FORECASTING
(Dosen : Prof.Dr. H. Mahfudnumajamuddin.SE., MM)
(KELOMPOK 3) –
KELAS DIM- A.26. 2020 :
Dengan menyebut nama Allah SWT yang Maha Pengasih dan Maha Penyayang kami
panjatkan segala puji dan rasa syukur kehadirat – Nya yang senantiasa memberikan kita
kehidupan, jasmani dan rohani yang sehat dan tak lupa pula kepada Nabi kita Nabi Besar
Muhammad SAW yang mana telah membawa kita dari alam KEBODOHAN ke alam yang
penuh dengan ilmu PENGETAHUAN, sehingga kami dapat menyelesaikan makalah tentang
METODE PERAMALAN / FORECASTING ini tepat pada waktunya. Makalah ini kami buat
untuk memenuhi tugas Mata Kuliah Metode Kuantitatif Pengambilan Keputusan.
Makalah ini kami susun dengan semaksimal mungkin dan mendapat banyak bantuan dari
berbagai pihak sehingga dapat memperlancar pembuatan makalah ini. untuk itu pada
kesempatan ini tak lupa kami ucapkan terima kasih kepada dosen Mata Kuliah Metode
Kuantitatif Pengambilan Keputusan dan semua pihak yang telah berkontribusi dalam
pembuatan makalah ini.
Terlepas dari itu semua kami menyadari sepenuhnya bahwasannya makalah ini belum dapat
dikatakana dan dikategorikan sempurna, seperti yang kita ketahui tidak ada yang sempurna di
dunia ini melainkan hanya milik Allah SWT, baik dari segi susunan, kalimat, materi, bahasa
maupun sistematika pembahasannya. Oleh karena itu dengan tangan terbuka kami menerima
segala kritik dan saran yang membangun demi kesempurnaannya di masa yang akan datang.
Akhir kata kami berharap semoga dengan adanya makalah ini sedikit banyaknya dapat
memberikan manfaat maupun inspirasi kepada kita semua.
Penyusun
DAFTAR ISI
KATA PENGANTAR
DAFTAR ISI
BAB I PENDAHULUAN
BAB II PEMBAHASAN
A. PENGERTIAN PERAMALAN / FORECASTING
B. TUJUAN DAN FUNGSI PERAMALAN / FORECASTING
C. JENIS – JENIS PERAMALAN / FORECASTING
D. PENTINGNYA PERAMALAN
E. TUJUH LANGKAH PERAMALAN
F. PENDEKATAN PERAMALAN
G. METODA PERAMALAN / FORECASTING
H. PROSES PERAMALAN (FORECASTING)
I. TINJAUAN METODE KUALITATIF
J. TINJAUAN METODE KUANTITATIF
K. PERKIRAAN DERET WAKTU
L. DATA DALAM VARIASI MUSIMAM
M. METODE PERAMALAN ASOSIATIF; ANALISIS REGRESI DAN
KORELASI
DAFTAR PUSTAKA
LAMPIRAN
ARTIKEL JURNAL
BAB I
PENDAHULUAN
―Forecasting is the art and science of predicting the events of the future. Forecasting
require historical data retrieval and project into the future with some form of mathematical
models.‖ ―(menurut Rudy Aryanto, tahun 2009). Peramalan (forecasting) adalah kegiatan
mengestimasi apa yang akan tejadi pada masa yang akan datang. Peramalan diperlukan
karena adanya perbedaan kesenjagan waktu (Timelag) antara kesadaran akan dibutuhkannya
suatu kebijakan baru dengan waktu pelaksanaan kebijakan tersebut. Apabila perbedaan waktu
tersebut panjang maka peran peramalan begitu penting dan sangat dibutuhkan, terutama
dalam penentuan kapan terjadinya suatu sehingga dapat dipersiapkan tindakan yang perlu
dilakukan.
Menurut Arman Hakim Nasution (2006), Peramalan adalah proses untuk
memperkiraan beberapa kebutuhan di masa datang yang meliputi kebutuhan dalam ukuran
kuantitas, kualitas, waktu, dan lokasi yang dibutuhkan dalam rangka memenuhi permintaan
barang dan jasa.
Peramalan tidak terlalu dibutuhkan dalam kondisi permintaan pasar yang stabil,
karena perubahan permintaan relatif kecil. Tetapi peramalan akan sangat dibutuhkan bila
kondisi permintaan pasar bersifat kompleks dan dinamis. Dalam kondisi pasar bebas,
permintaan pasar lebih banyak bersifat kompleks, dan dinamis karena permintaan tersebut
akan tergantung dari keadaan sosial, ekonomi, politik, aspek teknologi, produk pesaing dan
produk substitusi. Oleh karena itu peramalan yang akurat merupakan informasi yang sangat
dibutuhkan dalam pengambilan keputusan manajemen.
B. RUMUSAN MASALAH
1. Metoda – metode apa saja yang dapat digunakan dalam peramalan (forecasting) ?;
2. Bagaimana proses dalam forecasting ?
C. BATASAN MASALAH
Pada pembahasan makalah kali ini, penulis akan membatasi pembahasan yang akan dibahas,
kami hanya akan membahas tentang forecasting, tentang metode – metode yang digunakan
dalam forecasting, dan tentang proses forecasting.
D. TUJUAN PEMBAHASAN
1. Untuk mengetahui metode yang dapat digunakan dalam forecasting.
2. Untuk mengetahui proses forecasting.
E. MANFAAT PEMBAHASAN
Hasil dari pembahasan materi ini, di harapkan dapat memberi manfaat dan pengetahuan
tentang metode – metode yang digunakan dalam forecasting, dan tentang proses forecasting
yang mungkin akan berguna dimasa yang akan datang.
BAB II
PEMBAHASAN
Berikut ini beberapa pengertian atau definisi peramalan atau forecasting dari beberapa
sumber buku:
Menurut Nasution dan Prasetyawan (2008:29), peramalan adalah proses untuk
memperkirakan beberapa kebutuhan di masa datang yang meliputi kebutuhan dalam
ukuran kuantitas, kualitas, waktu dan lokasi yang dibutuhkan dalam rangka memenuhi
permintaan barang ataupun jasa.
Menurut Sumayang (2003:24), peramalan adalah perhitungan yang objektif dan
dengan menggunakan data-data masa lalu, untuk menentukan sesuatu di masa yang
akan datang.
Menurut Supranto (2000), ramalan merupakan dugaan atau perkiraan mengenai
terjadinya suatu kejadian atau peristiwa di waktu yang akan datang. Ramalan bisa
bersifat kualitatif, artinya tidak berbentuk angka dan bisa bersifat kuantitatif, artinya
berbentuk angka, dinyatakan dalam bilangan.
Menurut Heizer dan Render (2009:162), peramalan (forecasting) adalah seni dan ilmu
untuk memperkirakan kejadian di masa depan. Hal ini dapat dilakukan dengan
melibatkan pengambilan data historis dan memproyeksikannya ke masa mendatang
dengan suatu bentuk model matematis. Selain itu, bisa juga merupakan prediksi
intuisi yang bersifat subjektif. Atau dapat juga dilakukan dengan menggunakan
kombinasi model matematis yang disesuaikan dengan pertimbangan yang baik dari
seorang manajer.
Menurut Murahartawaty (2009:41), peramalan adalah penggunaan data masa lalu dari
sebuah variabel atau kumpulan variabel untuk mengestimasi nilainya di masa yang
akan datang. 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 dalam masa mendatang yang relatif dekat.
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 Render (2009:47), peramalan atau forecasting memiliki tujuan sebagai
berikut:
1) Untuk mengkaji kebijakan perusahaan yang berlaku saat ini dan dan di masa lalu serta
melihat sejauh mana pengaruh di masa datang.;
2) Peramalan diperlukan karena adanya time lag atau delay antara saat suatu kebijakan
perusahaan ditetapkan dengan saat implementasi;
3) Peramalan merupakan dasar penyusutan bisnis pada suatu perusahaan sehingga dapat
meningkatkan efektivitas suatu rencana bisnis.
Organisasi menggunakan tiga jenis prakiraan utama dalam merencanakan operasi di masa
depan:
1) Prakiraan ekonomi menangani siklus bisnis dengan memprediksi tingkat inflasi,
persediaan uang,perumahan dimulai, dan indikator perencanaan lainnya.
2) Prakiraan teknologi berkaitan dengan tingkat kemajuan teknologi yang dapat
dihasilkan dalam kelahiran produk baru yang menarik, membutuhkan pabrik dan
peralatan baru.
3) Prakiraan permintaan adalah proyeksi permintaan akan produk atau layanan
perusahaan. Perkiraan mengarahkan keputusan, sehingga manajer membutuhkan
informasi yang segera dan akurat tentang yang nyatapermintaan. Mereka
membutuhkan prakiraan yang didorong oleh permintaan, dengan fokus pada
identifikasi dan melacak keinginan pelanggan.
Berdasarkan horizon waktu, peramalan atau forecasting dapat dibagi menjadi tiga jenis, yaitu
(Herjanto, 2008:78):
1) Peramalan jangka panjang, yaitu yang mencakup waktu lebih besar dari 18 bulan.
Misalnya, peramalan yang diperlukan dalam kaitannya dengan penanaman modal,
perencanaan fasilitas dan perencanaan untuk kegiatan litbang;
2) Peramalan jangka menengah, yaitu mencakup waktu antara 3 sampai 18 bulan.
Misalnya, peramalan untuk perencanaan penjualan, perencanaan produksi dan
perencanaan tenaga kerja tidak tetap;
3) Peramalan jangka pendek, yaitu mencakup jangka waktu kurang dari 3 bulan.
Misalnya, peramalan dalam hubungannya dengan perencanaan pembelian material,
penjadwalan kerja dan penugasan karyawan.
Berdasarkan fungsi dan perencanaan operasi di masa depan, peramalan atau forecasting
dibagi menjadi tiga jenis, yaitu (Heizer dan Render, 2009:47):
1) Peramalan ekonomi (economic forecast), peramalan ini menjelaskan siklus bisnis
dengan memprediksi tingkat inflasi, ketersediaan uang, dana yang dibutuhkan untuk
membangun perumahan dan indikator perencanaan lainnya;
2) Peramalan teknologi (technological forecast), peramalan ini memperhatikan tingkat
kemajuan teknologi yang dapat meluncurkan produk baru yang menarik, yang
membutuhkan pabrik dan peralatan yang baru;
3) Peramalan permintaan (demand forecast), adalah proyeksi permintaan untuk produk
atau layanan perusahaan. Proyeksi permintaan untuk produk atau layanan suatu
perusahaan. Peramalan ini juga disebut peramalan penjualan yang mengendalikan
produksi, kapasitas, serta sistem penjadwalan dan menjadi input bagi perencanaan
keuangan, pemasaran, dan sumber daya manusia.
Berdasarkan jenis data ramalan yang disusun, peramalan dibagi menjadi dua jenis, yaitu
(Saputro dan Asri, 2000:148):
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 penting karena peramalan tersebut ditentukan berdasarkan pemikiran yang bersifat
intuisi, pendapat, dan pengetahuan serta pengalaman dari penyusunnya. Biasanya
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
orang yang menyusunnya;
2) Peramalan objektif, yaitu peramalan yang didasarkan atas data yang relevan pada
masa lalu, dengan menggunakan teknik – teknik dan metode – metode dalam
penganalisaan data tersebut.
D. PENTINGNYA PERAMALAN
Prakiraan yang baik sangat penting dalam semua aspek bisnis: Perkiraan adalah satu-satunya
perkiraan permintaan sampai permintaan aktual diketahui. Oleh karena itu, prakiraan
permintaan mendorong keputusan di banyak bidang. Mari kita lihat dampak prakiraan
permintaan produk pada tiga kegiatan:
(1) Manajemen rantai pasokan,
(2) Sumber daya manusia, dan
(3) Kapasitas.
Kapasitas
Ketika kapasitas tidak mencukupi, kekurangan yang diakibatkan dapat menyebabkan
hilangnya pelanggan dan pasar Bagikan. Inilah yang sebenarnya terjadi pada Nabisco ketika
mereka meremehkan permintaan yang sangat besar untuk Kue Makanan Setan Snackwell
barunya. Bahkan dengan jalur produksi yang bekerja lembur, Nabisco tidak dapat memenuhi
permintaan, dan kehilangan pelanggan. Nintendo menghadapi masalah ini ketika Wii-nya
diperkenalkan dan melampaui semua perkiraan permintaan. Amazon membuat hal yang sama
kesalahan dengan Kindle-nya. Di sisi lain, jika terdapat kelebihan kapasitas, biaya dapat
meroket
F. PENDEKATAN PERAMALAN
Ada dua pendekatan umum untuk peramalan, sama seperti ada dua cara untuk
menangani semua pemodelan keputusan. Salah satunya adalah analisis kuantitatif; yang
lainnya adalah pendekatan kualitatif. Kuantitatif prakiraan menggunakan berbagai model
matematika yang mengandalkan data historis dan / atau asosiatif
variabel untuk meramalkan permintaan. Prakiraan subyektif atau kualitatif
menggabungkan faktor-faktor seperti itu intuisi pengambil keputusan, emosi, pengalaman
pribadi, dan sistem nilai dalam mencapai ramalan cuaca. Beberapa perusahaan menggunakan
satu pendekatan dan beberapa menggunakan yang lain. Dalam praktiknya, kombinasi dari
keduanya biasanya paling efektif.
Meramalkan permintaan dari pasar yang dimasuki oleh perusahaan adalah suatu
pekerjaan yang perlu dilakukan oleh setiap manajer perusahaan dalam rangka memprediksi
berapa besar peluang pasar yang tersedia di masa depan. Peramalan permintaan merupakan
usaha untuk mengetahui jumlah produk atau sekelompok produk di masa yang akan datang
dalam kendala satu set kondisi tertentu.
Hal yang perlu diingat adalah bahwa aktivitas peramalan permintaan tidaklah dapat
diartikan sebagai aktivitas yang bertujuan untuk mengukur permintaan di masa yang akan
datang secara pasti, melainkan sekedar usaha untuk mengurangi kemungkinan terjadinya hal
yang berlawanan antara keadaan yang sungguh – sungguh terjadi di kemudian hari dengan
apa yang menjadi hasil peramalan. Dengan kata lain, hasil maksimal dari aktivitas peramalan
adalah melakukan minimisasi ketidakpastian yang mungkin terjadi di masa yang akan datang.
Untuk melakukan forecasting atau peramalan terhadap permintaan pasar, disini akan
diuraikan berbagai metode model peramalan terhadap permintaan pasar dari barang atau jasa
yang diproduksi dan dijual oleh perusahaan. Secara garis besar terdapat dua macam metode
peramalan permintaan yang biasa dilakukan, yaitu metode kualitatif yang terdiri atas teknik
survey dan teknik pengumpulan opini. Sedangkan metode berikutnya adalah metode
kuantitatif, yang terdiri atas Metode Time Series, Metode Tren Linear, Metode Kuadratik,
Analisis Musiman dan Model Ekonometri.
a. Teknik Survey
Teknik survey ini merupakan suatu alat meramalkan yang cukup penting
khususnya untuk memprediksi kejadian – kejadian atau kecenderungan –
kecenderungan dalam jangka pendek mendatang ini. Survey biasanya
menggunakan alat interview atau daftar pertanyaan yang akan ditujukan kepada
para responden yang terpilih dan yang dituju. Sesuai kelompok yang memang
diperkirakan akan menjadi sasaran pasar yang dituju oleh perusahaan.
Survey ini dilakukan untuk meramalkan variabel ekonomi yang memang
berhubungan baik langsung maupun tidak langsung dengan permintaan konsumen
atau pasar yang dituju. Variabel – variabel ekonomi yang disurvey ini misalnya
variabel yang berhubungan dengan budget rumah tangga yang dikeluarkan untuk
memenuhi kebutuhan rumah tangga.
Sasaran dan klasifikasi sasaran dan jenis kebutuhan dan keperluan dari kelompok
responden ini dapat dikategorikan sebagai berikut :
1) Survey tentang budget keperluan rumah tangga masyarakat eksekutif bisnis
dan pemerintahan yang sekiranya berkait dengan rencana perusahaan. Survey
ini diharapkan dapat merekam keseluruhan anggaran setiap rumah tangga yang
disurvey;
2) Survey mengenai barang atau jasa yang diperlukan bagi para pelaku bisnis
yang akan memperdagangkan barang atau jasanya. Mereka ini mungkin pelaku
bisnis yang bergerak pada bisnis distributor, pengecer atau pedagang besar.
Survey ini dilakukan bagi para rumah tangga umum mengenai keperluan rumah
tangga, produk atau barang apa secara periodik diperlukan dan frekuensi
pemenuhan yang dilakukan untuk masa – masa yang akan datang, dan lain – lain.
Dari metode survey berdasar kelompok sasaran ini sebenarnya terkandung
maksud dari surveyor bahwa barang dan jasa apa saja yang dibutuhkan, berapa
frekuensi pemenuhan kebutuhan dan faktor – faktor apa saja yang pada umumnya
yang mempengaruhi perilaku beli mereka ini. Sehingga secara tidak langsung
perusahaan melihat peluang dan apa saja yang bisa ditarik sebagai kepentingan
bagi perusahaan atas hasil – hasil survey ini untuk memprediksi dan
memperkirakan perilaku pasar atau konsumen perusahaan.
Bila diklasifikasikan bahwa hasil survey ini merupakan bagian dari kegiatan riset
pasar yang dilakukan oleh perusahaan. Dari sini berbagai kemungkinan yang
diperoleh adalah munculnya variabel ikutan yang dapat diprediksi apa yang bisa
dimanfaatkan oleh perusahaan yang hendak atau sudah diproduksi dan dijual
kepada pasar yang dituju yang telah disurvey ini.
Dengan demikian dapat dinyatakan bahwa hasil survey ini sebagian atau
seluruhnya dapat dipergunakan untuk memprediksi permintaan konsumennya dari
produk yang dibuat dan jual oleh perusahaan.
Sebelum peluncuran produk baru, biasanya diadakan pre test dan jejak pendapat
terhadap responden yang menjadi sampel. Teknik poolingini melibatkan berbagai
media seperti media TV, telepon, koran, surat, SMS, email, atau internet untuk
menyebarkan kuesioner atau daftar pertanyaan tentang berbagai informasi yang
dibutuhkan perusahaan.
Laporan atau pernyataan resmi dari suatu perusahaan atau pemerintah suatu
negara dapat digunakan sebagai sumber data guna meramalkan kondisi ekonomi
di masa yang akan datang, sekaligus dapat digunakan untuk membuat strategi
bersaing dalam pasar bebas.
2. Metode Kuantitatif
Untuk mencari besarnya nilai a, dan b tersebut akan dapat dilakukan dengan
mempergunakan rumus-rumus sebagai berikut:
Persamaan I
∑Y = n.a + b∑x
Persamaan II
∑XY = a ∑x + b ∑x2
Dengan syarat ∑x ≠ 0
3. Metode Kuadratik
Metode kuadratik adalah merupakan tren non linier, dan jika digambar berbentuk
garis lengkung. Metode ini biasanya digunakan atau diterapkan untuk data historis
dimana jika digambar akan membentuk garis tidak lurus atau berbentuk parabola.
Sedangkan persamaan dari metode kuadratik adalah:
Y = A + BX + C
Dimana :
Y = Variabel yang akan diramalkan, dalam hal ini adalah ramalan penjualan produk
perusahaan
a = Konstanta, yang akan menunjukkan besarnya harga Y (ramalan) apabila X sama
dengan 0 (nol)
b = Variabilitas per X, yaitu menunjukkan besarnya perubahan nilai Y dari setiap
perubahan satu unit X
X = Unit waktu/ periode, yang dapat dinyatakan dalam minggu, bulan, semester,
tahun dan lain sebagainya
Tetapi dapat juga karena faktor sifat dan keadaan alam yang melekat pada iklim atau
cuaca. Misalnya produksi musim semi, gugur dan musim penghujan dan bahkan
musim kemarau, produk apa yang sedang atau akan datang musimnya.
Sifat masyarakat yang menimbulkan musiman ini oleh karena faktor budaya dan
kebiasaan misalnya karena musim hari raya keagamaan. Pada saat – saat itu biasanya
masyarakat akan memiliki hajat yang cukup besar dalam melakukan pemenuhan
konsumsi barang keperluan pesta dan sehari – hari. Maka dapat dipastikan pada
periode ini permintaan akan kebutuhan dan keperluan konsumsi akan meningkat
dalam jumlah yang cukup berarti.
Demikian juga ketika datang musim bulan – bulan baik maka banyak masyarakat
menggunakan bulan tersebut melaksanakan hajat perkawinan, pesta perkawinan, dan
hajat – hajat yang lain yang memerlukan pesta dan upacara – upacara sacral yang
memerlukan konsumsi dan persediaan barang kebutuhan untuk keperluan tersebut.
5. Metode Ekonometri
Metode ekonometri merupakan metode prediksi volume atau nilai dependen variabel
dengan melibatkan berbagai faktor atau variabel independent yang relevan dan cukup
signifikan mempengaruhi dependen variabel tersebut. Secara ekonomi dari model
ekonometri ingin dilihat relevansinya pengaruh independent variabel terhadap
dependen variabel. Bahkan juga ingin dilihat apakah antar variabel independent itu
saling mempengaruhi dan berapa besar pengaruh mempengaruhi antar variabel
independent ini atas besarnya pengaruh terhadap dependen variabel. Juga ingin dilihat
berapa tepat antara kebenaran statistik dikoreksi dengan kebenaran secara ekonomi.
Jadi secara literatur ekonometrik merupakan suatu pengukuran secara ekonomi baik
secara statistik, matematik maupun secara ekonomi teori sekaligus dalam konteks
hubungan antara variabel – variabel ekonomi. Memang metode ekonometrik sering
lebih kompleks dibanding dengan metode proyeksi trend. Namun ekonometrik
setidaknya memiliki dua keunggulan sebagai alat prakiraan.
Pertama adalah keunggulan dalam memperoleh prediksi nilai variabel yang penting.
Ini akan sangat berguna bagi manajer untuk mengevaluasi kemungkinan pengaruh
alternatif keputusan yang diambil.
1. Penentuan Tujuan
Analis mengatakan dengan para pembuat keputusan dalam perguruan tinggi untuk
mengetahui apa kebutuhan – kebutuhan mereka, dan menentukan:
a. Variabel – variabel yang akan diestimasi;
b. Siapa yang akan menggunakan hasil peramalan;
c. Untuk tujuan – tujuan apa hasil peramalan akan digunakan;
d. Estimasi jangka panjang atau jangka pendek yang diinginkan;
e. Derajat ketepatan estimasi yang diinginkan;
f. Kapan estimasi dibutuhkan;
g. Bagian – bagian yang diinnginkan, seperti peramalan untuk kelompok pembeli,
kelompok produk atau daerah geografis.
2. Penggunaan Model
Setelah tujuan ditetapkan, langkah berikutnya adalah mengembangkan model, yang
merupakan penyajian secara lebih sederhana sistem yang dipelajari. Dalam
peramalan, model adalah suatu kerangka analitik yang apabila dimasukkan data akan
menghasilkan estimasi jumlah calon mahasiswa baru diwaktu mendatang (atau
variabel apa saja yang diramal). Analis hendaknya memilih suatu model yang
menggambarkan secara realitis perilaku variabel-variabel yang dipertimbangkan.
Sebagai contoh, bila suatu perguruan tinggi ingin meramalkan jumlah calon
mahasiswa baru yang polanya berbentuk linier, model yang dipilih mungkin Y = a +
bX, dimana menunjukkan besarnya jumlah calon mahasiswa baru, X menunjukkan
unit waktu, serta a dan b adalah parameter-parameter yang menggambarkan posisi
dan dan kemiringan garis pada grafik. ˆYˆ
3. Pengujian Model
Sebelum diterapkan, model biasanya diuji untuk menentukan tingkat akurasi,
validitas, dan reliabilitas yang diharapkan. Ini sering mencakup penerapannya pada
data historik, dan penyiapan estimasi untuk tahun – tahun sekarang dengan data nyata
yang tersedia. Nilai suatu model ditentukan oleh derajat ketepatan hasil peramalan
dengan data aktual.
4. Penerapan Model
Setelah pengujian, analis menerapkan model dalam tahap ini, data historis
dimasukkan dalam model untuk menghasilkan suatu ramalan. Dalam kasus model
calon mahasiswa baru, Y= a + bX, analis menerapkan teknik-teknik matematika agar
diperoleh a dan b.
Pada bagian ini, kami mempertimbangkan empat teknik peramalan kualitatif yang berbeda:
1) Juri opini eksekutif: Berdasarkan metode ini, pendapat sekelompok ahli tingkat tinggi
atau para manajer, seringkali dalam kombinasi dengan model statistik, dikumpulkan
untuk sampai pada sebuah kelompok perkiraan permintaan. Perusahaan Bristol-Myers
Squibb, misalnya, menggunakan 220 terkenal peneliti peneliti sebagai juri opini
eksekutif untuk mendapatkan pemahaman tentang tren masa depan di dunia penelitian
medis.
2) Metode Delphi: Ada tiga jenis peserta dalam metode Delphi: keputusan pembuat, staf
personalia, dan responden. Pengambil keputusan biasanya terdiri dari 5 orang kepada 10
pakar yang akan membuat prakiraan aktual. Personel staf membantu pengambil
keputusan dengan menyiapkan, mendistribusikan, mengumpulkan, dan meringkas
serangkaian kuesioner dan hasil survei. Responden adalah sekelompok orang, seringkali
berada di tempat yang berbeda, yang penilaiannya dihargai. Kelompok ini memberikan
masukan kepada pengambil keputusan sebelum ramalan dibuat.
Negara bagian Alaska, misalnya, telah menggunakan metode Delphi untuk
mengembangkan ramalan ekonomi jarak jauhnya. Sebagian besar anggaran negara
berasal dari jutaan lebih barel minyak dipompa setiap hari melalui pipa di Prudhoe Bay.
Panel Delphi besar ahli harus mewakili semua kelompok dan pendapat di negara bagian
dan semua wilayah geografis.
3) Gabungan tenaga penjualan: Dalam pendekatan ini, setiap wiraniaga memperkirakan
akan seperti apa penjualannya atau wilayahnya. Perkiraan ini kemudian ditinjau untuk
memastikan bahwa perkiraan tersebut realistis. Kemudian mereka digabungkan di tingkat
kabupaten dan nasional untuk mencapai perkiraan keseluruhan. Variasi dari pendekatan
ini terjadi di Lexus, di mana setiap kuartal dealer Lexus mengadakan "pertemuan". Pada
pertemuan ini, mereka berbicara tentang apa yang dijual, dalam warna apa, dan dengan
pilihan apa, jadi pabrik tahu apa yang harus dibangun.
4) Survei pasar: Metode ini mengumpulkan masukan dari pelanggan atau pelanggan
potensial tentang rencana pembelian masa depan
J. TINJAUAN METODE KUALITATIF
Model asosiatif
Model Deret Waktu Model deret waktu memprediksi dengan asumsi bahwa masa depan
adalah a fungsi masa lalu. Dengan kata lain, mereka melihat apa yang terjadi selama periode
waktu tertentu dan menggunakan data masa lalu untuk membuat ramalan. Jika kami
memprediksi penjualan mesin pemotong rumput, kami menggunakann penjualan masa lalu
untuk mesin pemotong rumput untuk membuat perkiraan.
Model Asosiatif Model asosiatif, seperti regresi linier, menggabungkan variabel atau faktor
yang mungkin mempengaruhi kuantitas yang diramalkan. Misalnya, asosiatif
model penjualan mesin pemotong rumput mungkin menggunakan faktor-faktor seperti
perumahan baru, anggaran iklan, dan harga pesaing.
Deret waktu didasarkan pada urutan spasi yang sama (mingguan, bulanan,
triwulanan, dan seterusnya pada) titik data. Contohnya termasuk penjualan mingguan Nike
Air Jordans, pendapatan kuartalan laporan saham Microsoft, pengiriman harian bir Coors,
dan indeks harga konsumen tahunan.
Data deret waktu peramalan menyiratkan bahwa nilai masa depan hanya diprediksi
dari nilai lampau dan bahwa variabel lain, tidak peduli seberapa berharganya, dapat
diabaikan.
Rangkaian Dekomposisi
Waktu Menganalisis deret waktu berarti memecah data masa lalu menjadi beberapa
komponen dan kemudian memproyeksikan
mereka maju. Deret waktu memiliki empat komponen:
1) Tren adalah pergerakan data ke atas atau ke bawah secara bertahap dari waktu ke waktu.
Perubahan pendapatan, populasi, distribusi usia, atau pandangan budaya mungkin
menjelaskan pergerakan masuk kecenderungan.
2) Musiman adalah pola data yang berulang setelah periode hari, minggu, bulan, atau
perempat
3) Siklus adalah pola dalam data yang terjadi setiap beberapa tahun. Mereka biasanya diikat
4) siklus bisnis dan sangat penting dalam analisis dan perencanaan bisnis jangka pendek.
Memprediksi siklus bisnis itu sulit karena mungkin dipengaruhi oleh peristiwa politik
atau oleh kekacauan internasional.
5) 4. Variasi acak adalah "blip" dalam data yang disebabkan oleh kebetulan dan situasi yang
tidak biasa. Mereka
6) tidak mengikuti pola yang terlihat, sehingga tidak dapat diprediksi
Pendekatan Naïve
Metode peramalan naïve merupakan metode peramalan berdasarkan pengamatan pola data
sebelumnya, sehingga metode ini mengasumsikan bahwa data masa lalu sebagai indikator
peramalan terbaik di masa depan. Jika pola data musiman maka metode naïve musiman
memodelkan data masa depan berdasarkan data musiman di masa lalu.
Keterangan:
Yt+t: merupakan peramalan yang dibuat dalam periode waktu t+1
Variasi data musiman adalah pergerakan teratur dalam rangkaian waktu yang terkait
dengan peristiwa yang berulang seperti cuaca atau hari libur. Permintaan batu bara dan bahan
bakar minyak, misalnya, mencapai puncaknya saat cuaca dingin bulan-bulan musim dingin.
Permintaan untuk klub golf atau tabir surya mungkin paling tinggi di musim panas.
Musiman dapat diterapkan pada pola per jam, harian, mingguan, bulanan, atau pola berulang
lainnya.
Restoran cepat saji mengalami lonjakan harian pada siang hari dan lagi pada pukul
5 sore. Bioskop melihat permintaan yang lebih tinggi pada Jumat dan Sabtu malam. Kantor
pos, Toys ―R‖ Us, The Christ mas Store, dan Hallmark Card Shops juga memamerkan variasi
musiman dalam lalu lintas pelanggan dan penjualan.
Demikian pula, memahami variasi musim penting untuk perencanaan kapasitas
dalam organisasi yang menangani beban puncak. Ini termasuk perusahaan tenaga listrik
selama cuaca sangat dingin dan periode hangat, bank pada Jumat sore, dan bus serta kereta
bawah tanah pada pagi hari dan jam sibuk malam hari.
.
M. METODE PERAMALAN ASOSIATIF; ANALISIS REGRESI DAN KORELASI
n = a + b1x1 + b2x2
Example :
Konstruksi Nodel ingin melihat pengaruh variabel independen kedua, suku bunga, pada
penjualannya.
PENDEKATAN c Garis regresi berganda baru untuk Konstruksi Nodel, dihitung dengan
perangkat lunak komputer, adalah:
Kami juga menemukan bahwa koefisien korelasi baru adalah 0,96, yang menyiratkan
dimasukkannya variabel x2, tingkat bunga, menambah lebih banyak kekuatan pada hubungan
linier
SOLUSI Sekarang kami dapat memperkirakan penjualan Nodel jika kami mengganti nilai
untuk gaji tahun depan dan
suku bunga. Jika penggajian West Bloomfield akan menjadi $ 6 miliar dan tingkat bunga
akan menjadi 0,12 (12%), penjualan
akan diramalkan sebagai:
Penjualan ($ jutaan) = 1.80 + .30 (6) - 5.0 (.12)
= 1,8 + 1,8 - 0,6
= 3.00
atau:
Penjualan = $ 3,000,000
WAWASAN Dengan menggunakan kedua variabel, penggajian dan suku bunga, Nodel
sekarang memiliki perkiraan penjualan sebesar $ 3 juta dan koefisien korelasi yang lebih
tinggi. Ini menunjukkan hubungan yang lebih kuat antara keduanya variabel dan perkiraan
penjualan yang lebih akurat
BAB III
STUDI KASUS
Penjualan merupakan kegiatan ekonomi yang umum, dimana dengan penjualan sebuah
perusahaan akan memperoleh hasil/laba sesuai dengan apa yang direncanakan atau
memperoleh pengembalian atas biaya – biaya yang dikeluarkan. Berikut ini dikemukakan
definisi penjualan menurut beberapa ahli sebagai berikut :
1. Sutamto (1979) mengemukakan bahwa penjualan adalah usaha yang dilakukan
manusia untuk menyampaikan barang kebutuhan yang telah dihasilkannya kepada
mereka yang memerlukannya dengan imbalan uang menurut harga yang ditentukan
atas persetujuan bersama;
2. Winardi (1991 : 3) mengemukakan penjualan sebagai proses dimana sang penjual
memastikan, mengaktifkan, dan memuaskan kebutuhan atau keinginan sang pembeli
yang berkelanjutan dan menguntungkan kedua belah pihak;
Dari definisi penjualan diatas terlihat bahwa betapa pentingnya fungsi penjualan bagi sebuah
perusahaan. Pada umumnya, para pengusaha mempunyai tujuan mendapatkan laba yang
maksimal serta mempertahankan atau berusaha meningkatkannya untuk jangka waktu lama.
Tujuan tersebut dapat direalisir apabila penjualan dapat dilaksanakan seperti yang
direncanakan.
Menurut Basu Swastha (dalam Tri Eka Pujiastuti, 2004 : 13) perusahaan pada umumnya
mempunyai tiga tujuan dalam penjualannya, yaitu :
1. Mencapai volume penjualan tertentu;
2. Mendapat laba tertentu;
3. Menunjang pertumbuhan perusahaan.
Adapun faktor – faktor yang harus diperhatikan dalam mencapai tujuan penjualan
diantaranya adalah :
1. Modal yang diperlukan;
2. Kemampuan merencanakan dan membuat produk;
3. Kemampuan menentukan tingkat harga yang tepat;
4. Kemampuan memilih penyalur yang tepat;
5. Kemampuan menggunakan cara – cara promosi yang tepat;
6. Unsur penunjang yang lain.
Peramalan penjualan merupakan salah satu cara untuk membantu menentukan perencanaan
pemesanan yang sesuai dengan kebutuhan. Nilai penjualan yang diramalkan diharapkan
mendekati nilai penjualan sebenarnya yang akan terjadi. Dengan begitu frekuensi dan jumlah
pemesanan persediaan dapat dihitung sedemikian rupa sehingga biaya untuk penyediaan
persediaan dapat ditekan.
Peramalan penjualan pada studi kasus PT. Bakrie Telecom yaitu dalam hal ini target
penjualan (aktivasi nomor untuk pengguna Esia), di bawah ini contoh kasus peramalan yang
menggunakan metode Trend Linier :
Peramalan merupakan proses mengestimasi keadaan yang tidak diketahui. Salah satu metode
dalamagar tren yang diperoleh tidak dikacaukan oleh variasi siklis seperti kontraksi dan
ekspansi. Agar memudahkan perhitungan dalam mencari persamaan tren, digunakan kode
tahun (X) sebagaipengganti tahun yang sesunggguhnya dengan rumus X = t-t, dimana t =
rata-rata dari tahun awal dan tahun akhir yang di pelajari.
Untuk mendapatkan nilai Yt, nilai a dan b harus diketahui terlebih dahulu. Dengan n sebagai
banyaknya pasangan data, persamaan yang diturunkan dengan metode kuadrat terkecil untuk
menghitung nilai a dan b adalah sebagai berikut:
a = Σ Y ………………………(2) n
b = Σ XY …………………….(3)Σ X2
n=9
t = Σ t = 18027 = 2003
n 9
No. Tahun
(t) Kode
Tahun ( X ) Penjualan ( Y ) XY X2
1 1999 -4 332500 -1330000 16
2 2000 -3 301000 -903000 9
3 2001 -2 366000 -732000 4
4 2002 -1 356500 -356500 1
5 2003 0 417000 0 0
6 2004 1 444500 444500 1
7 2005 2 459500 919000 4
8 2006 3 512000 1536000 9
9 2007 4 515000 206000 16
Σ 18027 0 3704000 1638000 60
Untuk meramalkan tahun 2010 :
a = Σ Y = 3704000 = 411556
n 9
b = Σ XY = 1638000 = 27300
Σ X2 60
Untuk meramalkan penjualan tahun 2010, kita hitung terlebih dahulu kode tahun (X) untuk
tahun 2010.
X = t – t = 2010 – 2003 = 7
Jadi ramalan penjualan tahun 2010 dengan menggunakan tren linier adalah sebesar 602656
Peramalan penjualan dapat dilakukan dengan beberapa cara bukan hanya dengan
menggunakan tren linier saja seperti yang di jelaskan dalam pembahasan peramalan dapat
dilakukan sesuai dengan dengan berbagai metode yang di inginkan suatu perusahaan contoh
diatas merupakan sebegian contoh yang dilakukan untuk meramalkan penjualan (aktivasi
nomor Esia) pada PT. Bakrie Telecom. Hal ini menunjukan adanya peningkatan dari tahun ke
tahun dalam penjualan.
BAB IV
PENUTUP
A. SIMPULAN
Peramalan (forecasting) merupakan seni dan ilmu untuk memperkirakan kejadian dimasa
depan. Hal ini dapat dilakukan dengan melibatkan pengambilan data masa lalu dan
menempatkannya kemasa yang akan datang dengan suatu bentuk model matematis.
Terdapat dua pendekatan umum peramalan, sebagaimana ada dua cara mengatasi semua
model keputusan. Yang pertama adalah analisis kuantitatif dan yang kedua adalah analisis
kualitatif.
B. SARAN
1. Diperlukan penelitian lebih lanjut tentang metode – metode forecasting yang lebih
praktis, lebih efisien;
2. Diperlukan metode – metode lebih lanjut tentang peramalan ngembangan program
komputer yang lebih tepat dibandingkan dengan menggunakan program komputer
excell, sehingga dapat diperoleh hasil peramalan yang tepat;
3. Bagi PT. Bakrie Telecom, perlu untuk melakukan peningkatan peramalan penjualan
untuk meningkatkan keuntungan dimasa yang akan dating.
LAMPIRAN ARTIKEL JURNAL
Informatics Journal Vol. 4 No. 3 (2019)
ABSTRACT
Demand forecasting is not an easy task for many companies, some of companies has fail to do a scientific
forecast. The biggest problem with demand forecasting is the uncertainty in demand that renders demand
forecasting a challenging problem. Demand accuracy is a critical factor in determining the quality of
decision making. Forecasting has an important role because the company requires short-term, medium-
term and long-term estimates for each management. For short-term estimates, a company requires
personnel, production and transportation scheduling, which is part of the process of scheduling and
estimating consumer demand. We compared three methods to forecast demand data of PT SUPER
SUKSES NIAGA. The accuracy of those three methods is shown by the value of MASE (Mean Absolute
Square Error). The results of forecasting show that PT. DUTA and PT. HEXINDO have the highest value
of demand. The results of forecasting also shown that the method that has the smallest MASE value is the
simple moving average method.
Keyword: Forecasting Methods, Consumer Demand, Simple Average, Naïve, Mean Absolute
Square Error
1. Introduction
Prediksi atau proses peramalan dibutuhkan dan dipakai di berbagai bidang mulai dari pendidikan,
kesehatan, pembangunan, ekonomi hingga bisnis yang dijalankan suatu perusahaan. Prediksi di tingkat
perusahaan sendiri berfokus untuk merancang suatu perkiraan yang terkait dengan produk, persediaan,
penjadwalan, permintaan konsumen, investasi modal, transportasi distribusi produk, teknik pemasaran dan
masih banyak lagi. Prediksi dilakukan dengan bermodal data dari beberapa tahun sebelumnya, dengan
terlibatnya parameter waktu dalam proses prediksi ini menguntungkan perusahaan dalam membuat
perencanaan yang efektif dan efisien. Prediksi juga mampu mendukung perusahaan untuk membuat strategi
jangka panjang dalam penggunaan sumber daya yang dimilikinya. Bagus tidaknya prediktabilitas suatu
peristiwa bergantung terhadap tiga faktor yaitu seberapa baik data scientist memahami parameter atau atribut
set data yang akan diprediksi, seberapa banyak set data yang tersedia dan apakah nantinya hasil prediksi akan
memberi dampak bagi proses bisnis yang diamati. Proses prediksi sendiri seharusnya menjadi bagian yang
terintegrasi (menyatu) dalam proses pengambilan keputusan manajemen perusahaan. Prediksi memiliki
peranan penting karena perusahaan membutuhkan perkiraan jangka pendek, jangka menengah dan jangka
panjang bergantung pada tujuan masing-masing manajemen. Untuk perkiraan jangka pendek suatu perusahaan
memerlukan penjadwalan personel, produksi dan transportasi, yang merupakan bagian dari proses penjadwalan
dan perkiraan permintaan konsumen. Perkiraan jangka menengah diperlukan perusahaan untuk menentukan
kebutuhan sumber daya di masa mendatang mencakup kebutuhan bahan baku, tenaga kerja maupun investasi
pembelian mesin dan peralatan. Berbeda dengan jangka pendek dan menengah perkiraan jangka panjang
digunakan dalam perencanaan strategis perusahaan, perkiraan ini mencakup pertimbangan peluang pasar,
faktor lingkungan perusahaan dan sumber daya internal. Oleh karena itu, perusahaan perlu mengembangkan
sistem prediksi yang melibatkan beberapa pendekatan untuk memprediksi proses bisnis perusahaan di masa
mendatang. Sistem prediksi tentunya membutuhkan data scientist yang berperan dalam mengidentifikasi
masalah pada proses bisnis, menerapkan metode prediksi, memilih metode yang tepat untuk diterapkan,
menganalisis hasil prediksi dan mengevaluasinya dari waktu ke waktu.
Peramalan permintaan adalah dasar bagi banyak keputusan manajerial dalam rantai pasokan seperti
perencanaan permintaan, pemenuhan pesanan [1], perencanaan produksi dan pengendalian persediaan [2].
Biasanya sulit dilakukan perkiraan dengan tingkat presisi yang diinginkan karena volatilitas dan berbagai
ketidakpastian terlibat [3, 4]. Perubahan permintaan ada karena perilaku konsumen yang terus-menerus
berubah [5]. Berbagai variabel seperti promosi dan tren pasar mungkin memiliki dampak pada perilaku
konsumen dan berkontribusi terhadap perubahan permintaan [6]. Promosi adalah praktik yang sangat umum di
industri ritel yang dapat membuat permintaan berubah-ubah. Dampak promosi terhadap dinamika permintaan
telah sering diteliti secara luas [7, 8, 9, 10, 11, 12]. Perubahan permintaan adalah risiko yang menantang rantai
pasokan produk dan menjadi perhatian manajer dan praktisi [13]. Para peneliti dan praktisi telah berulang kali
mengungkapkan kekhawatirannya tentang meningkatnya perubahan permintaan sebagai risiko yang
mengancam rantai pasokan [14]. Perubahan permintaan membuat tugas memperkirakan permintaan produk
menjadi sulit dan menimbulkan biaya tambahan untuk melakukan stock-out dan inventaris [15]. Namun,
peningkatan perubahan permintaan kurang dipertimbangkan dalam literatur perkiraan permintaan rantai
pasokan. Peramalan untuk memperkirakan perubahaan permintaan produk sangat penting untuk mengurangi
ketidakpastian dalam perbedaan tingkat rantai pasokan. Peramalan permintaan adalah syarat mutlak yang harus
ada dalam strategi pemasaran untuk mengendalikan perubahan permintaan [16]. Peramalan adalah langkah
awal untuk menangani ketidakpastian dan perubahan dalam pasokan rantai. Selama beberapa dekade, sebagian
besar industri telah menggunakan peramalan untuk penjualan ritel [17, 18, 19, 20, 21, 22].
Beberapa penelitian yang menerapkan metode-metode peramalan telah dilakukan diantaranya adalah
penelitian Sutrisno di tahun 2013 membandingkan metode peramalan simple moving average dengan metode
single exponential smoothing. Penelitian Sutrisno membandingkan kedua metode berdasarkan akurasi
peramalan pada nilai MAD (Mean Absolute Deviation), hasilnya menunjukkan bahwa metode single
exponential smoothing menghasilkan nilai MAD yang lebih rendah jika dibandingkan dengan metode simple
moving average, hal ini menunjukkan bahwa pada penelitian yang dilakukan Sutrisno metode single
exponential smoothing memiliki hasil peramalan dengan nilai error terkecil [23]. Di tahun yang sama Sarosa
dkk, menggunakan metode naïve untuk peramalan kinerja akademik mahasiswa dengan beberapa parameter
yaitu IPK (indeks prestasi kumulatif), IP (indeks prestasi) semester I sampai dengan semester IV dan jenis
kelamin. Penelitian Sarosa dkk, menunjukkan bahwa peramalan menggunakan metode naïve menghasilkan
nilai akurasi sebesar 70% [24]. Dua tahun berikutnya di tahun 2015 Margi dan Sofian melakukan penelitian
menggunakan metode exponential smoothing untuk meramalkan penjualan pada periode berikutnya. Pada
penelitian Margi dan Sofian tujuan penelitian untuk melakukan peramalan jangka panjang, hasil peramalan
pada penelitian ini diuji keakuratannya menggunakan nilai MAD (Mean Absolute Deviation), MSE (Mean
Square Error) dan MAPE (Mean Absolute Persentage Error) [25]. Dari beberapa penelitian tersebut belum
dilakukan perbandingan hasil peramalan menggunakan metode simple moving average dan naïve untuk tujuan
peramalan jangka pendek, oleh karena itu dilakukan perbandingan hasil peramalan kedua metode dan diukur
akurasi hasil peramalannya menggunakan nilai MASE (Mean Absolute Square Error).
2. Theoritical Background
Keuntungan utama dari MASE dibandingkan dengan parameter MAD adalah MASE lebih dapat
diterapkan secara luas, karena asumsi MAD hanya terbatas bahwa rata-rata stabil dari waktu ke waktu padahal
untuk data fluktuatif yang pola datanya naik turun nilai MAD tidak bisa diandalkan. Sebaliknya MASE cocok
digunakan untuk pola data fluktuatif, bersifat musiman atau tren. MASE dapat digunakan untuk
membandingkan metode ramalan pada data runtun waktu tunggal [28]. Secara sederhana MASE dapat
dirumuskan sesuai pada persamaan 4, yaitu:
MASE = mean(|𝑞6 |) (4)
3. Research Method
Ada beberapa proses dilakukan untuk menerapkan metode peramalan sehingga menghasilkan
prediksi potensi permintaan konsumen. Proses awal adalah melakukan pengumpulan data jumlah permintaan
produk dari masing-masing konsumen untuk kemudian dilakukan pemilihan dan pemilahan data melalui
proses seleksi data. Sebelum menerapkan suatu metode prediksi dalam mengembangkan aplikasi untuk
memprediksi data, dilakukan pra-pemrosesan data. Pra-pemrosesan data meliputi langkah mereduksi data
(membuang adanya duplikasi data), memeriksa konten data yang tidak konsisten (inkonsisten),
menyeragamkan data yang inkonsisten, memperbaiki konten data. Hasil data dari pra-pemrosesan akan
disimpan sebagai data yang nantinya akan digunakan sebagai inputan untuk menghasilkan prediksi, sementara
itu dilakukan proses coding atau memprogram suatu pemodelan visualisasi data permintaan produk.
Pemodelan yang dihasilkan akan memudahkan prediksi permintaan produk oleh pihak perusahaan. Hasil
prediksi membantu branch manager perusahaan untuk menganalisis peramalan permintaan produk dan
identifikasi konsumen yang paling berpotensi melakukan transaksi pembelian. Representasi proses yang
dilakukan digambarkan dalam bentuk diagram proses seperti yang ditunjukkan pada Gambar 1.
PRA-PEMROSESAN
DATA PERMINTAAN PEMODELAN &
PRODUK SELEKSI DATA HASIL PREDIKSI
ANALISIS
Gambar 1. Gambaran proses penerapan metode peramalan
Tabel 1. Contoh data permintaan produk PT. SUPER SUKSES NIAGA tahun 2018
No Nama Customer Volume (liter)
Januari Februari Maret April Mei Juni Juli Agustus September
1 PT HEXINDO ADI 0 622 2662 1000 2683 0 834 2000 0
2 PT DIESELINDO 285 0 285 190 0 0 0 0 0
3 PT DUTA 0 418 2051 1304 1860 0 0 416 1200
4 PT PANATAMA 1443 1025 2050 1025 2275 1025 1025 1025 1656
5 PT ADITI 205 205 0 205 205 205 0 205 205
6 UD KEVINDO 0 0 0 0 0 0 20 0 80
Struktur data dari datas hasil observasi dan wawancara perlu diolah lebih lanjut agar memudahkan proses
pemodelan data di tahapan selanjutnya. Data berisi banyak atribut data, oleh karena itu dilakukan pemilihan
atribut yang akan dipakai untuk proses selanjutnya. Ada empat atribut data yang dipilih dimana deskripsi dan
tipe datanya ditampilkan pada Tabel 2.
Proses pembersihan data (data cleaning) adalah proses iteratif (berulang), iterasi pertama adalah
mendeteksi dan memperbaiki struktur datayang memiliki banyak inkonsistensi dan nilai nol. Selanjutnya
sebelum melakukan pemodelan struktur data harus diperbaiki dan diseragamkan untuk mendapatkan akurasi
yang tinggi dalam proses selanjutnya yaitu proses prediksi. Pada data volume permintaan memiliki beberapa
informasi yang hilang, beberapa tidak memiliki struktur yang sama, kemudian juga didentifikasi adanya nilai
kosong atau nilai nol yang perlu dihapus untuk mengurangi ketidakkonsistenan data. Pada proses ini juga
dilakukan identifikasi konsumen potensial (konsumen yang konsisten melakukan permintaan produk) di
rentang tahun 2018 hingga tahun 2019. Dari proses identifikasi terlihat bahwa ada lima konsumen potensial
yaitu PT. Hexindo, PT. Dieselindo, PT. Duta Putera, PT. Panatama, PT. Aditi dan PT. Kevindo. Pada proses
prapemrosesan data juga dilakukan estimasi karakteristik data yaitu pencarian nilai modus, median dan mean
untuk mendeteksi adanya outlier data menggunakan nilai median. Aplikasi yang dikembangkan menggunakan
bahasa pemrograman R. Hasil dari prapemrosesan data adalah data kuartal konsumen yang bisa digunakan
untuk membentuk grafik yang mampu memperlihatkan konsumen yang paling tinggi nilai permintaannya. Data
kuartal yang dihasilkan berisi data jumlah permintaan produk per kuartal dari tahun 2018 sampai dengan 2019
seperti pada Tabel 3. Terlihat hasil data kuartal ini merupakan data frame yang terdiri dari tiga kolom dengan
nama Konsumen, Kuartal, dan Jumlah, dimana keseluruhan baris data berjumlah 48 baris data.
Tahapan selanjutnya untuk menghasilkan pemodelan adalah melakukan plotting data, dimana hasil
plotting yaitu grafik memungkinkan atribut data dimodelkan sehingga memudahkan pengamatan hubungan
antar atribut dari waktu ke waktu. Pemodelan grafik histogram dengan hasil pembacaan data dari tahapan
prapemrosesan data terlihat pada Gambar 1 yang menunjukkan sebaran total jumlah permintaan untuk kelima
konsumen dari tahun 2018 sampai dengan 2019. Grafik histogram pada Gambar 1 cukup baik, tapi informasi
yang terkandung masih belum diekplorasi lebih detil. Data frame yang digunakan pada plot, sering sekali harus
dilakukan summary terlebih sehingga dapat diproses lebih mudah oleh layer di ggplot. Terlihat dari Gambar 2
menunjukkan bahwa konsumen yang melakukan transaksi permintaan produk adalah PT. DIESELINDO, PT.
DUTA, PT. HEXINDO dan PT. PANATAMA. Ada dua konsumen yaitu PT. DIESELINDO dan PT.
PANATAMA yang tidak konsisten melakukan transaksi, ini terlihat pada grafik Gambar 2 PT. DIESELINDO
tidak melakukan transaksi di kuartal kedua hingga kuartal keempat tahun 2019, sedangkan PT. PANATAMA
tidak melakukan transaksi pada kuartal pertama tahun 2018 dan kuartal ketiga tahun 2018. Untuk konsumen
PT. KEVINDO jumlah permintaan produk tiap kuartal dari tahun 2018 hingga 2019 tidak signifikan.
Gambar 1. Grafik histogram sebaran permintaan produk per konsumen dari tahun 2018 s/d 2019
Gambar 2. Grafik trend jumlah permintaan konsumen per kuartal dari tahun 2018 s/d 2019
Gambar 3. Grafik pola data permintaan produk PT HEXINDO periode tahun 2018-2019
Gambar 4. Grafik pola data permintaan produk PT DUTA periode tahun 2018-2019
Hasil peramalan transaksi pembelian untuk konsumen PT HEXINDO menggunakan 3 metode (simple
average, naïve dan naïve musiman) ditunjukkan pada Gambar 5. Grafik hasil peramalan ketiga metode pada
Gambar 5 menggunakan variabel periode 10 bulanan. Dari Gambar 5 menunjukkan bahwa metode simple
average memberikan nilai peramalan yang konsisten yaitu 685.6 ribu liter prediksi jumlah permintaan yang
akan dilakukan PT HEXINDO, hal yang serupa juga terjadi pada metode naïve dimana nilai permintaan yang
diprediksi konsisten pada nilai 1000 ribu liter. Nilai berbeda dihasilkan dari metode naïve musiman dimana
jumlah permintaan PT HEXINDO akan naik turun (fluktuatif) di tahun 2019, detail hasil peramalan PT
HEXINDO diperlihatkan pada Tabel 4.
Hasil peramalan transaksi pembelian untuk konsumen PT DUTA menggunakan 3 metode (simple
average, naïve dan naïve musiman) ditunjukkan pada Gambar 6. Grafik hasil peramalan ketiga metode pada
Gambar 6 menggunakan variabel periode 10 bulanan. Dari Gambar 6 menunjukkan bahwa metode simple
average memberikan nilai peramalan yang konsisten yaitu 833.6 ribu liter prediksi jumlah permintaan yang
akan dilakukan PT DUTA, hal yang serupa juga terjadi pada metode naïve dimana nilai permintaan yang
diprediksi konsisten pada nilai 1304 ribu liter. Nilai berbeda dihasilkan dari metode naïve musiman dimana
jumlah permintaan PT DUTA akan naik turun (fluktuatif) di tahun 2019, detail hasil peramalan PT DUTA
diperlihatkan pada Tabel 5.
Dari hasil peramalan untuk dua konsumen (PT HEXINDO dan PT DUTA) didapatkan pula nilai
akurasi peramalan dari tiga metode (simple average, naïve dan naïve musiman) menggunakan nilai MASE
yang ditunjukkan pada Tabel 6. Dari Tabel 6 dapat dilihat bahwa metode yang memiliki nilai MASE terkecil
adalah metode simple moving average untuk kedua data permintaan konsumen.
5. Conclusion
Dari hasil pra-pemrosesan data dapat disimpilkan bahwa konsumen yang nilai transaksi permintaan
produknya tinggi adalah PT. DIESELINDO, PT. DUTA, PT. HEXINDO dan PT. PANATAMA. Dari hasil
peramalan untuk dua konsumen (PT HEXINDO dan PT DUTA) didapatkan pula nilai akurasi peramalan dari
tiga metode (simple average, naïve dan naïve musiman) menggunakan nilai MASE dapat disimpulkan bahwa
metode yang memiliki nilai MASE terkecil adalah metode simple moving average untuk kedua data permintaan
konsumen.
References
[1] Narayanan, A., Sahin, F., and Robinson, E. P. Demand and order-fulfillment planning: The impact of point-of-
sale data, retailer orders and distribution center orders on forecast accuracy. Journal of Operations Management.
[2] Donohue, K. L. (2000). Efficient supply contracts for fashion goods with forecast updating and two production
modes. Management Science, 46(11):1397–1411
[3] Jung, H. and Jeong, S.-J. (2012). Managing demand uncertainty through fuzzy inference in supply chain planning.
International Journal of Production Research, 50(19):5415–5429.
[4] Syntetos, A. A., Babai, Z., Boylan, J. E., Kolassa, S., and Nikolopoulos, K. (2016). Supply chain forecasting:
Theory, practice, their gap and the future. European Journal of Operational Research, 252(1):1–26.
[5] Walker, G. and Weber, D. (1984). A transaction cost approach to make-or-buy decisions. Administrative Science
Quarterly, pages 373–391.
[6] Gilliland, M. (2010). The business forecasting deal: exposing myths, eliminating bad practices, providing
practical solutions, volume 27. John Wiley & Sons.
[7] Ali, O. G., Sayin, S., Van Woensel, T., and Fransoo, J. (2009). SKU demand forecasting¨ in the presence of
promotions. Expert Systems with Applications, 36(10):12340–12348.
[8] Divakar, S., Ratchford, B. T., and Shankar, V. (2005). Practice prize articlechan4cast: A multichannel,
multiregion sales forecasting mo del and decision supp ort system for consumer packaged go o ds. Marketing
Science, 24(3):334–350.
[9] Nikolopoulos, K., Litsa, A., Petropoulos, F., Bougioukos, V., and Khammash, M. (2015). Relative performance
of methods for forecasting special events. Journal of Business Research, 68(8):1785–1791.
[10] Ramanathan, U. (2012). Supply chain collaboration for improved forecast accuracy of promotional sales.
International Journal of Operations & Production Management, 32(6):676–695.
[11] Ramanathan, U. and Muyldermans, L. (2011). Identifying the underlying structure of demand during promotions:
A structural equation modelling approach. Expert Systems With Applications, 38(5):5544–5552.
[12] Trapero, J. R., Kourentzes, N., and Fildes, R. (2015). On the identification of sales forecasting models in the
presence of promotions. Journal of the operational Research Society, 66(2):299–307.
[13] Christopher, M. (2000). The agile supply chain: competing in volatile markets. Industrial Marketing
Management, 29(1):37–44.
[14] Christopher, M. and Holweg, M. (2011). supply chain 2.0: Managing supply chains in the era of turbulence.
International Journal of Physical Distribution & Logistics Management, 41(1):63–82.
[15] Christopher, M. and Holweg, M. (2017). Supply chain 2.0 revisited: a framework for managing volatility-induced
risk in the supply chain. International Journal of Physical Distribution & Logistics Management, 47(1):2–17.
[16] Hope, J. and Fraser, R. (2003). Beyond budgeting: how managers can break free from the annual performance
trap. Harvard Business Press
[17] Aye, G. C., Balcilar, M., Gupta, R., and Majumdar, A. (2015). Forecasting aggregate retail sales: The case of
South Africa. International Journal of Production Economics, 160:66–79.
[18] Pai, P.-F. and Lin, C.-S. (2005). A hybrid ARIMA and support vector machines model in stock price forecasting.
Omega, 33(6):497–505.
[19] Fildes, R., Nikolopoulos, K., Crone, S. F., and Syntetos, A. A. (2008). Forecasting and operational research: a
review. Journal of the Operational Research Society, 59(9):1150–1172.
[20] Hyndman, R. J. and Athanasopoulos, G. (2014). Forecasting: principles and practice. OTexts.
[21] Syntetos, A. A., Babai, Z., Boylan, J. E., Kolassa, S., and Nikolopoulos, K. (2016). Supply chain forecasting:
Theory, practice, their gap and the future. European Journal of Operational Research, 252(1):1–26.
[22] Lawrence, M., Goodwin, P., O’Connor, M., and Onkal, D. (2006). Judgmental¨ forecasting: A review of progress
over the last 25 years. International Journal of forecasting, 22(3):493–518.
[23] Sutrisno Venezia, "Analisis Forecasting untuk Data Penjualan Menggunakan Metode Simple Moving Average
dan Single Exponential Smoothing: Studi Kasus PT Guna Kemas Indah" Skripsi, Fakultas Ilmu Komputer
Universitas Indonesia. 2013.
[24] Sarosa, M.; Suryono, H.; Ridwan, M., " Penerapan Data Mining Untuk Evakluasi Kinerja Akademik MAhasiswa
Menggunakan Algoritma Naïve" Jurnal EECIS vol 7 no 1 pp 59-64. 2013.
[25] Margi Kristien, " Analisa dan Penerapan Metode Single Exponential Smoothing Untuk Prediksi Penjualan Pada
Periode Tertentu (Studi Kasus PT. Media Cemara Kreasi)" Skripsi Universitas Budi Mulia Jakarta, 2015.
[26] Steveson William J., "Operation Management" McGraw-Hill Education New York, 2015.
[27] Yudaruddin, Rizky, " Forecasting untuk Kegiatan Ekonomi dan Bisnis" RV Pustaka Horizon. 2019.
[28] Hyndman, R. J., " Another look at measures of forecast accuracy" FORESIGHT Issue 4 June 2006, pg46. 2006.
Oleh.
Ade Iik
ABSTRAK
Penelitian ini difokuskan pada penerapan metode forecasting dalam penentuan anggaran
penjualan dan implikasinya terhadap peningkatan penjualan (suatu studi pada PD. Idaman
ciamis periode 2012-2016). Metode yang digunakan dalam penelitian ini adalah metode
deskriptif dan menggunakan pendekatan kualitatif. Sedangkan untuk menganalisis data yang
diperoleh menggunakan Analisis Trend Moment dan Least Square, Standar Kesalahan
Forecasting (SKF), Analisis Varian, Analisis Rasio Efektivitas dan Analisis Rasio
Pertumbuhan. Hasil penelitian dan pengolahan data menemukan bahwa 1) PD. Idaman PD.
Idaman menerapkan metode peramalan penjualan (forecasting) secara kualitatif, yaitu
penentuannya berdasarkan dari pendapat (judgement). Nilai anggaran yang disusun melalui
metode kualitatif menghasilkan nilai yang lebih besar daripada nilai anggaran melalui metode
kuantitatif (Trend Moment dan Least Square); 2) Anggaran penjualan yang disusun PD.
Idaman setiap tahunnya mengalami perubahan, perubahan dari anggaran penjualan produk
tersebut menyebabkan besar kecilnya penurunan ataupun peningkatan terhadap hasil
penjualan; 3) Anggaran penjualan yang disusun PD. Idaman melalui peramalan penjualan
secara kualitatif dalam upaya meningkatkan penjualan perusahaan sudah berjalan cukup baik.
Keywords: Metode, Peramalan, Anggaran Penjualan, Peningkatan Penjualan.
penggunaan biaya yang efektif, tujuan perusahaan anggaran penjualan sebagai berikut : Kesalahan
tersebut dapat tercapai apabila setiap biaya yang penyusunan anggaran penjualan akan berakibat
dikeluarkan perusahaan dikelola dengan benar anggaran-anggaran lain juga ikut mengalami
pada setiap kegiatan dalam perusahaan. kesalahan, yang akhirnya merugikan perusahaan,
maka penyusunan anggaran penjualan memerlukan
Laba yang diharapkan perusahaan dapat tercapai
teknik forecasting (peramalan) yang tepat, yang
selain dengan menekan biaya, juga dapat
membuat estimasi kegiatan masa depan, dengan
dilakukan dengan cara memaksimalkan produksi.
mendasarkan diri pada pengalaman-pengalaman
Perusahaan dapat mencapai laba yang tinggi jika
masalalu, dan kemungkinan perubahan dimasa
perusahaan bisa memproduksi dan menjual barang
yang akan datang.
secara maksimal. Artinya, keberhasilan suatu
perusahaan tergantung pada keberhasilan bagian Penelitian yang relevan dengan permasalahan
pemasaran dalam menyusun rencana penjualan mengenai penerapan forecasting dalam penetapan
yang efektif serta mampu mencapai target anggaran penjualan diantaranya adalah penelitian
penjualan. yang dilakukan oleh Kurniawati (2009) dengan
judul “Penerapan Metode Forecast Dalam
Gunawan dan Marwan (2010:64) mengatakan
Menyusun Anggaran Penjualan pada PT. Asuransi
pentingnya anggaran penjualan dalam mencapai
Jasindo (Persero) Cabang Solo” . Hasil
target yang diinginkan, sebagai berikut : Dalam
penelitiannya menemukan bahwa: “Perhitungan
mencapai target yang diinginkan, diperlukan suatu
dengan metode forecast dalam penyusunan
perencanaan, salah satunya dengan menyusun
anggaran penjualan menghasilkan nilai trend yang
anggaran penjualan. Anggaran penjualan ini
berbeda, sehingga dapat diketahui kelebihan dan
akhirnya akan menggambarkan revenue yang
kelemahan dalam penyusunan anggaran penjualan.
diterima sebagai akibat dilakukannya penjualan
Besarnya Standar Kesalahan Peramalan atau
pada periode yang akan datang, meliputi jenis
Forecasting (SKP) diantarannya menggunakan
produk yang dijual, volume produk yang akan
metode kuantitatif (moment dan least square)
dijual, harga produk persatuan dan wilayah
memiliki hasil yang lebih kecil jika dibandingkan
pemasaran.
dengan menggunakan metode yang digunakan
Dari penjelasan tersebut dapat diartikan bahwa perusahaan (metode kualitatif), namun diantara
anggaran penjualan tidak hanya berisi rincian metode kuantitatif yaitu moment dan least square
rencana penjualan, tetapi juga sebagai sumber lebih baik menggunakan metode least square
untuk menggambarkan tingkat keuntungan karena metode least square lebih mudah untuk
potensial yang akan didapatkan perusahaan dalam digunakan dalam perhitungan penjualan”.
aktivitas pemasarannya.
Penelitian dengan latar belakang yang sama,
Anggaran penjualan dapat berfungsi dengan baik pernah dilakukan oleh Nurin Eva Yanti (2016)
apabila taksiran-taksiran yang dibuat cukup akurat, dengan judul “Penerapan Metode Forecast Dalam
sehingga penjualan yang dianggarkan tidak jauh Menentukan Anggaran Penjualan pada PT Kediri
berbeda dengan realisasinya nanti. Untuk bisa Tani Sejahtera” hasil penelitiannya menemukan
melakukan penaksiran secara lebih akurat, banyak bahwa : “Dalam penentuan anggaran penjualan,
faktor yang perlu dipertimbangkan misalnya perusahaan tidak menggunakan metode tertentu,
menyusun peramalan (forecast). forecast perusahaan hanya mengira-ngira berapa besarnya
penjualan inilah yang merupakan faktor paling anggaran penjualan untuk tahun berikutnya,
berpengaruh dalam menyusun anggaran penjualan, sehingga akan berpengaruh pada kesiapan
perusahaan perlu meramalkan apa yang terjadi perusahaan dalam memproduksi barang
pada masa yang akan datang dan memberikan selanjutnya. sebelum menggunakan metode nilai
gambaran tentang kemampuan menjual di waktu Standart kesalahan forecast sebesar 51.509.238,36
mendatang. Ramalan penjualanpun dapat namun setelah digunakannya metode moment dan
digunakan sebagai dasar perencanaan produksi least square, metode nilai Standart kesalahan
agar nantinya tidak terjadi kelebihan produksi Forecast lebih rendah yaitu sebesar 49.515.524,32.
(over production) dan kekurangan produksi (under Dengan menggunakan metode moment dan least
production). square untuk menentukan anggaran penjualan
maka ketepatan dalam menganggarkan penjualan
Dalam meramalkan penjualan, forecast tidak lebih akurat”.
disusun tanpa perhitungan, ketepatan peramalan
penjualan tergantung dari beberapa faktor, salah Dari kedua hasil penelitian tersebut, dapat
satunya adalah pemilihan metode forecasting yang disimpulkan bahwa perhitungan forecast dengan
tepat, maka perlu dipertimbangkan metode yang metode kualitatif dan kuantitatif menghasilkan
lebih menguntungkan dan sesuai dengan tujuan nilai trend yang berbeda. Standar kesalahan
perusahaan. peramalan menggunakan metode kuantitatif
(menggunakan perhitungan matematis) lebih kecil
Gunawan dan Marwan (2010 : 65) mengatakan dibandingkan dengan metode kualitatif (pendapat).
196
bahwa perlunya peramalan dalam penyusunan Penyusunan anggaran tanpa menggunakan metode
atau hanya dengan mengira-ngira akan produk makaroni dengan permintaan 3.705 bal
berpengaruh pada kesiapan perusahaan dalam selama tahun 2016 dan kemudian keripik pisang
memproduksi barang selanjutnya. dengan permintaan sebesar 2.075 bal. Sedangkan
permintaan terhadap produk paling rendah yaitu
Penulis menganggap hasil kedua penelitian
produk sumpia sebesar 761 bal.
tersebut akan membantu penulis dalam melakukan
penelitian, hasil tersebut dapat dijadikan sebagai Tingkat produksi PD. Idaman selama tahun 2016
rujukan dalam mengambil kesimpulan dan sebagai akan mempengaruhi terhadap terpenuhinya seluruh
perbandingan hasil penelitian. Selain itu, permintaan, pada tahun 2016 jumlah produksi
permasalahan yang kompleks sesuai dengan objek terbanyak yaitu produk makaroni dengan jumlah
yang akan di teliti oleh penulis yaitu pada PD. 3.495 bal, kemudian keripik pisang sebesar 1.958
Idaman. bal, kemudian keripik singkong dengan jumlah
produksi sebanyak 1.446 bal, kemudian produk
PD. Idaman yang bertempat di Kecamatan Cipaku
pangsit sebanyak 1.354 bal dan produksi terendah
Kabupaten Ciamis adalah perusahaan yang
yaitu produk keripik talas sebanyak 1.068 bal dan
bergerak dalam bidang industri pengolahan
sumpia 718 bal.
pangan, yaitu berupa industri pengolahan yang
memanfaatkan hasil pertanian lokal menjadi Tinggi rendahnya jumlah produksi turut
berbagai jenis olahan makanan ringan, antara lain mempengaruhi terpenuhinya seluruh permintaan,
makanan ringan yang berbahan baku singkong, jumlah produksi yang rendah akan menyebabkan
talas, pisang dan bahan lainnya. tidak terpenuhinya permintaan, sedangkan terlalu
tingginya produksi akan menyebabkan kelebihan
Permasalahan yang dihadapi PD. Idaman sebagai
produk. Jumlah produk yang tidak terpenuhi paling
perusahaan dagang salah satunya dalam menyusun
banyak adalah produk makaroni sebanyak 210
rencana penjualan. Rencana yang telah disusun
bal, kedua adalah produk keripik pisang sebanyak
seharusnya dapat memberikan konsistensi
117 bal, ketiga adalah produk keripik singkong
penjualan yang sebenarnya, sehingga keuntungan
dengan total tidak terpenuhi sebanyak 87 bal,
dan target yang ditentukan bisa dicapai karena
kemudian keempat adalah produk pangsit dengan
segala sesuatunya telah direncanakan. Namun
total pesanan tidak terpenuhi sebanyak 81 bal,
seringkali penjualan yang telah direncanakan jauh
kelima adalah produk keripik talas dengan total
berbeda dengan hasil akhir, beberapa kali PD.
pesanan tidak terpenuhi sebanyak 64 bal dan
Idaman menerima permintaan dalam jumlah besar
terakhir adalah produk sumpia dengan total
dari konsumen, namun hanya beberapa saja yang
pesanan tidak terpenuhi sebanyak 43 bal.
dapat terpenuhi, hal ini disebabkan oleh
kemampuan produksi PD. Idaman yang tebatas, Berdasarkan latar belakang, rumusan masalah
sehingga menutup peluang perusahaan untuk dalam penelitian ini adalah:
mencapai laba yang optimal. Terbatasnya
1. Bagaimana penerapan metode forecasting
kemampuan produksi PD.Idaman dalam
dalam penentuan anggaran penjualan pada PD.
memenuhi pesanan telah menyebabkan terjadinya
Idaman?
Back Order. Back Order terjadi akibat perusahaan
tidak mampu memenuhi pesanan secara 2. Bagaimanakah anggaran penjualan yang
keseluruhan ataupun sebagian, sehingga disusun PD. Idaman pada tahun 2012-2016 dan
permasalahan tersebut membuat perusahaan implikasinya terhadap peningkatan penjualan?
kehilangan potensi keuntungan.
3. Bagaimana analisis penerapan metode
Permasalahan lain yang juga timbul yaitu dalam forecastingdalam penentuan anggaran
menentukan jumlah persediaan, persediaan produk penjualan dan implikasinya terhadap
sangat penting sebagai antisipasi untuk dapat peningkatan penjualan pada PD. Idaman?
memenuhi permintaan produk dalam jumlah yang
besar dalam keadaan yang tidak pasti
(fluktuasi),untuk itu penentuan jumlah persediaan II. METODOLOGI
sangat penting untukdipertimbangkan, sebab 2. 1 Metode Penelitian yang Digunakan
jumlah persediaan yang terlalu sedikit tidak akan
mampu memenuhi permintaan produk dalam Metode yang digunakan dalam penelitian ini
jumlah besar, sebaliknya jika permintaan selalu adalah metode deskriptif menggunkan pendekatan
rendah namun jumlah persediaan terlalu besar akan kualitatif. Pemilihan metode tersebut didasarkan
menyebabkan kerugian, selain itu, persediaan juga pada beberapa pendapat para ahli di bidang riset,
berperan penting untuk menghemat biaya diantaranya : Menurut Winarno Surakhmad (1990)
produksi. permintaan produk pada PD. Idaman dalam Beni Ahmad (2008:119) mengatakan bahwa
tahun 2016 memiliki permintaan yang berbeda- “Penelitian deskriptif tertuju pada pemecahan
beda, produk makaroni dan keripik pisang masalah yang ada pada masa sekarang”.
merupakan produk PD. Idaman yang paling Sedangkan menurut Suharsimi Arikunto
(2005:234) mengatakan bahwa “Penelitian
197
banyak terjual, hal ini ditunjukkan dengan
permintaan terhadap produk paling besar yaitu deskriptif tidak dimaksudkan untuk menguji
hipotesis tertentu, tetapi hanya menggambarkan metode kuantitatif biasanya menggunakan metode
apa adanya tentang suatu variabel, gejala atau statistik dan matematik”.
keadaan”.
Penerapan peramalan penjualan (forecasting)
Desain penelitian yang digunakan merupakan secara kualitatif seperti yang diterapkan oleh PD.
desain studi kasus (case study) yaitu penelitian Idaman dianggap memiliki banyak kelemahan,
yang mendalam tentang suatu aspek lingkungan karena pengambilan keputusan berdasarkan
sosial termasuk manusia didalamanya, dapat pula pendapat cenderung bersifat pribadi. Melihat
memberi gambaran keadaan yang ada. kondisi tersebut, maka dalam pembahasan penulis
membuat perbandingan penyusunan anggaran
2. 2 Sumber dan Teknik Pengumpulan Data penjualan PD. Idaman tahun 2012-2016 melalui
penerapan teknik kuantitatif menggunakan metode
Sumber data yang digunakan dalam penelitian ini trend moment dan least square. Untuk lebih
terdiri dari data primer dan data sekunder. jelasnya kedua hasil peramalan penjualan
(forecasting) tersebut disajikan dalam tabel berikut
Menurut Suharsimi Arikunto (2005 : 136) ini :
“Teknik pengumpulan data adalah cara yang
digunakan oleh peneliti dalam mengumpulkan data Tabel 1. Perbandingan Forecast Penjualan
penelitiannya”. Untuk memperoleh hasil penelitian melalui Metode Kualitatif, Moment dan
yang diharapkan diperlukan teknik pengumpulan Least Square (dalam unit/bal)
data, pengumpulan data dalam penelitian ini Produk Makaroni Produk Keripik Pisang Produk Keripik Singkong
Observasi, wawancara dan studi dokumentasi. 2013 3,121 3,085 3,085 1,887 1,805 1,805 1,373 1,296 1,296
2014 3,325 3,153 3,153 1,836 1,838 1,838 1,338 1,326 1,326
2. 3 Teknik Analisis Data
2015 3,434 3,221 3,221 1,928 1,872 1,872 1,383 1,356 1,356
Teknik analisis adalah perangkat statistik yang 2016 3,495 3,289 3,289 1,958 1,905 1,905 1,446 1,385 1,385
digunakan sebagai alat bantu bagi peneliti untuk
Jumlah 16,688 15,765 15,765 9,453 9,192 9,192 6,868 6,630 6,630
mengambil kesimpulan atas sejumlah data
penelitian yang telah terkumpul. Teknik analisis Sumber : Data yang diolah, 2017
data yang digunakan dalam penelitian ini seperti
menganalisis secara deskriptif mengenai metode Nilai forecast yang dihasilkan melalui metode
forecasting, menganalisis secara deskriptif kualitatif menunjukkan perkembangan yang
mengenai anggaran penjualan, menganalisis secara berfluktuasi hal ini diakibatkan oleh penentuan
deskriptif mengenai penerapan metode forecasting nilai berdasarkan pendapat (judgement), berbeda
dalam penentuan anggaran penjualan dan dengan nilai forecast melalui metode moment dan
implikasinya terhadap peningkatan penjualan. least square yang menunjukkan peningkatan
berkesinambungan, hal ini dikarenakan penentuan
III. HASIL DAN PEMBAHASAN nilai diolah melalui penghitungan matematis.
2. 1 Penerapan Metode Forecasting Dalam Selain itu, nilai anggaran penjualan produk
Penentuan Anggaran Penjualan pada PD. mokaroni, keripik pisang dan keripik singkong
Idaman Tahun 2012-2016 yang dihasilkan melalui forecast menggunakan
metode kualitatif menghasilkan nilai yang lebih
Hasil penelitian menemukan bahwa metode besar dibandingkan nilai forecast menggunakan
peramalan penjualan (forecasting) yang diterapkan metode moment dan least-square. sedangkan
oleh PD. Idaman dalam menyusun anggaran forecast menggunakan metode moment dan least
penjualannya yaitu menggunakan metode square menghasilkan nilai yang sama setiap
kualitatif, penerapan metode tersebut berdasarkan tahunnya.
pendapat (judgement), diantaranya pendapat dari
distributor (mitra penjual) di wilayah pemasaran, Metode yang paling tepat tidak dapat ditentukan
permintaan konsumen (survey), pendapat dari oleh besar kecilnya nilai yang dihasilkan melalui
bagian pemasaran sebagai kebijakan internal ketiga metode forecast tersebut, ketepatan dari
perusahaan PD. Idaman. forecast akan ditentukan melalui perhitungan
kesalahan peramalan menggunakan analisis
Pada dasarnya teknik peramalan penjualan Standar Kesalahan Forecasting (SKF), nilai yang
(forecasting) dapat dibagi menjadi dua jenis yaitu dihasilkan oleh analisis tersebut akan menentukan
kualitatif dan kuantitatif, hal ini sesuai dengan metode mana yang paling kecil kesalahannya,
pendapat Gunawan dan Marwan (2010:148) yang sehingga nilai kesalahan yang paling kecil
mengatakan bahwa “Pengukuran secara kualitatif merupakan metode yang tepat untuk digunakan.
biasanya menggunakan pendapat (judgement) dan
Hasil analisis kesalahan peramalan penjualan penjualan sebesar 6,9%, dan peningkatan anggaran
terhadap metode kuantitatif, moment dan least pada tahun berikutnya diikuti oleh peningkatan
square menggunakan SKF disajikan dalam tabel realisasi penjualan. penurunan anggaran penjualan
berikut ini : produk keripik pisang pada tahun 2014 sebesar
2,78% diikuti penurunan realisasi penjualan pada
Tabel 2. Standar Kesalahan Forecasting Metode
tahun yang sama sebesar 2,02%, sedangkan
Kualitatif dan Kuantitatif
peningkatan anggaran penjualan pada tahun-tahun
Nilai Kesalahan Forecasting (SKF)
No Nama Produk lainnya diikuti oleh peningkatan realisasi
Kualitatif Moment Least Square penjualan. sedangkan penurunan anggaran
1 Makaroni 188 97 97 penjualan produk keripik singkong terjadi pada
tahun 2014 sebesar 2,62% diikuti penurunan pada
2 Keripik Pisang 53 27 27
tahun yang sama sebesar 2,33%, sedangkan
3
Keripik
Singkong
48 23 23 peningkatan anggaran di tahun-tahun lainnya juga
diikuti oleh peningkatan realisasi penjualan pada
Sumber : Data yang diolah, 2017
tahun yang sama.
Hasil analisis standar kesalahan forecasting (SKF) Besarnya penjualan tidak terlepas dari peran
diatas, dapat diketahui adanya perbedaan nilai wilayah pemasaran yang berkontribusi dalam
diantara metode-metode peramalan yang penjualan produk, wilayah pemasaran yang
digunakan. nilai kesalahan metode kualitatif berkontribusi dalam penjualan produk PD. Idaman
menunjukkan nilai yang lebih besar daripada nilai tahun 2012-2016 sebagai berikut :
kesalahan menggunakan metode moment dan least
square. sehingga metode peramalan menjualan Tabel 4. Tingkat Penjualan Produk Per
(forecast) yang paling sesuai diterapkan oleh PD. Wilayah Pada PD. Idaman Tahun
Idaman yaitu metode moment dan least square, 2012-2016 (dalam unit/bal)
karena dianggap lebih menguntungkan dengna Wilayah
Realisasi Penjualan Produk Tahun 2012-2016
nilai SKF yang lebih kecil. Pemasaran
Makaroni %
K.
%
K.
%
Pisang Singkong
2. 2 Implikasi Anggaran Penjualan Terhadap Bandung 2,565 16.3 1,516 16.5 1,116 16.8
Peningkatan Penjualan PD. Idaman
Purwakarta 2,466 15.6 1,455 15.8 1,062 16.0
Tahun 2012-2016
Cikampek 2,533 16.1 1,444 15.7 1,064 16.0
Hasil penelitian mengenai implikasi anggaran
penjualan terhadap hasil penjualan produk PD. Bekasi 2,698 17.1 1,553 16.9 1,123 16.9
Idaman tahun 2012-2016 menemukan bahwa,
Bogor 2,744 17.4 1,601 17.4 1,109 16.7
anggaran penjualan produk makaroni, keripik
pisang dan keripik singkong yang disusun PD. Jakarta 2,759 17.5 1,623 17.7 1,156 17.4
Idaman setiap tahunnya mengalami perubahan,
Jumlah 15,765 100 9,192 100 6,630 100
perubahan dari anggaran penjualan produk tersebut
menyebabkan besar kecilnya penurunan ataupun Sumber : Data yang diolah, 2017
peningkatan hasil penjualan. Berdasarkan data pada tabel 4.52 total penjualan
Perbandingan terhadap perubahan anggaran dan produk PD. Idaman tahun 2012-2016 untuk produk
hasil penjualan produk PD. Idaman tahun 2012- makaroni sebanyak 15.765 bal, wilayah yang
2016 pada tabel berikut : berkontribusi paling besar terhadap penjualan
produk makaroni adalah wilayah Jakarta sebesar
Tabel 3. Perubahan Anggaran dan Realisasi 17,5% dari total penjualan. total penjualan produk
Penjualan Pada PD. Idaman Tahun 2012- keripik pisang tahun 2012 hingga 2016 sebanyak
2016 (dalam unit/bal) 9.192 bal, wilayah yang berkontribusi paling besar
Makaroni Keripik Pisang Keripik Singkong
Tahun terhadap penjualan produk keripik pisang adalah
Anggaran Realisasi Anggaran Realisasi Anggaran Realisasi wilayah Jakarta sebesar 17,7%. sedangkan total
2012 - - - - - - penjualan produk keripik pisang adalah 6.630 bal
2013 -6.15 -6.9 2.28 2.09 3.28 3.19 dengan kontribusi terbesar adalah wilayah Jakarta
2014 6.14 4.26 -2.78 -2.02 -2.62 -2.33
sebesar 17,4%.
2015 3.17 6.22 4.77 5.41 3.25 4.53 2. 3 Penerapan Metode Forecasting Dalam
2016 1.75 1.23 1.53 1.51 4.36 4.26 Penentuan Anggaran Penjualan dan
Sumber : Data yang diolah, 2017 Implikasinya Terhadap Peningkatan
Penjualan PD. Idaman Tahun 2012-2016
Berdasarkan data pada tabel diatas menunjukkan
bahwa setiap perubahan anggaran penjualan diikuti Hasil analisis perenapan metode forecasting dalam
oleh perubahan realisasi penjualan. penurunan penentuan anggaran penjualan dan implikasinya
anggaran produk makaroni pada tahun 2013 terhadap peningkatan penjualan dilakukan melalui
sebesar 6,15% diikuti oleh penurunan realisasi
terhadap pencapaian target penjualan dan Tabel 6. Hasil Analisis Efektivitas PD. Idaman
pengukuran terhadap hasil penjualan. Hasil Tahun 2012-2016
pengukuran tersebut menemukan bahwa :
1) Analisis Pencapaian Laba PD. Idaman Tahun
2012-2016
Efektivitas Anggaran Penjualan Produk
Berdasarkan analisis varian, anggaran penjualan Tahun
Makaroni Keripik Pisang Keripik Singkong
produk yang disusun PD. Idaman tahun 2012-2016
2012 95.0 96.7 95.9
seluruhnya menghasilkan laba karena selisih
2013 94.3 96.5 95.8
(varian) antara anggaran penjualan dan hasil
2014 92.5 97.2 96.1
penjualan tidak terlalu besar. Berikut hasil analisis
2015 95.5 97.9 97.4
varian :
2016 95.0 97.9 97.3
Tabel 5. Hasil Analisis Varian PD. Idaman Sumber : Data yang diolah, 2017
Tahun 2012-2016
Makaroni Keripik Pisang Keripik Singkong Berdasarkan data pada tabel 4.54 diatas, target
Tahun penjualan yang dicapai PD. Idaman tahun 2012-
Varian % Varian % Varian %
2016 sudah cukup efektif, karena target yang
2012 166 5 61 3.3 54 4.1
dicapai diatas 90% setiap tahunnya. Pencapaian
2013 177 5.7 66 3.5 57 4.2 target penjualan tertinggi untuk produk makaroni
2014 250 7.5 51 2.8 52 3.9 pada tahun 2015 sebesar 95,5% dan pencapaian
2015 155 4.5 41 2.1 36 2.6 target paling rendah pada tahun 2014 sebesar
2016 175 5 42 2.1 39 2.7
92,5%. Pencapaian target penjualan tertinggi untuk
produk keripik pisang yaitu pada tahun 2015 dan
Sumber : Data yang diolah, 2017 2016 sebesar 97,9% dan pencapaian target
penjualan paling rendah yaitu pada tahun 2013
Berdasarkan hasil analisis varian diatas, sebesar 96,5%. Pencapaian target penjualan
menunjukkan bahwa anggaran penjualan setiap tertinggi untuk produk keripik singkong yaitu pada
produk PD. Idaman mencapai laba namun masing- tahun 2015 sebesar 97,4% dan pencapaian target
masing memiliki selisih atau varian, selisih terendah yaitu pada tahun 2013 sebesar 95,8%.
tersebut menunjukkan besaran potensi laba yang
tidak dicapai sehingga pencapaian laba tidak 3) Analisis Pertumbuhan Penjualan Produk PD.
mencapai 100%. Idaman Tahun 2012-2016
Nilai varian paling besar untuk produk makaroni Berdasarkan hasil analisis pertumbuhan
yaitu pada tahun 2014 sebanyak 250 bal atau 7,5% menemukan bahwa penjualan produk PD. Idaman
dari total anggaran, nilai varian paling besar untuk selama tahun 2012-2016 mengalami peningkatan
produk keripik pisang yaitu pada tahun 2013 dan penurunan (fluktuasi). Hasil penghitungan
sebanyak 66 bal atau 3,5% dari total anggaran, lebih jelasnya sebagai berikut :
sedangkan untuk produk keripik singkong nilai Tabel 7. Hasil Analisis Pertumbuhan PD.
varian terbesar yaitu pada tahun 2013 sebanyak 57 Idaman Tahun 2012-2016
bal atau 4,2% dari total anggaran. Tahun-tahun
Pertumbuhan Penjualan Produk
tersebut menunjukkan pencapaian laba paling Tahun
Makaroni Keripik Pisang Keripik Singkong
rendah yang dicapai PD. Idaman pada tahun 2012-
2016. 2012 0 0 0
2013 -6.5 2.1 3.3
2) Analisis Pencapaian Target Penjualan Produk
2014 4.4 -2.0 -2.3
PD. Idaman Tahun 2012-2016
2015 6.6 5.7 4.7
Hasil analisis efektivitas menemukan bahwa target
2016 1.3 1.5 4.5
penjualan yang disusun dalam anggaran penjualan
Sumber : Data yang diolah, 2017
PD. Idaman selama tahun 2012-2016 cukup efektif
karena selisih antara target dan hasil penjualan Produk makaroni mengalami pertumbuhan
sudah berada di atas 90%. Hasil penghitungan penjualan tertinggi pada tahun 2015 sebesar 6,6%
efektivitas tersebut sebagai berikut : dari tahun sebelumnya, dan mengalami penurunan
pada tahun 2013 sebesar 6,5%. penjualan produk
keripik pisang mengalami pertumbuhan tertinggi
pada tahun 2015 sebesar 5,7% dari tahun
sebelumnya, dan mengalami penurunan pada tahun
2014 sebesar 2%. sedangkan penjualan produk
keripik singkong mengalami pertumbuhan terbesar
pada tahun 2015 sebesar 4,7% dari tahun
sebelumnya, dan mengalami penurunan pada tahun anggaran penjualan produk terhadap wilayah
2014 sebesar 2,3%. yang memiliki kontribusi besar dalam
penjualan produk khususnya untuk wilayah
Jakarta dan Bogor.
IV. SIMPULAN
3. Anggaran penjualan yang disusun PD. Idaman
Berdasarkan hasil penelitian dan pembahasan
melalui peramalan penjualan secara kualitatif
dapat disimpulkan beberapa hal sebagai berikut :
dalam upaya meningkatkan penjualan
1. Dalam penentuan anggaran penjualan, PD. perusahaan sudah berjalan cukup baik. Hasil
Idaman menerapkan metode peramalan analisis varian menemukan bahwa anggaran
penjualan (forecasting) secara kualitatif, yaitu penjualan setiap produk PD. Idaman mencapai
penentuannya berdasarkan dari pendapat laba namun masing-masing memiliki selisih
(judgement). Nilai anggaran yang disusun atau varian, selisih tersebut menunjukan
melalui metode kualitatif menghasilkan nilai besaran potensi laba yang tidak dicapai
yang lebih besar daripada nilai anggaran sehingga pencapaian laba tidak optimal.
melalui metode kuantitatif (trend Moment dan
Hasil analisis efektivitas menemukan bahwa
least square) yang diterapkan oleh penulis.
target penjualan yang disusun dalam anggaran
Perubahan anggaran penjualan melalui metode
penjualan PD. Idaman selama tahun 2012-2016
kualitatif cenderung tidak beraturan berbeda
cukup efektif karena selisih antara target dan
dengan perubahan anggaran penjualan melalui
hasil penjualan sudah cukup optimal.
metode kuantitatif yang menunjukan
peningkatan setiap tahunnya. Hasil analisis pertumbuhan menemukan bahwa
penjualan produk PD. Idaman selama tahun
Hasil analisis kesalahan peramalan melalui
2012-2016 mengalami peningkatan dan
menggunakan Standar Kesalahan Forecasting
penurunan (fluktuasi).
(SKF), nilai kesalahan peramalan
menggunakan metode kualitatif menghasilkan
nilai kesalahan yang lebih besar dari pada V. DAFTAR PUSTAKA
metode trend moment dan least square,
Afrianti. 2011. Model Time Series untuk
sehingga metode peramalan menjualan
Peramalan Tingkat Penjualan Jenis Bahan
(forecast) yang paling sesuai diterapkan oleh
Bakar Minyak Stasiun Pengisian Bahan Bakar
PD. Idaman yaitu metode moment dan least
untuk Umum. Skripsi pada FST UIN Sultan
square, karena dianggap lebih menguntungkan
Syarif Kasim Riau. Tidak diterbitkan
dengna nilai SKF yang lebih kecil.
Ahmad Saebani, Beni.2008. Metode Penelitian.
2. Anggaran penjualan yang disusun PD. Idaman
Bandung: CV.Pustaka Setia
setiap tahunnya mengalami perubahan,
perubahan dari anggaran penjualan produk Arikunto, Suharsimi. 2005. Manajemen Penelitian.
tersebut menyebabkan besar kecilnya Jakarta: PT. Rineka Cipta
penurunan ataupun peningkatan terhadap hasil
Armin, Kusminaini. 2015. Anaslisis Anggaran
penjualan.Hasil penelitian mengenai implikasi
anggaran penjualan terhadap hasil penjualan Penjualan terhadap Realisasi Penjualan pada
PT. Anugerah Pharmindo Lestari Cabang
produk PD. Idaman tahun 2012-2016
menemukan bahwa, anggaran penjualan Palembang. Jurnal Ekonomi dan
Kewirausahaan Sekolah Tinggi Ilmu
produk makaroni, keripik pisang dan keripik
singkong yang disusun PD. Idaman setiap Manajemen Amkop (STIM Amkop)
Palembang : Diterbitkan
tahunnya mengalami perubahan, perubahan
dari anggaran penjualan produk tersebut Basu, Swastha dan Irawan. 2008. Manajemen
menyebabkan besar kecilnya penurunan Pemasaran Modern, Edisi Kedua, Cetakan Ke-
ataupun peningkatan hasil penjualan. Besarnya tigabelas. Yogyakarta : Liberty Offset.
penjualan tidak terlepas dari peran wilayah
pemasaran yang berkontribusi dalam penjualan Gunawan dan Marwan, A. 2010.Anggaran
produk, wilayah pemasaran yang berkontribusi Perusahaan.Yogyakarta : BPFE
paling besar dalam penjualan produk makaroni Hasibuan, Malayu SP. 2007. Manajemen: Dasar,
adalah wilayah Jakarta,kedua adalah wilayah Pengertian dan Masalah. Jakarta : Bumi
Bogor. Wilayah pemasaran yang berkontribusi Aksara.
paling besar dalam penjualan produk keripik
pisang yaitu wilayah Jakarta dan wilayah Heizer, Jay dan Barry Render. 2009. Manajemen
Bogor. Sedangkan wilayah yang berkontribusi Operasional Buku 1 Edisi 9. Jakarta : Salemba
paling besar dalam pejualan produk keripik 4.
singkong adalah kota Jakarta. Dari hasil Kotler, Philip dan Keller, Kevin Lane. 2008.
analisis wilayah tersebut, perusahaan dapat Manajemen Pemasaran. Jakarta: PT.Indeks.
meningkatkan atau menambah kembali