MANAJEMEN OPERASIONAL LANJUTAN

FORECASTING
(Dosen : Prof.Dr. H. Mahfudnumajamuddin.SE., MM)

(KELOMPOK 3) –
KELAS DIM- A.26. 2020 :

1) Andi Arifwangsa A. (0002.DIM.26.2020)-

2) Muhammad Ibnu Widayanto Basri (0012.DIM.26.2020)-
3) Muhammad Agung Achmad Gani (0006.DIM.26.2020)-
4) Andi Fachruddin (0036.DIM.26.2020)-
5) Amrullah (0033.DIM.26.2020)-

PROGRAM STUDI DOKTOR ILMU MANAJEMEN

PROGRAM PASCASARJANA
UNIVERSITAS MUSLIM INDONESIA
MAKASSAR, MARET 2021
 KATA PENGANTAR

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.

Makassar, Maret 2021

Penyusun
 DAFTAR ISI

KATA PENGANTAR

DAFTAR ISI

BAB I PENDAHULUAN

A. LATAR BELAKANG MASALAH

B. RUMUSAN MASALAH
C. BATASAN MASALAH
D. TUJUAN PEMBAHASAN
E. MANFAAT PEMBAHASAN

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

BAB III STUDI KASUS

BAB III PENUTUP

A. KESIMPULAN
B. SARAN

DAFTAR PUSTAKA

LAMPIRAN

ARTIKEL JURNAL
 BAB I
PENDAHULUAN

A. LATAR BELAKANG MASALAH

―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

A. PENGERTIAN PERAMALAN / FORECASTING

Setiap hari, manajer seperti orang-orang di Disney membuat keputusan tanpa

mengetahui apa yang akan terjadi di masa depan. Mereka memesan inventaris tanpa
mengetahui akan seperti apa penjualannya, membeli peralatan baru meskipun ada
ketidakpastian tentang permintaan produk, dan melakukan investasi tanpa mengetahuinya
keuntungan apa yang akan didapat. Manajer selalu berusaha membuat perkiraan yang lebih
baik tentang apa yang akan terjadi di masa depan dalam menghadapi ketidakpastian.
Membuat perkiraan yang baik adalah tujuan utama dari peramalan.
Peramalan adalah seni dan ilmu untuk memprediksi peristiwa masa depan.
Peramalan mungkin melibatkan mengambil data historis (seperti penjualan masa lalu) dan
memproyeksikannya ke masa depan dengan model matematika ematical. Ini mungkin
prediksi subjektif atau intuitif (misalnya, "ini bagus produk baru dan akan menjual 20% lebih
banyak dari yang lama ‖). Ini mungkin didasarkan pada permintaan-driven data, seperti
rencana pelanggan untuk membeli, dan memproyeksikannya ke masa depan. Atau ramalan
cuaca mungkin melibatkan kombinasi dari ini, yaitu, model matematika yang disesuaikan
oleh manajer penilaian yang baik.
Peramalan (Bahasa Inggris = Forecasting) adalah suatu teknik analisa perhitungan
yang dilakukan dengan pendekatan kualitatif maupun kuantitatif untuk memperkairakan
kejadian dimasa depan dengan menggunakan referensi data-data di masa lalu. Peramalan
bertujuan untuk memperkirakan prospek ekonomi dan kegiatan usaha serta pengaruh
lingkungan terhadap prospek tersebut.
Peramalan atau Forecasting merupakan bagian terpenting bagi setiap perusahaan
ataupun organisasi bisnis dalam setiap pengambilan keputusan manajemen. Peramalan itu
sendiri bisa menjadi dasar bagi perencanaan jangka pendek, menengah maupun jangka
panjang suatu perusahaan. Di dalam sebuah peramalan (forecasting) dibutuhkan sedikit
mungkin kesalahan (error) di dalamnya. Agar dapat meminimalisir tingkat kesalahan
tersebut, maka akan lebih baik jika peramalan tersebut dilakukan dalam satuan angka atau
kuantitatif.

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.

B. TUJUAN DAN FUNGSI PERAMALAN / FORECASTING

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.

C. JENIS – JENIS PERAMALAN / FORECASTING

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.

Manajemen Rantai Pasokan

Manajemen rantai persediaan Hubungan pemasok yang baik dan keuntungan
berikutnya dalam inovasi produk, biaya, dan kecepatan pasar bergantung pada prakiraan
yang akurat. Ini hanya tiga contoh:
 Apple telah membangun sistem global yang efektif yang mengontrol hampir setiap
bagian pasokan rantai, dari desain produk hingga toko ritel. Dengan komunikasi yang
cepat dan data yang akurat dibagikan ke atas dan ke bawah rantai pasokan, inovasi
ditingkatkan, biaya inventaris berkurang, dan kecepatan ke pasar ditingkatkan. Setelah
produk mulai dijual, Apple melacak permintaan oleh jam untuk setiap toko dan
perkiraan produksi setiap hari. Di Apple, perkiraan pasokannya rantai adalah senjata
strategis.
 Toyota mengembangkan prakiraan mobil yang canggih dengan masukan dari berbagai
sumber, termasuk dealer. Namun peramalan permintaan aksesoris seperti sistem
navigasi, custom roda, spoiler, dan sebagainya sangat sulit. Dan ada lebih dari 1.000
item yang bervariasi
berdasarkan model dan warna. Hasilnya, Toyota tidak hanya meninjau data yang
bertumpuk-tumpuk dengan kendaraan yang telah dibuat dan secara grosir tetapi juga
melihat secara rinci prakiraan kendaraan sebelumnya. membuat permintaan tentang
permintaan konsumen di masa depan. Jika ini dilakukan dengan benar, hasilnya
adalah rantai pasokan yang efisien dan pelanggan yang puas.
 Walmart bekerja sama dengan pemasok seperti Sara Lee dan Procter & Gamble untuk
memastikan barang yang tepat tersedia pada waktu yang tepat di tempat yang tepat
dan dengan harga yang tepat.
 Misalnya, pada musim badai, kemampuan Walmart untuk menganalisis 700 juta
negara kombi item toko berarti dapat meramalkan bahwa tidak hanya senter tetapi
juga Pop-Tart dan bir terjual dengan harga tujuh kali tingkat permintaan normal.

Sumber daya manusia

Mempekerjakan, melatih, dan memberhentikan pekerja semuanya bergantung pada
permintaan yang diantisipasi. Jika manusia departemen sumber daya harus mempekerjakan
pekerja tambahan tanpa peringatan, jumlah pelatihan menurun, dan kualitas tenaga kerja
menderita. Sebuah perusahaan kimia besar Louisiana hampir hilang pelanggan terbesarnya
ketika ekspansi cepat ke shift sepanjang waktu menyebabkan gangguan total dalam kontrol
kualitas pada shift kedua dan ketiga.

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

E. TUJUH LANGKAH DALAM SISTEM PERALAMAN

Peramalan mengikuti tujuh langkah dasar. Kami menggunakan Disney World,

fokus bab Global ini Profil Perusahaan, sebagai contoh setiap langkah:
1) Tentukan penggunaan prakiraan: Disney menggunakan prakiraan kehadiran di taman
untuk mendorong keputusan tentang staf, jam buka, ketersediaan kendaraan, dan
persediaan makanan.
2) Pilih item yang akan diramalkan: Untuk Disney World, ada enam taman utama.
Perkiraan kehadiran harian di masing-masing merupakan nomor utama yang
menentukan tenaga kerja, pemeliharaan, dan penjadwalan.
3) Tentukan cakrawala waktu prakiraan: Apakah jangka pendek, menengah, atau
panjang? Disney mengembangkan prakiraan harian, mingguan, bulanan, tahunan, dan
5 tahun.
4) Pilih model perkiraan: Disney menggunakan berbagai model statistik yang akan kami
gunakan berdiskusi, termasuk rata-rata bergerak, ekonometrik, dan analisis regresi.
Itu juga mempekerjakan menghakimi, atau nonquantitative, model.
5) Kumpulkan data yang diperlukan untuk membuat prakiraan: Tim prakiraan Disney
mempekerjakan 35 analis dan 70 personel lapangan untuk mensurvei 1 juta orang /
bisnis setiap tahun. Disney juga menggunakan perusahaan bernama Global Insights
untuk prakiraan industri perjalanan dan mengumpulkan data tentang nilai tukar,
kedatangan ke AS, penawaran khusus maskapai penerbangan, tren Wall Street, dan
sekolah jadwal liburan
 6) Buat ramalan.
7) Validasi dan terapkan hasil: Di Disney, perkiraan ditinjau paling tinggi setiap hari
level untuk memastikan bahwa model, asumsi, dan data valid. Ukuran kesalahan
adalah terapan; kemudian prakiraan digunakan untuk menjadwalkan personel hingga
interval 15 menit.

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.

G. METODE – METODE PERAMALAN / FORECASTING

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.

Pembahasan lebih lanjut tentang metode-metode peramalan permintaan adalah sebagai

berikut:
1. Metode Kualitatif
Metode peramalan permintaan secara kualitatif berhubungan dengan data – data
kualitatif, misalnya tentang selera konsumen terhadap suatu produk, atau survey
tentang loyalitas konsumen, dan lain-lain. Forecasting kualitatif ini dapat
dikelompokkan ke dalam beberapa metode teknik seperti akan dijelaskan berikut ini :

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.

b. Teknik Jajak Pendapat (Opinion Pools)

Teknik jejak pendapat sering dilakukan untuk melengkapi data dari survey. Jejak
pendapat dari para pakar, para eksekutif, dari masyarakat umum, atau dari
konsumen. Jejak pendapat ini lebih bersifat pandangan atau pendapat pribadi
(subjektif) dari respondennya, sebaliknya teknik survey lebih bersifat objektif.

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

a. Metode Time Series

Metode Time Series berhubungan dengan nilai – nilai suatu variabel yang diatur
secara periodesasi sepanjang periode waktu dimana prakiraan permintaan
diproyeksikan. Misalnya mingguan, bulanan, kwartalan, dan tahunan, tergantung
keinginan dari pihak – pihak yang melakukan prakiraan permintaan ini. Metode ini
semata – mata mendasarkan diri pada data dan keadaan masa lampau. Jika keadaan di
masa yang akan datang cukup stabil dalam arti tidak banyak perubahan yang berarti
dengan keadaan masa lampau, metode ini dapat memberikan hasil peramalan yang
cukup akurat.

b. Metode Tren Linear

Khusus metode ini digunakan jika scatter diagram berbentuk garis lurus dengan
persamaan umum adalah :
Y = a + bX
Untuk metode tren linear ini banyak jenisnya, antara lain :
1) Metode Least Square
Metode ini sering digunakan oleh perusahaan karena dianggap paling mudah
untuk dipraktekkan. Metode ini digunakan pada waktu data yang tersedia adalah
mempunyai kecenderungan berbentuk garis lurus. Maka persamaannya adalah
 Y = a + bX
Dimana :
Y = Variabel yang akan diramalan, dalam hal ini adalah ramalan penjualan
produk perusahaan
a = Konstanta, yang akan menunjukkan besarnya harga
b = Variabilitas per X, yaitu menunjukkan besarnya perubahan nilai Y dari setiap
perubahan satu unit X
X = Unit waktu/ periode
Untuk mencari besarnya nilai a, dan b tersebut akan dapat dilakukan dengan
mempergunakan rumus – rumus sebagai berikut :
Dengan syarat bahwa å X = 0
Dimana n adalah sama dengan jumlah data

c. Metode Product Moment

Metode ini lazim dinamakan metode momen saja. Metode ini digunakan oleh
perusahaan karena dianggap mudah di samping metode least square, karena perlakuan
angka X (prediksi) untuk data ganjil maupun genap tidak ada perlakuan khusus seperti
halnya pada metode least square. Tentunya metode ini digunakan dalam ramalan
penjualan untuk data yang tersedia adalah mempunyai kecenderungan berbentuk garis
lurus terutama nilai ramalannya, sedangkan persamaannya adalah:
Y = a + bX
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

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

d. Metode Setengah Rata – rata (Semi Evarage Method)

 Metode setengah rata-rata ini masih tergolong metode tren linier dimana data yang
tersedia tetap berbentuk linier jika digambar dalam bentuk grafik. Metode tren
setengah rata – rata menentukan bahwa untuk mengetahui fungsi Y = a + bX tersebut,
semua data historis dikelompokkan menjadi dua kelompok (himpunan) dengan jumlah
anggota masing-masing yang sama. Berdasarkan perhitungan rata – rata dari anggota
masing – masing kelompok itulah akan diperoleh fungsi garis lurus yang
bersangkutan.

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

Sedangkan koefisiennya adalah:

A = (∑Y - c∑ ) / n
B = (∑XY / ∑ )
C = (n ∑ Y) – ((∑ ) – (∑Y))
(n ∑ ) – ((∑Z )
Dengan syarat ∑ = 0 (nol)

4. Metode Variasi Musim

Melakukan prakiraan volume permintaan konsumen di waktu – waktu yang akan
datang dapat didasarkan pada gelombang musiman yang melekat pada kultur budaya
atau kebiasaan dari masyarakat.

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.

Kedua adalah metode ekonometrika mengestimasi perilaku hubungan antara variabel

– variabel. Secara mencolok meramalkan dengan dasar metode lain seperti misalnya
survey data hanya memperoleh sesuatu yang lebih kecil dari penyebab yang hakiki
pada hubungan antar variabel – variabel ini secara umum.

Terdapat empat tahapan yang termasuk di dalam memformulasi forecastmodel

ekonometrika ini.
a. Membangun suatu model teori;
b. Mengumpulkan data;
c. Memilih bentuk persamaan fungsi yang diestimasi;
d. Mengestimasi dan menginterpretasi hasil.
H. PROSES PERAMALAN (FORECASTING)
Proses peramalan (forecasting) biasanya terdiri dari langkah – langkah sebagai berikut.
(Handoko, 1984: 260).

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.

5. Revisi dan Evaluasi

 Ramalan – ramalan yang telah dibuat harus senantiasa diperbaiki dan ditinjau
kembali. Perbaikan mungkin perlu dilakukan karena adanya perubahan – perubahan
dalam perguruan tinggi atau lingkungan, seperti tingkat biaya masuk perguruan
tinggi, jumlah kelulusan di tingkat SMU, tingakt jumlah perguruan tinggi, jumlah
jurusan/program studi baru yang ada di perguruan tinggi, pengeluaran – pengeluaran
pengiklanan atau pamflet, kebijakan moneter dan kemajuan teknologi.

Evaluasi, di pihak lain, merupakan perbandingan ramalan – r amalan dengan hasil –

hasil nyata untuk menilai ketepatan penggunaan metodelogi atau teknik peramalan.
Langkah ini diperlukan untuk menjaga kualitas estimasi-estimasi diwaktu yang akan
datang.

I. TINJAUAN METODE KUALITATIF

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

Tinjauan Metode Kuantitatif 1

Lima metode peramalan kuantitatif, semuanya menggunakan data historis, benar-benar di

sini
bab. Mereka terbagi dalam dua kategori:
1.Pendekatan naif
2. Rata-rata bergerak
3. Pemulusan eksponensial
4. Proyeksi tren
5. Regresi linier "

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.

K. PERKIRAAN DERET WAKTU

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.

Metode naïve dirumuskan pada persamaan 2, yaitu:

Yt+1= = Yt

Keterangan:
Yt+t: merupakan peramalan yang dibuat dalam periode waktu t+1

Cara termudah untuk meramalkan adalah dengan mengasumsikan bahwa

permintaan pada periode berikutnya akan sama permintaan dalam periode terbaru. Dengan
kata lain, jika menjual suatu produk — katakanlah, ponsel Nokia telepon — 68 unit di bulan
Januari, kami dapat memperkirakan bahwa penjualan bulan Februari juga akan menjadi 68
telepon

Metode Simple Moving Average

Metode simple average digunakan oleh perusahaan untuk mendapatkan peramalan
dengan jangka waktu pendek, dengan kesederhanaan dalam teknik peramalannya membuat
metode simple average memudahkan data analyst dalam memodelkan pola data fluktuatif.
Simple moving average menggunakan data dari periode waktu sebelumnya untuk kemudian
dijumlahkan dan melakukan perhitungan rata-rata untuk mengetahui pola data selanjutnya.
Metode simple moving average membutuhkan data periode sebelumnya dengan rentang
waktu tertentu, semakin panjang rentang waktu data sebelumnya makan semakin halus grafik
pemodelan yang dihasilkan.
L. DATA DALAM VARIASI MUSIMAN

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

Tidak seperti peramalan deret waktu, model peramalan asosiatif biasanya

mempertimbangkan beberapa variabel yang terkait dengan kuantitas yang diprediksi. Setelah
variabel terkait ini ditemukan, model statistik dibangun dan digunakan untuk meramalkan
item yang diminati. Pendekatan ini lebih kuat daripada metode deret waktu yang hanya
menggunakan nilai historis untuk variabel prakiraan.
Banyak faktor yang dapat dipertimbangkan dalam analisis asosiatif. Misalnya
penjualan Dell PC mungkin terkait dengan anggaran iklan Dell, harga perusahaan, harga
pesaing dan strategi promosi, dan bahkan ekonomi negara dan tingkat pengangguran. Di
dalam kasus, penjualan PC akan disebut variabel dependen, dan variabel lain akan disebut
Variabel independen . Tugas manajer adalah mengembangkan hubungan statistik terbaik
antara Penjualan PC dan variabel independen. Peramalan asosiatif kuantitatif yang paling
umum model adalah analisis regresi linier.
Menggunakan Analisis Regresi untuk Peramalan Kita dapat menggunakan model
matematika yang sama yang kita gunakan dalam metode kuadrat terkecil proyeksi tren untuk
melakukan analisis regresi linier. Variabel dependen yang kami inginkan untuk meramalkan
akan tetap yn. Namun sekarang variabel bebas x tidak perlu lagi waktu. Kita gunakan
persamaan y = a+b

Analisis Regresi Ganda

Regresi berganda adalah perpanjangan praktis dari model regresi sederhana yang baru saja
kita jelajahi. Saya memungkinkan kami membuat model dengan beberapa variabel
independen, bukan hanya satu variabel. Untuk
Misalnya, jika Konstruksi Nodel ingin memasukkan suku bunga tahunan rata-rata dalam
modelnya untuk meramalkan penjualan renovasi,

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:

yn = 1,80 + 0,30x1 - 5,0x2

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

Peramalan Penjualan PT. Bakrie Telecom (ESIA)

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.

Persamaan tren linier adalah

Yt = a + bX…………………….. (1)
Dengan :
Yt = Nilai tren untuk periode tertentu
a = Nilai Yt jika X = 0 atau nilai Yt pada periode t,
b = Kemiringan garis tren atau besarnya perubahan Yt, jika terjadi perubahan satu besaran
peride waktu,
X = Kode periode waktu = t – t

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

Sehingga persamaan tren liniernya adalah :

Y = 411556 + 27300X

Untuk meramalkan penjualan tahun 2010, kita hitung terlebih dahulu kode tahun (X) untuk
tahun 2010.
X = t – t = 2010 – 2003 = 7

Lalu nilai X dimasukkan ke dalam persamaan tren linier menjadi :

Y = 411556 + 27300 (7) = 602656

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.

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.

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)

Penerapan Metode Peramalan untuk Identifikasi

Potensi Permintaan Konsumen

Karina Auliasari*, Mariza Kertaningtyas**, Mawan Kriswantono***

* Jurusan Teknik Informatika S-1 Institut Teknologi Nasional Malang
** Jurusan Teknik Mesin DIII Institut Teknologi Nasional Malang
*** Jurusan Teknik Mesin S-1 Institut Teknologi Nasional Malang
*karina.auliasari86@gmail.com, **mariza@lecturer.itn.ac.id

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

INFORMAL | 121 ISSN : 2503 – 250X

 Informatics Journal Vol. 4 No. 3 (2019)

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

2.1 Metode Peramalan Runtun Waktu

Peramalan runtun waktu merupakan metode peramalan kuantitatif berdasarkan serangkaian data yang
terikat dengan variabel periode waktu. Data yang digunakan dalam metode ini adalah data hasil pengamatan
berdasarkan berbagai variasi deret waktu yang digunakan (jam, hari, minggu, bulan, triwulan, kuartal dan
tahun). Standar tahapan yang sudah disepakati dalam menerapkan metode peramalan waktu diantaranya adalah
identifikasi tujuan peramalan, penentuan peiode waktu peramalan, pemilihan metode peramalan, persiapan
data (data cleaning), penerapan metode peramalan, analisis hasil peramalan dan evaluasi hasil peramalan.
Beberapa metode peramalan runtun waktu yang banyak digunakan diantaranya metode mean forecast, naïve
forecast, linear trend forecast, non-linear forecast, exponential smoothing dan moving average [26].

2.2 Metode Simple Moving Average\

Metode simple average digunakan oleh perusahaan untuk mendapatkan peramalan dengan jangka waktu
pendek, dengan kesederhanaan dalam teknik peramalannya membuat metode simple average memudahkan
data analyst dalam memodelkan pola data fluktuatif. Simple moving average menggunakan data dari periode
waktu sebelumnya untuk kemudian dijumlahkan dan melakukan perhitungan rata-rata untuk mengetahui pola
data selanjutnya. Metode simple moving average membutuhkan data periode sebelumnya dengan rentang
waktu tertentu, semakin panjang rentang waktu data sebelumnya makan semakin halus grafik pemodelan yang
dihasilkan[27]. Adapun rumus dari metode simple moving average ditunjukkan pada persamaan 1, yaitu:
%& #%&'( #⋯#%&'*+(
S"#$ = ,
(1)
Keterangan:
𝑺𝒕#𝟏 : Peramalan untuk periode t+1

𝑿𝒕 : Data pada periode t

n : jangka waktu moving average
INFORMAL | 122 ISSN : 2503 – 250X
 Informatics Journal Vol. 4 No. 3 (2019)

2.3 Metode 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[ 27]. Metode naïve dirumuskan pada persamaan 2, yaitu:
2"#$ = Y"
Y (2)
Keterangan:
2𝐭#𝟏 : merupakan peramalan yang dibuat dalam periode waktu t+1
𝐘

2.4 Mean Absolute Square Error

Mean Absolute Square Error (MASE) merupakan nilai akurasi peramalan yang diusulkan oleh Hyndman
dan Koehler pada penelitiannnya di tahun 2006 sebagai pengukuran akurasi metode peramalan yang berlaku
secara umum tanpa harus tergantung dengan parameter pengukuran akurasi yang lain. Dalam penelitian
tersebut MASE diusulkan berdasarkan nilai parameter MAE (Mean Absolute Error) untuk menguji nilai
akurasi metode naïve, dimana dalam penelitian ini metode naïve menghasilkan prediksi satu periode di depan
dari setiap titik data dan skala errornya didefinisikan pada persamaan 3, yaitu:
78
𝑞6 = ( 9 (3)
∑ |< ><='(|
9'( =?@ =

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

4. Result and Analysis

4.1 Seleksi dan pra-pemrosesan data
Data yang digunakan merupakan studi kasus data permintaan produk BP. CASTROL OIL pada PT.
SUPER SUKSES NIAGA (PT.SSN) dari tahun 2018 hingga tahun 2019. Data merupakan file Microsoft excel
dengan format .xlsx. Data permintaan produk PT. SUPER SUKSES NIAGA yang digunakan diambil setelah
melalui proses wawancara dan observasi pada bulan September 2019. Data volume permintaan produk PT.
SUPER SUKSES NIAGA dalam format file excel yang didapatkan dari hasil observasi ditunjukkan pada Tabel
1.

INFORMAL | 123 ISSN : 2503 – 250X

 Informatics Journal Vol. 4 No. 3 (2019)

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.

Tabel 2. Atribut data permintaan produk yang dipakai

No Nama Tipe data Deskripsi
1 Tahun Integer Tahun permintaan
2 Bulan Character Bulan permintaan
3 Konsumen Character Nama konsumen
4 Volume Integer Total jumlah volume
permintaan produk
dalam satuan ribu liter

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.

Tabel 3. Contoh data permintaan konsumen per kuartal tahun 2018-2019

No Nama Customer Volume (liter)
2018Q1 2018Q2 2018Q3 2018Q4 2019Q1 2019Q2 2019Q3 2019Q4
1 PT HEXINDO ADI 2000 1000 1000 2000 3294 2683 2834 9337
2 PT DIESELINDO 2840 570 3048 380 570 0 0 0
3 PT DUTA 1200 3400 1905 2226 2469 1860 1616 1030
4 PT PANATAMA 0 208 0 1857 4518 2275 3706 3075
5 PT ADITI 0 0 0 623 410 205 410 832
6 UD KEVINDO 0 0 80 0 0 0 20 80

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

INFORMAL | 124 ISSN : 2503 – 250X

 Informatics Journal Vol. 4 No. 3 (2019)

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

4.2 Peramalan dan analisis hasil peramalan

Selanjutnya diterapkanlah metode peramalan berdasarkan dataset permintaan konsumen PT. SSN secara
periodik dari tahun 2018 hingga tahun 2019 dari tahapan pra-pemrosesan data. Grafik permintaan per kuartal dari hasil
pra-pemrosesan data yang ditunjukkan pada Gambar 2 menunjukkan ada dua konsumen yang konsisten melakukan
transaksi dengan nilai penjualan yang tinggi yaitu PT. DUTA dan PT. HEXINDO. Oleh karena itu berdasarkan pola data
yang ada digunakan 3 metode peramalan untuk kedua konsumen yaitu metode simple average, metode naïve dan metode
naïve musiman. Jika dilihat berdasarkan pola data transaksi pembelian yang dilakukan PT HEXINDO dan PT DUTA
selama tahun 2018-2019 pada Gambar 3 dan 4 berbentuk pola data siklis, hal ini ditunjukkan dari adanya fluktuasi
gelombang data, dimana jumlah permintaan dari kedua konsumen naik turun.

INFORMAL | 125 ISSN : 2503 – 250X

 Informatics Journal Vol. 4 No. 3 (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.

INFORMAL | 126 ISSN : 2503 – 250X

 Informatics Journal Vol. 4 No. 3 (2019)

Gambar 5. Grafik hasil peramalan permintaan produk PT HEXINDO

Tabel 4. Hasil peramalan PT HEXINDO periode 10 bulan

No Bulan Volume peramalan Metode peramalan
(ribu liter)
1 Mei 2019 s/d Feb 2020 685.6 Simple moving average
2 Mei 2019 s/d Feb 2020 1000 Naïve
3 Mei 2019 1000
Jun 2019 0
Jul 2019 0
Aug 2019 0
Sep 2019 1000 Naïve Musiman
Oct 2019 1000
Nov 2019 0
Dec 2019 1000
Jan 2020 0
Feb 2020 622

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.

INFORMAL | 127 ISSN : 2503 – 250X

 Informatics Journal Vol. 4 No. 3 (2019)

Gambar 6. Grafik hasil peramalan permintaan produk PT DUTA

Tabel 5. Hasil peramalan PT DUTA periode 10 bulan

No Bulan Volume peramalan Metode peramalan
(ribu liter)
1 Mei 2019 s/d Feb 2020 833.6 Simple moving average
2 Mei 2019 s/d Feb 2020 1304 Naïve
3 Mei 2019 800
Jun 2019 400
Jul 2019 1205
Aug 2019 0
Sep 2019 700 Naïve Musiman
Oct 2019 0
Nov 2019 600
Dec 2019 1626
Jan 2020 0
Feb 2020 418

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.

Tabel 6. Hasil perbandingan nilai MASE

No Metode peramalan MASE Data konsumen
1 Simple moving average 0.386
Naïve 0.524 PT HEXINDO
Naïve musiman 1
2 Simple moving average 0.847
Naïve 1.332 PT DUTA
Naïve Musiman 1

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.

INFORMAL | 128 ISSN : 2503 – 250X

 Informatics Journal Vol. 4 No. 3 (2019)

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.

INFORMAL | 129 ISSN : 2503 – 250X

 Volume 4‫ ן‬Nomor 1‫ ן‬April 2017

Volume 4 Nomor 1 April 2017

ISSN : 2355-6099

ANALISIS PENERAPAN FORECASTING DALAM PENENTUAN ANGGARAN

PENJUALAN DAN IMPLIKASINYA TERHADAP PENINGKATAN PENJUALAN
PERUSAHAAN

Oleh.
Ade Iik

Program Studi Manajemen Fakultas Ekonomi Universitas Galuh

email: adeiiksmith@gmail.com

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.

jumlah produk, biaya penjualan dan penetapan

I. PENDAHULUAN
Indonesia telah memasuki era perdagangan bebas,
sejak diberlakukannya Masyarakat Ekonomi
ASEAN (MEA) pada tahun 2015, persaingan
usaha di kawasan Asia Tenggara khususnya
Indonesia menjadi semakin ketat. Pemerintah
Indonesia terus berupaya memperbaiki tatanan
perekonomian negara, salah satunya dengan
memberdayakan Usaha Mikro, Kecil dan
Menengah (UMKM) untuk dapat meningkatkan
daya saingnya dalam menghadapi perdagangan
bebas.
Persaingan yang timbul akibat perdagangan bebas,
telah membuat pelaku usaha untuk lebih peka
dalam memahami keinginan dan kebutuhan
konsumen terhadap produk yang ditawarkan.
Masalah yang sering dihadapi perusahaan ketika
akan menjual produk meliputi, jenis barang,
harga jual, sehingga perlu manajemen untuk
mengatasi permasalahan tersebut.
Manajemen dibutuhkan perusahaan untuk
mempermudah pelaksanaan kegiatan usahanya,
salah satunya di bidang perencanaan dan
pengawasan. Kemampuan yang baik dalam
perencanaan akan mendasari keberhasilan suatu
perusahaan dalam memanfaatkan peluang secara
optimal sehingga dapat menghasilkan penjualan
dan laba sesuai dengan yang diharapkan.
Mencari keuntungan atau laba merupakan motif
utama suatu perusahaan didirikan, baik itu
perusahaan jasa, perusahaan dagang maupun
perusahaan manufaktur tujuan utamanya adalah
mencari keuntungan dari aktivitasnya dalam
menghasilkan barang atau jasa untuk memenuhi
kebutuhan konsumen. Perusahaan selalu berupaya

Jurnal ekonologi ISSN 2355-6099

mendapatkan keuntungan yang maksimal dengan
195

penggunaan biaya yang efektif, tujuan perusahaan
tersebut dapat tercapai apabila setiap biaya yang
dikeluarkan perusahaan dikelola dengan benar
pada setiap kegiatan dalam perusahaan.
Laba yang diharapkan perusahaan dapat tercapai
selain dengan menekan biaya, juga dapat
dilakukan dengan cara memaksimalkan produksi.
Perusahaan dapat mencapai laba yang tinggi jika
perusahaan bisa memproduksi dan menjual barang
secara maksimal. Artinya, keberhasilan suatu
perusahaan tergantung pada keberhasilan bagian
pemasaran dalam menyusun rencana penjualan
yang efektif serta mampu mencapai target
penjualan.
Gunawan dan Marwan (2010:64) mengatakan
pentingnya anggaran penjualan dalam mencapai
target yang diinginkan, sebagai berikut : Dalam
mencapai target yang diinginkan, diperlukan suatu
perencanaan, salah satunya dengan menyusun
anggaran penjualan. Anggaran penjualan ini
akhirnya akan menggambarkan revenue yang
diterima sebagai akibat dilakukannya penjualan
pada periode yang akan datang, meliputi jenis
produk yang dijual, volume produk yang akan
dijual, harga produk persatuan dan wilayah
pemasaran.
Dari penjelasan tersebut dapat diartikan bahwa
anggaran penjualan tidak hanya berisi rincian
rencana penjualan, tetapi juga sebagai sumber
untuk menggambarkan tingkat keuntungan
potensial yang akan didapatkan perusahaan dalam
aktivitas pemasarannya.
Anggaran penjualan dapat berfungsi dengan baik
apabila taksiran-taksiran yang dibuat cukup akurat,
sehingga penjualan yang dianggarkan tidak jauh
berbeda dengan realisasinya nanti. Untuk bisa
melakukan penaksiran secara lebih akurat, banyak
faktor yang perlu dipertimbangkan misalnya
menyusun peramalan (forecast). forecast
penjualan inilah yang merupakan faktor paling
berpengaruh dalam menyusun anggaran penjualan,
perusahaan perlu meramalkan apa yang terjadi
pada masa yang akan datang dan memberikan
gambaran tentang kemampuan menjual di waktu
mendatang. Ramalan penjualanpun dapat
digunakan sebagai dasar perencanaan produksi
agar nantinya tidak terjadi kelebihan produksi
(over production) dan kekurangan produksi (under
production).
Dalam meramalkan penjualan, forecast tidak
disusun tanpa perhitungan, ketepatan peramalan
penjualan tergantung dari beberapa faktor, salah
satunya adalah pemilihan metode forecasting yang
tepat, maka perlu dipertimbangkan metode yang
lebih menguntungkan dan sesuai dengan tujuan
perusahaan.
Gunawan dan Marwan (2010 : 65) mengatakan
bahwa perlunya peramalan dalam penyusunan
Jurnal ekonologi ISSN 2355-6099
Volume 4‫ ן‬Nomor 1‫ ן‬April 2017
anggaran penjualan sebagai berikut : Kesalahan
penyusunan anggaran penjualan akan berakibat
anggaran-anggaran lain juga ikut mengalami
kesalahan, yang akhirnya merugikan perusahaan,
maka penyusunan anggaran penjualan memerlukan
teknik forecasting (peramalan) yang tepat, yang
membuat estimasi kegiatan masa depan, dengan
mendasarkan diri pada pengalaman-pengalaman
masalalu, dan kemungkinan perubahan dimasa
yang akan datang.
Penelitian yang relevan dengan permasalahan
mengenai penerapan forecasting dalam penetapan
anggaran penjualan diantaranya adalah penelitian
yang dilakukan oleh Kurniawati (2009) dengan
judul “Penerapan Metode Forecast Dalam
Menyusun Anggaran Penjualan pada PT. Asuransi
Jasindo (Persero) Cabang Solo” . Hasil
penelitiannya menemukan bahwa: “Perhitungan
dengan metode forecast dalam penyusunan
anggaran penjualan menghasilkan nilai trend yang
berbeda, sehingga dapat diketahui kelebihan dan
kelemahan dalam penyusunan anggaran penjualan.
Besarnya Standar Kesalahan Peramalan atau
Forecasting (SKP) diantarannya menggunakan
metode kuantitatif (moment dan least square)
memiliki hasil yang lebih kecil jika dibandingkan
dengan menggunakan metode yang digunakan
perusahaan (metode kualitatif), namun diantara
metode kuantitatif yaitu moment dan least square
lebih baik menggunakan metode least square
karena metode least square lebih mudah untuk
digunakan dalam perhitungan penjualan”.
Penelitian dengan latar belakang yang sama,
pernah dilakukan oleh Nurin Eva Yanti (2016)
dengan judul “Penerapan Metode Forecast Dalam
Menentukan Anggaran Penjualan pada PT Kediri
Tani Sejahtera” hasil penelitiannya menemukan
bahwa : “Dalam penentuan anggaran penjualan,
perusahaan tidak menggunakan metode tertentu,
perusahaan hanya mengira-ngira berapa besarnya
anggaran penjualan untuk tahun berikutnya,
sehingga akan berpengaruh pada kesiapan
perusahaan dalam memproduksi barang
selanjutnya. sebelum menggunakan metode nilai
Standart kesalahan forecast sebesar 51.509.238,36
namun setelah digunakannya metode moment dan
least square, metode nilai Standart kesalahan
Forecast lebih rendah yaitu sebesar 49.515.524,32.
Dengan menggunakan metode moment dan least
square untuk menentukan anggaran penjualan
maka ketepatan dalam menganggarkan penjualan
lebih akurat”.
Dari kedua hasil penelitian tersebut, dapat
disimpulkan bahwa perhitungan forecast dengan
metode kualitatif dan kuantitatif menghasilkan
nilai trend yang berbeda. Standar kesalahan
peramalan menggunakan metode kuantitatif
(menggunakan perhitungan matematis) lebih kecil
dibandingkan dengan metode kualitatif (pendapat).
196
Penyusunan anggaran tanpa menggunakan metode

atau hanya dengan mengira-ngira akan
berpengaruh pada kesiapan perusahaan dalam
memproduksi barang selanjutnya.
Penulis menganggap hasil kedua penelitian
tersebut akan membantu penulis dalam melakukan
penelitian, hasil tersebut dapat dijadikan sebagai
rujukan dalam mengambil kesimpulan dan sebagai
perbandingan hasil penelitian. Selain itu,
permasalahan yang kompleks sesuai dengan objek
yang akan di teliti oleh penulis yaitu pada PD.
Idaman.
PD. Idaman yang bertempat di Kecamatan Cipaku
Kabupaten Ciamis adalah perusahaan yang
bergerak dalam bidang industri pengolahan
pangan, yaitu berupa industri pengolahan yang
memanfaatkan hasil pertanian lokal menjadi
berbagai jenis olahan makanan ringan, antara lain
makanan ringan yang berbahan baku singkong,
talas, pisang dan bahan lainnya.
Permasalahan yang dihadapi PD. Idaman sebagai
perusahaan dagang salah satunya dalam menyusun
rencana penjualan. Rencana yang telah disusun
seharusnya dapat memberikan konsistensi
penjualan yang sebenarnya, sehingga keuntungan
dan target yang ditentukan bisa dicapai karena
segala sesuatunya telah direncanakan. Namun
seringkali penjualan yang telah direncanakan jauh
berbeda dengan hasil akhir, beberapa kali PD.
Idaman menerima permintaan dalam jumlah besar
dari konsumen, namun hanya beberapa saja yang
dapat terpenuhi, hal ini disebabkan oleh
kemampuan produksi PD. Idaman yang tebatas,
sehingga menutup peluang perusahaan untuk
mencapai laba yang optimal. Terbatasnya
kemampuan produksi PD.Idaman dalam
memenuhi pesanan telah menyebabkan terjadinya
Back Order. Back Order terjadi akibat perusahaan
tidak mampu memenuhi pesanan secara
keseluruhan ataupun sebagian, sehingga
permasalahan tersebut membuat perusahaan
kehilangan potensi keuntungan.
Permasalahan lain yang juga timbul yaitu dalam
menentukan jumlah persediaan, persediaan produk
sangat penting sebagai antisipasi untuk dapat
memenuhi permintaan produk dalam jumlah yang
besar dalam keadaan yang tidak pasti
(fluktuasi),untuk itu penentuan jumlah persediaan
sangat penting untukdipertimbangkan, sebab
jumlah persediaan yang terlalu sedikit tidak akan
mampu memenuhi permintaan produk dalam
jumlah besar, sebaliknya jika permintaan selalu
rendah namun jumlah persediaan terlalu besar akan
menyebabkan kerugian, selain itu, persediaan juga
berperan penting untuk menghemat biaya
produksi. permintaan produk pada PD. Idaman
tahun 2016 memiliki permintaan yang berbeda-
beda, produk makaroni dan keripik pisang
merupakan produk PD. Idaman yang paling
banyak terjual, hal ini ditunjukkan dengan
permintaan terhadap produk paling besar yaitu
Jurnal ekonologi ISSN 2355-6099
Volume 4‫ ן‬Nomor 1‫ ן‬April 2017
produk makaroni dengan permintaan 3.705 bal
selama tahun 2016 dan kemudian keripik pisang
dengan permintaan sebesar 2.075 bal. Sedangkan
permintaan terhadap produk paling rendah yaitu
produk sumpia sebesar 761 bal.
Tingkat produksi PD. Idaman selama tahun 2016
akan mempengaruhi terhadap terpenuhinya seluruh
permintaan, pada tahun 2016 jumlah produksi
terbanyak yaitu produk makaroni dengan jumlah
3.495 bal, kemudian keripik pisang sebesar 1.958
bal, kemudian keripik singkong dengan jumlah
produksi sebanyak 1.446 bal, kemudian produk
pangsit sebanyak 1.354 bal dan produksi terendah
yaitu produk keripik talas sebanyak 1.068 bal dan
sumpia 718 bal.
Tinggi rendahnya jumlah produksi turut
mempengaruhi terpenuhinya seluruh permintaan,
jumlah produksi yang rendah akan menyebabkan
tidak terpenuhinya permintaan, sedangkan terlalu
tingginya produksi akan menyebabkan kelebihan
produk. Jumlah produk yang tidak terpenuhi paling
banyak adalah produk makaroni sebanyak 210
bal, kedua adalah produk keripik pisang sebanyak
117 bal, ketiga adalah produk keripik singkong
dengan total tidak terpenuhi sebanyak 87 bal,
kemudian keempat adalah produk pangsit dengan
total pesanan tidak terpenuhi sebanyak 81 bal,
kelima adalah produk keripik talas dengan total
pesanan tidak terpenuhi sebanyak 64 bal dan
terakhir adalah produk sumpia dengan total
pesanan tidak terpenuhi sebanyak 43 bal.
Berdasarkan latar belakang, rumusan masalah
dalam penelitian ini adalah:
1. Bagaimana penerapan metode forecasting
dalam penentuan anggaran penjualan pada PD.
Idaman?
2. Bagaimanakah anggaran penjualan yang
disusun PD. Idaman pada tahun 2012-2016 dan
implikasinya terhadap peningkatan penjualan?
3. Bagaimana analisis penerapan metode
forecastingdalam penentuan anggaran
penjualan dan implikasinya terhadap
peningkatan penjualan pada PD. Idaman?
II. METODOLOGI
2. 1 Metode Penelitian yang Digunakan
Metode yang digunakan dalam penelitian ini
adalah metode deskriptif menggunkan pendekatan
kualitatif. Pemilihan metode tersebut didasarkan
pada beberapa pendapat para ahli di bidang riset,
diantaranya : Menurut Winarno Surakhmad (1990)
dalam Beni Ahmad (2008:119) mengatakan bahwa
“Penelitian deskriptif tertuju pada pemecahan
masalah yang ada pada masa sekarang”.
Sedangkan menurut Suharsimi Arikunto
(2005:234) mengatakan bahwa “Penelitian
197
deskriptif tidak dimaksudkan untuk menguji
 Volume 4‫ ן‬Nomor 1‫ ן‬April 2017

hipotesis tertentu, tetapi hanya menggambarkan
apa adanya tentang suatu variabel, gejala atau
keadaan”.
Desain penelitian yang digunakan merupakan
desain studi kasus (case study) yaitu penelitian
yang mendalam tentang suatu aspek lingkungan
sosial termasuk manusia didalamanya, dapat pula
memberi gambaran keadaan yang ada.
2. 2 Sumber dan Teknik Pengumpulan Data
Sumber data yang digunakan dalam penelitian ini
terdiri dari data primer dan data sekunder.
Menurut Suharsimi Arikunto (2005 : 136)
“Teknik pengumpulan data adalah cara yang
digunakan oleh peneliti dalam mengumpulkan data
penelitiannya”. Untuk memperoleh hasil penelitian
yang diharapkan diperlukan teknik pengumpulan
data, pengumpulan data dalam penelitian ini
metode kuantitatif biasanya menggunakan metode
statistik dan matematik”.
Penerapan peramalan penjualan (forecasting)
secara kualitatif seperti yang diterapkan oleh PD.
Idaman dianggap memiliki banyak kelemahan,
karena pengambilan keputusan berdasarkan
pendapat cenderung bersifat pribadi. Melihat
kondisi tersebut, maka dalam pembahasan penulis
membuat perbandingan penyusunan anggaran
penjualan PD. Idaman tahun 2012-2016 melalui
penerapan teknik kuantitatif menggunakan metode
trend moment dan least square. Untuk lebih
jelasnya kedua hasil peramalan penjualan
(forecasting) tersebut disajikan dalam tabel berikut
ini :
Tabel 1. Perbandingan Forecast Penjualan
melalui Metode Kualitatif, Moment dan
Least Square (dalam unit/bal)
Produk Makaroni Produk Keripik Pisang Produk Keripik Singkong

digunakan berbagai cara dengan tujuan untuk Tahun

Kualitatif Moment
Least
Kualitatif Moment
Leas
Kualitatif Moment
Least
Square Square Square
menghasilkan data yang lengkap dan akurat, teknik
pengumpulan data dalam penelitian ini antara lain: 2012 3,313 3,017 3,017 1,844 1,772 1,772 1,328 1,267 1,267

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
Penentuan Anggaran Penjualan pada PD.
Idaman Tahun 2012-2016
Hasil penelitian menemukan bahwa metode
peramalan penjualan (forecasting) yang diterapkan
oleh PD. Idaman dalam menyusun anggaran
penjualannya yaitu menggunakan metode
kualitatif, penerapan metode tersebut berdasarkan
pendapat (judgement), diantaranya pendapat dari
distributor (mitra penjual) di wilayah pemasaran,
permintaan konsumen (survey), pendapat dari
bagian pemasaran sebagai kebijakan internal
perusahaan PD. Idaman.
Pada dasarnya teknik peramalan penjualan
(forecasting) dapat dibagi menjadi dua jenis yaitu
kualitatif dan kuantitatif, hal ini sesuai dengan
pendapat Gunawan dan Marwan (2010:148) yang
mengatakan bahwa “Pengukuran secara kualitatif
biasanya menggunakan pendapat (judgement) dan
Selain itu, nilai anggaran penjualan produk
mokaroni, keripik pisang dan keripik singkong
yang dihasilkan melalui forecast menggunakan
metode kualitatif menghasilkan nilai yang lebih
besar dibandingkan nilai forecast menggunakan
metode moment dan least-square. sedangkan
forecast menggunakan metode moment dan least
square menghasilkan nilai yang sama setiap
tahunnya.
Metode yang paling tepat tidak dapat ditentukan
oleh besar kecilnya nilai yang dihasilkan melalui
ketiga metode forecast tersebut, ketepatan dari
forecast akan ditentukan melalui perhitungan
kesalahan peramalan menggunakan analisis
Standar Kesalahan Forecasting (SKF), nilai yang
dihasilkan oleh analisis tersebut akan menentukan
metode mana yang paling kecil kesalahannya,
sehingga nilai kesalahan yang paling kecil
merupakan metode yang tepat untuk digunakan.

Jurnal ekonologi ISSN 2355-6099

198
 Volume 4‫ ן‬Nomor 1‫ ן‬April 2017

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

Jurnal ekonologi ISSN 2355-6099

pengukuran terhadap pencapaian laba, pengukuran
199
 Volume 4‫ ן‬Nomor 1‫ ן‬April 2017

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

Jurnal ekonologi ISSN 2355-6099

200

sebelumnya, dan mengalami penurunan pada tahun
2014 sebesar 2,3%.
IV. SIMPULAN
Berdasarkan hasil penelitian dan pembahasan
dapat disimpulkan beberapa hal sebagai berikut :
1. Dalam penentuan anggaran penjualan, 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) yang diterapkan oleh penulis.
Perubahan anggaran penjualan melalui metode
kualitatif cenderung tidak beraturan berbeda
dengan perubahan anggaran penjualan melalui
metode kuantitatif yang menunjukan
peningkatan setiap tahunnya.
Hasil analisis kesalahan peramalan melalui
menggunakan Standar Kesalahan Forecasting
(SKF), nilai kesalahan peramalan
menggunakan metode kualitatif menghasilkan
nilai kesalahan yang lebih besar dari pada
metode trend moment dan least square,
sehingga metode peramalan menjualan
(forecast) yang paling sesuai diterapkan oleh
PD. Idaman yaitu metode moment dan least
square, karena dianggap lebih menguntungkan
dengna nilai SKF yang lebih kecil.
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.Hasil penelitian mengenai implikasi
anggaran penjualan terhadap hasil penjualan
produk PD. Idaman tahun 2012-2016
menemukan bahwa, anggaran penjualan
produk makaroni, keripik pisang dan keripik
singkong yang disusun PD. Idaman setiap
tahunnya mengalami perubahan, perubahan
dari anggaran penjualan produk tersebut
menyebabkan besar kecilnya penurunan
ataupun peningkatan hasil penjualan. Besarnya
penjualan tidak terlepas dari peran wilayah
pemasaran yang berkontribusi dalam penjualan
produk, wilayah pemasaran yang berkontribusi
paling besar dalam penjualan produk makaroni
adalah wilayah Jakarta,kedua adalah wilayah
Bogor. Wilayah pemasaran yang berkontribusi
paling besar dalam penjualan produk keripik
pisang yaitu wilayah Jakarta dan wilayah
Bogor. Sedangkan wilayah yang berkontribusi
paling besar dalam pejualan produk keripik
singkong adalah kota Jakarta. Dari hasil
analisis wilayah tersebut, perusahaan dapat
meningkatkan atau menambah kembali
Jurnal ekonologi ISSN 2355-6099
Volume 4‫ ן‬Nomor 1‫ ן‬April 2017
anggaran penjualan produk terhadap wilayah
yang memiliki kontribusi besar dalam
penjualan produk khususnya untuk wilayah
Jakarta dan Bogor.
3. Anggaran penjualan yang disusun PD. Idaman
melalui peramalan penjualan secara kualitatif
dalam upaya meningkatkan penjualan
perusahaan sudah berjalan cukup baik. Hasil
analisis varian menemukan bahwa anggaran
penjualan setiap produk PD. Idaman mencapai
laba namun masing-masing memiliki selisih
atau varian, selisih tersebut menunjukan
besaran potensi laba yang tidak dicapai
sehingga pencapaian laba tidak optimal.
Hasil analisis efektivitas menemukan bahwa
target penjualan yang disusun dalam anggaran
penjualan PD. Idaman selama tahun 2012-2016
cukup efektif karena selisih antara target dan
hasil penjualan sudah cukup optimal.
Hasil analisis pertumbuhan menemukan bahwa
penjualan produk PD. Idaman selama tahun
2012-2016 mengalami peningkatan dan
penurunan (fluktuasi).
V. DAFTAR PUSTAKA
Afrianti. 2011. Model Time Series untuk
Peramalan Tingkat Penjualan Jenis Bahan
Bakar Minyak Stasiun Pengisian Bahan Bakar
untuk Umum. Skripsi pada FST UIN Sultan
Syarif Kasim Riau. Tidak diterbitkan
Ahmad Saebani, Beni.2008. Metode Penelitian.
Bandung: CV.Pustaka Setia
Arikunto, Suharsimi. 2005. Manajemen Penelitian.
Jakarta: PT. Rineka Cipta
Armin, Kusminaini. 2015. Anaslisis Anggaran
Penjualan terhadap Realisasi Penjualan pada
PT. Anugerah Pharmindo Lestari Cabang
Palembang. Jurnal Ekonomi dan
Kewirausahaan Sekolah Tinggi Ilmu
Manajemen Amkop (STIM Amkop)
Palembang : Diterbitkan
Basu, Swastha dan Irawan. 2008. Manajemen
Pemasaran Modern, Edisi Kedua, Cetakan Ke-
tigabelas. Yogyakarta : Liberty Offset.
Gunawan dan Marwan, A. 2010.Anggaran
Perusahaan.Yogyakarta : BPFE
Hasibuan, Malayu SP. 2007. Manajemen: Dasar,
Pengertian dan Masalah. Jakarta : Bumi
Aksara.
Heizer, Jay dan Barry Render. 2009. Manajemen
Operasional Buku 1 Edisi 9. Jakarta : Salemba
4.
Kotler, Philip dan Keller, Kevin Lane. 2008.
Manajemen Pemasaran. Jakarta: PT.Indeks.
201
 Volume 4‫ ן‬Nomor 1‫ ן‬April 2017

Kurniawati. 2009. Penerapan Metode Forecast

Dalam Menyusun Anggaran Penjualan Pada
PT. Asuransi Jasindo (Persero) Cabang Solo.
Skripsi pada D3 Akuntansi FE UNS Surakarta :
Tidak diterbitkan.
Febrina. Mira, et. al.2013. Peramalan Jumlah
Permintaan Produksi Menggunakan Metode
Jaringan Syaraf Tiruan (JST).Skripsi pada
Fakultas Teknik Industri Universitas Sultan
Ageng Tirtayasa: Tidak diterbitkan.
Mulyadi. 2001. Budgeting : Akuntansi Manajemen
: Konsep, Manfaat dan Rekayasa. Jakarta :
Salemba Empat
Munandar, M.2007.Budgeting : Perencanaan
Kerja, Pengorganisasian Kerja dan
Pengawasan Kerja. Yogyakarta : BPFE.
Naftali. Ester, et. al. 2011.Analisis Anggaran
Penjualan Obat Sebagai AlatUkur Efektivitas
Kinerja Perusahaan Pada PT. Sinar Prima
Lestari.JurnalpadaJurusan Akuntansi
Politeknik PalComTech Palembang: Tidak
diterbitkan.
Paramita, Citra. 2011. Analisis Perbandingan
Metode Peramalan Penjualan Bahan Bakar
Minyak Dengan Standar Kesalahan Peramalan
(SKP) pada PT Pertamina(Persero) Region Iv
Jateng dan DIY. Skripsi pada FE UNDIP
Semarang : Tidak diterbitkan.
Rangkuti, Freddy. 2009. Strategi Promosi yang
Kreatif dan Analisis Kasus Integreted
Marketing Communiccation. Jakarta : PT.
Gramedia Pustaka Utama.
Sugiyono. 2014. Metode Penelitian Kuantitatif,
Kualitatif, dan R&D. Bandung : Alfabeta
Sukirno, Sadono.2010. Mikro Ekonomi Teori
Pengantar.Jakarta:PT. Raja Grafindo Persada.
Surakhmad, Winarno. 1990. Pengantar Penelitian
Ilmiah, Dasar, Metode dan Teknik. Bandung :
Tarsito
Yanti, Nurin Eva. 2016. Penerapan Metode
Forecast Dalam Menentukan Anggaran
Penjualan Pada PT. Kediri Tani Sejahtera.
Skripsi pada Pendidikan Ekonomi FKIP
Universitas nusantara PGRI Kediri : Tidak
diterbitkan.

Jurnal ekonologi ISSN 2355-6099

202