Bab 1 Pendahuluan

A. Latar belakang

Peramalan adalah proses untuk memperkirakan beberapa kebutuhan dimasa yang

akandatang. Yang meliputi kebutuhan dalam ukuran kuantitas, kualitas, waktu dan lokasi

yangdibutuhkan dalam rangka memenuhi permintaan barang ataupun jasa (Nasution, 1999).

Peramalan memiliki estimasi nilai atau karakteristik masa depan yaitu prediksi (prediction),

peramalan (forecast), dan kecenderungan (trend). Peramalan bersifat tidak pasti (uncertain),

permintaan tidak pasti karena ada beberapa factor yaitu karena adanya kompetisi,

perilakukonsumen, siklus bisnis, upaya penjualan, siklus hidup produk, variasi random, dan

lain-lain.Pada dasarnya pendekatan peramalan dapat diklasifikassikan menjadi dua

pendekatan, yaitu pendekatan kualitatif dan pendekatan kuantitaif (Makridakis, et.al., 1995).

Peramalan merupakan tahap awal dari perencanaan dan pengandalian produksi. Pada

hakekatnya peramalan merupakan suatu perkiraan terhadap keadaan yang akan terjadi di masa

yang akan datang. Keadaan masa yang akan datang yang dimaksud adalah:

1.      Apa yang dibutuhkan (jenis)

2.      Berapa yang dibutuhkan (jumlah/kuantitas)

3.      Kapan dibutuhkan (waktu)

Tujuan peramalan dalam kegiatan produksi adalah untuk meredam ketidakpastian, sehingga

diperoleh suatu perkiraan yang mendekati keadaan yang sebenarnya. Peramalan tidak akan

pernah “perfect”, tetapi meskipun demikian hasil peramalan akan memberikan arahan bagi

suatu perencanaan.

B. Rumusan masalah

1.  Apa pengertian Peramalan permintaan ?

2. Bagaimana karakteristik peramalan yang baik ?
3. Bagaimana cara mengukur permintaan pasar?
 C. Tujuan

Bab 2 Pembahasan

A. Pengertian Peramalan Kualitatif

1. Teknik Survei
Peramalan untuk mengadakan peramalan secara survei mengenai berbagai kecenderungan

ekonomi ialah supaya berbagi keputusan ekonomi dapat dibuat dengan baik sebelum

terjadi pengeluaran aktual. Sebagai contoh perusahaan biasanya mengadakan beberapa

tambahan pada pabrik dan perlengkapan jauh sebelum pengeluaran-pengeluaran yang

sesungguhnya dilakukan. Keputusan konsumen untuk membeli rumah, mobil, tv, mesin

cuci, mebe, liburan dan pendidikan dan barang-barang konsmsi penting lainnya diambil

beberapa bulan atau tahun sebelum pembelian dilakukan.begitu juga instansi-instansi

pemerintahan mempersiapkan anggaran dan mengantisipasi pengeluaran-pengeluaran

setahun sebelumnya atau lebih. Jadi survei mengenai kecenderungan ekonomi dapat

memberi informasi dan dapat digunakan untuk meramalkan pembelian barang modal,

perubahan persediaan dan pengeluaran untuk konsumsi penting dimasa depan.

Beberapa survei yang sangat terkenal yang digunakan untuk meramalkan kegiatan

ekonomi pada umumnya dan kegiatan ekonomi di berbaga sektor perrkonomian adalah :

1. Survei tentang pabrik dan para eksekutif bisnis dan rencana pengeluaran untuk

perlengkapan. Survei ini dilakukan secara berkala oleh McGraw-Hill,Inc.,

Departemen Perdagangan AS, Securities and Exchange Commission (SEC), dan

dewan Konfersi industri Nasional. Misalnya, survei McGraw-Hill menyangkut

lebih dari 50% pembelanjaan pabrik dan perlengkapan baru, dilaksanakan dua kali

setahun, dan diterbitkanoleh Business Week( suatu terbeitan McGraw-Hill). Survei

Deoartemen Perdagangan bahkan komprhensif, dilaksanakan setiap kuartal dan

ditertibtkan oleh survey of Current Busniess miliknya.

2. Survei tenfang rencana perubahan inventori dan harapan penjualan. Ini dilaksana

secara berkala oleh Departemen Perdagangan, McGraw-Hill, Dun&Bradstreet, dan

Asosiasi Agen Pembelian Nasional, dan mereka melaporkan tentang rencana para

eksekutf bisnis mengenai perubahan inventory dan harapan akan penjualan di masa

mendatang.

3. Survei tentang rencana pengeluaran konsumen. Ini dilaksanakan secara berkala

oleh biro sensus dan Pusat Riset Survei Universitas Michigan, dan mereka
 melaporkan to keinginan konsumen untuk membeli produk-produk spesifik,

termasuk rumah, peralatan konsumen, dan mobil. Hasilnya sering dipakai untuk

meramalkan permintaan konsumen pada umumnya dan tingkat kepercayaan

konsumen dalam perekonomian.

Umumnya, laporan dari survei-survei ini sudah cukup baik untuk meramalkan baik

pengeluaran aktual, kecuali dalam masa-masa gejolak politik internasional yang tak

diharank seperti perang atau ancaman perang. Apabila digunakan secara bersama-sama

dengan metode-metode kuantitatif lainnya, survei bisa sangat berguna dalam

meramalkan kegiatan ekonomi sektor-sektor ekonomi yang spesifik dan untuk

perekonomian secara keseluruhan. Perusaharn-perusahaan AS mengeluarkan lebih dari

$1 miliar setiap tahun untuk menanyakan kepada lebih dari 50 juta konsumen tentang

pendapat mereka mengenai berbagai produk barang dan jasa. Meskipun demikian,

semakin besar jumlah konsumen yang menolak ikut serta dalam surve riset pasar

karena waktunya tersita, privasinya hilang, dan adanya tekanan dari para penjual yang

beroperasi dengan selubung riset pasar Ini menimbulkan kesulitan yang semakin besar

dalam memperoleh sampel-sampel yang representatif dan tren pemanfaatan riset

observasinnal yang lebih besar (lihat Subbab 4-2)

Jajak Pendapat

Meskipun hasil-hasil survei yang diterbitkan mengenai rencana pengeluaran dari

kalangan bisnis, konsumen dan pemerintah sangat penting, namun biasanya perusahaan

memerlika peramalan spesifik untuk penjualannya sendiri. Penjualan dari perusahaan

sangat tergantung pada tingkat umum dari kegiatan ekonomi dan penjualan untuk

industri secara keselurua tetapi juga tergantung pada kebijakan yang digariskan oleh

perusahaan. Perusahaan dapat meramalkan penjualannya melalui pendapat para pakar

di dalam dan di luar perusahaau.i beberapa teknik jajak pendapat :

1. Jajak pendapai eksekutif. Perusahaan dapat mengumpulkan pendapat para manjer

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 nsubjekti. 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.

2. Jajak pendapat tenaga penfual Ini adalah peramalan penjualan dari perusahaan di

tiap daerah pada setiap gugus produk: peramalan ini didasarkan pada pendapat

tenaga penjual yang ditugaskan di lapangan oleh perusahaan. Mereka adalah orang-

orang yang paling dekat dengan pasar, dan pendapat mereka mengenai penjualan di

masa mendatang dapat memberikan informasi berharga bagi manajemen puncak

perusahaan.

3. Jajak pendapat tentang keinginan konsumen. Beberapa perusahaan yang menjual

mobil, mebel, alat-alat rumah tangga, dan barang-barang tahan lama lainnya

kadang-kadang mengumpulkan pendapat para pembeli potensial mengenai apa

yang ingin dibeli. Dengan menggunakan hasil jajak pendapat itu, perusahaan dapat

meramalkan penjualannya secara nasional untuk tingkat yang berbeda-beda dari

pendapatan disposable konsumen yang bisa discdiakan pada masa depan.

Mendapatkan Perspektif Luar Negeri

Banyak perusahaan AS menjual peningkatan hasil produksinya ke luar negeri dan

menghadapi persaingan yang semakin meningkat di dalam maupun di luar negeri dari

perusahaan asing Maka, menjadi semakin penting bagi perusahaan-perusahaan tersebut

untuk meramalkan berbagai perubahan dalam pasar dan produk di luar negeri karena

hal ini memengaruhi tidak hanya ekspor perusahaan tetapi juga daya saingnya di dalam

negeri. Untuk mendapatkan perspektif luar ncgeri seperti itu, semakin banyak

perusahaan AS membentuk dewan-dewan beranggotakan orang-orang terhcrmat dan

orang-orang bisnis dari luar negeri, terutama di Eropa. Maksudnya adalah untuk

memperoleh perspektif global mengenai peristiwa-peristiwa yang berkembang sebagai

akibat penyatuan ekonomi di Eropa Barat, restrukturisasi di Eropa Timur, dan

liberalisasi ekonomi di pasar-pasar yang sedang muncul atau di negara-negara

berkembang. Dasar pemikirannya adalah bahwa tidak ada cara yang lebih baik untuk

meramalkan dan menggambarkan apa yang terjadi di Eropa, kecuali meminta gagasan-

gagasan dari pemerintah dan para pemimpin bisnis yang ada di sana.

Sebagai contoh, General Motors mendapati bahwa Dewan Penasihat Eropa ternyata

bermanfaat dalam mengadakan persiapan-persiapan menghadapi dasa-warsa pertama

abad baru. IBM minta bantuan para dewan penasihatnya di Eropa, Asia dan Amerika

Latin untuk membantu mengembangkan rencana rencana strategis. Keuntungan dari

para dewan luar negeri seperti itu adalah tidak perlu membuang-buang waktu untuk

neninjau kembali anggaran atau menangani tugas-tugas terpercaya lainnya seperti

perencanaan suksesi, dan dapat mencurahkan seluruh perhatiannya pada masalah-

masalah internasional yang bisa berdampak besar terhadap masa depan perusahaan

sebagai pesaing global Para dewan penisahaan biasanya terlalu disibukkan oleh

masalah-masalah mendesak dan begitu kurang pengetahuan tentang pembangunan

sehingga tidak mampu menilai sepenuhnya situasi global.

KASUS 5-1 Meramalakan Jumlah Restoran McDonld’s di seluruh Dunia

B. Analisis Deret-Waktu

Salah satu peramlaan yang sering digunakan adalah analisis deret-waktu atau analisis data

deret-waktu. Data deret-waktu (time-series dasa) berhubungan dengan nilai-nilai suatu variabel

yang diatur secara kronologis menurut perhitungan hari, minggu, bulan. kuartal, atau tahun.

Langkah pertama dalam analisis deret-waktu biasanya adalah dengan mbarkan nilai-nilai variabel

terdahulu yang hendak diramalkan (catakanlah, penjualan rara visual gerakan deret-waktu pada

suatu jangka waktu. Analisis deret-waktu (time-series nalysis) mencoba meramalkan nilai-nilai

masa depan dari deret-waktu dengan mengkaji heberapa observasi data yang telah lalu saja.

Asumsinya adalah bahwa derei-waktù itu akan terus bergerak seperti di waktu yang lalu (artinya,

pola yang lalu akan tetap tidak berubah atau akan sama di waktu yang akan datang).

A. Sebab-sebab Terjadinya Fluktuasi dalam Data Deret-Waktu

Jika kita meletakkan sebagian besar data deret-waktu, akan terungkap bahwa data tu

berfluktuasi atau berubah menurut waktu. Variasi ini biasayadiscbabkan oleh tren sekuler,

Buktuasi siklis, variasi musiman, dan pengaruh-pengaruh tak teratur atau acak. Sumber-sumber

dari variasi ini terlihat dalam Figur 5-1 dan dibahas secara singkat di bawah ini,

1. Tren sekuler (seculartrend) berhubungan dengan peningkatan atau pemurunan seri data

dalam jangka panjang (garis lurus tebal pada bagian atas Figur 5-1). Misalnya, banyak

deret-waktu dari penjualan memperlihatkan tren meningkat selama bertahun-tahun

disebabkan pertumbuhan penduduk dan meningkatnya pengeluaran per kapita.

Beberapa di antaranya, seperti mesin ketik, memperlihatkan gejala menurua karena

semakin banyak konsumen beralih ke personal computer (PC).

2. Fluktuasi siklis (cyclicalfuctuations) adalah ekspansi dan konstruksi yang utama dalam

banyak deret-waktu ekonomi yang kelihatan berulang kembali setiap beberapa tahun

(garis bergelombang terputus-putus pada bagian atas Figur 5-1). Misalnya industri
 konstruksi perumahan mengikuti ayunan siklis yang panjang meliputi 15 sampai 20

tahun, sedangkan industri mobil memperlihatkan siklus-siklus yang jauh lebih pendek.

3. Variasi musiman (seasonalvariation) merujuk kepada fluktuasi yang secara

teraturberulang kembali dalam kegiatan ekonomi tiap-tiap tahun (garis bergelombang

terputus-putus pada bagian bawah Figur 5-1) disebabkan oleh cuaca dan kebiasaan-

kebiasaan sosial. Jadi, pembangunan perumahan biasanya jauh Iebih banyak dalam

musim semi dan musim panas daripada dalam musim dingin (disebabkan kondisi

cuaca), sedangkan penjualan cceran paling ramai selama kuartal terakhir setiap tahun

(karena beberapa hari libur).

 Figure 5-1 variasi tren, siklis, musiman dan acak dalam data deret waktu

4. Pengaruh tak teratur atau acak (irregular or random influences) adalah variasi-variasi

dalam seri data disebabkan oleh perang, bencana alam, pemogokan, atau peristiwa-

peristiwa lain yang istimewa. Ini ditunjukkan oleh segmen garis tak terputus pada

bagian bawah Figur 5-1.

Variasi total dalam deret-waktu penjualan (tidak terlihat dalam Figur 5-1) adalah hasil

kerja sama keempat faktor. Jadi, data penjualan yang asli akan memperlihatkan variasi-

variasi musiman di sekitar tren yang menanjak (pembaca hendaknya mencoba

membuat sketsa tentang data penjualan asli seperti itu).Oleh karena ayunan sikliş atau

siklus bisnis bisa berbeda-beda asa berlangsungnya dan bisa muncul karena berbagai

sebab yang bahkan sampai sekarang belum dipahami sepenuhnya, siklis bisnis

biasanya dikaji secara terpisah dengan leknik-leknik hanticatif yang lain (lihat Subbab

5-4). Demikian pula, pengaruh-pengaruh tak teratur atau acak dalam deret-waktu,

karena sifatnya yang acak dan tak teratur pengaruh-pengaruh itu tidak dikaji atau

diramalkan secara sistematis, Jadi, pada bagian ini kita berkonsentrasi pada peramalan

nilai-nilai data deret-waktu dengan hanya menggunakan tren jangka panjang dan

variasi musiman dalam data

Proyeksi Tren

Bentuk paling sederhana dari analisis deret-waktu adalah memproyeksi tren masa lalu

dengan meletakkan suatu garis lurus pada data, baik secara visual atau lebih persis lagi

dengan analisis regresi. Model regresi linear akan mengambil bentuk :

St = So + bt (5-1)

Dimana St adalah nilai deret-waktu yang diramalkan untuk periode t, S o adalah nilai

deret waktu yang diperkirakan (konstanta dari regeresi) dalam periode dasar (yaitu:

pada periode waktu yang di dalamnya akan diramalkan deret-waktu tersebut.

 Misalnya, jika menggambarkan suatu garis regresi dengan data penjualan listrik

(musiman) mulai dari kuartal pertama 1997 (t = 1) sampai kuartal terakhir 2000 (t =

16) seperti terlihat pada tabel 5-2, akan diperoleh Persamaan 5-2 mengenai regresi

yang dierpkirakan.

St = 11,90 + 0,394t R2 = 0,50 (5-2)

(4,00)

Persamaan regresi 5-2 memperlihatkan bahwa penjualan listrik dalam kota pada

akhir tuartal 1999 (yakni So) diperkirakan sebanyak 11,90 KWH dan meningkat

dengan kecepatan rata-rata 0,394 juta KWH setiap kuartal. Variabel tren signifikan

secara statistik Jebih baik daripada tingkat 1 persen (diperoleh dari nilai 4 untuk

statistik t yang diberikan dalam kurung di bawah koefisien kemiringan yang diestimasi)

dan "menjelaskan" 50 persen dalam variasi kuartalan dari konsumsi listrik dalam kota

(dari R2 = 0,50). Jadi, berdasarkan tren yang lalu, kita bisa meramalkan konsumsi

listrik (dalam juta KWH) dalam kota sebagai berikut:

S17 = 11,90 + 0,394(17) = 18,60 kuartal pertama 2004

S18 = 11,90 + 0,394(18) = 18,99 kuartal kedua 2004

S19 = 11,90 + 0,394(19) = 19,39 kuartal ketiga 2004

S20 = 11,90 + 0,394(20) = 19,78 kuartal keempat 2004

Beberapa ramalan itu ditunjukkan olch titik-titik pada bagian yang putus-putus

dari garis yang diperpanjang sampai tahun 2004 pada Figur 5-2 (dengan mengabaikan

sementara titik-tiri yang dilingkari di atas dan di bawah garis). Perlu dicatat bahwa

nilai-nilai penjualan listrik diramalkan, tanpa membaca garis tren yang diperpanjang,

hanya mempertimbangkan faktor jangka panjang di dalam data. Dengan mengabaikan

sama sekali variasi musiman yang sang signifikan dalam data (lihat figur), nilai-nilai

yang diramalkan tentunya akan jauh melencen dari nilainya yang aktual di masa
mendatang. Tetapi sebelumnya, kita akan memperlihatkan bagaimana mencocokkan

suatu tren laju pertumbuhan yang konstan (dalam persen) pada data 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-situai (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). laju pertumbuhan dengan persentase konstan dapat

dirumuskan sebagai:

S, = So (1 + g)t (5-3)

di mana g adalah laju pertumbuhan dengan persentase konstan yang diestimasi. Untuk

mengestimasi g dari Persamaan 5-3, pertama-tama kita harus mentransformasi datu

deret-waktu ke dalam logaritma naturalnya dan kemudian mengadakan regresi pada

data yang telah ditransformasi iersebut. Persamaan regresi yang ditransformasi itu

linear dalam logaritma dan dirumuskan dengan:

In St = In So + tIn (1 + g) (5-4)

Baik tren linicar (pertumbuhan dengan jumlah konstan) maupun tren eksponensial

(pertumbuhan dengan peresentase konstan) bisa dicoba, dan tren yang lebih cocok

dengan data yang digunakan untuk peramalan.

figur 5-2 Peramalan dengan Proyeksi Tren
 Menggunakan Persamaan regresi (5-4) untuk data tentang penjualan listrik yang

diberikan dalam Tabel 5-2 yang telah ditransformasi ke dalam log, 2 kita mendapat:

In St = 2,49 + 0,026t R = 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 S o = 2,49 adalah So = 12.06

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) lembali ke dalam Persamaan 5-3, kita mendapat:

Sebagai contoh, log dari 11 (nilai dalam Tabel 5-2 untuk kuartal pertama 2000)

adalah 2,40 (diperoleh dengan memasukkan nilai 11 ke dalam kalkulator dan tekan

tombol "In").

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 tahun-tahun 2000 sampai

2003 menunjukkan variasi musiman yang kuat, dengan penjualan pada kuartal tahun

pertama dan ketiga secara konsin berada di bawah nilai tren jangka panjang yang

terkait, sementara penjualan pada kuartal tabn kedua dan keempat secara konsisten

berada di atas nilai-nilai tren. Dengan mempertimbanetan keterkaitan variasi musiman,

kita dapat memperbaiki perkiraan penjualan listrik dalam kor secara signifikan. Kita

dapat melakukan ini dengan menggunakan metode rasio-tren (ratio-totren) 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 selama periode tahun 2000 sampai

2003 kemudian mengalikan nilai tren perkiraan dengan rasio ini. Nilai perkiraan tren

bagi setiap kuartal dalam periode 2000 ke 2003 didapatkan dengan mensubstitusi nilai t

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 trên

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, ( Yaitu 0,887 untuk kuartal

pertama, 1,165 untuk kuartal kedua, dan seterusnya) 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 oleh titik-titik yang dilingkari dalam Figur 5-2.

Perlu dicatat 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 varjabel dummy dalam Persamaan 5-1. Dengan mengambil kuartal

terakhir sebagai periode dasar dan menentukan variabel dummy D, melalui deret-waktu

dengan angka 1 dalam kuartal pertama setiap tahun dan nol untuk kuartal-kurtal 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 linear.

C. Teknik Penghalusan

Metode-metode lain untuk peramalan sederhana adalah teknik penghalusan (monthing

techniques). Teknik itu meramalkan suatu deret-waktu atas dasar beberapa rata-rata dati sil

nilainya yang lalu saja. Teknik penghalusan bermanfaat apabila deret-waktu menunjukan

sedikit tren atau variasi musiman tetapi memperlihatkan banyak variasi tak teratur eacak.

Variasi tak teratur atau acak di dalam deret-waktu kemudian diperhalus, dan nila yang akan

datang diramalkan berdasarkan rata-rata dari pengamatan-pengamatan yang lal Dalam bagian

ini kita membahas dua teknik penghalusan: rata-rata bergerak dan penglulus eksponensial.

Rata-rata Bergerak

Teknik penghalusan yang paling sederhana adalah rata-rata bergerak (movingaverage) Disini

nilai yang diramalkan dari suatu deret-waktu dalam periode tertentu (bulan, kuartal dsb) sama

dengan nilai rata-rata dari deret waktu dalam sejumlah periode terdahulu, M dengan rata-rata

bergerak tiga periode, nilai dari deret waktu yang diramalkan untuk perberikutnya ditentukan

oleh nilai rata-rata dari deret waktu dalam tiga periode sebelummu Begitu juga, dengan rata-

rata bergerak lima periode, ramalan untuk periode berikutnya adatasama dengan rata-rata

untuk lima periode terdahulu, dan setenusnya. Semakin besar jumtaa periode yang digunakan
dalam rata-rata bergerak, semakin besar pula efek penghalusan karen tiap pengamatan baru

mendapatkan bobot yang lebih kecil. Ini semakin bermanfaat jika daderet-waktu semakin tak

teratur atau acak.

Misalnya, kolom 1 dan 2 pada Tabel 5-5 menyajikan data hipotesis mengenai pangsa pasar

suatu perusahaan untuk 12 kuartal. Perlu dicatat bahwa data iersebut tampaknya menunjukkan

variasi yang acak namun tidak pada variasi-variasi sekuler atau musiman. Kolom 3

manyajikan rata-rata bergerak'tiga kuartalan yang dikalkulasi. Contohnya, nilai 21,67 untuk

kuartal keempat (nilai pertama dalam kolom 3) diperoleh dengan menambahkan tiga nilai

pertama pada kolom 2 dan membaginya dengan 3, [jadi, (20 + 22 +23)/3 =21.67]. Jika kita

mempunyai data untuk tiga kuartal pertama, maka ramalan tiga kuartal (F) untuk kuartal

keempat menjadi 21,67. Ini sama dengan nilai aktual (A) sebesar 24 untuk pangsa pasar dari

perusahaan dalam kuartal keempat. Dengan mengabaikan observasi pada kuartal pertama

pada kolom 2 (yakmi 20) dan menambahkan pengamatan keempat (yakni 24) sebelum

diambil rata-rata, diperoleh nilai 23 sebagai ramalan untuk pangsa pasar perusahaan pada

kuartal kelima (nilai kedua dalam kolom 3), Ini sama dengan pangsa pasar aktual sebesar 18

pada kolom 2. Dengan melanjutkan cara ini, diramalkan pangsa pasar perusahaan adalah

21,33 paca kuartal ketiga belas (ini adalah ramalan yang sesungguhnya karena data aktual

tidak tersedia untuk kuartal ketiga belas). Di sisi lain, dengan mengambil rata-rata pangsa

pasar perusaba dalam lima kuartal pertama di kolom 2, kita memperoleh ramalan rata-rata

bergerak lima kuartalan 21,4 untuk kuartal keenam seperti diperlihatkan dalam kolom 6 dari

tabel. Ini saa dengan nilai aktual sebesar 23 pada kolom 2.

Table 5-5
Walaupun dalam Tabel 5-5 kita menghitung ramalan rata-rata bergerak tiga-kuartalan dan

lima-kuartalan untuk pangsa pasar perusahaan, ramalan rata-rata bergerak untuk sejumlah

huartal yang lain masih dapat diperoleh. Untuk memutuskan mana yang lebih baik di antara

peramalan rata-rata bergerak (artinya, lebih mendekati data aktual), kita menghitung galat

akar rata-rata kuadrat (root-mean-square error-RMSE) dari setiap ramalan dan

mempergunakan rata-rata bergerak yang menghasilkan RMSE terkecil (galat akar rata-rata

kuadrat dalam ramalan). Rumus untuk RMSE adalah:

RMSE = √ ΣAt−Ft 2¿ ¿ (5-9)

n

di mana At adalah nilai aktual dari deret-waktu dalam periode t, F, adalah nilai yang

diramalkan, dan n adalah jumlah periode waktu atau óbservasi. Perbedaan ramalan atau galat

(yakni A, - F) dikuadratkan agar supaya kesalahan yang besar dikoreksi lebih berat daripada

kesalahan yang kecil.

Sebagai contoh, kolom 4 pada Tabel 5-5 menunjukkan A, - F, untuk peramalan rata-rata

bergerak tiga-kuartalan dalam kolom 3. Kolom 5 menunjukkan (A, - F). RMSE untuk

ramalan rata-rata bergerak tiga-kuartalan dalam kolom 3 diperoleh dengan membagi jumlah

dari kolom 5 dengan 9 (jumlah galat ramalan kuadrat) dan ditemukan akar kuadratnya. Maka,

RMSE = √ 78,3534 ¿ ¿ =2,95 (5-10)

9

Ni dibandingkan dengan
 RMSE = √ 62,48 ¿ ¿ =2,99 (5-11)
7

untuk peramalan rata-rata bergerak lima kuartalan. Jadi, peramalan rata-rata bergerak tiga

kuartalan sedikit lebih baik daripada peramalan rata-rata bergerak lima-kuartalan yang

berkaitan. Berarti, kita sedikit lebih percaya nilai ramalan 21,33 daripada 20,6 untuk kuartal

ketiga belas (lihat Tabel 5-5).

Penghalusan Eksponsial

Kritik yang serius terhadap penggunaan rata-rata bergerak yang sederhana dalam peramalan

adalah ia memberikan bobot yang sama kepada semua observasi dalam menghitung rata-

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 penghalusan eksponensial (exponential smoothing) peramalan untuk perode t + 1

( yakni F t + 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.

D. 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 inengantisipasi perubahan jangka pendek dalam aktivitas ekonomi atau titik balik dalam

siklus bisnis adalah dengan menggunakan indeks dari indikator-indikator utama. Ini adalah

deret-waktu yang cenderung mengawali (mendahului) perubahan dalam tingkat aktivitas

ekonomi secara umum, sama seperti perubahan dalam merkuri yang ada dalam suatu

barometer yang mendahului perubahan kondisi cuaca (sehingga dinamakan metode

barometrik). Peramalan barometrik (barometric forecasting) seperti yang dilakukan sekarang

merupakan hasil kerja yang dilakukan oleh NBER (National Bureau of Economic Research)

dan Conference Board.

Peningkatan dalam indikator ekonomi utan untuk meramalkan peningkatan dalam

aktivitas bisnis secara umum, dan sebaliknya. Sebagai contoh, peningkatan dalam izin

membangun dapat dipakai untuk meramalkan peningkatan dalam konstruksi perumahan.

Tidak sejelas yang tadi-tapi sangat penting-dalam peningkatan harga saham, secara

umum, mendahului (yaitu, merupakan indikator utama dari) kenaikan dalam aktivitas bisnis,

karena peningkatan harga saham menunjukkan ekspektasi dari para menajer bisnis dan yang

lainnya bahwa tingkat laba akan meningkat. Pada sisi yang lain, penurunan kontrak untuk

pabrik dan perlengkapan biasanya mendahului penurunan dalam aktivitas ekonomi secara

umum. Jadi, indikator-indikator utama ini digunakan untuk meramalkan titik belok dalam

siklus bisnis. Walaupun kita tertarik dengan indikator utama tersebut, beberapa deret-waktu

bergerak sejalan atau berhubungan dengan pergerakan dalam aktivitas ekonomi secara umum

dan kemudian disebut sebagai indikator koinsiden (coincident indicators). Tetapi yang lainnya

mengikuti adanya gerakan yang terlambat dalam aktivitas ekonomi sering kali disebut sebagai

indikator terlambat (lagging indicators). Positif.relatif dari indikator utama, koinsiden, dan

tertinggal dalam siklus bisnis ditunjukkan dalam Figur 5-3.

Figur tersebut menunjukkan bahwa indikator utama mendahului titik belok dari siklus

bisnis (puncak dan lembah), indikator koinsiden bergerak sejalan dengan siklus bisnis,

sementara indikator yang tertinggal mengikuti atau terlambat dari titik belok dalam siklus

bisnis.
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

umum berada di bawah 50 persen pada bulan-bulan resesi (daerah yang diarsir).

Walaupun indeks gabungan dan difusi dari indikator utama merupakan alat yang cukup

bagus untuk meramalkan titik belok dalam siklus bisnis, mereka mempunyai beberapa

keterbatasan. Salah satunya adalah bahwa dalam beberapa kesempatan mereka turut

meramalkan yang ternyata tidak terjadi Variabilitas dalam waktu yang mendahului juga layak

dipertimbangkan. Lebih penting lagi, peramalan barometrik memberikan indikasi yang sangat

sedikit atau bahka tidak sama sekali tentang besarnya perubahan yang diramalkan dalam

tingkat aktivitas ekonomi (hanya menyediakan peramalan kualitatif dari titik belok). Jadi,

peramalan barometrik adalah superior terhadap analisis deret-waktu dan teknik penghalusan

(metode yang naif) dalam peralamalan titik belok jangka pendek dari aktivitas ekonomi,

metode ini tetap harus digunakan bersama-sama dengan metode yang lainnya ( seperti Subbab

5-5)n untuk meramalkan besarnya perubahan dalam tingkatan aktivitas ekonomi.

Aplikasi kasus 5-5 Indeks Indikator Utama Telah Mengglobal

Pada tahun 1995, Kongres mulai mengumpulkan indeks indikator utama, koinsiden, dan

tertinggal untuk Amerika Serikat atas nama pemerintah AS. Tahun 2000, Kongres mulai
 mengumpulkan indek indikator ekonomi utama, koinsiden dan tertinggal untuk delapan

negara lainnya (Jepang, Jerman, Perancis, Inggris, Australia, Spanyol, Meksiko, dan Korea)

dan merencanakan untuk memperluas ke 6 negara lainnya di masa mendatang, sehingga

jumlahnya 15 negara (termasuk Amerika Serikat).

Dana untuk biaya keseluruhannya $500 per tahun ($25 untuk setiap download per negara,

kecuali untuk Amerika Serikat, biayanya $15). Indikator global baru yang masuk dalam 10

seri yang sama adalah indikator utama, 4 seri indikator koinsiden, dan 7 seri indikator

tertinggal untuk Amerika Serikat (lihat Tabel 5-8). Untuk yang berkaitan dengan seri AS,

seri-seri yang mengglobal diperbaharui setiap bulan. Misal, pada tanggal 12 Juni 2002,

Kongres mempublikasikan indikator-indikator Jepang untuk bulan Mei 2002, yang

menunjukkan indeks gabungan untuk indikator utama 88,6100). Ini mencerminkan 0,8 persen

06190 meningkat dari bulan sebelumnya dan 1,7 persen meningkat selama enam bulan

sebelumnya sampai April. Karena indeks difusi enam bulan adalah 65,0; data tersebut

menunjukkan bahwa Jepang akhirnya dapat mengatasi resesinya.

Demikian juga pada tanggal 28 Mei, Kongres mengeluarkan indikator-indikator untuk

Jerman yang menunjukkan indeks gabungan untuk indikator utama 102,6 (1990 maksudnya

0,1 persen penurunan dari bulan April tetapi 0,8 persen terjadi peningkatan selama enam

bulan sebelumnya sampai bulan April. Karena indeks difusi untuk enam bulan adalah 55,6

persen, indikator ini menunjukkan bahwa Jerman dapat mengharapkan adanya pertumbuhan

yang sedang-sedang saja dalam bulan-bulan berikutnya.

E. 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 maca

detreminan permintaan atau variabel ekonomi yang lainnya untuk diramalkan. Dengan

berusaha untuk menerangkan hubungan yang sedang diramalkan, peramalan ekonometrik

memungkinkan 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 yang terbaik yang terdapat

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 persamaan

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

Walaupun perhatiannya di sini kepada peramalan permintaan untuk produk suatu

perusahaan, peramalan secara makro dari pendapatan nasional dan sektor-sektor utama dalam

ekonomi juga sering digunakan sebagai input atau variabel penjelas dalam model permintaan

tunggal yang sederhana dari suatu perusahaan. Maka dari itu, kita akan membahas kedua jenis

peramalan tersebut dalam subbab ini, dimulai dengan model persamaan tunggal.

Model Persamaan Tunggal

Bentuk paling sederhana dari peramalan ekonometrik adalah model persamaan tunggal.

Langkah pertama adalah mengidentifikasi determinan-determinan dari variabel yang akan

diramal. Sebagai contoh, dalam peramalan permintaan sereal untuk sarapan, perusahaan

biasanya mempostulatkan bahwa permintan (Q) merupakan fungsi dari atau bergantung pada

harga sereal untuk sarapan tersebut (P), pendapatan disposibel konsumen (Y), ukuran

populasi (W), harga muffin (Ps- substitusi), harga susu (Pc. - komplementer), dan tingkat biaya

iklan oleh perusahaan (4). Jadi, kita dapat menuliskan persamaan permintaan yang akan

diestimási sebagi berikut :

Q = ao + a1P + a2Y + a3N + a4Ps + a5Pc + a6A + e

Sekali modelnya sudah diestimasi (nilai-nilai a sudah ditentukan) dan dievaluasi (seperti yang

dibahas pada Subbab 4-7), perusahaan harus membuat nilai ramalan untuk variabel

variabel bebas atau penjelas dari model untuk jangka waktu di mana variabel terikatnva akan

diramalkan. Maka, untuk meramalkan Qt+1 (permintaan yang dihadapi oleh perusahaan pada

periode berikutnya), perusahaan harus menyediakan P t+1,Yt+1, Nt+1, Pst+1, Pct+1, dan At+1.

Dengan mensubstitusi nilai-nilai ramalan ini sebagai variabel bebas dari persamaan yang

diestimasi, kita akan memperoleh nilai ramalan dari variabel terikat (Q t+1). Nilai ramalan

variabel ekonomi makro dari model (Y t+1 dan Nt+1) biasanya diperoleh dari Departemen

Perdagangan atau dari perusahaan swasta yang berspesialisasi meramalkan hal-hal demikian

(lihat Aplikasi Kasus 5-6). Variabel makro dalam model yang tidak berada di bawah kuasa

perusahaan (Ps+1 dan Pct+1) dapat diramalkan dengan menggunakan analisis deret-waktu atau

teknik penghalusan, dan perusahaan dapat bereksperimen dengan beberapa nilai ramalan yang

berbeda dari kebijaksanaan untuk variabel bebas yang berada di bawah kuasa perusahaan (P t+1

dan At+1).

Model Persamaan Berganda

Walaupun model persamaan tunggal sering digunakan oleh perusahaan untuk meramalkan

emintaan atau penjualan, hubungan ekonomi dapat menjadi sangat rumit schingga model

persamaan berganda diperlukan. Biasanya ini terjadi pada kasus meramalkan variabel makro

seperti GNP atau permintaan dan penjualan dalam sektor utama industri. Model persamaan

herganda dapat memasukkan sedikit atau ratusan persamaan. Untuk menunjukkan bagaimana

model ini digunakan dalam peramalan, kita mulai dengan persamaan sederhana yang terdiri

dari tiga persamaan sederhana (5-21, 5-22, 5-23). yang merupakan model dari perekonomian

nasional yang dipakai untuk meramalkan GNP.

Ct = a1 + b1GNP +u1t

It = a2 +b2nt-1 +u2t

GNPt = C,+ 1, + G,
 Dimana

C = pengeluaran konsumsi

GNP=produk nasional bruto untuk tahun t

I = investasi

N = keuntungan

G = pengeluaran pemerintah

u= gangguan stokastik (faktor error acak)

t= tahun berjalan

t-1=Dtahun lalu

Persamaan 5-21 mengatakan bahwa pengeluaran konsumsi pada tahun t (C) merupakan

fungsi linear dari GNP pada tahun yang sama (GNP), Persamaan 5-22 mangatakan bahwa

investasi tahun t (I,) merupakan fungsi linear dari laba pada tahun lalu (T,- 1). Akhirnya,

persamaan 5-23 mendefinisikan GNP pada tahun t sebagai jumlah dari pengeluaran konsumsi,

investasi, dan pengeluaran pemerintah pada tahun yang sama.

F. Peramalan Input-Output

suatu perusahaan dapat juga meramalkan penjualannya dengan menggunakan tabel input-

output. Analisis input-output (input-output analysis) diperkenalkan oleh Wassily Leontier

yang mengarah pada studi empiris tentang ketergantungan antarberbagai industri dan sektor

perekonomian. Analisis ini menunjukkan kegunaan dari output setiap industri sebagai input

bagi industri yang lainnya dan untuk konsumsi akhir. Sebagai contoh, di sana diperlihatkan

bagaimana peningkatan dalam permintaan untuk truk berdampak terhadap peningkatan

permintaan untuk baja, kaca, ban, plastik, material pembungkus, dan sebagainya, bagaimana

peningkatan permintan pada benda-benda ini akan menyebabkan peningkatan permintaan

pada input yang dibutuhkan untuk memproduksi mereka (termasuk truk). Analisis input-

output memungkinkan kita untük menelusuri semua aliran input dan output antar-industri

dalam ekonomi dan menentukan peningkatan total (langsung atau tidak langsung) dari semua

input yang dibutuhkan untuk memenuhi peningkatan permintaan akan truk. Pembuatan tabel
 input-output memakan waktu dan biaya yang cukup banyak. Kebanyakan perusahaan

menggunakan tabel input-output untuk tujuan peramalan dengan bertumpu pada tabel input-

output yang secara periodik dikeluarkan oleh Biro Analisis Ekonomi dari Departemen

Perdagangan AS. Tabel input-output yang terbaru untuk perekonomian AS untuk tahun 1997

dan mengacu kepada 85 industri dan komoditas, dengan tabel yang lebih detail untuk 498

industri dan/atau komoditas juga tersedia. input yang dibutuhkan untuk memproduksi mereka

(termasuk truk).

Bab 3 Penutup

A. Kesimpulan

B. Saran

Daftar Pusaka