Jajak Pendapat

Meskipun hasil-hasil survei yang diterbitkan mengenai rencana pengeluaran dari kalangan
bisnis, konsumen dan pemerintah sangat penting, namun biasanya perusahaan memerlukan
peramalan spesifik untuk penjualannya sendiri. Penjualan dari perusahaan sangat tergantung
pada tingkat umum dari kegiatan ekonomi dan penjualan untuk industri secara keseluruhan,
tetapi juga tergantung pada kebijakan yang digariskan oleh perusahaan. Perusahaan dapat
meramalkan penjualannya melalui pendapat para pakar di dalam dan di luar perusahaan. Ada
beberapa teknik jajak pendapat:
1. Jajak pendapat eksekutif. Perusahaan dapat mengumpulkan pendapat para manajer tingkat
atas dari bagian penjualan, produksi, keuangan, dan personalia mengenai pandangan
mereka tentang masa depan penjualan dari perusahaan selama kuartal atau tahun yang
akan datang. Walaupun pandangan-pandangan pribadi itu lebih banyak bersifat subjektif,
namun dengan mengambil rata-rata pendapat para pakar yang sangat mengenal perusahaan
dan produk-produknya, perusahaan berharap dapat sampai pada peramalan yang lebih
baik daripada pendapat yang disampikan oleh para pakar tersebut secara individual. Para
Pakar pemasaran dari luat dapat juga dikumpulkan pendapatnya Untuk menghindari efek
kereta atau bandhvagonelfect (di mana pendapat beberapa pakar dipengaruhi oleh tokch
dominan di antara mereka) maka bisa digunakan apa yang dinamakan metode Delphi
(DelphiMethod). Di sini, para pakar diminta pendapatnya secara terpisah, kemudian
iberikan umpan balik tanpa mengidentifikasikan pakar yang bertanggung jawab atas
pendapat tertentu. Melalui prosedur umpan balik dilharapkan para pakar dapat sampai pada
peramalan yang disepakati.
2
Masukan dari dewan-dewan luar negeri menjadi
suatu alat tak ternilai untuk memperoleh perspektif global dan merencanakan strategi dalam dan
luar negeri untuk jangka yang lebih panjang. Aplikasi Kasus 5-1 menyajikan peramalan jumlah
Restoran McDonald's di seluruh dunia.

Kasus 5-1 | meramalkan jumlah restoran Mcdonal’s di seluruh dunia

Foto

-2 ANALISIS DERET-WAKTU

Fitur 5-1 variasi tren, skils, musiman, dwn acak dalam data deret waktu
Foto

Bab 5 Peramalan Permintaan 20

4.
Proyeksi Tren
Bromuk paling scderhana dari analisis deret-waktu adalah memproyeksi tren masa lalu dengan
neletakkan suatu garis lurus pada data, baik sccara visual atau, Iebih persis lagi, dengan analisis.
regresi. Model regresi linear akan mengambil bentuk:
19 + °s = s
(1-5)
Di mana S, adalah nilai deret-waktu yang akan diramalkan untuk periode t, S, adalah nilai
deret-waktu yang diperkiçakan (konstanta dari regresi) dalam periode dasar (yaitu: pada periode
waktu = 0), b adalah jumlah absolut pertumbuhan setiap periode, dan t adalah periode waktu
yang di dalamnya akan diramalkan deret-waktu tersebut.
Misalnya, jika kita menggambarkan suatu garis regresi dengan data penjualan listrik
(musiman) mulai dari kuartal pertama 1997 (t = 1) sampai kuartal terakhir 2000 (1 = 16) seperti
terlihat pada Tabel 5-2, akan diperoleh Persamaan 5-2 mengenai regresi yang diperkirakan.
S = 11,90 +0,394 R = 0,50
(5-2)
Persamaan regresi 5-2 memperlihatkan bahwa penjualan listrik dalam kota pada akhir
kuartal 1999 (yakni S) diperkirakan sebanyak 11,90 KWH dan meningkat dengan kecepatan
fata-rata 0,394 juta KWH setiap kuartal. Variabel tren signifikan secara statistik lebih baik
canpada tingkat 1 persen (diperoleh dari nilai 4 untuk statistik t yang diberikan dalam kurung
a bawah koefisien kemiringan yang dicstimasi) dan "menjelaskan" 50 persen dalam variasi
ruartalan dari konsumsi listrik dalam kota (dari R = 0,50). Jadi, berdasarkan tren yang lalu,
la bisa meramalkan konsumsi listrik (dalam juta KWH) dalam kota sebagai berikut:

8 Bagian 2 Analisis Permintaan

S7 = 11,90 + 0,394(17) = 18,60 kuaral pertama 2004
S18 = 11,90 + 0,394(18) = 18.99 kuartal kedua 2004
S19 = 11,90 + 0,394(19) = 19,39 kuartal ketiga 2004
S0 = 11,90 + 0,394(20) = 19,78 kuartal keempat 2004
Beberapa ramalan itu ditunjukkan oleh titik-titik pada bagian yang putus-putus dari garis
yang diperpanjang sampai tahun 2004 pada Figur 5-2 (dengan mengabaikan sementara titik
yang dilingkari di atas dan di bawah garis). Perlu dicatat bahwa nilai-nilai penjualan listrik yang
diramalkan, tanpa membaca garis tren yang diperpanjang, hanya mcmpertimbangkan faktor
jangka panjang di dalam data. Dengan mengabaikan sama sekali variasi musiman yang sangai
signifikan dalam data (lihat figur), nilai-nilai yang diramalkan tentunya akan jauh melense
dari nilainya yang aktual di masa mendatang. Tetapi sebelumnya, kita akan memperlihark
bagaimana mencocokkan suatu tren laju pertumbuhan yang konstan (dalam persen) pada da
yang sama.
Sementara asumsi tentang suatu jumlah perubahan absolut yang konstan setiap periode
waktu (dalam hal ini kuartal) mungkin tepat dalam banyak kasus, namun pada situasi-situaci
(seperti penjualan banyak produk) di mana perubahan suatu persentase yang konstan adalah
lebih tepat (artinya, lebih cocok dengan data dan memberikan ramalan yang lebih baik).' Model
laju pertumbuhan dengan persentase konstan dapat dirumuskan sebagai:
(5-3)
,(8 + 1)S = 's
di mana g adalah laju pertumbuhan dengan persentase konstan yang diestimasi.
Untuk mengestimasi g dari Persamaan 5-3, pertama-tama kita harus mentransformasi data
deret-waktu ke dalam logaritma naturalnya dan kemudian mengadakan regresi pada data yang
telah ditransformasi tersebut. Persamaan regresi yang ditransformasi îtu linear dalam logarima
dan dirumuskan dengan:
In S, - In S, + rIn (1 + g)
(+-)
Tabel 5-2
Foto
Baik tren liniear (pertumbuhan deagan jumlah koustan) maupun tren cksponensial (pertumbuhan
dengan pere
stan) bisa dicoba, dan tren yang lebih cocok dengan data yang digunakan untuk peramalan.
Figur 5-2 owramalan dengan proyeki tren
Foto

Menggunakan Persamaan regresi (5-4) untuk data tentang penjualan listrik yang diberikan
ta Tabel 5-2 yang telah ditransformasi ke dalam log, kita mendapat:
ma
In St = 2,49 + 0,0261R = 0,50
(4,06)(5-5)
Dalam kasus ini, kecocokan dari Persamaan 5-5 sangat mirip dengan persamaan 5-2 yang
dijelaskan di awal. Karena parameter-parameter yang diperkirakan sekarang didasarkan pada
logaritma dari data, mereka harus dikonversikan ke dalam antilog-nya agar bisa ditafsirkan
ke dalam data aslinya. Antilog dari In So = 2,49 adalah So = 12,06 (diperoleh dengan hanya
memasukkan nilai 2,49 ke dalam kalkulator saku dan menekan kunci e untuk antilog), dan
0,026 memberikan (1 + g) = 1,026. Substitusikan nilai-nilai ini
antilog dari In (1 + g)
kembali ke dalam Persamaan 5-3, kita mendapat:
"Sebagai contoh, log dari 11 (nilai dalam Tabel5-2 untuk kuartal pertama 2000) adalah 2,40
(diperoleh dengan
memasukkan nilai 11 ke dalam kalkulator dan tekan tombol "In").
S 12,06 (1,026)
(95)
dimana S, = 12,06 juta KWH adalah estimasi penjualan listrik di kota dalam kuartal ke c
tahun 1996 (ialah pada t = 0) dan estimasi laju pertumbuhannya yang diperkirakan adalas
1,026, atau 2,6 persen, tiap kuartal.
Untuk mengestimasi penjualan dalam kuartal mana pun di masa yang akan datan
kita substinusikan ke dalam Persamaan 5-6 nilai dari t untuk kuartal di mana kita mencoba
meramalkan S dan menggantikan dengan S,. Jadi,
970'1) 90'ZI =
18,66 kuartal pertama 2004
= 19,14 kuartal kedua 2004
12,06 (1,026)"
S19 = 12,06 (1,026)9
S20 = 12,06 (1,026)
19,64 kuartal ketiga 2004
= 20,15 kuartal keempat 2004
Ramalan-ramalan itu sama dengan yang diperoleh dengan menggunakan tren linear
Variasi Musiman
Seperti yang telah kita lihat, nilai-nilai ramalan penjualan listrik yang dibaca terpisah dari
garis tren yang diperpanjang dalam Figur 5-2 hanya mempertimbangkan faktor tren jangka
panjang dalam data. Namun data untuk tabun-tahun 2000 sampai 2003 menunjukkan variasi
musiman yang kuat, dengan penjualan pada kuartal tahun pertama dan ketiga secara konsisten
berada di bawah nilai tren jangka panjang yang terkait, sementara penjualan pada kuartal tahun
kedua dan keempat secara konsisten berada di atas nilai-nilai tren. Dengan mempertimbangkan
keterkaitan variasi musiman, kita dapat memperbaiki perkiraan penjualan listrik dalam kota
secara signifikan. Kita dapat melakukan ini dengan menggunakan metode rasio-tren (ratio-to-
Iren) atau dengan menggunakan variabel dummy
Untuk menyesuaikan perkiran tren bagi variasi musiman dengan metode rasio-tren, kita
hanya perlu menemukan rasio rata-rata di mana nilai aktual deret waktu berbeda dengan nilai
tren estimasi di setiap kuartal sclama periode tahun 2000 sampai 2003 kemudian mengalikan
nilai tren perkiraan dengan rasio ini. Nilai perkiraan tren bagi sctiap kuartal dalam periode
2000 ke 2003 didapatkan dengan mensubstitusi nilai r yang berhubungan dengan kuartal yang
bersangkutan ke dalam Persamaan 5-2 dan menyelesaikannya untuk S, Hasil tersebut juga
diberikan dalam cetakan komputer untuk Persamaan 5-2. Tabel 5-3 menunjukkan kalkulasi
untuk penyesuaian musiman bagi ramalan penjualan listrik untuk setiap kuartal dalam tahun
2000 dari garis tren yang diperpanjang yang telah diperhitungkan sebelumnya.
Mengalikan penjualan listrik yang telah diramalkan sebelumnya (dari perpanjangan
sederhana tren linear) dengan faktor musiman yang telah diestimasi pada Tabel 5-3 (vaitu,
' Perlu dicatat balrwa perbedaan perbedaan ramalan yang diperoleh dengan menggunakan tren
eksponensial berbeda
dengan jumlah yang makin besar dari ramalan yang diperoleh dcngan tren iniertarena deret-waktu
diramalkan
lebih jauh ke masa mendatang. Inilah yang dapat terjadi.
0.887 untuk kuartal pertama, 1,165 untuk kuartal kedua, dan seterusya) kita mendapatkan
ramalan yang baru berikut ini berdasarkan tren linear dan penyesuaian musiman:
S17 = 18,60 (0,887) = 16,50 kuartal pertama 2004
S18 = 18.99 (1,165) = 22,12 kuartal kedua 2004
S19 = 19,39 (0,907) = 17,59 kuartal ketiga 2004
S20 = 19,78 (1,042)= 20,61 kuartal keempat 2004
Ramalan-ramalan ini diperlihatkan olch titik-titik yang dilingkari dalam Figur 5-2. Perlu
fraat bahwa dengan memasukkan penyesuaian musiman, nilai-nilai ramalan untuk penjualan
listrik sama dengan pola musiman yang lalu dalam data deret-waktu sepanjang tren linear yang
meningkat.
Hasil yang sama bisa diperoleh dengan memasukkan varjabeldurmmy dalam Persamaan 5-1.
Dengan mengambil kuartal ierakhir sebagai periode dasar dan menentukan variabel dummy D,
melalui deret-waktu dengan angka 1 dalam kuartal pertama setiap tahun dan nol untuk kuartal-
kuartal yang lain, dan D, dengan angka 1 dalam kuartal kedua dan nol untuk kuartal-kuartal
yang lain, dan D, dengan angka 1 untuk kuartal ketiga dan nol untuk kuartal-kuartal yang
lain, kita memperoleh hasil-hasil berikut dengan menjalankan regresi dari penjualan listrik pada
variabel-variabel pengganti musiman dan tren waktu lincar.
Table 5-3 kalkulasi penyesuaian musiman tren peramalan oleh metode rasio terhadap tren
Foto
R 0,99
S-12,75-2,375D, + 1,750D- 2,125D, + 0,3751
(8,11)
(-9,94)
(22,25)
(-10,85)
Perlu dicatat bahwa koefisien-koefisien hasil estimasi untuk variabel dummy dan variabel ues
semuanya adalah signifikan secara statistik pada tingkat Icbih dari I persen. Persama
7 "menjelaskan" 99 persen dari variasi dalam penjualan listrik (dibandingkan dengan b
50 persen untuk lersamaan 5-2). Dengan menggunakan Persamaan 5-7 untuk meramal
penjualan listrik pada tiap kuartal tahun 2004, kita mendapat:
Sp- 12,75 - 2,375 + 0,375 (17) 16,75 pada kuartal pertama 2004
SI 12,75 + 1,750 + 0,375 (18) - 21,25 pada kuartal kedua 2004
- SL'ZI - ls
2,125 + 0,375 (19) = 17,75 pada kuartal ketiga 2004
- 12,75
+ 0,375 (20) 20,25 pada kuartal keempat 2004
Nilai-nilai hasil ramalan ini sama seperti yang diperolch melalui metode rasio-tren. Jadi.
dalam kasus ini kedua metode itu merupakan altematif yang baik untuk memasukkan variasi
musiman ke dalam peramalan. Penting untuk diingat, bahwa ramalan-ramalan ini didasarkan
pada asumsi bahwa tren lalu dan pola-pola musiman di dalam data akan bertahan selama tahun
2001. Jika polanya berubah secara drastis, ramalannya tentu akan meleset jauh. Dalam hal
ini lebih memungkinkan berikutnya memasukkan hal-hal di masa datang yang kita perhatikan
dalam peramalan. Lagipula, sukar atau tak mungkin mempertimbangkan kekuatan-kekuatan
siklis, tak teratur atau acak. Jadi, analisis deret-waktu tidak dapat meramalkan titik balik
sampai hal itu terjadi. Meskipun ini terlihat tidak penting dalam data historis tentang penjualan
listrik yang digunakan dalam contoh di atas, peristiwa ini mungkin bukanlah situasi-situasi
dalam kasus-kasus lain yang nyata. Pada akhirnya, analisis deret-waktu tidak mengkaji faktor-
faktor yang menimbulkan terjadinya fluktuasi deret-waktu yang ditinjau. Dalam kejadian mana
pun analisis deret-waktu jarang digunakan tersendiri, tetapi sangat berguna kalau digabungkan
dengan metode-metode peramalan yang lain.° Aplikasi Kasus 5-2 menunjukkan bagaimana
pembangunan perumahan di Amerika Scrikat yang diramal dengan analisis deret-waktu.
S Perlu dicatat bahwa variabel durmmyinu ditambahkan pada (kalau positif) atau dikurangkan dari
(kalau negatif) nilai
konstanu dari regresi (yang menunjuk pada kuartal keempat yang diambil sebagai dasar). Untuk
diskusi lebih rinci
mengenai variabel dummy, lihat D. Salvatore dan D. Reagle, StatisticsandEconometrics, Edisi Ke-2
(New York:
McGraw-Hill, 2002) Bagian 8.2 atau buku pengantar ekonomi yang lain.
Ada metode-metode lebih canggih untuk meramalkan deret-waktu, yaitu yang disebut model ARIMA
(AutoregressiveIntegratedMovingAverage). Ini jauh lebih rumit dari pada analisis yang disajikan di
atas dan ata di
Juar lingkup ieks ini. Pembaca yang menaruh ninatdapalmerubaca buku-buku ekonormetri dalam
bacaan tambahan
pada akhir bab ini.

5-3

Penghalusan Eksponensial"
Kritik yang serius terhadap penggunaan rata-rata bergerak yang sederhana dalam peramalan
adalah ia memberikan bobot yang sama kepada semua observasi dalam menghitung rag-
ratanya, meskipun secara naluri kita mungkin mengharapkan observasi yang lebih baru adalah
sangat penting. Penghalusan eksponensial mengatasi kendala ini dan lebih sering digunakan
daripada rata-rata bergerak yang sederhana dalam peramalan.
Dengan pengbalusan eksponensial (exponentialsmoothing) peramalan untuk perodet
+ i (yakni F+1 adalah suatu rata-rata tertimbang dari nilai-nilai aktual dan nilai-nilai yang
diramalkan dari deret-waktu dalam periode t. Nilai dari deret-waktu dalam periode t (yaitu A)
diberi bobot (w) antara 0 dan 1 inklusif, dan ramalan untuk periode t (yaitu F.) diberi bobot 1
- w.' Semakin besar nilai w, semakin besar pula bobot yang diberikan pada nilai deret-waktu
dalam periode t sehingga berlawanan dengan periode sebelumnya Jadi, nilai ramalan dan
deret-waktu dalam periode t +1 adalah
F41 = WA, + (1 - w)F,
(5-12)
* Bagian ini sedikit lebih maju daripada yang lain, tapi dapat dilewatkan tanpa kehilangan kontinuitas.
' Perlu dicatat bahwa jumlah dari bobot sama dengan 1. Artinya, w + (1 - w) = 1. ini adalah kasus yaig
prfia)
* Sementara F. dibitung dari nilai deret-waktu dan ramalannya hanya unnuk periode r saja, peramaian
periode t dapat diperlihatkan tergantung pada nilat-nilai dari deret-waktu yang lalu, dengan bobot
yang lat
secara eksponensial untuk nilai-nilai yang letih jauh berlalu. Atas dasar alasan ini maka teknik
tersebut đưa
penghalusan eksponensial."
Table 5-6
Foto

Harus dibuat dua keputusan untuk menggunakan Persamaan 5-12 untuk penghalusan
eksponensial. Yang pertama, adalah memberikan suatu nilai kepada ramalan awal (F) untuk
memulai analisis. Salah satu caranya adalah membuat F, sama dengan nilai rata-rata dari
unh data deret-waktu hasil observasi. Harus diputuskan pula mengenai nilai dari w (600k
yang diberikan kepada A,). Pada umumnya, nilai-nilai w yang berbeda diuji, dan nilai yang
tarah ke ramnalan dengan RMSE terkecil itulah yang dipakai dalam peramalan.
Sebagai contoh, kolom 3 dari Tabel 5-6 memperlihatkan ramalan untuk data pangsa pasar
dari perusahaan yang dicantumkan pada kolom 1 dan 2 (sama seperti dalam Tabel 5-5) dengan
menggunakan pangsa pasar fata-rata dari perusahaan selama 12 kuartal. Untuk itu kita memilki
data (yaitu 21,0) untuk Fj (agar perhitungan dapat dimulai) dan w =0,3 sebagai bobot uniuk
4 Jadi, F, (nilai kedua dalam kolom 3) adalah
(5-13)
F2 = 0,3(20) + (1 - 0,3) = 20,7
Ramalan-ramalan untuk periode waktu yang lain (dibulatkan sampai satu desimal pertama)
diperoleh dengan cara yang sama, sampai Fa = 21,0 untuk kuartal ketiga belas.
Di sisi lain, dimulai dengan pangsa pasar rata-rata dari perusahaan untuk dua belas kuartal
yang kita miliki datanya (ialah 21,0) untuk F, tapi sekarang dengan memakai w = 0,5 sebagai
bobot untuk A,, kita memperoleh ramalan eksponensial dari pangsa pasar perusahaan seperti
terlihat dalam kolom 6 dari Tabel 5-6. Jadi, F, (nilai kedua dalam kolom 6) adalah:
F2 = 0,5 (20) + (1-0,5) 21 = 20,5

Kasus 5-3
Foto

Damalan-ramalan untuk periode-periode yang lain diperoleh dengan cara yang sama, hingga
E = 21,5 untuk kuartal ketiga belas.
RMSE untuk ramalan eksponensial dengan memakai w = 0,3 adalah:
RMSE =
87,19
= 2,70
(5-14)
D ghak lain RMSE ramalan eksponensial dengan memakai w = 0,5 adalah
101.5
(5-15)
167 = - asWa
Iadi, kita lebih yakin dengan peramalan eksponensial 21,0 untuk kuartal ketiga belas yang
diperoleh dengan menggunakan w = 0,3 daripada ramalan cksponensial 21,5 yang diperoleh
dengan menggunakan w = 0,5 (lihat Tabel 5-6). Kedua ramalan eksponensial itu lebih baik
daripada ramalan rata-rata bergerak tiga kuartalan dan lima-kuartalan yang diperoleh terdahulu
dalam Subbab 5-3. Karena ramalan eksponensial yang terbaik biasanya lebih baik daripada
ramalan rata-rata bergerak yang terbaik, maka yang disebutkan terdahulu itulah yang umumnya
dipakai Aplikasi Kasus 5-3 menunjukkan bagaimana teknik penghalusan digunakan untuk
meramal penjualan kayu di Amerika Serikat.
5-4 METODE-METODE BAROMETRIK
Hingga saat ini kita sudah membahas tren sekuler, variasi musiman, dan pengaruh secara
acak dalam data deret-waktu. Sedikit yang telah dikemukakan tentang ayunan peramalan siklis
dalam tingkatan aktivitas ekonomi atau siklus bisnis. Salah satu cara untuk meramalkan atau
mengantisipasi perubahan jangka pendck dalam aktivitas ekonomi atau titik balik dalam siklus
bisnis adalah dengan menggunakan indeks dari indikator-indikator utama. Ini adalah deret-
wakru yang cenderung mengawali (mendahului) perubahan dalam tingkat aktivitas ekonomi
Ccara umum, sama seperti perubahan dalam merkuri yang ada dalam suatu barometer yang
nendahului perubahan kondisi cuaca (sehingga dinamakan metode barometrik). Peramalan
barometrik (baromeiricforecasting) seperti yang dilakukan sekarang merupakan hasil kerja
jung dlakukan oleh NBER (National BureauofEconomicResearch) dan ConferenceBoard.
Peningkatan dalam indikator ekonomi utama (leadingeconomicindicators) digunakan
k meramalkan peningkatan dalam aktivitas bisnis secara umum, dan sebaliknya. Sebagai
oh, peningkatan dalam izin membangun dapat dipakai untuk meramalkan peningkatan dalam
crer-vaknu memperlihatkan tidak hanya variasi acak mclainkan juga tren sekular, maka diperlukan
teknik
Ciponensial ganda. Akan tetapi hal ini ada di luar lingkup teks ini. Pembaca yang berminat dapat
C W.I Granger, Forecasting in Business andEconomics (New York: AcademicPress, 1989).

koastruksi perumahan. Tidak sejelas yang tadi-tapi sangat penting-dalam peningkatan harga
saham, secara umum, mendahuhui (yaitu, merupakan indikator utama dari) kenaikan dalam
aktivitas bisnis, karena peningkatan harga saham menunjukkan ekspektasi dari para menajer
bismis dan yang lainnya bahwa tingkat laba akan meningkat. Pada sisi yang lain, penurunan
kontrak unuk pabrik dan perlengkapan biasanya mendahului penurunan dalam ak
ekonomi secara umum Jadi, indikator-indikator utama ini digunakan untuk meramalkan
belok dalam sikhas bisnis.
Walaupun kita tertarik dengan indikator utama tersebut, beberapa deret-waktu ber
sejalan atau berhubungan dengan pergerakan dalam aktivitas ekonomi secara umum d
krmudian disebut sebagai indikator koinsiden (coincidęruindicators). Tetapi yang Jain
mengikuti adanya gerakan yang terlambat dalam aktivitas ekonomi sering kali disebut sebagai
indikator terlambat (laggingindicators). Positif relatif dari indikator utama, koinsiden
dan tertinggal dalam siklus bisnis ditunjukkan dalam Figur 5-3. Figur tersebut menunjukt
bahwa indikator utama mendahului titik belok dari siklus bisnis (puncak dan lembah), indikator
koinsiden bergerak sejalan dengan siklus bisnis, sementara indikator yang tertinggal mengikuri
atau terlambat dari titik belok dalam siklus bisnis.
Data deret-waktu terhadap lebih dari 300 indikator utama, koinsiden dan tertinggal
disediakan dalam Business CycleIndicators, sebuah publikasi bulanan dari ConferenceBoard
Sebuah daftar yang lebih pendek terdiri dari 21 indikator terbaik (10 utama, 4 koinsiden, dan
7 tertinggal) diberikan dalam Tabel 5-8. Minat kita terutama terletak pada indikator utama,
Tabel 5-8 juga memberikan nilai berapa kali yang memimpin (-) dan yang tertinggal (+) untuk
indeks gabungan (compositeindexes) dari 10 indikator utama, 4 koinsiden, dan 7 tertinggal
Ini merupakan rata rata tertimbang dari indikator individu pada setiap kelompoknya, dengan
indikator-indikator yang melakukan pekerjaan yang lebih baik terhadap peramalan maka akan
diberikan timbangan yang lebih baik pula. Sama halnya, indeks gabungan menghaluskan
variasi acak kita dan menyediakan ramalan yang lebih dapat dipercaya dan lebih sedikit tanda
tanda yang salah dibanding kan dengan indikator individu.
Metode lainnya untuk mengatasi kesulitan yang timbul pada saat beberapa dari 10 indikator
utama bergerak naik dan beberapa turun adalah indeks difusi (diffusionindex). Di samping
mengombinasikan ke-10 indikator utama menjadi indeks gabungan, indeks difusi memberikan
persentase dari ke-10 indikator utama yang bergerak naik. Jika ke-10-nya bergerak naik, indeks
difusi sama dengan 100. Dan jika semuanya turun, maka nilainya 0. Jika hanya 7 yang naik
indeks difusi sama dengan 70. Kita biasanya meramalkan peningkatan dalam aktivitas ekonom
pada saat indeks difusi berada di atas 50, dan kita memiliki keyakinan yang lebih tental
peramalan kita, jika indeksnya makin mendekati 100. Secara umum, peramalan barometr
lebih menggunakan indeks gabungan dan difusi dibandingkan dengan indeks individu, kecu
jika perusahaan mencari informasi tentang perubahan yang diantisipasi dalam pasar
barang atau jasa yang spesifik.
Setiap bulan, ConferenceBoard melaporkan perubahan dalam indeks indivie
gabungan. Walaupun tidak banyak signifikansi yang dapat diberikan pada ayunan siklus bo
individu, tiga atau empat penurunan berturut-turut pada satu bulan dalam indeks gabungn
indeks difusi yang kurang dari 50 persen, biasanya meramalkan adanya resesi (lebih
disebut sebagai Penurunan dalam Gross National Product untuk tiga atau lebih kuartal yan

5-3 indicator ekonomi

Foto

Indikator utama mengawali (mendahului) tikik belok siklis bisnis (puncak dan lembah), indikator
koinsiden bergerak sej
dengan siklis bisnis sementara indikator tertinggal mengikuri atau mcrupakanútik belok yang
iertinggal dalam siklis bisnis
berurutan). Ini dapat dilihat pada Figur 5-4. Panel atas menunjukkan indeks gabungan dari
indikator utama yang sedang mengalami penurunan sebelum resesi pada tahun 1969 hingga
1970, 1973 hingga 1975, 1980, 1981 hingga 1982, dan 1990 hingga 1991, dan 2001 (daerah
yang diarsir dalam gambar). Sama halnya, panel bawah menunjukkan nilai indeks difusi untuk
10 indikator utama yang secara uinum berada di bawah 50 persen pada bulan-bulan resesi
(daerah yang diarsir).
Walaupun indeks gabungan dan difusi dari indikator utama merupakan alat yagana
sn8eq
untuk meramalkan titik belok dalam siklus bisnis, mereka mempunyai beberan
keterbatasan. Salah satunya adalah bahwa dalam beberapa kesempatan mereka turut meramalkan
resesi yang ternyata tidak terjadi 10 Variabilitas dalam waktu vang mendahului juga layak
dipertimbangkan. Lebih penting lagi, peramalan barometrik memberikan indikasi yang sanb
sedikit atau bahkan tidak sama sekali tentang besarnya perubahan yang diramalkan dalam tngkat
aktivitas ekonomi (hanya menyediakan peramalan kualitatif dari titik belok). Jadi, peramalan
barometrik adalah superior terhadap analisis deret-waktu dan teknik penghalusan (mctode yang
Paling bagus, peramalan barometrik hanya 80 hingga 90 persen akurat dalam meramalkan titik belok.

Table 5-8
Foto

Figur 5-4
Foto

naif) dalam peramalan titik belok jangka pendek dari aktivitas ekonomi, metode ini tetap harus
digunakan bersama-sama dengan metode yang lainnya (seperti peramalan ekonometrik-dibahas
dalam Subbab 5-5) untuk meramaikan besarnya perubahan dalam tingkatan aktivitas ekonomi.
Aplikasi Kasus 5-4 menunjukkan penggunaan indeks gabungan dan difusi dalam peramalan
tingkat aktivitas ekonomi bulan Mei 2002 (pembaca dapat mengecek apakah peramalan tersebut
benar). Aplikasi Kasus 5-5 menunjukkan indeks indikator utama yang sekarang telah digunakan
secara global.
Kasus 5-4
Foto
5-5 MODEL EKONOMETRIK
Permintaan dan penjualan perusahaan atas suatu komoditas sama halnya dengan variabel
ekonomi yang lainnya yang secara meningkat mulai diramalkan dengan menggunakan
model ekonometrik dengan metode peramalan yang lainnya adalah model ini berusaha untuk
mengidentifikasi dan mengukur kepentingan relatif (elastisitas) dari berbagai macam detreminan
permintaan atau variabel ekonomi yang lainnya untuk diramalkan. Dengan berusaha untuk
menerangkan hubungan yang sedang diramalkan, peramalan ekonometrikmemmungkinkan para
manajer untuk menentukan kebijakan yang optimal bagi perusahaan. Ini sangat berlainan dengan
teknik peramalan lain yang dibahas dalam bab ini yaitu peramalan permintaan, penjualan dan
variabel ekonomi lainnya berdasarkan pada pola mereka yang sebelumnya atau dengan dasar
beberapa indikator utama saja.
Teknik peramalan ekonometrik sering menggunakan hal-hal
dalam teknik peramalan lain, seperti tren atau variasi musiman, teknik penghalusan dan
indikator utama. Metode peramalan ekonometrik dapat bervariasi antara model persamaan
tunggal dari persamaan yang dihadapi perusahaan untuk produknya sampai model
yang terbaik
yang terdapat
persamaan

Kasus 5-5
Foto

ganda yang menggambarkan beratus-ratus sektor dan industri dalam perekonomian.

Walpun perhatiannya di sini kepada peramalan permintaan untuk produk suatu perusabaan,
pamalan secara makro dari pendapatan nasional dan sektor-sektor utama dalam ckonomi juga
variabel
gunakan
ha untuk
zeminan
unakan sebagai input atau variabel penjelas dalam model permintaan tunggal yang
dari satu perusahaan. Maka dari inu, kita akan membahas kedua jenis peramalan
falam subbab ini, dimulai dengan model persamaan tunggal.
a untuk
Model Persamaan Tunggal
Aetuk paling sederhana dari peramalan ekonometrik adalah model persamaan tunggal.
Lngkah pertama adalah mengidentifikasi determinan determinan dari variabel yang akan
mal Sebagai contoh, dalam peramalan permintaan sereal unnuk sarapan, perusahaan
uryamempostulatkanbalwapermintan (Q) merupakan fungsi dari atau bergannung pada
be sereal untuk sarapan tersebut (P). peadapatandisposibel konsumen (), ukuran populasi
argamuffin (P, - subutitusi), harga susu (P,-komplementer), dan tingkat biaya iklan
perahaan (4). Jadi, kita dapat memuliskan persamaan permintaan yang akan diestimási
gberut
sed u
dengan
lan dan
n dasar
erdapat
an dan
amaan
amaan