Peramalan atau forecasting permintaan akan produk dan jasa di waktu mendatang dan bagianbagiannya adalah sangat penting dalam perencanaan dan pengawasan produksi. Yang dimaksud dengan peramalan produksi atau production forecasting dalam forecasting dalam hal ini adalah peramalan tentang produk apa dan berapa yang akan diproduksi oleh perusahaan yang bersangkutan. Dengan demikian, maka dari peramalan produksi yang disusun oleh perusahan ini akan dapat diberikan data produk apa saja yang akan diproduksi pada periode yang akan datang, sekaligus berapa jumlah masing-masing produk yang akan dipromosikan dalam perusahaan tersebut. Peramalan menurut Pangestu Subagyo ( Forecasting : 2002 ) : :
“ Forecasting adalah peramalan atau perkiraan yang belum terjadi. Dalam ilmu pengetahuan sosial segala sesuatu itu serba tidak pasti, sukar diperkirakan secara tepat, oleh karena itu digunakan forecasting yang bertujuan agar forecast atau peramalan yang dibuat bisa meminimumkan pengaruh
ketidakpastian ini terhadap perusahaan”. Peramalan menurut Philip Kotler ( Manajemen Pemasaran :1995 ) : :
“ Peramalan adalah tingkat penjualan perusahaan yang diharapkan b erdasarkan rencana pemasaran yang dipilih dan lingkungan pemasaran yang diasumsikan “. Peramalan menurut Phillip Kotler dan Garry Amstrong (Dasar-DasarPemasaran (Dasar-DasarPemasaran : 1997) : :
“Peramalan adalah seni memperkirakan permintaan dimasa depan dengan mengantisipasi ap a yang tampaknya akan dilakukan pembeli di bawah kondisi masa depan tertentu.” Peramalan menurut Zulian Yamit ( Manajemen persediaan : 1999 ) : :
“ Peramalan adalah prediksi, proyeksi, atau estimasi tingkat kejadian yang tidak pasti dimasa yang akan datang. Ketepatan secara mutlak dalam memprediksi peristiwa dan tingkat kegiatan yang akan datang adalah tidak mungkin dicapai, oleh karena itu ketika perusahan tidak dapat melihat kejadian yang akan datang secara pasti diperlukan waktu dan tenaga yang besar agar mereka dapat memiliki
kekuatan untuk menarik kesimpulan terhadap kejadian yang akan datang”. Fungsi dari tinjauan terhadap penglihatan masa depan ini adalah membantu para pengambil keputusan dalam memilih alternatif-alternatif yang menjadi arah keputusannya, dan kemudian melihat konsekuensi dari keputusan tersebut dimasa yang akan datang. Beberapa sumber data yang dapat digunakan untuk melakukan peramalan adalah sebagai berikut: Pendapat konsumen Pendapat langganan atau kostumer Catatan atau pendapat distributor Catatan penjualan dari perusahaan yang bersangkutan. 2.2.
Kategori Dasar Metode Peramalan Metode peramalan dapat dapat dibagi kedalam beberapa beberapa kategori utama yaitu:
Metode Ekstrapolasi Metode ini menggunakan riwayat permintaan masa lalu dalam membuat ramalan untuk masa depan. Sasaran metode ini adalah mengidentifikasikan pola data historis dan mengekstrapolasi pola ini untuk masa mendatang. Proses ini dapat disamakan dengan mengendarai mobil sambil melihat melalui kaca spion. Tetapi jika cakupan waktu peramalan pendek, metode ekstrapolasi memberikan hasil cukup baik. Metode Kausal Metode ini mengasumsikan bahwa permintaan akan suatu produk bergantung pada satu atau beberapa faktor independen, Misalnya harga iklan, harga pesaing, dan sebagainya. Metode ini berusaha menetapkan hubungan antara variabel yang akan diramalkan dengan variabel-variabel
independen. Setelah hubungan ini ditemukan, nilai-nilai masa mendatang dapat diramalkan cukup dengan memasukkan nilai-nilai yang sesuai untuk variabel-variabel independen. Metode Kualitatif Metode ini mengandalkan opini pakar atau manajer dalam membuat prediksi tentang masa depan. Metode ini berguna untuk tugas peramalan jangka panjang, penggunaan pertimbangan (judgment) dalam peramalan sekilas, tampaknya tidak ilmiah dan bersifat sementara. Tetapi, bila data masa lalu tidak ada atau tidak mencerminkan masa mendatang tidak banyak alternatif selain menggunakan opini dari orang-orang yang berpengetahuan. Tetapi, ada cara yang baik dan cara yang buruk untuk mendapatkan pertimbangan (judgment) guna membuat peramalan. 4. Top down forecasting Dimulai dengan penggunaan hasil-hasil peramalan berbagai kondisi bisnis umum yang dibuat oleh para ahli ekonomi dalam lembaga pemerintah dan perusahaan besar serta unversitas-universitas. 5.
Bottom up forecasting
Dimulai dengan perkiraan permintaan produk akhir individual. Peramal menerima estimasi dari orang-orang penjualan, distribusi dan langganan. 2.3.
Proses Peramalan
Proses peramalan biasanya terdiri dari langkah-langkah sebagai berikut: 1. Penentuan Tujuan Langkah pertama terdiri atas penentuan macam estimasi yang diinginkan. Sebaliknya, tujuan tergantung pada kebutuhan-kebutuhan informasi para manajer. 2. Pengembangan Model Setelah tujuan ditetapkan, langkah berikutnya adalah mengembangkan suatu
model yang
merupakan penyajian secara lebih sederhana sistem yang dipelajari. Dalam peramalan model adalah suatu kerangka analitik yang bila dimasukkan data masukan, menghasilkan estimasi penjualan diwaktu mendatang. 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. 4. Penerapan Model Setelah pengujian, analisis menerapkan model dalam tahap ini data historik dimasukkan dalam model untuk menghasilkan suatu ramalan. 5. Revisi dan Evaluasi Ramalan yang dibuat harus senantiasa diperbaiki dan ditinjau kembali. Perbaikan mungkin perlu dilakukan karena adanya perubahan-perubahan dalam perusahaan atau li ngkungannya. 2.4.
Teknik – Teknik Peramalan Dalam pemilihan teknik yang menggunakan metode peramalan perlu
diperhatikan hal-hal apa saja yang dipergunakan untuk pengambilan keputusan dan analisa keadaan untuk mempersiapkan peramalan. Ada lima ciri utama yang perlu diperhatikan. Yaitu: Jumlah Produk. Analisa apa yang dibuat mengenai berbagai jenis produk yang ditawarkan oleh perusahaan itu sendiri, yang ada baiknya menuju pada pengembangan usaha yang dilakukan perusahaan itu sendiri.
Ketepatan. Tingkat ketepatan sangat erat hubungannya dengan perincian yang diperlukan oleh suatu peramalan. Horizon Waktu Keputusan
suatu
analisa
akan
sangat
berpengaruh,
dan
pada
saat
itu
manager
harus
memperhitungkan pemakaian metodeyang tepat pada saat itu juga. Biaya Unsur biaya yang terdapat dalam peramalan
– – – –
penyimpana data kesempatan untuk memakai metode atau teknik lainnya biaya untuk pengembangan operasi pelaksanaan
Tingkat Perincian Dalam pengambilan suatu keputusan pada umumnya telah dibagi-bagi. Dalam hal ini untuk mempermudah dalam hal penanganannya menurut tingkat perincian yang diperlukan. 2.5.
Jenis – Jenis Peramalan
Apabila dilihat ulang dari segi penyusunannya, maka peramalan dapat dibedakan atas dua macam: 1.
Peramalan Subjektif.
Peramalan yang didasarkan atas perasaan dari penulisnya sendiri 2.
Peramalan Objektif.
Peramalan yang didasarkan atas data yang kongkrit pada masa lalu dan didalam penggunaannya memakai teknik dan metode untuk menganalisa seluruh data tersebut. Berdasarkan sifatnya, peramalan dibedakan menjadi dua macam yaitu: Peramalan Kualitatif Peramalan yang didasarkan atas kualitatif pada masa lalu dan hasil peramalan yang dibuat tergantumg pada orang yang menyusunnya. Biasanya peramalan kualitatif berdasarkan atas hasil penyelidikan atau didasarkan ciri-ciri normatif. Peramalan Kuantitatif Peramalan yang didasarkan atas data yang lalu dan hasil peramalan yang dibuat sangat tergantung pada ramalan tersebut. Peramalan ini hanya dapat digunakan apabila terdapat tiga kondisi, yaitu: Adanya informasi tentang keadaan yang lain. Informasi tersebut dapat dikualifikasikan dalam bentuk data. Data diasumsikan bahwa pola yang lalu akan berkelanjutan pada masa yang akan datang. 2.6.
Akurasi Metode Peramalan Akurasi
metode
peramalan
merupakan
salah
satu
kriteria
terpenting
untuk
membandingkan berbagai metode peramalan. Biaya, kemudahan aplikasi, dan persyaratan spesifik dari suatu situasi perencanaan adalah faktor-faktor lain yang mempengaruhi pemilihan metode peramalan. Sukar menentukan metode mana yang akan memberikan ramalan paling akurat dalam suatu situasi tertentu. Tetapi selama bertahun-tahun, banyak bukt empirik telah dikumpulkan baik berupa data hipotetik maupun nyata yang memungkinkan beberapa kesimpulan umum tentang akurasi relatif dari berbagai metode peramalan.
Makridakis dan Winkler (1983) secara empirik memperkirakan dampak dari jumlah dan pilihan metode peramalan atas akurasi ramalan bila hasil dari metode yang digunakan dirata-ratakan langsung untuk mendapatkan hasil ramalan akhir. Temuan-temuan pokok mereka adalah sebagai berikut: Akurasi peramalan meningkat jika ramalan dari lebih banyak metode dikombinasikan untuk menghasilkan ramalan akhir; tetapi dampak marjinal dari penambahan satu metode berkurang dengan semakin banyaknya jumlah metode yang digunakan. Resiko kesalahan yang lebih besar dalam peramalan yang mungkin disebabkan oleh pemilihan metode yang keliru berkurang bila hasil dari dua atau lebih metode di kombinasikan. Variabel dalam akurasi ramalan diantara berbagai kombinasi metode peramalan berkurang dengan makin banyaknya metode yang digunakan. Jadi, alternatif yang bisa dilakukan bila kita tidak pasti mengenai metode peramalan yang terbaik adalah mengambil rata-rata ramalan dari dua atau beberapa model peramalan. 2.7.
Pemilihan Metoda Yang Tepat Jika proses perubahan dapat diketahui dengan tepat maka forecast pasti bisa
tepat seperti yang akan terjadi. Hal ini hanya bisa terjadi dalam ilmu alam dan ilmu pasti. Misalnya kalau suhu udara dipanaskan, apabila faktor lain tetap maka tekanan udara akan bertambah. Hubungan antara tekanan dengan suhu udara ini sudah tetap, artinya kalau diulang lagi pasti hasilnya sama. Lain halnya dalam ilmu sosial, hubungan yang pasti ini sulit diperoleh dan pola perubahan yang sebenarnya sulit diketahui. Oleh karena itu dalam membuat forecast keadaan sosial pada umumnya dan bidang ekonomi pada khususnya tidak mungkin bisa tepat. Penyimpangan pasti ada karena tingkah laku manusia itu selalu dipengaruhi oleh berbagai macam hal, seperti kebudayaan, selera, perasaan, dan sebagainya. Dalam bidang sosial dan ekonomi, meskipun kita tidak bisa membuat forecast yang persis sama dengan kenyataan, tetapi bukan berarti forecast ini tidak penting, forecast sangat penting sebagai pedoman dalam pembuatan rencana. Kerja dengan menggunakan forecast akan jauh l ebih baik daripada tanpa forecast sama sekali. Hanya sekarang masalahnya bagaimanakah cara membuat forecast agar bisa mendekati kenyataan. Caranya kita harus bisa memilih metode forecast yang paling cocok dengan masalahnya. Bagaimanakah cara membuat forecast agar bisa mendekati kenyataan. Caranya kita harus bisa memilih metode forecast yang paling cocok dengan masalahnya. Banyak sekali metoda forecasting yang ada, misalnya metode moving averages, metode exponential smoothing, metoda dekomposisi, metode input output, metde regresi, metode simulasi, dan sebagainya. Kesemuanya itu belum tentu cocok untuk setiap masalah. Tidak ada metoda forecasting yang paling baik dan selalu cocok digunakan untuk membuat forecast setiap macam hal. Suatu metoda mungkin sangat cocok untuk membuat forecast mengenai sesuaru hal tetapi tetapi tidak cocok untuk membuat forecast hal yang lain. Oleh karena itu kita harus memilih metode yang cocok, yaitu yang bisa meminimumkan kesalahan forecast. 2.8.
Metoda Dekomposisi Metoda Dekomposisi sering juga disebut sebagai metoda Time Series. Metoda ini
didasarkan pada kenyataan bahwa biasanya apa yang telah terjadi itu akan berulang kembali dengan pola yang sama. Artinya yang dulu selalu naik , pada waktu yang akan datang biasanya akan naik juga; yang biasanya berkurang biasanya akan berkurang juga; yang biasanya berfluktuasi akan berfluktuasi dan biasanya tidak teratur, biasanya akan tidak teratur.
Perubahan suatu hal itu biasanya mempunyai pola yang agak kompleks, misalnya ada unsur kenaikan, berfluktuasi dan tidak teratur. Untuk dianalisa dan diramal sekaligus sangat sulit, sehingga biasanya diadakan dekomposisi atau pemecahan yang komponen perubahnya terdiri dari; Trend (T), Fluktuasi Musiman (M), Fluktuasi Siklis (S), dan perubahan-perubahan yang bersifat Random (R). Disini yang akan dibahas adalah Trend (T). Trend atau sering disebut Seculer Trend adalah rata-rata perubahan (biasanya tiap tahun) dalam jangka panjang. Kalau hal yang diteliti menunjukkan gejala kenaikan maka trend yang dimiliki menunjukkan rata-rata pertambahan, sering disebut trend positif; tetapi kalau hal yang kita teliti menunjukkan gejala semakin berkurang, maka trend yang kita miliki menunjukkan rata-rata penurunan atau sering disebut trend negatif. Menurut Pangestu Subagyo ( Forecasting, Konsep dan Aplikasi : 2002) , metoda Dekomposisi dibagi kedalam dua bentuk metoda yaitu metoda Trend Linier Least Squares dan Trend Eksponensial. Penggunaan metoda-metoda itu tentu saja disesuaikan dengan kebutuhan dan sifat data yang dimiliki. 2.8.1
Trend Linier Dengan Metoda Least Squares
Sebetulnya ada beberapa metoda yang bisa dipakai untuk membuat trend linier ini, misalnya metoda setengah rata-rata, tetapi yang paling banyak digunakan adalah metoda least squares. Oleh karena itu dalam bagian ini yang akan kita bicarakan hanya metoda least squares saja. Dikatakn sebagai metoda least squares karena persaman yang diperoleh mengakibatkan jumlah kesalahan forecast kuadrat terkecil kalu dibandingkan dengan persamaan yang dihasilkan oleh metoda lain. Untuk mencari persamaan trend dengan metoda least squares adalah sebagai berikut :
Ŷ = a + bX Dimana Ŷ adalah nilai trend ( forecast ), a adalah bilangan konstan, b adalah slope atau koefisien kecondongan garis trend dan X mewakili waktu (tahun). Untuk mencari nilai a dan nilai b dari persamaan diatas, maka dapat digunakan dua persamaan normal sebagai berikut:
∑Y = n . a + b . ∑X ∑XY = a . ∑X + b . ∑X² Untuk mempermudah hitungannya biasanya nilai X pada tahun yang berada di tengah diberi angka 0, tahun-tahun sesudahnya berturut-turut 1, 2, 3, dan seterusnya, sedangkan tahun-tahun sebelumnya berturut-turut -1, -2, -3, dan seterusnya. Kalau jumlah data (tahun) ganjil, maka kita bisa meletakkan X = 0 tepat ditahun yang berada di tengah, sehingga persamaan diatas dapat dirubah, manghasilkan rumus untuk mencari nilai a dan nilai b secara lebih singkat sebagai berikut: a = ∑X / n b = ∑XY / ∑X² Untuk data yang jumlah tahunnya genap akan menjadi masalah, sebab tidak ada tahun yang tepat di tengah dan nilai X = 0 terletak diantara dua tahun yang mendekati tengah. Untuk mengatasi hal ini kita buat skala X setengah tahunan, sehingga untuk setiap perbedaan satu tahun nilai X berbeda pula. Lihat contoh gambar 2.1. 1997
1998
-5
-3
Gambar 2.1.
1999
2000
2001
2002
-1
1
3
5
tahun skala X
Skala X dengan tahunan karena banyaknya tahun genap.
Tahun yang mendekati tengah diantara tahun 1999 dan 2000, oleh karena itu origin (X = 0) terletak di antara tahun 1999 dan 2000. Untuk tahun 1999 terletak setengah tahun sebelum tahun origin, maka diberi nilai X = -1, sedang tahun 2000 setengah tahun sesudah origin diberi nilai X = 1, sedangkan untuk tahun 2001 terletak satu setengah tahun dari origin maka diberi nilai X = 3; dan seterusnya. 2.8.2.
Trend Eksponensial
Perubahan sesuatu itu mungkin bersifat eksponensial, seperti persamaan di bawah ini :
ŷ= abX Untuk mencari nilai a serta b pada persamaan diatas sukar, maka kit a gunakan cara dengan bantuan logaritma, sehingga persamaannya berubah menjadi persaman dengan skala logaritma, yang menghasilkan proyeksi terhadap log Y, sebagai berikut:
Log ŷ = log a + x . log b Untuk mencari nilai log a serta log b digunakan rumus sebagai berikut : Log a = ∑ log y
dan log b = ∑ ( x . log y )
∑ x²
N
Untuk mencari persamaan trend dilakukan dengan prosedur sebagai berikut: Susunlah data kedalam tabel Hitunglah logaritma ( log Y )dari data tersebut, kemudian hitung jumlahnya. Buatlah skala X dengan nilai 0 ditengah Hitung nilai X², kemudian jumlahkan. Kalikanlah hasil logaritma ( log Y ) dengan nilai X, kemudian jumlahkan. Hitung log a dan log b
Hitung log Ŷ pada tahun yang dikehendaki. https://randynoerhardi.wordpress.com/2012/10/30/analisis-peramalan-penjualan-pada-pt-fast-foodkfc-indonesia-2/ (15 Mei 2015)
Peramalan ( Forecasting) PERAMALAN (FORECASTING)
Salah satu keputusan penting dalam perusahaan yang dilakukan oleh manajemen adalah menentukan tingkat produksi dari barang atau jasa yang perlu disiapkan untuk masa datang. Penentuan tingkat produksi, yang merupakan tingkat penawaran yang dipengaruhi oleh jumlah permintaan pasar yang dapat dipenuhi oleh perusahaan. Tingkat penawaran yang lebih tinggi dari permintaan pasar dapat mengakibatkan terjadinya pemborosan biaya, seperti biaya penyimpanan, biaya modal, dan biaya kerusakan barang. Tingkat penawaran yang lebih rendah dibandingkan dengan kemampuan pangsa pasar yang dapat diraih mengakibatkan hilangnya
kesempatan untuk memperoleh keuntungan, bahkan mengakibatkan hilangnya pelanggan karena beralih ke pesaing. Untuk membantu tercapainya suatu keputusan yang optimal diperlukan adanya suatu cara yang tepat, sistematis dan dapat dipertanggungjawabkan. Salah satu alat yang diperlukan oleh manajemen dan merupakan bagian dari proses pengambilan keputusan adalah metode Peramalan (Forecasting). Metode peramalan digunakan untuk mengukur atau menaksir keadaan di masa datang. Peramalan tidak saja dilakukan untuk menentukan jumlah produk yang perlu dibuat atau kapasitas jasa yang perlu disediakan, tetapi juga diperlukan untuk berbagai bidang lain (seperti dalam pengadaan, penjualan, personalia, termasuk peramalan teknologi, ekonomi ataupun perubahan sosial-budaya). Dalam setiap perusahaan, bagian yang satu selalu mempunyai keterkaitan dengan bagian lain sehingga suatu peramalan yang baik atau buruk akan mempengaruhi perusahaan secara keseluruhan. Kebutuhan akan peramalan semakin bertambah sejalan dengan keinginan manajemen untuk memberikan respon yang cepat dan tepat terhadap kesempatan di masa datang, serta menjadi lebih ilmiah dalam menghadapi lingkungan. Oleh karena itu, penguasaan terhadap metode peramalan menjadi signifikan bagi seorang manajer operasi.
1.1
Pengertian Umum Peramalan dapat dilakukan secara kuantitatif ataupun kualitatif. Pengukuran kuantitatif
menggunakan metode statistik, sedangkan pengukuran kualitatif berdasarkan pendapat ( judgment ) dari yang melakukan peramalan. Berkaitan dengan itu, dalam peramalan dikenal istilah prakiraan dan prediksi. Peramalan didefinisikan sebagai proses peramalan suatu variabel (kejadian) di masa datang dengan berdasarkan data variabel yang bersangkutan pada masa sebelumnya. Data masa lampau itu secara sistematik digabungkan dengan menggunakan suatu metode tertentu dan diolah untuk memperoleh prakiraan keadaan pada masa datang. Prediksi adalah proses peramalan suatu variabel di masa datang dengan lebih mendasarkan pada pertimbangan subjektif/intuisi daripada data kejadian pada masa lampau. Meskipun lebih menekankan pada intuisi, dalam prediksi juga sering terdapat data kuantitatif yang dipakai sebagai masukan dalam melakukan peramalan. Dalam prediksi, peramalan yang
baik/tepat sangat tergantung dari kemampuan, pengalaman dan kepekaan dari orang yang bersangkutan. Perbedaan antara prakiraan dan prediksi dapat digambarkan sebagai berikut. Suatu perusahaan ingin meramalkan berapa permintaan pasar atas produknya pada periode yang akan datang, maka perusahaan itu dapat melakukan prakiraan dengan menggunakan data penjualan periode sebelumnya untuk mengetahui taksiran permintaan pasar. Namun, jika akan mengeluarkan produk baru, perusahaan yang bersangkutan melakukan prediksi untuk mengetahui berapa jumlah yang dapat diserap pasar karena belum mempunyai data penjualan masa lampau. Dalam hal ini, perusahaan menggunakan data kuantitatif –seperti data penjualan produk sejenis dari perusahaan lain –sebagai masukan dalam melakukan prediksi. Berdasarkan horizon waktu, Jenis-jenis peramalan dapat dibagi dalam tiga bagian, yaitu peramalan jangka panjang, menengah, dan jangka pendek. 1. Peramalan jangka panjang , yaitu yang mencakup waktu lebih besar dari 24 bulan, misalnya peramalan yang diperlukan dalam kaitannya dengan penanaman modal, perencanaan fasilitas, dan perencanaan untuk kegiatan litbang. 2. Peramalan jangka menengah, yaitu antara
3-24 bulan,
misalnya peramalan
untuk
perencanaan penjualan, perencanaan dan anggaran produksi. 3. Peramalan jangka pendek , yaitu untuk jangka waktu kurang dari 3 bulan, misalnya peramalan dalam hubungannya dengan perencanaan pembelian material, penjadwalan kerja, dan penugasan. Peramalan jangka panjang banyak menggunakan pendekatan kualitatif, sedangkan peramalan jangka menengah dan pendek menggunakan pendekatan kuantitatif. 1.2
Metode Peramalan Kuantitatif Pada
dasarnya,
metode
kuantitatif
yang
digunakan
dalam
prakiraan
dapat
dikelompokkan dalam dua jenis, yaitu metode serial waktu dan metode kausal. Metode serial waktu (deret berkala, time series) adalah metode yang digunakan untuk menganalisis serangkaian data yang merupakan fungsi dari waktu. Metode ini mengasumsikan bahwa beberapa pola atau kombinasi pola selalu berulang sepanjang waktu, dan pola dasar dapat diidentifikasi semata-mata atas dasar data historis dari serial itu. Tujuan analisis ini untuk
menemukan pola deret variabel yang bersangkutan berdasarkan nilai-nilai variabel pada masa sebelumnya, dan mengekstrapolasikan pola itu untuk membuat peramalan nilai variabel tersebut pada masa datang. Metode kausal (causal/explanatory
model ) mengasumsikan bahwa faktor yang
diprakirakan menunjukkan adanya hubungan sebab akibat dengan satu atau beberapa variabel bebas (independen). Misalnya, permintaan printer berhubungan dengan jumlah penjualan komputer, atau jumlah pendapatan berhubungan dengan faktor-faktor, seperti jumlah penjualan, harga jual, dan tingkat promosi. Kegunaan metode kausal untuk menemukan bentuk hubungan antara variabel-variabel dan menggunakannya untuk meramalkan nilai dari variabel tidak bebas (dependen). 1.2.1
Metode Serial Waktu Analisis serial waktu dimulai dengan memplot data pada suatu skala waktu, mempelajari
plot tersebut, dan akhirnya mencari suatu bentuk atau pola yang konsisten atas data. Pola dari serangkaian data dalam serial waktu dapat dikelompokkan dalam pola dasar sebagai berikut (lihat gambar 4.1).
1. Konstan, yaitu apabila data berfluktuasi di sekitar rata-rata secara stabil. Polanya berupa garis lurus horizontal. Pola seperti ini terdapat dalam jangka pendek atau menengah, jarang sekali suatu variabel memiliki pola konstan dalam jangka panjang. 2. Kecenderungan (trend ), yaitu apabila data dalam jangka panjang mempunyai kecenderungan, baik yang arahnya meningkat dari waktu ke waktu maupun menurun. Pola ini disebabkan antara lain oleh bertambahnya populasi, perubahan pendapatan, dan pengaruh budaya. 3. Musiman (seasonal ), yaitu apabila polanya merupakan gerakan yang berulang-ulang secara teratur dalam setiap periode tertentu, misalnya tahunan, semesteran, kuartalan, bulanan atau mingguan. Pola ini berhubungan dengan faktor iklim/cuaca atau faktor yang dibuat oleh manusia, seperti liburan dan hari besar. 4. Siklus (cyclical ), yaitu apabila data dipengaruhi oleh fluktuasi ekonomi jangka panjang, seperti daur hidup bisnis. Perbedaan utama antara pola musiman dan siklus adalah pola musiman
mempunyai panjang gelombang yang tetap dan terjadi pada jarak waktu yang tetap, sedangkan pola siklus memiliki durasi yang lebih panjang dan bervariasi dari satu siklus ke siklus yang lain. 5. Residu atau variasi acak, yaitu apabila data tidak teratur sama sekali. Data yang bersifat residu tidak dapat digambarkan.
Pengolahan data kuantitatif dari serial waktu dapat dilakukan dengan metode dasar, sebagai berikut: a.
rata-rata bergerak;
b.
pemulusan eksponensial;
c.
dekomposisi. Metode dasar itu telah dikembangkan lagi menjadi berbagai derivasi/ turunannya. Dalam buku ini hanya akan dibahas sebagian dari derivasi metode dasar tersebut.
1.2.2 1.
Metode Rata-Rata Bergerak Metode Rata-Rata Berg erak Sederhana (Simp le Moving A verage)
Prakiraan didasarkan pada proyeksi serial data yang dimuluskan dengan rata-rata bergerak. Satu set data (N periode terakhir) dicari rata-ratanya, selanjutnya dipakai sebagai prakiraan untuk periode berikutnya. Istilah rata-rata bergerak digunakan karena setiap diperoleh observasi (data aktual) baru maka rata-rata yang baru dapat dihitung dengan mengeluarkan/meninggalkan data periode yang terlama dan memasukkan data periode yang terbaru/terakhir. Rata-rata yang baru ini kemudian dipakai sebagai prakiraan untuk periode yang akan datang, dan seterusnya. Serial data yang digunakan jumlahnya selalu tetap termasuk data periode terakhir. Secara matematika, rumus prakiraan dengan metode rata-rata bergerak sederhana sebagai berikut.
Ft+1 =
Dimana : Xt
= data pengamatan periode t
N
= jumlah deret waktu yang digunakan
Ft+1
= nilai prakiraan periode t + 1
Tabel 6.1 memberikan contoh perhitungan peramalan menggunakan metode rata-rata bergerak sederhana dengan deret waktu (N) 3 periode dan 5 periode.
Tabel 1.1
Prakiraan deng an Metod e Rata-Rata Bergerak Sederhana Periode
Nilai pengamatan
Nilai peramalan (F)
(t)
(Xt)
(N = 3)
(N = 5)
1
41
-
-
2
40
-
-
3
42
-
-
4
43
41,0
-
5
41
41,7
-
6
42
42,0
41,4
7
41
42,0
41,6
8
40
41,3
41,8
9
43
41,0
41,4
10
42
41,3
41,4
11
-
41,7
41,6
Prakiraan permintaan pada periode ke-11 dapat dihitung, sebagai berikut.
Untuk N = 3
F 11 = (40 + 43 + 42) / 3 = 41,7
N=5
F11 = (42 + 41 + 40 + 43 + 42) / 5 = 41,6
Semakin panjang/banyak serial waktu yang digunakan, grafik prakiraannya akan semakin halus (pengisolasian faktor random makin halus) tetapi semakin kurang responsif terhadap data aktualnya (lilhat gambar 4.2). Serial waktu yang digunakan dipilih secara trial and error sampai diperoleh kesalahan prakiraan yang terkecil. Pengukuran ketelitian prakiraan diterangkan pada bagian akhir bab ini.
2.
Metod e Rata-Rata Bergerak Tertimb ang
Metode rata-rata bergerak sederhana menggunakan bobot yang sama pada setiap periode. Hal ini menunjukkan bentuk prakiraannya linier. Dalam banyak hal, periode yang diramalkan (periode t + 1) banyak memiliki keadaan yang sama dengan periode t dibandingkan periode yang lain, misalnya t-1 atau t-2. Oleh karena itu, periode terakhir seyogianya mendapat bobot yang lebih besar dibandingkan dengan periode sebelumnya (di sini menyiratkan adanya bentuk prakiraan yang non linier). Metode rata-rata tertimbang dikembangkan untuk dapat memenuhi keinginan itu. Metode rata-rata bergerak tertimbang ( weighted moving average) juga menggunakan data N periode terakhir sebagai data historis untuk melakukan prakiraan, tetapi setiap periode mendapat bobot yang berbeda. Rumus metode rata-rata bergerak tertimbang sebagai berikut.
Ft+1 =
Ft+1 = W.Xt + Wt-1.Xt-1 + ... + W t-N+1.Xt-N+1 Dimana :
Wt = persentase bobot yang diberikan periode t
Apabila W t + W t-1 + ... + W t-N+1 = 1, rumus nilai prakiraan untuk periode t+1 dapat disederhanakan menjadi:
Ft+1 = Wt.Xt + Wt-1.Xt-1 + ... + Wt-N+1. Xt-N+1
Contoh prakiraan dengan menggunakan metode rata-rata bergerak tertimbang dapat dilihat pada tabel 4.2. Pada tabel itu diberikan dua contoh, pertama menggunakan 3 periode dengan pembobotan 50:30:20 (kolom 3), sedangkan kedua menggunakan 4 periode dengan pembobotan 40:30:20:10 (kolom 4). Bobot terbesar berarti untuk periode t, dan secara berurutan untuk periode t-1, t-2 dan seterusnya.
Tabel 1.2
Peram alan dengan Metode Rata-Rata Bergerak Tertim bang Periode
Nilai pengamatan
Nilai peramalan (F)
(t)
(Xt)
(50, 30, 20)*
(40, 30, 20, 10)*
1
41
-
-
2
40
-
-
3
42
-
-
4
43
41,2
-
5
41
40,6
40,7
6
42
40,9
40,8
7
41
41,3
41,3
8
40
41,8
41,6
9
43
42,5
42,3
10
42
41,8
41,9
11
-
42,9
42,7
* Perbandingan bobot X pada periode t, t-1, t-2 (dalam persen) ** Perbandingan bobot X pada periode t, t-1, t-2, t-3 (dalam persen)
http://arimuhadi.blogspot.com/2013/10/peramalan-forecasting.html PERAMALAN PERMINTAAN BARANG (MANAJEMEN OPERASI) PERAMALAN Pengertian Peramalan 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. Selain itu peramalan juga didefinisikan sebagai seni dan ilmu untuk memperkirakan kejadian di masa depan. Hal ini dapat dilakukan dengan melibatkan pengambilan data masa lalu dan menempatkannya ke masa yang akan datang dengan suatu bentuk model matematis. Bisa juga merupakan prediksi intuisi yang bersifat subjektif. Atau bias juga dengan menggunakan kombinasi model matematis yang disesuaikan dengan pertimbangan yang baik dari seorang manajer. Peramalan (forecasting) merupakan alat bantu yang penting dalam perencanaan yang efektif dan efisien khususnya dalam bidang ekonomi. Peramalan mempunyai peranan langsung pada peristiwa eksternal yang pada umumnya berada di luar kendali manajemen, seperti: ekonomi, pelanggan, pesaing, pemerintah dan lain sebagainya. Peramalan permintaan memegang peranan penting dalam perencanaan dan pengambilan keputusan khususnya dibidang produksi. Aktivitas manajemen operasi menggunakan peramalan permintaan dalam perencanaan yang menyangkut skedul produksi, perencanaan pemenuhan kebutuhan bahan, perencanaan kebutuhan tenaga kerja, perencanaan kapasitas produksi, perencanaan layout fasilitas, penentuan lokasi, pemenuhan metode proses, penentuan jumlah mesin, desain aliran bahan dan lain sebagainya. Peranan ini disebabkan adanya tenggang waktu antara suatu peristiwa dengan kebutuhan mendatang. Walaupun terdapat banyak bidang lain yang memerlukan peramalan permintaan, namun aktivitas manajemen operasi di atas merupakan bentuk khas dari keperluan peramalan permintaan baik jangka pendek, menengah mauppun jangka panjang. Pada gilirannya, perusahaan perlu memiliki pengetahuan dan ketrampilan yang meliputi: a) Identifikasi dan definisi masalah peramalan b) Aplikasi metode peramalan c) Pemilihan metode peramalan yang tepat untuk situasi tertentu d) Dukungan manajemen untuk menggunakan metode peramalan tertentu
Peramalan tidak terlalu dibutuhkan dalam kondisi permintaan pasar yang stabil, karena perubahan permintaannya relatif kecil. Tetapi peramalan akan sangat dibutuhkan bila kondisi permintaan pasar bersifat kompleks dan dinamis. Hanya sedikit bisnis yang dapat menghindari proses peramalan dan hanya menunggu apa yang terjadi untuk kemudian mengambil kesempatan. Perencanaan yang efektif baik untuk jangka panjang maupun bergantung pada peramalan permintaan untuk produk perusahaan tersebut. A. METODE PERAMALAN PERMINTAAN Banyak jenis metode peramalan yang tersedia untuk manajemen. Namun yang lebih penting bagi para praktisi adalah bagaimana memahami karakteristik suatu metode peramalan agar cocok bagi situasi pengambilan keputusan tertentu. Secara umum metode peramalan dapat dibagi dalam dua ketegori utama, yaitu metode kuantitatif dan metode kualitatif. Metode kuantitatif dapat dibagi ke dalam deret berkala atau kurun waktu (time series) dan metode kausal, sedangkan metode kualitatif dapat dibagi menjadi metode eksploratoris dan normative. Metode kuantitatif sangat beragam dan setiap teknik memiliki sifat, ketepatan dan biaya tertentu yang harus dipertimbangkan dalam memilih metode tertentu. Untuk menggunakan metode kuantitatif terdapat tiga kondisi yang harus dipenuhi, yaitu: Tersedia informasi tentang masa lalu Informasi tersebut dapat dikuantitatifkan dalam bentuk numeric Diasumsikan bahwa beberapa pola masa lalu akan terus berlanjut B. METODE RUNTUN WAKTU Metode runtun waktu atau sering disebut metode deret waktu atau deret berkala menggambarkan berbagai gerakan yang terjadi pada sederetan data pada waktu tertentu. Langkah penting dalam memiliki metode runtunwaktu adalah dengan mempertimbangkan jenis pola data. Pola data dapat dibedakan menjadi empat jenis siklus dan trend (makriadis & wheelright, 1983), yaitu: 1. Pola horizontal, terjadi bilamana nilai data berfluktuasi di sekitar nilai rata-rata yang konstan. 2. Pola musiman, terjadi bilamana suatu deret dipengaruhi oleh factor musiman. 3. Pola siklus, terjadi bilamana datanya dipengaruhi oleh fluktuasi ekonomi jangka panjang seperti siklus bisnis. 4. Pola trend, terjadi bilamana terdapat kenaikan atau penurunan sekuler jangka panjang dalam data.
C. METODE GERAKAN TREND Anggapan yang mengatakan bahwa garis trend se harusnya merupakan garis linear tidak selalu demikian. Terdapat empat cara yang biasa digunakan untuk mengukur gerakan trend, yaitu: Metode bebas ( freehand method) Metode setengah-setengah (semi average method) Metode rata-rata bergerak (moving average method) Metode kuadrat terkecil (least quares method) D. METODE VARIASI MUSIM Terdapat empat cara yang umumnya digunakan untuk mengukur variasi musim, yaitu: Metode rata-rata sederhana Metode perbandingan dengan trend Metode relative berantara
Metode perbandingan dengan rata-rata bergerak
E. Pola dan Teknik Peramalan 1. Teknik peramalan kualitatif atau subyektif (qualitative forecast) Teknik peramalan yang menggabungkan faktor seperti intuisi, emosi, pengalaman pribadi, dan sistem nilai pengambil keputusan untuk meramal. Terdapat empat teknik yang berbeda, yaitu : Keputusan Dari Pendapat Juri Eksekutif (Jury of Executive Opinion) . Teknik peramalan yang meminta pendapat segolongan kecil manajer tingkat tinggi dan menghasilkan estimasi permintaan kelompok. Dalam metode ini, pendapat sekumpulan kecil manajer atau pakar tingkat tinggi, sering dikombinasikan dengan model statistik, dikumpulkan untuk mendapatkan pre diksi kelompok. Metode Delphi (Delphi Method ). Teknik peramalan yang menggunakan proses kelompok dimana para pakar melakukan peramalan. Ada 3 jenis peserta dalam metode ini : pengambil keputusan, karyawan, dan responden. Pengambil keputusan biasanya terdiri dari 5 hingga 10 orang pakar yang akan melakukan peramalan. Karyawan membantu pengambil keputusan dengan menyiapkan, menyebarkan, mengumpulkan, serta meringkas sejumlah kuesioner dan hasil survei. Responden adalah sekelompok orang, biasanya ditempatkan di tempat yang berbeda, dimana penilaian dilakukan. Kelompok ini memberikan input pada pengambil keputusan sebe lum peramalan dibuat. Gabungan Dari Tenaga Penjualan ( Sales Force Composite). Teknik peramalan berdasarkan prediksi tenaga penjualan akan penjualan yang diharapkan. Dalam pendekatan ini, setiap tenaga penjualan memperkirakan berapa penjualan yang bisa ia lakukan dalam wilayahnya. Peramalan ini kemudian dikaji unutk memastikan apakah peramalan cukup realistis. Kemudian peramalan dikombinasikan pada tingkat wilayah dan nasional untuk mendapatkan peramalan secar a keseluruhan. Survei Pasar Konsumen (Consumer Market Survey ).Metode peramalan yang meminta input dari konsumen mengenai rencana pembelian mereka di masa depan. Hal ini membantu tidak hanya dalam menyiapkan peramalan tetapi juga memperbaiki desain produk dan perencanaan produk baru. Survei konsumen dan gabungan tenaga penjualan bisa jadi tidak benar, karena peramalan yang berasal dari input konsumen yang terlalu optimis.
2. Peramalan Time – Series Teknik peramalan yang menggunakan sekumpulan data masa lalu untuk melakukan peramalan. Model time-series membuat predikisi dengan asumsi bahwa masa depan merupakan fungsi masa lalu. Dengan kata lain, mereka melihat apa yang terjadi selama kurun waktu tertentu, dan menggunakan data masa lalu tersebut untu melakukan peramalan. Jika kita mem perkirakan penjualan mingguan mesin pemotong rumput, kita menggunakan data penjualan minggu lalu untuk membuat ramalan. Time-series mempunyai empat komponen, yaitu : Tren, Musim, Siklus, Variasi Acak. F.
Lima Metode Peramalan Yang Menggunakan Data Masa Lalu : 1. Pendekatan Naif , teknik peramalan yang mengasumsikan permintaan, di periode mendatang sama dengan permintaan terkini. Terbukti untuk beberapa jenis produk, pendekatan naif (naive approach) ini merupakan model peramalan objektif yang paling efektif dan efesien dari se gi biaya. paling tidak, pendekatan naif memberikan titik awal untuk perbandingan dengan model lain yang lebih canggih. 2. Rata-Rata Bergerak , metode peramalan yang menggunakan rata-rata dari sejumlah ( n) data terkini untuk meramalkan periode mendatang. Rata-rata bergerak berguna jika kita dapat mengasumsikan bahwa permintaan pasar akan stabil sepanjang masa yang kita ramalkan. Rata-rata beergerak = ∑ permintaan n periode sebelumnya n
3. Penghalusan Eksponensial (Exponential Smoothing) adalah teknik peramalan rata-rata bergerak dengan pembobotan dimana data diberi bobot oleh sebuah fungsi eksponensial. Penghalusan eksponensial mungkin terdengar aneh, tetapi sebenarnya banyak digunakan dalam bisnis dan merupakan bagian penting dari sistem pengendalian persediaan berbasis komputer. 4. Proyeksi Tren, metode peramalan time-series yang mnyesuaikan sebuah garis tren pada sekumpulan data masa lalu, dan kemudian diproyeksikan dalam garis untuk meramalkan masa depan. 5. Analisis Regresi Linier , model matematis garis lurus yang menjelaskan hubungan fungsional antara variabel bebas dan variabel terikat. persamaan regresi menunjukkan bagaimana satu variabel berhubungan pada nilai dan per ubahan pada variabel lain.
Daftar Pustaka
Yamit, Zulian. 2003. Manajemen Operasi dan Produksi. Edisi Kedua. Yogyakarta: EKONISIA. Hakim Nasution, Arman. 2003. Perencanaan dan Pengendalian Produksi. Edisi Kedua. Surabaya: Prima Printing http://go-phelz.blogspot.com/2011/01/peramalan-permintaan-barang-manajemen.html
