Ekonomi Manajerial

Dr. Anna Wulandari., SE., MM.

Program Studi Manajemen

Fakultas Ekonomi Bisnis dan Ilmu Sosial
Universitas Pelita Bangsa
 PERAMALAN (FORECASTING)

Peramalan (forecasting) adalah seni dan ilmu memprediksi peristiwa-peristiwa masa

depan. Tujuan peramalan adalah untuk membuat estimasi/proyeksi masa depan
berdasarkan data historis/masa lalu. Tidak ada metode peramalan yang superior,
semuanya memiliki keterbatasan. Berdasarkan horison waktu, peramalan terdiri dari 3
kategori yaitu:
1. Peramalan jangka pendek (kurang dari 3 bulan): merencanakan tingkat produksi,
pembelian, penjadwalan kerja, jumlah tenaga kerja, penugasan.
2. Peramalan jangka menengah (3 bulan - 3 tahun): merencanakan penjualan,
penganggaran produksi, penganggaran kas, analisis rencana operasi
3. Peramalan jangka panjang (lebih dari 3 tahun): merencanakan produk baru, lokasi
fasilitas, pengeluaran modal, ekspansi, penelitian dan pengembangan.
 Peramalan Kualitatif
1. Pendapat eksekutif : keputusan dibuat berdasarkan kesepakatan para eksekutif yang
memiliki pengetahuan dan pengalaman sesuai dengan bidangnya.
2. Gabungan estimasi armada penjualan. Setiap tenaga penjualan meramalkan tingkat
penjualan di wilayahnya, yang kemudian digabung pada tingkat propinsi dan
seterusnya sampai ke tingkat nasional untuk mencapai peramalan menyeluruh.
3. Metode Delphi, yaitu suatu proses untuk memperoleh konsensus dari beberapa ahli
tanpa mereka mengetahui satu sama lain, karena mereka tinggal di berbagai tempat.
Ada 3 partisipan yaitu personel staf, responden, pengambil keputusan.
4. Survei pasar konsumen (riset pasar), yaitu pendekatan sistematik untuk mengetahui
keinginan konsumen dan mendapatkan masukan dari konsumen terhadap suatu produk
atau pelayanan melalui pencarian data di lapangan.
5. Pendekatan naif, yaitu mengasumsikan bahwa permintaan dalam periode berikutnya
adalah sama dengan permintaan dalam periode sebelumnya (most recent period).
 Peramalan Kuantitatif
1. Model serial waktu, yaitu metode yang digunakan untuk menganalisis serangkaian data
yang merupakan fungsi dari waktu. Metode ini mengasumsikan bahwa masa depan
adalah fungsi dari masa lalu, sehingga beberapa pola atau kombinasi pola selalu berulang
sepanjang waktu yang diidentifikasi berdasarkan data historis dari serial itu.
a. Dekomposisi seri waktu.
b. Rata-rata bergerak (moving average)
c. Penghalusan eksponensial (exponential smoothing)
2. Model kausal/eksplanatori, mengasumsikan bahwa nilai suatu variabel merupakan fungsi
dari satu atau beberapa variabel lain.
a. Proyeksi trend (trend projection)
b. Regresi linear (linear regression)
 Simple dan Weighted Moving Average
Bulan Penjualan simple moving average weighted moving average
(n = 3) (Bobot = 3,2,1)
Jan 10 - -
Feb 11 - -
Mar 13 - -
Apr 14 (10+11+13)/3=11,33 (3x13)+(2x11)+(1x10)/6=11,83
Mei 15 (11+13+14)/3=12,67 (3x14)+(2x13)+(1x11)/6=13,167
Juni 17 (13+14+15)/3=14 (3x15)+(2x14)+(1x13)/6=14,33
Juli 18 (14+15+17)/3=15,33 (3x17)+(2x15)+(1x14)/6=15,83
Agust 21 (15+17+18)/3=16,67 (3x18)+(2x17)+(1x15)/6=17,167
Sept 23 (17+18+21)/3=18,67 (3x21)+(2x18)+(1x17)/6=19,33
Ok 25 (18+21+23)/3=20,67 (3x23)+(2x21)+(1x18)/6=21,5
Nov 20 (21+23+25)/3=23 (3x25)+(2x23)+(1x21)/6=23,67
Des 19 (23+25+20)/3=22,67 (3x20)+(2x25)+(1x23)/6=21,167
 Proyeksi trend (trend projection)
y=
a + bx
b = (∑xy) – n
x y (∑x2) – n
( x )2
a = y – bx
dimana:
y = nilai variabel yang dihitung untuk
diprediksi
a= perpotongan sumbu y
b= kelandaian garis regresi
X= waktu
n= jumlah data atau observasi

Gambar Proyeksi Trend

Y

Ŷ = a + b1 X
intercept

b1 = slope

a = intercept

X
 Regresi Linear
Ŷ=
a + bx

n ( XY)  ( X)(  Y)
b
n ( X 2 )  (  X) 2

( Y)(  X 2 )  ( X)(  XY)  Y  b  X 

a
n ( X 2 )  ( X) 2 n =

n ( XY)  ( X .  Y)
r
n ( X )  (  X) 2 . n ( Y 2 )  ( Y ) 2
2

KD = r2 x
100%

dimana:
Ŷ = variabel terikat (dependen)
X = variabel bebas (independen)
a = perpotongan sumbu y
b = koefisien regresi, yaitu kelandaian garis regresi
n = jumlah data atau observasi
r = koefisien korelasi, yaitu derajat atau kekuatan hubungan linear, nilainya antara +1 sampai
dengan -1
KD = koefisien determinasi, yaitu persentase variasi dalam variabel terikat yang dijelaskan oleh
persamaan regresi, nilainya antara 0 sampai dengan 1
 Tugas
Sebuah perusahaan yang berberak di bidang pembuatan asesori pakaian anak-anak memiliki data
penjualan selama empat bulan terakhir sebagai berikut:

Bulan Penjualan (juta rupiah)

Januari 820
Februari 780
Maret 900
April 960

Dalam rangka perencanaan produksinya, manajemen ingin mengetahui taksiran penjualan pada
periode yang akan datang. Tentukan prakiraan penjualan pada Mei dengan menggunakan metode:
a. Rata-rata bergerak sederhana dengan serial waktu 3 bulanan.
b. Rata-rata bergerak sederhana dengan serial waktu 4 bulanan.
c. Hitunglah prakiraan penjualan pada bulan mei dengan metode rata-rata bergerak tertimbang
dengan perbandingan bobot:
1. April : Maret : Februari = 3: 2: 1
2. April : Maret : Februari : Januari = 40% : 30% : 20% : 10%
 Tugas

Data penjualan suatu perusahaan selama 4 bulan sebagai berikut:

Bulan Penjualan (juta rupiah)
Januari 820
Februari 780
Maret 900
April 960

Buatlah trend garis lurus untuk data ini dan ramalkan penjualan bulan Juni
 Tugas

Biaya promosi dan nilai penjualan pada suatu perusahaan selama empat bulan adalah sebagai
berikut:
Bulan Promosi (X) Penjualan (juta rupiah)
Januari 50 820
Februari 50 780
Maret 60 900
April 75 960

Buatlah analisis regresi dan ramalkan apabila biaya promosi menjadi 95

Terima Kasih