PERAMALAN_MO

 NAMA: RESNA YULIANI

NIM: 1123070091

KELAS: 3/MKS/C

PEMBAHASAN

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.

            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.

6.1       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.    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 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.

6.2       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.

           

6.2.1    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)

Gambar 6.1   Pola dalam Serial Wa

 

1.     Konstan, yaitu apabila data berfluktuasi di sekitar rata-rata secara stabil. Polanya berupa garis lurus horizontal.

2.     Kecenderungan (trend), yaitu apabila data dalam jangka panjang mempunyai kecenderungan, baik yang arahnya meningkat dari waktu ke waktu maupun menurun.

3.     Musiman (seasonal), yaitu apabila polanya merupakan gerakan yang berulang-ulang secara teratur dalam setiap periode tertentu, misalnya tahunan, semesteran, kuartalan, bulanan atau mingguan.

4.     Siklus (cyclical), yaitu apabila data dipengaruhi oleh fluktuasi ekonomi jangka panjang, seperti daur hidup bisnis.

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.

6.2.2    Metode Rata-Rata Bergerak

1.    Metode Rata-Rata Bergerak Sederhana (Simple Moving Average)

            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 :

X_t        = data pengamatan periode t

N         = jumlah deret waktu yang digunakan

F_t+1      = nilai prakiraan periode t + 1

           

2.         Metode Rata-Rata Bergerak Tertimbang

            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 + ... + Wt-N+1.Xt-N+1

                        Dimana :

                           W_t = persentase bobot yang diberikan periode t

6.2.3        Metode Pemulusan Eksponensial

1. Metode Pemulusan Eksponensial Tunggal

            Metode pemulusan eksponensial tunggal (single exponential smoothing) menambahkan parameter a dalam modelnya untuk mengurangi faktor kerandoman. Nilai prakiraan dapat dicari dengan menggunakan rumus berikut ini.

Ft+1 = a . Xt + (1 - aa) . Ft

Dimana:

                        X_t        = data permintaan pada periode t

                        a          = faktor/konstanta pemulusan

F_t+1      = prakiraan untuk periode t

2.      Metode Pemulusan Eksponensial Linier

            Metode pemulusan eksponensial tunggal hanya akan efektif apabila serial data yang diamati memiliki pola horizontal (stationer). Jika metode itu digunakan untuk serial data yang memiliki unsur trend (kecenderungan) yang konsisten, nilai-nilai prakiraannya akan selalu berada di belakang nilai aktualnya (terjadi lagging yang terus-menerus). Metode yang tepat untuk melakukan prakiraan serial data yang memiliki unsur trend adalah metode pemulusan eksponensial linier. Salah satu metode yang digunakan adalah metode pemulusan eksponensial linier dari Holt, yang menggunakan persamaan sebagai berikut.

St         = a. Xt + (1 - a) (St-1 + Tt-1) Tt         = b . (St - St-1) + (1 - b) . Tt-1 Ft+m     = St + Tt . m

3.   Metode Pemulusan Eksponensial Musiman

            Sebagaimana halnya dengan persamaan pemulusan eksponensial linier yang dapat digunakan untuk memprakirakan serial data yang memiliki pola trend, bentuk persamaan yang lebih tinggi dapat digunakan jika pola dasar serial datanya musiman. Salah satu metode prakiraan yang khusus untuk data yang berpola musiman adalah metode pemulusan eksponensial linier dan musiman dan Winter. Metode ini didasarkan atas tiga persamaan, yaitu unsur stationer, trend dan musiman, yang dirumuskan sebagai berikut:

St         = a (Xt/It-L) + (1 - a) (St-1 + Tt-1)             Tt           = b (St - St-1) + (1 - b) Tt-1                 It             =  g ((Xt/St) + (1 - g) It-L             Ft+m­     = (St + Tt.m) It-L+m

Dimana :

L            = jumlah periode dalam satu siklus musim

I = faktor penyesuaian musiman (indeks musiman)

6.3       Metode Dekomposisi

Metode peramalan yang telah dibahas di atas didasari pada konsep bahwa ketika terdapat sebuah pola dasar dalam suatu serial data, pola itu dapat dipisahkan dari faktor random dengan memuluskan (merata-ratakan) nilai dalam data, sehingga pola dapat diproyeksikan ke masa datang dan digunakan untuk membuat peramalan

            Metode dekomposisi mengasumsikan suatu data terdiri atas pola dasar dan kesalahan, atau dalam bentuk matematikanya, sebagai berikut.

Xt = f (St, Tt, Ct, Rt)

            Dimana :          S_t = komponen musiman pada periode t

T_t = komponen trend pada periode t

C_t = komponen siklus pada periode t

R_t= komponen random (kesalahan) pada periode t

6.4       Metode Kausal

Metode kausal atau disebut juga dengan metode eksplanatori mengasumsikan adanya hubungan sebab akibat antara variabel bebas dan variabel tidak bebas yang dipengaruhinya, atau dalam bentuk lain antara input dan output dari suatu sistem. Sistem itu dapat berbentuk makro (seperti perekonomian nasional) atau mikro (seperti dalam perusahaan atau rumah tangga).

            Metode kausal bertujuan untuk meramalkan keadaan di masa datang dengan menemukan dan mengukur beberapa variabel bebas (independen) yang penting beserta pengaruhnya terhadap variabel tidak bebas yang diamati