PERAMALAN PERMINTAAN

Tujuan Pembelajaran
1. Memahami pengertian peramalan permintaan
2. Mengetahui metode-metode untuk melakukan peramalan permintaan
3. Mengetahui bagaimana menerapkan peramalan dalam pembuatan keputusan manajerial

Dunia Manajemen – Prospek Industri Ritel

Saat ini, banyak ritel modern tutup. Tidak terkecuali peritel-peritel besar Indonesia, seperti Matahari
Department Store, Ramayana, Lotus Department Store, dan 7-Eleven.
Data menunjukkan laju pertumbuhan sektor ritel dan perdagangan sebesar 12,5 persen per tahun sejak
2012. Angka tersebut turun menjadi hanya 10,5 persen per tahun pada 2017. Namun, prospek industri ritel modern
dinilai masih menjanjikan. Oleh karena itulah, Transmart masih berencana untuk membuka gerai baru di beberapa
lokasi pada saat banyak peritel modern lain memilih menutup gerainya. Transmart menargetkan pembukaan
gerai baru sebanyak 30 di berbagai kota di Indonesia dan saat ini sudah terealisasi sebanyak 24 gerai dan sisanya
akan direalisasi pada awal Januari 2018.

Pengertian Peramalan Permintaan

Peramalan permintaan (demand forecasting) merupakan upaya untuk meramalkan kondisi ekonomi di masa
mendatang dan menilai efek dari kondisi tersebut terhadap kegiatan perusahaan. Peramalan permintaan menjadi hal
penting yang harus dilakukan oleh manajer untuk memperkirakan jumlah produksi barang atau jasa yang ditawarkan
pada periode-periode mendatang. Untuk mencapai produksi yang diinginkan, perusahaan membutuhkan
kapasitas yang memadai, tenaga kerja dalam jumlah dan kemampuan yang sesuai, dan bahan baku dalam jumlah
dan kualitas seperti yang dibutuhkan.
Kelebihan kapasitas (excess capacity) merupakan biaya karena ada sebagian sumber daya yang tidak bisa
dimanfaatkan untuk menghasilkan pendapatan. Sebaliknya, bila terjadi kekurangan kapasitas atau perusahaan
menetapkan produksi terlalu rendah, hal ini menyebabkan perusahaan kehilangan kesempatan untuk
mendapatkan laba lebih tinggi atau tidak bisa memenuhi permintaan. Permintaan yang tidak dapat dipenuhi
dapat menyebabkan kehilangan konsumen di masa datang karena mereka mencari produk yang dapat memenuhi
kebutuhan yang sama dari produk yang dihasilkan perusahaan lain. Dengan demikian, dapat dikatakan bahwa
peramalan permintaan dapat membantu mengurangi ketidakpastian (uncertainty) yang terjadi di masa datang yang
disebabkan karena adanya masa tenggang (lead time) yang panjang antara perkiraan dan kejadian sesungguhnya.
Teknik-teknik Peramalan

Model peramalan dibedakan menjadi dua, yaitu

1. model terstruktur (structural models)
Model terstruktur mengidentifikasi bagaimana suatu variabel pengamatan tergantung pada variabel ekonomi
yang lain. Persamaan permintaan yang dibahas pada bab 6 di bagian analisis regresi merupakan contoh dari
model terstruktur. Model terstruktur yang mencakup banyak persamaan dan variabel biasanya disebut
sebagai model ekonometrika.

2. model tidak terstruktur (nonstructural models).

Model tidak terstruktur digunakan untuk mengidentifikasi pola pergerakan dari variabel-variabel ekonomi dari
waktu ke waktu. Metode yang paling dikenal dari model tidakterstruktur adalah analisis deret waktu (time
series analysis) dan analisis barometrik (barometric analysis).

Analisis Deret Waktu

Analisis deret waktu merupakan model peramalan yang paling sering digunakan. Analisi ini
dimaksudkan untuk menggambarkan pola pergerakan dari suatu variabel secara eksplisit. Model deret waktu
mencoba memperkirakan hasil di masa datang dengan cara mengacu pada pola perilaku di masa lalu. Dengan
kata lain, analisis deret waktu bertujuan untuk memperkirakan nilai masa datang data deret waktu dengan melihat
observasi data masa lalu. Data deret waktu (time series data) adalah nilai dari variabel yang disusun secara
kronologis menurut hari, minggu, bulan, kuartal, atau tahun.
Analisis deret waktu dilakukan dengan berdasar pada asumsi bahwa pola di masa lalu akan tidak
berubah atau sangat mirip di masa datang. Oleh karena itu, analisis deret waktu dikatakan sebagai peramalan yang
naif (naïve forecasting). Analisis diawali dengan plot nilai historis dari variabel yang diamati pada diagram untuk
mengetahui pola pergerakan sepanjang waktu. Pola deret waktu dapat dibedakan menjadi empat: (1) trend, (2) siklus
bisnis (business cycle), (3) variasi musim (seasonal variation), dan (4) fluktuasi acak (random fluctuations). Pola ini
mengindikasikan bahwa data deret waktu berfluktuasi dari waktu ke waktu (lihat Gambar
7.1).
Trend atau disebut juga trend jangka panjang (secular trend) menunjukkan pergerakan yang stabil dari
suatu variabel ekonomi dari waktu ke waktu. Secara teknis, trend menunjuk pada kenaikan atau penurunan jangka
panjang pada data deret waktu. Sebagai contoh, jumlah penduduk Indonesia bergerak naik dari tahun ke tahun.
Sebaliknya, luas lahan sawah menurun dari waktu ke waktu.

Siklus bisnis atau fluktuasi siklis (cyclical fluctuation) menunjukkan trend yang terjadi secara periodik.
Pertumbuhan ekonomi suatu negara mungkin akan mengalami kenaikan selama satu periode waktu tertentu
 (ekspansi) tetapi akan menurun (kontraksi) selama periode waktu berikutnya. Siklus bisnis dengan demikian
menunjukkan ekspansi atau kontraksi besar yang terulang setiap beberapa tahun.

Sesuai namanya, variasi musim merupakan siklus terpendek yang tergantung pada waktu dalam
satu tahun. Variasi musim menunjukkan fluktuasi yang muncul secara reguler setiap tahun karena musim atau
kebiasaan masyarakat. Faktor musim ini akan mempengaruhi permintaan suatu produk atau jasa.
Fluktuasi random (random/irregular influences) merupakan variasi data deret waktu yang diakibatkan oleh
faktor random (tak terduga), seperti perang, gempa bumi, bencana alam, pemogokan, atau peristiwa unik lain.
Semua data deret waktu pada dasarnya mengandung fluktuasi random bila dilihat pada waktu yang lebih
pendek.

Tingkat kepentingan pola data deret waktu ini – trend, siklus bisnis, variasi musim, dan fluktuasi random – sangat
tergantung pada deret waktu yang dipertimbangkan. Apabila ingin mengetahui perubahan permintaan produk
setiap tahun maka lebih sesuai menggunakan variasi musim daripada siklus bisnis. Dengan mempertimbangkan
keterkaitan variasi musim, dapat dilakukan perbaikan secara signifikan atas perkiraan penjualan/permintaan,

Proyeksi Trend

Proyeksi trend merupakan bentuk paling sederhana dari analisis deret waktu. Proyeksi trend adalah cara
memproyeksikan trend masa lalu dengan menempatkan garis lurus pada data baik secara visual maupun melalui
analisis regresi. Ada dua macam model proyeksi trend, yaitu model linier dan non linier.
Model linier
Model linier menggambarkan perubahan yang konstan ke masa depan. Misal, apabila penjualan meningkat sebesar
30% per tahun (b) berarti penjualan pada tahun mendatang (t+1) akan 30% lebih besar daripada penjualan tahun
sekarang (t) dan penjualan tahun (t +2) akan 30% lebih besar daripada penjualan pada tahun (t+1), dan seterusnya.
Secara matematis, model linierini dapat dituliskan sebagai

St = So + bt (7.1)
dimana St = penjualan pada waktu ke t, S0 = penjualan pada periode dasar, b = besarnya perubahan
penjualan, dan t = nilai waktu dihitung dari periode dasar. Sebagai ilustrasi, kita ambil contoh persamaan linier berikut

St = 10 + 0,3t (7.2)
Model pada persamaan 7.2 ini menunjukkan bahwa penjualan pada periode dasar adalah sebesar10 unit dan
penjualan meningkat rata-rata sebesar 0,3 atau 30% untuk setiap 1 satuan periodewaktu.

Atas dasar model ini, dapat diramalkan besarnya penjualan untuk waktu-waktu mendatang
dengan cara menentukan nilai waktu t untuk suatu periode tertentu. Misal bila periode dasar adalah kuartal 1
tahun 2016, maka nilai waktu untuk kuartal 1 tahun 2016 adalah t = 0. Bila akan meramalkan besarnya penjualan
untuk kuartal 2, 3, dan 4 tahun 2017 maka perlu ditentukan nilai t untuk masing-masing kuartal.
Bila kuartal 1 tahun 2016, t = 0 makaKuartal 2 tahun 2017, t = 5 sehingga S5 = 10 + 0,3(5) = 11,5
Kuartal 3 tahun 2017 t = 6 sehingga S6 = 10 + 0,3(6) = 11,8
Kuartal 4 tahun 2017 t = 7 sehingga S7 = 10 + 0,3(7) = 12,1
dan seterusnya. Gambar 7.2 menunjukkan garis trend dari model linier St = 10 + 0,3t terse