesuatu di masa yang akan
datang.
terjadinya suatu kejadian atau peristiwa di waktu yang akan datang. Ramalan bisa bersifat
kualitatif, artinya tidak berbentuk angka dan bisa bersifat kuantitatif, artinya berbentuk
Menurut Heizer dan Render (2009:162), peramalan (forecasting) adalah seni dan ilmu
untuk memperkirakan kejadian di masa depan. Hal ini dapat dilakukan dengan
mendatangdengan suatu bentuk model matematis. Selain itu, bisa juga merupakan
prediksi intuisi yang bersifat subjektif. Atau dapat juga dilakukan dengan menggunakan
kombinasimodel matematis yang disesuaikan dengan pertimbangan yang baik dari
seorang manajer.
darisebuah variabel atau kumpulan variabel untuk mengestimasi nilainya di masa yang
akandatang. Jika kita dapat memprediksi apa yang terjadi di masa depan maka kita dapat
mengubah kebiasaan kita saat ini menjadi lebih baik dan akan jauh lebih berbeda di masa
yang akan datang. Hal ini disebabkan kinerja di masa lalu akan terus berulang setidaknya
Hari penjualan,
Waktu penjualan periode hari itu dijual ( misalnya : sarapan, makan siang, makan malam,
e.t.c ),
Informasi ini membantu pembeli dalam memperkirakan jumlah stok yang diperlukan untuk
mengisi persediaan dan kualitas stok yang diperlukan. Karena itu membantu dalam memilih
pemasok. Informasi penjualan sering disebut ‘ Sales Mix ‘ ( bauran penjualan ). Dengan
mengetahui jumlah penjualan yang mungkin terjadi pada masing – masing barang, pembeli dapat
menentukan jumlah yang benar untuk dibeli. Mengingat bahwa informasi historis tentu saja
hanya sebuah panduan, itu dapat dinilai dalam kaitannya dengan tren saat ini dan kondisi pasar.
Informasi penjualan mudah disiapkan dengan penggunaan register kas elektronik ( ECR ) dengan
‘ Price Look Ups ‘ ( PLU ) yang melacak setiap penjualan ketika terjadi, atau dengan cara
manual, yang padadasarnya memberikan informasi yang sama. Manfaat dari pelacakan penjualan
dan menggunakan bauran penjualan untuk membantu dalam meramalkan kebutuhan pembelian
adalah bahwa manajemen dapat menambahkan informasi variable lain yang berubah di pasar dan
menciptakan perkiraan yang berarti untuk bisnis mereka. Contoh pengaruh pasar lainnya adalah :
Acara khusus,
Perubahan musiman.
Fungsi peramalan atau forecasting terlihat pada saat pengambilan keputusan. Keputusan yang
baik adalah keputusan yang didasarkan atas pertimbangan apa yang akan terjadi pada waktu
keputusan itu dilaksanakan. Apabila kurang tepat ramalan yang kita susun, maka masalah
peramalan juga merupakan masalah yang selalu kita hadapi (Ginting, 2007). Menurut Heizer dan
1. Untuk mengkaji kebijakan perusahaan yang berlaku saat ini dan dan di masa lalu serta
2. Peramalan diperlukan karena adanya time lag atau delay antara saat suatu kebijakan
Berdasarkan horizon waktu, peramalan atau forecasting dapat dibagi menjadi tigaJenis, yaitu
(Herjanto, 2008:78):
1. Peramalan jangka panjang, yaitu yang mencakup waktu lebih besar dari 18 bulan.
2. Peramalan jangka menengah, yaitu mencakup waktu antara 3 sampai 18 bulan. Misalnya,
3. Peramalan jangka pendek, yaitu mencakup jangka waktu kurang dari 3 bulan. Misalnya,
1. Peramalan ekonomi (economic forecast), peramalan ini menjelaskan siklus bisnis dengan
memprediksi tingkat inflasi, ketersediaan uang, dana yang dibutuhkan untuk membangun
kemajuan teknologi yang dapat meluncurkan produk baru yang menarik, yang
3. Peramalan permintaan (demand forecast), adalah proyeksi permintaan untuk produk atau
serta sistem penjadwalan dan menjadi input bagi perencanaan keuangan, pemasaran, dan
Berdasarkan jenis data ramalan yang disusun, peramalan dibagi menjadi dua jenis, yaitu
1. Peramalan kualitatif, yaitu peramalan yang didasarkan atas data kualitatif pada masa lalu.
Hasil ramalan yang dibuat sangat tergantung pada orang yang menyusunnya. Hal ini
peramalan secara kualitatif ini didasarkan atas hasil penyelidikan, seperti pendapat
salesman, pendapat sales manajer pendapat para ahli dan survey konsumen.
2. Peramalan kuantitatif, yaitu peramalan yang didasarkan atas data penjualan pada masa
lalu. Hasil peramalan yang dibuat sangat tergantung pada metode yang dipergunakan
dalam peramalan tersebut. Penggunaan metode yang berbeda akan diperoleh hasil yang
berbeda pula.
Berdasarkan sifat penyusunannya, peramalan dibagi menjadi dua jenis, yaitu (Ginting,
2007) :
1. Peramalan subjektif, yaitu peramalan yang didasarkan atas perasaan atau intuisi dari
2. Peramalan objektif, yaitu peramalan yang didasarkan atas data yang relevan pada masa
1. Nilai tingkat hunian kamar atau jumlah event dalam seminggu atau sebulan kedepan Hal ini
bertujuan untuk mengetahui seberapa besar level kesibukan yang akandilalui oleh hotel.
Forecast berguna untuk menentukan jumlah tenaga kerja yang dibutuhkan sesuai dengan
beban kerja yang akan dilalui dimasa yang akan datang. Misalnya : untuk menjaga kualitas,
ketika volume binis tinggi, maka semakin banyak pula jumlah pekerja yang dibutuhkan.
Sehingga, dengan menambah jumlah tenaga casual/daily worker, kualitas akan tetap terjaga.
Sehingga, beban variable cost menjadi berkurang. Hal ini akan berdampak pada financial
statement diakhir bulan. Human resource manager sebagai partner bisnis memastikan nilai
Contohnya, stok amenities yang ada dikamar hotel seperti sabun, sampo, pasta gigi dan
lainnya. Selain itu, forecast juga berfungsi untuk mengendalikan ketersediaan stock untuk
keperluan makanan dan minuman. Dengan meneliti laporan forecast bisa melihat dan
membandingkan antara stock yang dimiliki saat ini dengan rencana pembelian barang –
barang keperluan operasional sesuai dengan volume bisnis. Sehingga, tidak ada penimbunan
stok yang beresiko rusak atau kekurangan stock yang berdampak kepada kualitas pelayanan.
Dengan memiliki forecast juga dapat melihat perkiraan energy yang akan dikeluarkan.
Komponen laporan forecast lainnya adalah perkiraan sumber – sumber pendapatan hotel.
Sehingga, dari forecast tersebut dapat melihat seberapa besar nilai proyeksi pendapatan yang
akan dihasilkan. Lalu dapat membandingkan dengan target pendapatan yang harus dicapai
( budget ). Sehingga, jika pada forecast terlihat dibawah target budget masih memiliki waktu
Komponen penting dalam laporan forecast lainnya adalah average daily rate ( ADR ). Komponen
ini sangat penting sebagai alat ukur harga kamar yang kita jual sesuai dengan posisi merek hotel
kita di pasar. Dengan memiliki forecast dapat melihat besaran permintaan ( demand ) yang ada di
hotel. Sehingga, dapat mengambil keputusan untuk menerapkan Dynamic Pricing di hotel untuk
System pemesanan yang menyatakan seberapa sering / frekuensi pembelian akan terjadi.
Oleh karena itu keduanya terkait erat dan merupakan bagian dari proses pengendalian persediaan
secara keseluruhan dalam bisnis perhotelan. Karena sifat barang yang digunakan dalam industry
perhotelan, control harus didasarkan pada frekuensi penggunaan dan frekuensi pemesanan.