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 :
Xt = data pengamatan periode t
N = jumlah deret waktu yang digunakan
Ft+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 :
Wt = persentase bobot yang
diberikan periode t
6.2.3
Metode Pemulusan Eksponensial
- 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:
Xt = data permintaan pada periode t
a = faktor/konstanta pemulusan
Ft+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
: St = komponen
musiman pada periode t
Tt
= komponen trend pada periode t
Ct
= komponen siklus pada periode t
Rt=
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