Peramalan merupakan usaha untuk melihat situasi dan kondisi pada masa yang akan datang dengan cara memperkirakan pengaruh situasi dan kondisi pada masa yang akan datang terhadap perkembangan di masa yang akan datang (Ginting, 2007). Peramalan penjualan merupakan proses kegiatan memperkirakan produk yang akan dijual pada waktu yang akan datang dalam keadaan tertentu dan dibuat berdasarkan data yang pernah terjadi dan atau mungkin akan terjadi. (Nafarin, 2000) Peramalan menurut Nasution dan Prasetyawan (2008) adalah proses untuk memperkirakan beberapa kebutuhan dimasa datang yang meliputi kebutuhan dalam ukuran kuantitas, kualitas, waktu dan lokasi yang dibutuhkan dalam rangka memenuhi permintaan barang ataupun jasa. Maka dapat disimpulkan peramalan adalah suatu perhitungan yang dilakukan untuk memperkirakan kejadian dimasa depan dengan menggunakan referensi data-data dimasa lalu. (Etwin, 2015) Metode peramalan akan membantu dalam mengadakan pendekatan analisa terhadap tingkah laku atau pola dari data yang lalu, sehingga dapat memberikan cara pemikiran, pengerjaan dan pemecahan yang sistematis dan pragmatis, serta memberikan tingkat keyakinan yang lebih atas ketepatan hasil ramalan yang dibuat.
2.2 Jenis - Jenis Peramalan
Untuk melakukan peramalan diperlukan metode, metode yang digunakan tergantung dari data dan informasi yang akan diramal serta tujuan yang hendak dicapai. Menurut (Render dan Heizer, 2004) pada jenis peramalan dapat dibedakan menjadi beberapa tipe. Dilihat dari perencanaan operasi di masa depan, maka peramalan dibagi menjadi 3 macam yaitu: 1. Peramalan ekonomi (economic forecast) menjelaskan siklus bisnis dengan
II-1 II-2
memprediksi tingkat inflasi, ketersediaan uang, dana yang dibutuhkan
untuk membangun perumahan dan indikator perencanaan lainnya. 2. Peramalan teknologi (technological forecast) memperhatikan tingkat kemajuan tehnologi yang dapat meluncurkan produk baru yang menarik, yang membutuhkan pabrik dan peralatan baru. 3. Peramalan permintaan (demand forecast) adalah prediksi dari proyeksi permintaan untuk produk atau layanan suatu perusahaan. Jenis peramalan dapat dibedakan menjadi beberapa tipe, berdasarkan horizon waktu masa depan yang dicakupnya. Menurut Nasution dan Prasetyawan (2008) Peramalan berdasarkan jangka waktu dapat dibedakan menjadi 3 macam, yaitu: (Etwin, 2015) 1 Peramalan jangka pendek, yaitu umumnya 1 sampai 5 minggu. Peramalan ini digunakan untuk mengambil keputusan dalam hal perlu tidaknya lembur, penjadwalan kerja, dan lain-lain keputusan control jangka pendek. 2 Peramalan jangka menengah, yaitu umumnya 1 sampai 24 bulan. Peramalan ini lebih mengkhususkan dibandingkan peramalan jangka panjang, biasanya digunakan untuk menentukan aliran kas, perencanaan produksi, dan penentuan anggaran. 3 Peramalan jangka panjang, yaitu yaitu umumnya 2 sampai 10 tahun. Peramalan ini digunakan untuk perencanaan produk dan perencanaan sumber daya.
2.3 Langkah – Langkah Peramalan
Secara umum untuk memastikan bahwa peramalan yang dilakukan dapat tepat guna serta memenuhi ketepatan yang optimal, maka terdapat beberapa langkah yang harus dilakukan dalam melakukan peramalan yaitu: (Render dan Heizer, 2004) 1. Menentukan penggunaan dari peramalan. 2. Memilih barang yang akan diramalkan. 3. Menentukan horizon waktu dari peramalan (jangka pendek, menengah, dan panjang). II-3
4. Memilih model peramalan.
5. Memperoleh data yang dibutuhkan untuk melakukan peramalan. 6. Membuat peramalan. 7. Memvalidasi dan mengimplementasikan hasilnya
2.4 Faktor – Faktor Yang Mempengaruhi Peramalan
Permintaan akan suatu produk pada suatu perusahaan merupakan resultan dari berbagai faktor yang saling berinteraksi dalam pasar. Faktor- faktor ini hampir selalu merupakan kekuatan yang berada diluar kendali perusahaan. Berbagai faktor antara lain : (Hartanto, 2012) • Siklus Bisnis Penjualan produk akan dipengaruhi oleh permintaan akan produk tersebut, dan permintaan akan suatu produk akan dipengaruhi oleh kondisi ekonomi yang membentuk siklus bisnis dengan fase-fase, inflasi resesi, depresi, dan masa pemulihan. • Siklus Hidup Produk Siklus hidup suatu produk biasanya mengikuti pola yang biasa disebut kurva S. Kurva S menggambarkan besarnya permintaan terhadap waktu, dimana siklus hidup suatu produk yang dibagi menjadi fase pengenalan, fase pertumbuhan, fase kematangan, dan akhirnya fase penurunan. Untuk menjaga kelangsungan usaha, maka perlu dilakukan inovasi produk pada saat yang tepat.
2.5 Jenis – Jenis Pola Tren
Pola permintaan data dimulai dengan memplot data pada suatu skala waktu (membuat diagram pencar atau scatter diagram) kemudian mempelajari alur plot permintaan data tersebut untuk mengetahui alur permintaan konsumen. Pola data terdiri dari empat jenis yaitu sebagai berikut (Hartanto, 2012). 1. Pola Data Horizontal (H) Terjadi apabila nilai data berfluktuasi di sekitar nilai rata-rata yang konstan. Deret seperti itu stasioner terhadap nilai rata-ratanya. Suatu produk yang II-4
penjualannya tidak meningkat atau menurun selama waktu tertentu termasuk jenis ini.
Gambar 2.1 Pola Data Horizontal, 2012
2. Pola Data Musiman (S) Terjadi bilamana suatu deret dipengaruhi oleh faktor musiman (misalnya kuartal tahun tertentu, bulanan, atau hari-hari pada minggu tertentu). Penjualan dari produk seperti minuman ringan, es krim, dan bahan bakar pemanas ruangan semuanya menunjukan pola jenis ini.
Gambar 2.2 Pola Data Musiman, 2012
3. Pola Data Siklus (C)
Terjadi bilamana datanya dipengaruhi oleh fluktuasi ekonomi jangka panjang seperti yang berhubungan dengan siklus bisnis. Penjualan produk seperti mobil, baja, dan peralatan utama lainnya menunjukkan jenis pola data ini. II-5
Gambar 2.3 Pola Data Siklus, 2012
4. Pola Data Trend (T) Terjadi bilamana terdapat kenaikan atau penurunan sekuler jangka panjang dalam data. Penjualan banyak perusahaan, produk bruto nasional atau GNP dan berbagai indikator bisnis atau ekonomi lainnya mengikuti suatu pola data trend selama perubahannya sepanjang waktu.
Gambar 2.4 Pola Data Trend, 2012
2.6 Ukuran Akurasi Peramalan
Model-model peramalan yang dilakukan kemudian divalidasi menggunakan sejumlah indikator. Indikator-indikator yang umum digunakan adalah rata-rata penyimpangan absolut (Mean Absolute Deviation), rata-rata kuadrat terkecil (Mean Square Error), rata-rata persentase kesalahan absolut (Mean Absolute Percentage Error), dan pengujian kestabilan (Moving Range). Berikut ini adalah pengertian dari indikator yaitu : (Kusuma, 2013) 1. Mean Absolute Deviation atau MAD merupakan perhitungan yang II-6
digunakan untuk menghitung rata-rata kesalahan mutlak. MAD digunakan
untuk mengukur galat ramalan dalam unit yang sama dengan deret asli,. Berikut adalah rumus untuk akurasi ketepatan Mean Absolute Deviation atau MAD adalah sebagai berikut.
Rumus 2.1 Mean Absolute Deviation, 2013
2. Mean squared error atau MSE merupakan metode rata-rata kesalahan kuadrat yang digunakan untuk memperkuat pengaruh angka-angka kesalahan besar, tetapi memperkecil angka kesalahan peramalan yang kecil. Berikut ini adalah rumus dari Mean Squared Error atau MSE.
Rumus 2.2 Mean Squared Error, 2013
3. Means absolute percentage error atau MAPE meupakan pengukuran ketelitian dengan cara rata-rata presentase kesalahan absolut, dimana pada MAPE menunjukan rata-rata kesalahan absolut peramalandalam bentuk presentasenya terhadap data aktual. Berikut ini adalah rumus dari means absolute percentage error atau MAPE .
Rumus 2.3 Mean Absolute Percentage Error, 2013
4. Moving Range atau MR dirancang untuk membandingkan nilai permintaan
aktual dengan nilai peramalan. Data permintaan aktual dibandingkan dengan nilai peramalan pada periode yang sama. Peta tersebut dikembangkan ke periode yang akan datang hingga dapat dibandingkan data peramalan dengan permintaan aktual. Peta Moving Range digunakan untuk pengujian kestabilan sistem sebab-akibat yang mempengaruhi permintaan. II-7
2.7 Metode Time Series Peramalan
Metode time series berhubungan dengan nilai-nilai suatu variabel yang diatur secara priodik sepanjang waktu dimana perkiraan permintaan diproyeksikan, misalnya mingguan, bulanan, kuartalan dan tahunan. Metode time series dibagi menjadi 5 metode yaitu (Lusiana,2020) : 1. Metode Smoothing, digunakan untuk mengatur data masa lalu sesuai dengan musiman data yang terjadi, dengan cara merata-ratakan sederetan data hingga memiliki jarak dan jumlah data yang cenderung/ hampir seimbang. A. Moving Average, terdiri dari: a) Simple Moving Average (Rata-rata Bergerak Sederhana). Merupakan metode peramalan yang menggunakan rata-rata dari sejmlah (n) data terkini untuk meramalkan periode mendatang. Dengan menggunakan metode rata- rata bergerak ini, deret berkala dari data asli diubah menjadi deret data rata-rata bergerak yang lebih mulus dan tidak terlalau tergantung pada osilasi sehingga lebih memungkinkan untuk menunjukkan trend dasar atau siklus dalam pola data sepanjang waktu. Berikut adalah Model dari rata- rata bergerak sederhana antara lain dapat dilihat pada persamaan berikut.
Rumus 2.4 Simpling Moving Average, 2020
Keterangan : Mt = Rata-rata bergerak pada periode t Yt+1= Nilai ramalan perode berikutnya Yt= Jumlah data dalam rata-rata bergerak
b) Weighted Moving Average (Rata-rata Bergerak Tertimbang)
Metode perhitungannya sama dengan rata-rata bergerak sederhana hanya diberi koefisien penimbang. Penetapan besar koefisien penimbang dapat dilakukan secara sembarang, tetapi pada ummnya II-8
besaran koefisien dua kali dari pada koefisien penimbang periode
sebelumnya. Berikut adalah Model dari rata- rata bergerak tertimbang menurut Sofyan adalah sebagai berikut: 𝑌′𝑡 = 𝑊1𝐴𝑡−1 + 𝑊2𝐴𝑡−2 + ⋯ + 𝑊𝑛 𝐴𝑡−𝑛 Keterangan : A= Permintaan aktual pada periode t W1= Bobot (0 ≤ Wt ≤1) yang diberikan pada periode t-1 dsb n= Jumlah periode B. Exponential Smoothing a) Single Exponential Smoothing digunakan untuk jarak pendek perkiraan. Model mengasumsikan bahwa data berfluktuasi sekitar rata-rata yang cukup stabil (Rosdiani, 2018). Berikut adalah Model dari single exponential smopthing menurut Sofyan (2013) adalah sebagai berikut. 𝑌′𝑡+1 = 𝛼 . 𝑇𝑡 + (1 − 𝛼). 𝑌′𝑡 Keterangan : Tt= data permintaan pada periode t α = faktor/ konstanta pemulusan Y’t+1= peramalan untuk periode t b) Double Exponential Smoothing Menurut Sofyan (2013), Double Exponential Smoothing dibagi menjadi dua yaitu dengan Satu parameter dan Dua parameter, seperti berikut: • Satu Parmeter (Brown’s linear method), merupakan metode yang hampir sama dengan metode linear moving average dan sesuaikan yaitu dengan menambahkan satu parameter. 𝑆′𝑡 = 𝛼𝑋𝑡 + (1 − 𝛼)𝑆′𝑡−1 𝑆”𝑡 = 𝛼𝑋𝑡 + (1 − 𝛼)𝑆”𝑡−1 Keterangan : S’t merupakan Single exponential smoothing S”t merupakan Double exponential smoothing II-9
𝑎𝑡 = 𝑆′𝑡 + (𝑆′𝑡 − 𝑆”𝑡)
𝑎𝑡 = 2𝑆′𝑡 − 𝑆”𝑡 • Dua Parameter (Holt’s methode), merupakan metode double exponential smoothing untuk time series dengan trend linier. Terdapat konstanta yaitu α dan β. 𝑆𝑡 = 𝛼 𝐷𝑡 + (1 − 𝛼)(𝑆𝑡−1 + 𝐺𝑡−1) 𝐺𝑡 = 𝛽(𝑆𝑡 − 𝑆𝑡−1) + (1 − 𝛽)𝐺𝑡−1 𝑌′𝑡+𝑚 = 𝑆𝑡 . 𝐺𝑡 . 𝑚 Keterangan : St = intercept pada waktu t Gt = Slope pada waktu t Y’t+m = Ramalan untuk m periode kedepan
Ekonomi makro menjadi sederhana, berinvestasi dengan menafsirkan pasar keuangan: Cara membaca dan memahami pasar keuangan agar dapat berinvestasi secara sadar berkat data yang disediakan oleh ekonomi makro