BAB II

FORECAST PENJUALAN

2.1. FORECAST PENJUALAN DALAM PENGANGGARAN

Perkembangan ekonomi dan dunia bisnis dewasa ini sangat pesat
ditandai dengan tingkat persaingan yang semakin keras, menuntut para manajer
dan eksekutif untuk dapat memahami dan meramalkan keadaan dimasa depan
yang didasarkan pada kerangka pikir yang sistematis, rasional dan ekonomis
dalam rangka mendukung proses pengambilan keputusan. Perusahaan sebelum
memulai kegiatan produksinya, harus dapat meramalkan tingkat penjualan yang
kemungkinan dapat dicapai untuk periode yang akan datang.
Forecast penjualan adalah proyeksi teknis dari permintaan langganan
potensial untuk suatu waktu tertentu dengan berbagai asumsi. Asumsi yang
dimaksud misalnya data tentang tingkat suku bunga, nilai tukar rupiah,tingkat
inflasi, keadaan politik pemerintah dan sebagainya yang digunakan sebagai
pertimbangan dalam meramalkan permintaan langganan untuk masa yang akan
datang. Forecast penjualan atau ramalan penjualan menjadi dasar dalam
penyusunan anggaran penjualan. Anggaran penjualan digunakan sebagai dasar
dalam menyusun anggaran produksi. Anggaran produksi selanjutnya menjadi
faktor kunci dalam penentuan anggaran-anggaran operasional lainnya, termasuk
anggaran bahan baku, anggaran tenaga kerja langsung, dan anggaran biaya
overhead pabrik. Anggaran operasional yang telah disusun selanjutnya akan
digunakan sebagai dasar dalam penyusunan anggaran finansial. Oleh karena itu
kesalahan dalam membuat forecast penjualan bisa fatal karena bisa
menyebabkan kesalahan dalam penyusunan anggaran perusahaan secara
keseluruhan. Mengingat pentingnya forecast penjualan tersebut maka dalam
pembuatan anggaran harus dimulai dengan cara-cara forecast penjualan yang
benar.

2.2. MACAM-MACAM TEKNIK FORECAST BESERTA KELEBIHAN DAN

KELEMAHANNYA.
 Forecast Penjualan

Pada dasarnya teknik dalam forecast penjualan sama dengan teknik-

teknik peramalan yang terdapat dalam buku-buku forecasting yaitu meliputi
peramalan secara kualitatif, secara kuantitatif ditambah dengan forecast dengan
metode khusus.
1. Metode peramalan kualitatif sering disebut sebagai metode peramalan yang
subyektif karena yang dipakai sebagai dasar dalam melakukan peramalan
adalah penilaian / judgement dari pihak yang melakukan peramalan.
2. Metode peramalan kuantitatif disebut metode peramalan yang obyektif
karena menggunakan data historis kuantitatif sebagai dasar dalam
melakukan peramalan. Data historis diolah dengan menggunakan metode
tertentu dengan meminimumkan subyektifitas dalam penggunaannya.
3. Forecast dengan metode khusus pada dasarnya termasuk peramalan secara
kuantitatif, hanya saja dalam meramalkan tingkat penjualan perusahaan,
dimulai dari peramalan tingkat penjualan industrinya terlebih dahulu.
Metode peramalan kuantitatif atau kualitatif masing-masing mempunya
keunggulan dan kelemahan. Keunggulan metode kuantitaif adalah obyektifitas
hasil ramalan dan bila peramalan dibutuhkan dalam jumlah yang besar, mudah
dilaksanakan dan dapat menghemat waktu, karena peramal bisa menggunakan
paket-paket program komputer dalam meramalkan. Sedangkan keunggulan
metode peramalan kualitatif adalah dapat mengakomodasi perubahan pola atau
hubungan yang ada, sehingga bila terjadi perubahan terhadap asumsi yang
digunakan, maka hasil ramalan dapat segera disesuaikan.
Kelemahan metode kuantitatif adalah mengasumsikan adanya pola atau
hubungan yang konstan. Hal ini berarti kondisi masa yang akan datang
diasumsikan sama dengan masa yang lalu. Sedangkan kelemahan metode
kualitatif adalah adanya unsur subyektifitas peramal dan adanya masalah
pembiasaan, yaitu sebagian orang terlalu optimis sedangkan orang yang lain
terlalu pesimis.
Disebabkan kedua teknik metode peramalan tersebut masing-masing
mempunyai keunggulan dan kelemahan maka tantangan yang muncul adalah
bagaimana cara memanfaatkan keunggulan masing-masing kelompok metode

Anggaran Perusahaan 13
 Forecast Penjualan

untuk menghasilkan forecast yang paling optimal bagi perusahaan. Untuk

memanfaatkan keunggulan masing-masing dilakukan:
1. Forecast dapat dimulai dengan ramalan kuantitatif yang mengasumsikan
tidak adanya perubahan
2. Langkah berikutnya adalah memodifikasi hasil forecast dengan
menggunakan penilaian / judgment / opini pembuat forecast agar dapat
mengakomodasi perubahan yang terjadi. Jadi hasil forecast secara kuantitaif
selanjutnya disesuaikan dengan perubahan-perubahan asumsi yang
kemungkinan terjadi pada periode yang diramalkan.
Selain itu, penggunaan metode forecast juga harus menghasilkan
manfaat yang lebih banyak ketimbang biaya yang dikeluarkan untuk membuat
forecast tersebut. Bagaimana cara membuat forecast yang tepat agar bisa
mendekati kenyataan?
a. Caranya adalah dengan memilih metode
forecast yang paling cocok dengan masalahnya.
b. Metode yang tepat/cocok adalah yang sesuai dengan
pola data yang ada dan dapat meminimumkan kesalahan forecast.
Ramalan penjualan yang berguna bagi manajemen harus dianggap
sebagai suatu proses yang sistematis. Dengan kata lain, suatu ramalan
penjualan janganlah dianggap sebagai suatu hal yang permanen atau statis.
Sifat dinamis dari pasar mengharuskan suatu ramalan penjualan untuk dikaji
ulang, direvisi, dan didiskusikan.

2.3. TEKNIK FORECAST PENJUALAN SECARA KUANTITATIF

Semua organisasi beroperasi dalam suatu lingkungan yang mengandung
unsur ketidakpastian. Teknologi baru, kebijakan pemerintah, persaingan di
berbagai bidang, perdagangan internasional meningkat pada semua industri,
keadaan sosial masyarakat berubah, selera konsumen berubah, nilai tukar rupiah
berubah dan sebagainya. Perusahaan harus dapat mengantisipasi perubahan
tersebut dan meramalkan pengaruhnya terhadap perusahaan.
Teknik-teknik forecasting terus berkembang pesat saat ini sejalan dengan
berkembangnya penggunaan komputer. Sekarang, para manajer telah mampu

Anggaran Perusahaan 14
 Forecast Penjualan

menggunakan teknik analisa data yang canggih untuk membuat forecast

keadaan pada waktu yang akan datang termasuk membuat forecast penjualan.
Pemahaman akan teknik-teknik analisa data kuantitatif untuk meramalkan
keadaan waktu yang akan datang merupakan suatu keharusan bagi para
manajer. Kondisi yang harus dipenuhi untuk menggunakan metode kuantitatif
adalah tersedia informasi tentang masa lalu, informasi tersebut dapat
dikuantitatifkan dalam bentuk data numerik, diasumsikan bahwa beberapa pola
masa lalu akan terus berlanjut.
Untuk sebuah peramalan dengan menggunakan metode kuantitatif,
misalnya forecast penjualan dengan menggunakan metode kuantitatif berarti kita
melakukan pengamatan terhadap tendensi dan pola data historis, yaitu data
penjualan perusahaan, kemudian menggunakan hasil pengamatan tersebut
untuk memproyeksikan tingkat penjualan pada waktu yang akan datang. Jadi
forecast dimulai dari pengumpulan data penjualan dari bebarapa tahun
sebelumnya (data time series). Semakin banyak data historis penjualan yang
digunakan untuk meramalkan tingkat penjualan maka hasil forecast akan
semakin baik.
METODE-METODE FORECAST SECARA KUANTITATIF.

Sebelum diberikan contoh-contoh perhitungan teknik-teknik forecast

penjualan untuk pola data yang berbeda-beda, perlu kiranya ditekankan kembali
bahwa untuk keperluan forecast secara kuantitatif, maka semakin banyak data
yang digunakan (misal minimal 30 periode waktu) hasil forecast akan semakin
baik, karena peramal akan dapat mengidentifikasikan pola data yang terkandung
dalam data tersebut. Dalam contoh-contoh perhitungan teknik-teknik forecast
berikut ini, hanya digunakan data yang pendek, dengan alasan untuk
memudahkan perhitungan secara manual agar lebih memudahkan pemahaman
bagi pembaca. Asumsi yang digunakan adalah bahwa sebelum menggunakan
teknik-teknik forecast berikut ini, peramal telah melakukan identifikasi pola data
terlebih dahulu. Dalam pembahasan buku ini hanya akan diberikan beberapa
contoh metode peramalan yang sangat sering digunakan, sedangkan untuk

Anggaran Perusahaan 15
 Forecast Penjualan

contoh-contoh metode peramalan yang lain selengkapnya dapat dipelajari dari

buku-buku forecasting.

B.1. TIME SERIES METHODS

1. Metode sederhana (Naif Method)

Metode forecast yang paling sederhana menganggap bahwa pengamatan
pada periode waktu yang baru saja berlalu (tahun lalu, bulan lalu, dan
sebagainya) adalah alat peramalan yang terbaik untuk meramalkan keadaan
di masa yang akan datang. Naif method dirumuskan sebagai berikut:
Y^t+1 =Yt
Dimana Y^t+1 adalah ramalan yang dibuat pada waktu t untuk
memperkirakan nilai Y pada waktu t+1.
Contoh perhitungan dengan menggunakan metode Naif dapat dilihat pada
tabel 2.1.
Tabel 2.1
Jumlah mobil yang diservis per hari dan nilai peramalan dengan
menggunakan Metode Sederhana pada bengkel “Aji Nugraha”.

Waktu (t) Jumlah Mobil (Yt) Ramalan (Y^t)

1 58 - 
2 54 58
3 60 54
4 55 60
5 62 55
6 62 62
7 65 62
8 63 65
9 70 63
10 - 70

Anggaran Perusahaan 16
 Forecast Penjualan

Besarnya forecast mobil yang diservis di bengkel Aji Nugraha pada hari ke
sepuluh adalah sebanyak 70 mobil.
Metode Naif ini hanya dapat digunakan untuk meramalkan satu periode
waktu dari data historis yang terakhir.

2. Metode Rata-rata Sederhana

Data yang terlalu bervariasi menimbulkan kesulitan untuk membuat
peramalan. Misalnya data penjualan selama dua periode terakhir terdiri atas
1 dan 20 unit. Bila digunakan metode naif, maka penjualan yang diramalkan
untuk periode berikutnya adalah 20 unit. Hal ini tentunya tidak representatif
karena penjualan pada periode satu tidak terwakili. Dalam kondisi yang
demikian data tersebut lazim dihaluskan dengan merata-ratakan data yang
ada atau disebut dengan metode rata-rata. Metode lain yang dapat
digunakan untuk kondisi data seperti tersebut di atas adalah metode
eksponensial. Jadi metode rata-rata sederhana sebaiknya digunakan bila
datanya bersifat stasioner, yaitu tidak memiliki pola trend, musim ataupun
pola sistematis yang lain. Rumus metode rata-rata sederhana adalah sebagai
berikut:

Misal dari hasil analisis pola data terhadap data jumlah mobil yang diservis
per hari pada bengkel “Aji Nugraha” menunjukan bahwa data tersebut
merupakan data stasioner, maka untuk mem- forecast jumlah mobil yang
diservis di bengkel tersebut juga dapat dilakukan dengan menggunakan
metode rata-rata sederhana.

Anggaran Perusahaan 17
 Forecast Penjualan

Tabel 2.2.
Jumlah mobil yang diservis per hari pada bengkel “Aji Nugraha”.

Waktu (t) Jumlah Mobil (Yt)

1 58
2 54
3 60
4 55
5 62
6 62
7 65
8 63
9 70

Ramalan jumlah mobil yang diservis pada hari ke delapan dengan

menggunakan metode rata-rata sederhana adalah:

forecast untuk hari ke sembilan dilakukan dengan menambahkan data jumlah

penjualan mobil pada hari ke delapan (63 mobil), sehingga nilai ramalannya
adalah:

3. Metode Single Moving Average.

Metode rata-rata sederhana menggunakan rata-rata dari seluruh data dalam
melakukan forecast. Jika seorang analis ingin melihat pengaruh data yang
baru terhadap peramalan maka sebaiknya menggunakan metode rata-rata
bergerak. Dengan munculnya data yang baru, maka nilai rata-rata yang baru

Anggaran Perusahaan 18
 Forecast Penjualan

dapat dihitung dengan menghilangkan data yang terlama dan menambahkan

data yang terbaru. Rata-rata bergerak ini digunakan untuk meramalkan nilai
pada periode berikutnya. Persamaan berikut menunjukkan model rata-rata
bergerak sederhana (single moving average):
(Y 1 + Y t-1 + Y t-2 + .. + Y t-n+1
Mt = Ŷt+1 =
n
Keterangan:
Mt = rata-rata bergerak pada periode t
Ŷt+1 = nilai ramalan periode berikutnya
Y t = nilai aktual pada periode t
n = jumlah data dalam rata-rata bergerak

Rata-rata bergerak untuk periode t adalah nilai rata-rata untuk n jumlah

data terbaru. Jadi untuk metode ini sebelumnya ditentukan terlebih dahulu
akan bergerak dalam berapa periode. Metode ini paling cocok untuk data
stasioner dan tidak dapat bekerja dengan baik untuk data trend atau
musiman.
Tabel 2.3
Contoh forecast dengan metode rata-rata bergerak sederhana dengan
periode bergerak 3 bulan dan 5 bulan

Permintaan Forecast (1000 kg)

Bulan konsumen (1000 3 bulan moving 5 bulan
kg) average moving average
Januari 20 - -
Februari 21 - -
Maret 19 - -
April 17 20,00 -
Mei 22 19,00 -
Juni 24 19.33 19,80
Juli 18 21,00 ……

Anggaran Perusahaan 19
 Forecast Penjualan

Agustus 21 21,33 ……
September 20 21,00 ……
Oktober 23 19,67 ……
Nopember 22 21,33 ……
Desember …….. …….

Keterangan: misal dengan 3 bulan single moving average maka forecast

bulan April dan Mei sebagai berikut:

4. Metode Exponential smoothing

Ketentuan :
a. Pemulusan Eksponensial adalah suatu prosedur yang mengulang
perhitungan secara terus menerus dengan menggunakan data terbaru.
b. Didasarkan pada perhitungan rata-rata (pemulusan) data-data
masa lalu secara eksponensial.
c. Setiap data diberi bobot, di mana data yang lebih baru diberi
bobot yang lebih besar. Bobot yang digunakan adalah untuk data
yang paling baru, (1- ) digunakan untuk data yang agak lama, (1-
)2 untuk data yang lebih lama lagi dan seterusnya.
d. Secara matematis persamaan pemulusan eksponensial dapat
ditulis:
Ŷt+1 = (Xt ) + (1- ) Ŷt

Anggaran Perusahaan 20
 Forecast Penjualan

Ramalan baru =( kali data sebenarnya pada akhir periode waktu

sebelum forecast) +( (1- ) kali nilai ramalan yang lama)
Keterangan:
Ŷt+1 = nilai ramalan untuk periode berikutnya
= konstanta pemulusan ( 0 < <1 ). Jk mendekati 1 berarti
data terakhir diberi bobot lebih besar (lebih diperhitungkan
daripada data seblmnya).
Xt = nilai penjualan sebenarnya pada akhir periode waktu sebelum
forecast
Ŷt = nilai pemulusan yang lama atau rata-rata yang dimuluskan hingga
periode t-1

Contoh perhitungan forecast penjualan dengan mempergunakan metode

pemulusan eksponensial dapat dilihat pada tabel 2.4.
Tabel 2.4
Contoh forecast penjualan dengan menggunakan metode pemulusan
eksponensial dari data penjualan PT KINANTIKA untuk bulan Januari
sampai dengan Desember tahun 2005.

FORECAST
Bulan Penjualan   0,90
     
Januari 20 - - -
Februari 21 20 20 20
Maret 19 20,10 20,50 20,90
April 17 19,99 19,75 19,19
Mei 22 19,69 18,38 …
Juni 24 19,92 … …
Juli 18 20,33 … …
Agustus 21 20,10 … …
September 20 20,19 … …
Oktober 23 20,17 … …

Anggaran Perusahaan 21
 Forecast Penjualan

Nopember 22 20,45 … …
Desember 19 20,61 … …

Keterangan:
Forecast bulan Februari = nilai penjualan bulan Januari.
Contoh menggunakan = 0,10 maka forecast pada bulan Maret dan
April sebagai berikut:
ŶMar = (nilai penjualan Februari) + ( 1- )ramalan penjualan
Februari
= 0,10(21) + (1-0,10)20
=20,10 ton
ŶApril= (nilai penjualan Maret) + ( 1- )ramalan penjualan Maret
= 0,10(19) + (1-0,10)20,10
=19,99 ton

5. Metode trend
Bila hasil analisa pola data diketahui bahwa data historis menunjukan
kecenderungan naik atau turun dalam jangka panjang maka dapat
disimpulkan bahwa data tersebut memiliki pola trend. Ada beberapa metode
yang bisa digunakan untuk membuat trend, yaitu metode trend linear, trend
parabolik dan trend eksponensial. Penggunaan metode trend tentu saja
disesuaikan dengan kebutuhan dan sifat data yang dimiliki. Untuk trend
linear, ada beberapa metode yang bisa digunakan untuk membuat trend
linear yaitu metode trend least square, trend moment dan trend setengah
rata-rata. Berikut ini akan dibahas cara-cara forecast dengan menggunakan
metode trend linear.

a. Metode Trend Least Square.

* Titik tengah sebagai tahun dasar
Dalam hal ini terhadap data dilakukan pembagian menjadi dua
kelompok. Untuk data yang jumlahnya :
 Genap, maka score nilai X-nya adalah …,-5,-3,-1,1,3,5,…

Anggaran Perusahaan 22
 Forecast Penjualan

 Ganjil, maka score nilai X-nya adalah …,-2,-1,0,1,2,…

Selanjutnya koefisien a dan b dicari dengan rumus sebagai berikut:

Contoh:
a) Data yang jumlah n-nya ganjil.
PT REZA adalah sebuah perusahaan yang bergerak dalam
penyediaan susu bayi. Perusahaan tersebut ingin membuat
forecast penjualan susu bayi untuk beberapa tahun yang akan
datang di daerah Jawa Timur. Data penjualan seperti tampak
pada tabel 2.5.

Tabel 2.5
Data penjualan susu bayi untuk daerah Jawa Timur
pada PT REZA tahun 2003 sampai dengan 2007.

Tahun Penjualan (Ribuan kaleng)

(X) (Y)
2003 130
2004 145
2005 150
2006 165
2007 170

Perhitungan forecast penjualan susu bayi pada PT REZA untuk

jumlah waktu ganjil dengan menggunakan metode Least Square
terdapat pada tabel 2.6.
Tabel 2.6
Perhitungan forecast penjualan susu bayi pada PT REZA

Anggaran Perusahaan 23
 Forecast Penjualan

Penjualan (Y)
Tahun X X2 XY
(Ribuan Kaleng)

2003 130 -2 4 -260

2004 145 -1 1 -145
2005 150 0 0 0
2006 165 1 1 165
2007 170 2 4 340
Jumlah 760 10 100

Dengan persamaan trend: Y = a+bx

Sehingga:

Persamaan trend: Y = 152 + 10 X

Nilai koefisien ‘b’ menunjukkan kenaikan (jika positif) atau
penurunan (jika negatif) dari nilai variabel Y per satuan waktu
tertentu.
Untuk data yang jumlah periode waktunya ganjil, nilai ‘b’
menunjukkan kenaikan/penurunan nilai ‘Y’ per periode (per tahun,
per semester, per triwulan atau per bulan). Untuk data yang
jumlah periode waktunya genap, maka nilai ‘b’ menunjukkan
kenaikan/penurunan dari nilai ‘Y” per setengah periode (per
setengah tahun, per setengah semester, per setengah triwulan
atau per setengah bulan).

Dari persamaan di atas koefisien ‘b’ sebesar 10 menunjukkan rata-

rata kenaikan penjualan susu bayi di Jawa Timur sebesar 10 ribu
kaleng per tahun.
Nilai trend pada setiap tahun adalah:
Tahun 2003: Y=152 + 10(-2) = 132
Tahun 2004: Y=152 + 10(-1) = 142
Tahun 2005: Y=152 + 10(0) = 152

Anggaran Perusahaan 24
 Forecast Penjualan

Tahun 2006: Y=152 + 10(1) = 162

Tahun 2007: Y=152 + 10(2) = 172
Sehingga taksiran untuk tahun 2008 adalah: Y2008 = 152 + 10(3) =
182

b) Contoh perhitungan metode trend least square dengan

pendekatan titik tengah sebagai tahun dasar untuk data yang
jumlah n-nya genap tampak pada tabel 2.7.

Tabel 2.7.
Contoh perhitungan forecast penjualan pada PT HALIMA
menggunakan metode trend least square dengan pendekatan titik
tengah sebagai tahun dasar untuk jumlah data genap.

Penjualan (Y)
Tahun (ribuan unit) X X2 XY
2002 108 -5 25 -540
2003 119 -3 9 -357
2004 110 -1 1 -110
2005 122 1 1 122
2006 130 3 9 390
2007 131 5 25 655
jumlah 720 0 70 160

Koefisien a dan b dicari sebagai berikut:

Sehingga persamaan trendnya : Ŷt = 120 + 2,286X

Forecast tahun 2008: Ŷ2008= 120 + 2,286 (7)
= 136,002 = 136.002 unit
Arti koefisien b : Setiap setengah tahun terjadi kenaikan penjualan
sepeda motor merek X rata-rata sebesar 2.286

Anggaran Perusahaan 25
 Forecast Penjualan

unit atau setiap tahun terjadi kenaikan 2 X

2.286 = 4.572 unit.

b. Analisa Trend dengan Metode Moment.

Menentukan trend dengan metode moment hampir sama dengan metode
kuadrat terkecil dengan pendekatan titik awal sebagai tahun dasar
dimana tahun dasar ditentukan pada data yang paling awal, hanya saja
metode moment menggunakan rumus yang berbeda. Contoh forecast
dengan metode moment tampak pada tabel 2.8 dan 2.9.
Tabel 2.8.
Data penjualan semen “RODA 4” pada PT Ellen tahun 2001
sampai dengan tahun 2005

Tahun Penjualan (Y) dalam jutaan Unit

2001 140
2002 148
2003 157
2004 160
2005 169

Tabel 2.9.
Contoh perhitungan forecast penjualan semen “RODA 4”
dengan metode Moment pada PT ELLEN.

Tahun Y X XY X2
2001 140 0 0 0
2002 148 1 148 1
2003 157 2 314 4
2004 160 3 480 9
2005 169 4 676 16
Jumlah 774 10 1618 30

Anggaran Perusahaan 26
 Forecast Penjualan

Koefisien a dan b dicari sebagai berikut:

n = 5.

I. 774 = 5.a + b(10) ……… 1.548 = 10a + 20b

II. 1.618 =10.a + b(30) ……….. 1.618 = 10a + 30b (-)
-70 = -10b
b=7
Substitusikan:
b=7 774 = 5a + 10(7)
5a = 774 – 70 = 704
a = 704/5 = 140,8

maka persamaan trendnya: Y’ = 140,8 + 7x

Sehingga forecast penjualan untuk tahun 2006 : Y2006 = 140,8 + 7 (5)
= 175,8

c. Analisa Trend dengan Metode Trend Semi Average

Langkah-langkah dalam metode ini adalah:
1) Membagi data yang ada menjadi dua
kelompok yang sama besar.
2) Tahun dasar ada pada tengah-tengah
kelompok pertama
3) Pada masing-masing kelompok ditentukan
nilai X, semitotal dan semiaverage.
4) Acuan pada kelompok pertama. Untuk
kelompok pertama yang jumlah datanya ganjil maka nilai x = …-4,-
3,-2,-1,0,1,2,3,4….sedang untuk kelompok pertama yang jumlah
datanya genap maka nilai x = .….-5,-3,-1,1,3,5…..
5) Jumlah nilai X pada kelompok pertama
harus nol.

Anggaran Perusahaan 27
 Forecast Penjualan

6) Melanjutkan pemberian skor pada kelompok

data yang kedua.
Untuk kelompok kedua pemberian nilai x dengan cara melanjutkan
nilai x kelompok pertama yang terakhir (kecuali untuk jumlah data
ganjil, dimana untuk kelompok kedua, pemberian skor pertama
dengan cara mengulang skor kelompok pertama yang terakhir).
7) Membentuk persamaan dan melakukan forecast nilai Y.
a = Rata-rata kelompok pertama
b = Selisih antara rata-rata kelompok kedua dengan rata-rata
kelompok pertama kemudian dibagi dengan jumlah data yang
ada pada tiap kelompok. Untuk kelompok yang jumlah data
pada kelompok pertama dan kelompok kedua genap setiap
satu periode mempunyai dua interval, sehingga banyaknya
data pada setiap kelompok dikalikan dua.
Contoh forecast penjualan dengan menggunakan metode trend semi
average untuk jumlah data yang berbeda-beda dapat dilihat pada tabel
2.14 sampai 2.19.

1) Contoh untuk jumlah data 6 tahun

Tabel 12.10
Penjualan PT DIMAS
Tahun 2000 – 2005

Penjualan (Y)
Tahun
dalam jutaan Unit
2000 140
2001 148
2002 157
2003 157
2004 160
2005 169

Anggaran Perusahaan 28
 Forecast Penjualan

Perhitungan trend-nya adalah:

Tabel 2.11
Contoh perhitungan forecast penjualan dengan
metode trend setengah rata-rata pada PT DIMAS

Penjualan (Y)
Semi
Tahun dalam jutaan X Semiaverage
Total
Unit
2000 140 -1
2001 148 0 445 445/3=148,33
2002 157 1
2003 157 2
2004 160 3 486 486/3=162
2005 169 4
a = 148,33

b =

Sehingga persamaan garisnya : Y’ = 148,33 + 4,5567 x

Maka Y’2006 = 148,33 + 4,5567(5) =171,11
Y’2007= 148,33 + 4,5567(6) =175,67

2) Contoh untuk jumlah data 8 tahun

Tabel 2.12
Penjualan produk A pada PT AYU
Tahun 1998 – 2005

Tahun Penjualan (unit)

1998 105
1999 115

Anggaran Perusahaan 29
 Forecast Penjualan

2000 120
2001 125
2002 135
2003 150
2004 160
2005 175

Perhitungan trend-nya seperti tampak pada tabel 2.17

Tabel 2.13
Contoh perhitungan forecast penjualan produk A dengan
metode trend setengah rata-rata pada PT AYU

Tahun Y X Semitotal Semiaverage

1998 105 -3 465
1999 115 -1 465/4=116,2
5
2000 120 1
2001 125 3
2002 135 5 620
2003 150 7 620/4=155
2004 160 9
2005 175 11

a = 116,25

b= = 4,84

Persamaan trend: Y = 116,25 + 4,84 X

(Y adalah penjualan tahunan, origin 1999/2000).
Maka ramalan untuk tahun 2006 (X = 13)
Y2006 = 116,25 + 4,84 (13) = 179 unit.

Anggaran Perusahaan 30
 Forecast Penjualan

Jika garis trend-nya akan digambar maka perlu dihitung nilai trend
dari tahun 1998 sampai 2006 sebagai berikut
Y1998 = 116,25 + 4,84 (-3) = unit.
Y1999 = 116,25 + 4,84 (-1) = unit.
Y2000 = 116,25 + 4,84 (1) = unit.
Y2001 = 116,25 + 4,84 (3) = unit.
Y2002 = 116,25 + 4,84 (5) = unit.
Y2003 = 116,25 + 4,84 (7) = unit.
Y2004 = 116,25 + 4,84 (9) = unit.
Y2005= 116,25 + 4,84 (11) = unit.

3) Contoh untuk jumlah data 7 tahun

Tabel 2.14
Penjualan PT ALFIAN
Tahun 1999-2005

Tahun Penjualan (unit)

1999 120
2000 125
2001 130
2002 145
2003 150
2004 160
2005 165

Tabel 2.15
Contoh perhitungan forecast penjualan dengan
metode trend setengah rata-rata pada PT ALFIAN

Tahun Y X Semitotal Semiaverage

1999 120 -3 520

Anggaran Perusahaan 31
 Forecast Penjualan

2000 125 -1 520/4=130

2001 130 1
#)
2002 145 3
2002 145 3 620
2003 150 5 620/4=155
2004 160 7
2005 165 9
#)
Tahun 2002 diperhitungkan dalam dua kelompok.

a = 130

b= = 3,125

Persamaan trend: Y = 130 + 3,125X

(Y adalah trend tahunan, origin 2000-2001)
Nilai trend tahun 2006 maka X = 11 sehingga:
Y2006 = 130 + 3,125 (11) = 164,375
6. Metode Simple Average Applied for the Seasonal Index
Metode ini digunakan untuk meramalkan adanya fluktuasi musiman dari
ramalan penjualan tahunan yang telah diperhitungkan. Metode ini berusaha
mendapatkan ramalan penjualan mingguan, bulanan atau triwulanan
sehingga dapat diketahui gambaran tentang fluktuasi penjualan. Pola
fluktuasi penjualan (misal triwulanan) tersebut dikatakan sebagai “indeks
musiman” atau “seasonal index”.
Indeks triwulanan dicari dengan menggunakan rumus sebagai berikut:

Berdasarkan angka indeks triwulanan tersebut maka dapat dihitung fluktuasi

musiman dalam triwulan sebagai berikut:

TWn = triwulan ke – n
Jika nilai TW menurun berarti terjadi penurunan tingkat penjualan.

Anggaran Perusahaan 32
 Forecast Penjualan

Jika TWn meningkat berarti terjadi peningkatan jumlah penjualan.

Contoh forecast penjualan dengan menggunakan metode Simple Average
Applied for the Seasonal Index terdapat pada tabel 2.16 dan 2.17.

Tabel 2.16
Volume penjualan Paving Block pada PT ALFIAN
tahun 2004 dan 2005 (dalam unit)

Tahun
Triwulan 2004 2005
I 182.700 203.850
II 179.100 207.900

III 194.580 165.500

IV 192.600 172.000
Jumlah 748.980 749.250
Rata-rata 187.245 187.313

Tabel 2.16
Perhitungan indeks triwulanan untuk menentukan fluktuasi musiman
permintaan paving blok per triwulan tahun 2006 pada PT ALFIAN.

Triwulanan
Tahun Jumlah
I II III IV

2004 182.700 179.100 194.580 192.600 748.980

2005 203.850 207.900 165.500 172.000 749.250

Jumlah 386.550 387.000 360.080 364.600 1.498.230

Rata-rata 193.275 193.500 180.040 182.300 749.115

Anggaran Perusahaan 33
 Forecast Penjualan

Untuk menghitung rata-rata triwulan ke-n dengan cara sebagai berikut:

Indeks Triwulanan= Itn =

= 1,0320 = 1,0332

= 0,9613 = 0,9734

Jadi ramalan penjualan untuk tahun 2006 dari triwulan I sampai triwulan IV
sebesar 1.498.230 unit dengan indeks sebesar:
IT1 = 1,0320
IT2 = 1,0332
IT3 = 0,9613
IT4 = 0,9734

Sehingga ramalan penjualan per triwulanan tahun 2006 adalah:

TWn =

TW1 =

TW2=

TW3=

TW4 =

Sedangkan ramalan penjualan per triwulanan tahun 2004 adalah:

TW1 =

TW2 =

Anggaran Perusahaan 34
 Forecast Penjualan

TW3 =

TW4 = 182.264,28

Ramalan penjualan untuk tahun 2005 adalah:

TW1 = x 1,0320 = 193.305

TW2 = x 1,0332 = 193.531,27

TW3 = x 0,9613 = 180.063,51

TW4 = x 0,9734 = 182.329,98

B.2. CAUSAL METHODE (ANALISIS KORELASI DAN REGRESI)

Analisis korelasi dan regresi menunjukkan hubungan antara satu variabel

dengan satu atau lebih variabel lainnya. Tujuan penggunaan metode ini dalam
forecast penjualan adalah untuk meramalkan berdasarkan keterkaitan antar
variabel. Analisis korelasi digunakan untuk mengetahui hubungan antar satu
variabel dengan variabel lainnya. Sedangkan analisis regresi digunakan untuk
mengetahui pengaruh dari variabel bebas terhadap variabel tergantungnya. Jadi
dengan analisis regresi dapat diketahui besarnya ramalan penjualan bila faktor-
faktor lain yg mempengaruhi tingkat penjualan berubah.

1. Analisis Regresi Sederhana

Digunakan untuk mengestimasi tingkat penjualan (Y) dengan menggunakan
satu variabel independen yang mempengaruhi tingkat penjualan (X1).
Persamaan regresinya : Y^ = + bX+
Koefisien a dan b dapat dicari dengan cara sebagai berikut:

Anggaran Perusahaan 35
 Forecast Penjualan

Keterangan:
a = intersep dari Y atau nilai Y bila X = 0
b = slope dari garis yang menunjukkan besarnya perubahan Y jika X naik
sebesar satu satuan unit.
Dalam regresi ada komponen residu/galat ( ) merupakah komponen yang
menunjukan:
a) Pengaruh dari berbagai variabel lain yang tidak dimasukkan
b) Penetapan persamaan matematika yang tidak sempurna
c) Kesalahan dalam pengukuran

Contoh perhitungan berikut ini menggunakan data sebanyak 5 periode

waktu. Dalam praktek sesungguhnya perhitungan regresi dan korelasi tidak
bisa hanya dengan menggunakan data sebanyak 5 periode waktu.

Tabel 2.17
Data penjualan produk B pada PT ARDO
Tahun 2001 sampai dengan tahun 2005

Biaya Iklan Volume Penjualan

Tahun (juta rupiah ) (juta unit)
2001 9 140
2002 12 148
2003 14 157
2004 15 160
2005 17 169
Total 67 774

Dalam forecast dengan metode regresi sederhana dari data di atas

pertanyaan yang muncul adalah :
Berapa volume penjualan yang bisa dicapai perusahaan apabila pada tahun
2006 akan dikeluarkan biaya iklan sebesar 10 juta rupiah sedangkan pada
tahun 2007 akan dikeluarkan biaya iklan sebesar 13 juta rupiah?

Anggaran Perusahaan 36
 Forecast Penjualan

Jawab:
Persamaan regresi dapat dicari dengan cara sebagai berikut:

Tabel 2.18
Perhitungan Regresi Sederhana untuk data pada PT ARDO

Tahun X Y XY X2 Y2

2001 9 140 1.260 81 19.600

2002 12 148 1.776 144 21.904
2003 14 157 2.198 196 24.649
2004 15 160 2.400 225 25.600
2005 17 169 2.873 289 28.561
Total 67 774 10.507 935 120.314

Koefisien a dan b dicari dengan persamaan:

Jadi Y = 106,02 + 3,64X

Persamaan tersebut bisa diinterpretasikan bahwa bila biaya iklan naik satu
juta rupiah, jumlah penjualan akan meningkat 3,64 juta unit.
Sehingga apabila pada tahun 2006 akan dikeluarkan biaya iklan sebesar 10
juta rupiah sedangkan pada tahun 2007 akan dikeluarkan biaya iklan sebesar
13 juta rupiah, maka forecast penjualan untuk tahun 2006 dan 2007 adalah:
Y^2006 = 106,02 + 3,64 (10) = 142,42 juta unit
Y^2007 = 106,02 + 3,64 (13) =153,34 juta unit

Besarnya nilai hubungan:

Anggaran Perusahaan 37
 Forecast Penjualan

Tabel 2.19
Perhitungan koefisien korelasi

Tahun X Y XY X2 Y2
2001 9 140 1260 81 19600
2002 12 148 1776 144 21904
2003 14 157 2198 196 24649
2004 15 160 2400 225 25600
2005 17 169 2873 289 28561
Total 67 774 10.507 935 120.314

Nilai yang diperoleh mendekati 1, berarti terdapat keeratan hubungan yang

sangat kuat antara biaya iklan dengan jumlah penjualan. Sifat hubungan
antara keduanya adalah positif yang berarti dengan meningkatnya biaya iklan
terjadi pula kenaikan jumlah penjualan.

C. TEKNIK FORECAST PENJUALAN DENGAN METODE KHUSUS

1. Analisis Industri
a. Dihubungkan potensi penjualan perusahaan dengan industri.
b. Ditonjolkan tentang Market Share
c. Dilakukan melalui beberapa tahap:

Anggaran Perusahaan 38
 Forecast Penjualan

1) Buat proyeksi demand industri

2) Menilai posisi perusahaan dalam industri
3) Proyeksi posisi perusahaan pada waktu
yang lalu

2. Analisis Product Line

a. Digunakan oleh perusahaan yang
menghasilkan lebih dari satu macam produk
b. Untuk masing-masing produk harus dibuat
forecast sendiri-sendiri.

3. Analisa Penggunaan Akhir

Digunakan oleh perusahaan yang memproduksi barang-barang yang tidak
langsung dikonsumsi tetapi masih perlu proses lebih lanjut untuk menjadi
produk akhir.

Contoh forecast penjualan berdasarkan analisis industri:

Tabel 2.20
Data permintaan industri dan omset penjualan perusahaan ARINA
selama 7 tahun terakhir sebagai berikut ( dalam ribuan Kw)

Tahun Demand industri Omset Perusahaan

1999 12000 1200

2000 11000 990
2001 13000 1560
2002 14000 1750
2003 13000 1430
2004 15000 1800
2005 16000 2080

Anggaran Perusahaan 39
 Forecast Penjualan

1. Tingkat harga tahun 2006 direncanakan akan dinaikkan 10% dari

tingkat harga rata-rata antara tahun 2003 sampai 2005.
2. Tingkat harga pada masing-masing daerah adalah sama.
3. Data harga perkwintal adalah:
2003 = Rp. 190.000,-
2004 = Rp. 200.000,-
2005 = Rp. 210.000,-

Diminta:
1. Tentukan permintaan industri pada tahun 2006
dengan metode Ordinary Least Square
2. Tentukan penjualan perusahaan pada tahun 2006
jika perusahaan menentukan cukup puas dengan rata-rata Market Share 3
tahun terakhir.

Jawab:
Tabel 2.21
Perhitungan Forecast permintaan industri:

Demand
Tahun X xy x
industry
1999 12.000 -3 -36.000 9
2000 11.000 -2 -22.000 4
2001 13.000 -1 -13.000 1
2002 14.000 0 0 0
2003 13.000 1 13.000 1
2004 15.000 2 30.000 4
2005 16.000 3 48.000 9
Jumlah 94000 0 20.000 28

Anggaran Perusahaan 40
 Forecast Penjualan

Persamaan garis trend permintaan industri : Y’ = a + bx

Y’= 13.428.571 + 714.286x
Sehingga forecast untuk demand industri:
Y’2006 = 13.428.571 + 714.286(4) = 16.285.715 kw.

Maka forecast penjualan perusahaan :

Jika perusahaan menentukan cukup puas dengan rata-rata Market Share 3
tahun terakhir maka market share-nya:
2003 = 1.430.000 : 13.000.000 = 0,11
2004 = 1.800.000 : 15.000.000 = 0,12
2005 = 2.080.000 : 16.000.000 = 0,13
Jumlah MS = 0,36
Rata-rata MS = 0,12
Jadi forecast penjualan perusahaan tahun 2006: 0,12 x 16.285.715 kw =
1.954.285,8 = 1.954.286 kw.

2.4. TEKNIK FORECAST PENJUALAN SECARA KUALITATIF

1. Metode Juri Opini Eksekutif

a. Cara yang paling sederhana untuk membuat
forecast penjualan dengan menggunakan metode ini adalah dengan jalan
mempertemukan para eksekutif kunci kemudian mereka diminta untuk
melakukan perkiraan terbaik tentang hal yang perlu diramalkan. Dengan
cara ini diharapkan terjadi sinergi dari sudut pengetahuan dan
pengalaman yang berbeda-beda. Variasi Lain melakukan forecast dengan
metode ini adalah dengan mengumpulkan pendapat para eksekutif kunci
yang kemudian diberikan secara tertulis kepada eksekutif perusahaan

Anggaran Perusahaan 41
 Forecast Penjualan

tertinggi. Selanjutnya eksekutif tertinggi mengambil keputusan akhir

berdasarkan semua forecast yang sudah diajukan.

b. Keuntungan metode Juri Opini Eksekutif:

1) Probabilita untuk mewujudkan ramalan menjadi kenyataan tinggi
karena ramalan merupakan keputusan bersama para eksekutif kunci
2) Mudah dan cepat diterapkan
a) Tidak selalu perlu menyiapkan data statistik secara seksama.
b) Dapat menyatukan berbagai pandangan yang terspesialisasi sesuai
bidang masing masing.
c) Pada kasus tertentu merupakan satu-satunya metode yang
dapat digunakan.
c. Kekurangan metode Juri Opini Eksekutif
Bobot yang diberikan terhadap perkiraan masing-masing eksekutif akan
sangat tergantung pada peran dan kepribadian eksekutif yang
bersangkutan dalam perusahaan.

2. Metode Gabungan Tenaga Penjualan

Ada tiga ketegori umum :
a. Metode gabungan tenaga penjualan yang murni.
Dengan mengumpulkan pendapat para tenaga penjualan perusahaan
tentang perkiraan Penjualan dari masing–masing tenaga penjualan pada
wilayah pemasarannya (peramalan berdasarkan kelompok produk dan
pelanggan). Ramalan dari salesman dikumpulkan oleh para manager
penjualan atau manager cabang, kemudian diserahkan ke kantor pusat.
Hasil ramalan dari berbagai wilayah ini kemudian digabungkan /
dijumlahkan sehingga menjadi ramalan penjualan perusahaan.
1) Keuntungan metode gabungan tenaga penjualan:
Ramalan penjualan dilakukan oleh pihak yang paling dekat dengan
pasar dan pihak yang paling mempengaruhi hasil aktual dari
penjualan perusahaan, sehingga diharapkan dapat meningkatkan
komitmen mereka untuk merealisasikan ramalan yang dibuat.

Anggaran Perusahaan 42
 Forecast Penjualan

2) Kelemahan metode gabungan tenaga penjualan:

a) Salesman sering terlalu optimis atau pesimis dalam membuat
ramalan.
b) Salesman umumnya tidak terlalu memperhatikan dampak
perubahan lingkungan bisnis terhadap penjualan perusahaan
3) Untuk mengatasi kelemahan :
a) Pengarahan kepada tenaga penjualan
b) Diskusi secara mendalam antara manager penjualan dengan
salesman.
b. Teknik Manajemen Penjualan
Pihak yang melakukan forecast penjualan dengan menggunakan metode
ini adalah para menajer yang membawahi para tenaga penjualan.
1) Keuntungan Teknik Manajemen Penjualan:
a) Manajer penjualan juga mempunyai pengetahuan tentang pasar
b) Manajer penjualan umumnya mempunyai pandangan yang lebih
luas dan jauh ke depan
c) Penghematan waktu
2) Kelemahan:
Komitmen masing-masing tenaga penjualan terhadap realisasi
forecast penjualan penjualan pada umumnya akan lebih tinggi bila
perusahaan menggunakan metode gabungan tenaga penjualan yang
murni.
c. Pendekatan Distributor
1) Digunakan bila perusahaan tidak menggunakan direct selling tapi
menggunakan distributor independen.
2) Pendekatan dilakukan dengan membagikan kuesioner kepada semua
distributor tentang perkiraan penjualan di masa yang akan datang
untuk masing-masing distributor.
3) Ramalan penjualan adalah gabungan ramlan penjualan dari semua
distributor yang ada.

3. Metode Penilaian Berdasarkan Harapan Pelanggan

Anggaran Perusahaan 43
 Forecast Penjualan

1) Dengan melakukan Riset Pasar

Yaitu studi terhadap pihak yang perilaku dan tindakannya akan
menentukan kecenderungan dimasa yang akan datang yaitu konsumen
dan calon konsumen.
2) Dengan informasi dari hasil riset pasar maka perusahaan dapat
meramalkan potensi pasar atau pangsa pasar yang dapat diperoleh
perusahaan.

Anggaran Perusahaan 44