BAB II
LANDASAN TEORI
2.1. Pengertian Peramalan
Peramalan atau forecasting permintaan akan produk dan jasa di waktu mendatang dan bagian-bagiannya adalah sangat penting dalam perencanaan dan pengawasan produksi. Yang dimaksud dengan peramalan produksi atau production 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 berdasarkan rencana pemasaran yang dipilih dan lingkungan pemasaran yang diasumsikan “.
Peramalan menurut Phillip Kotler dan Garry Amstrong (Dasar-DasarPemasaran : 1997) :
“Peramalan adalah seni memperkirakan permintaan dimasa depan dengan mengantisipasi apa 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 dibagi kedalam 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 lingkungannya.
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 lebih 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 1999 2000 2001 2002 tahun
-5 -3 -1 1 3 5 skala X
Gambar 2.1. 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 = a b X
Untuk mencari nilai a serta b pada persamaan diatas sukar, maka kita 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 )
N ∑ x²
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.
Randynoerhardi's Blog 
Tinggalkan komentar