Peramalan ( Metode Forecasting)

Peramalan
Peramalan/Perkiraan (Forecasting) Forecasting adalah meramalkan, memproyeksikan, atau
mengadakan perkiraaan/ taksiran terhadap berbagai kemungkinan yang akan terjadi sebelum
suatu rancana yang lebih pasti dapat dilakukan. Peramalan ( forecasting ) adalah seni dan ilmu
untuk memperkirakan kejadian di masa depan. Hal ini dapat dilakukan dengan melibatkan
pengambilan data historis dan memproyeksikannya ke masa mendatang dengan suatu bentuk
model matematis. Hal ini bisa juga merupakan pediksi intuisi yang bersifat subjektif. Hal ini pun
dapat dilakukan dengan menggunakan kombinasi model matematis yang disesuakan dengan
pertimbangan yang baik dari seorang manager.

Setelah mengenal beberapa teknik peramalan, anda akan melihat bahwa tidak ada satu metode
tunggal yang paling unggul. Sesuatu yan berjalan dengan baik di suatu perusahaan pada suatu set
kondisi tertentu mungkin bisa menjadi bencana bagi organisasi lain, bahkan pada departemen
yang berada di perusahaan yang sama. Selain itu, anda akan melihat keterbatasan dari apa yang
dapat anda harapkan dari suatu peramalan.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 pendek bergantung pada peramalan
permintaan untuk produk perusahaan. Peramalan (Forecasting), merupakan kegiatan
memprediksi nilai-nilai sebuah variabel berdasarkan nilai yang diketahui dari variabel tersebut
atau variabel yang berhubungan. Terdapat dua macam metode yaitu metode kualitatif dan metode
kuantitatif. Metode kualitatif hanya menggunakan intuisi saja, tanpa menggunakan pendekatan
matematis maupun statistik. Situasi, kondisi, dan pengalaman peramal sangat mempengaruhi
hasil ramalan. Metode kuantitatif dapat dibedakan menjadi dua cara yaitu metode kausal dan
metode time series. Metode kausal mempertimbangkan nilai sebuah variabel sebagai pengaruh
dari banyak variabel yang lain. Sedangkan metode time series hanya meninjau nilai sebuah
variabel sebagai fungsi waktu.

Metode Forecasting
Metode peramalan (forecasting) terdiri dari metode kualitatif dan kuantitatif. Metode kualitatif
adalah metode yang menganalisis kondisi obyektif dengan apa adanya atau peramalan yang
didasarkan atas data kualitatif pada masa lalu. Hasil peramalan yang dibuat sangat bergantung
pada orang yang menyusunnya. Peramalan kualitatif memanfaatkan factor-faktor penting seperti
intuisi, pendapat, pengalaman pribadi, dan system nilai pengambilan keputusan. Metode ini
meliputi metode delphi, metode nominal grup, survey pasar dan analisis historikal analogy and
life cycle.

Metode kuantitatif adalah peramalan yang didasarkan atas data kuantitatif atau model matematis
yang beragam dengan data masa lalu. Hasil peramalan yang dibuat sangat bergantung pada
metode yang dipergunakan dalam peramalan tersebut.

Baik tidaknya metode yang digunakan tergantung dengan perbedaan atau penyimpangan antara
hasil ramalan dengan kenyataan yang terjadi. Semakin kecil penyimpangan antara hasil ramalan
dengan kenyataan yang akan terjadi maka semakin baik pula metode yang digunakan. Metode
kuantitatif dapat diterapkan apabila :

a. Tersedia data dan informasi masa lalu

b. Data dan Informasi tersebut dapat dikuantitatifkan dalam bentuk numerik
c. Diasumsikan beberapa aspek masa lalu akan terus berlanjut di masa datang.

Metode ini meliputi metode kausal dan time series.

Metode Time Series

Metode time series (deret waktu) didasarkan atas penggunaan analisa pola hubungan antar
variabel yang diperkirakan dengan variabel waktu. Metode time series terdiri dari metode naif,
metode rata-rata bergerak (moving average), metode eksponential smoothing dan metode trend
projection.

Metode Naif

Cara sederhana untuk peramalan ini mengasumsikan bahwa permintaan dalam periode
berikutnya adalah sama dengan peramalan dalam periode sebelumnya. Pendekatan naif ini
merupakan model peramalan objektif yang paling efektif dan efisien dari segi biaya. Paling tidak
pen-dekatan naif memberikan titik awal untuk perbandingan dengan model lain yang lebih
canggih.

Contoh : jika penjualan sebuah produk (mis: telepon genggam Motorolla) adalah 68 unit pada
bulan Januari, kita dapat meramalkan penjualan pada bulan Februari akan sama, yaitu sebanyak
68 unit juga.

Metode Rata-rata Bergerak (Moving Average)

Rata-rata bergerak adalah suatu metode peramalan yang menggunakan rata-rata periode terakhir
data untuk meramalkan periode berikutnya.

Peramalan ( Metode Forecasting )

Rumus pembobotan rata-rata bergerak

Peramalan ( Metode Forecasting )

Dimana n adalah jumlah periode dalam rata-rata
Metode ini dapat menghaluskan fluktuasi tiba-tiba dalam pola permintaan untuk menghasilkan
estimasi yang stabil. Metode ini mempunyai masalah :

1. Meningkatkan ukuran n memang menghaluskan fluktuasi dengan lebih baik tetapi metode ini
kurang sensitive untuk perubahan nyata dalam data.

2. Rata-rata bergerak tidak dapat memanfaatkan trend dengan baik.

3. Karena merupakan rata-rata, rata-rata bergerak akan selalu berada dalam tingkat masa lalu dan
tidak akan memprediksi perubahan ke tingkat yang lebih tinggi maupun yang lebih rendah.

Contoh : Berikut ini adalah contoh penjualan pada supermarket Minikuper selama satu tahun
lalu. Kita ingin mengetahui nilai penjualan bulan depan tahun yang akan datang.

Periode Bobot yang diberikan

Bulan lalu 3
2 bulan lalu 2
3 bulan lalu 1
JUMLAH 6

Bulan Aktual Moving Hasil Moving Rata-rata bergerak dengan Hasil rata-rata
penjualan Average dalam Average dalam pembobotan 3 bulan bergerak dengan
tahun lalu 3 bulan 3 bulan pembobotan 3
bulan
Januari 15
Februari 12
Maret 14
April 13 (15 + 12 + 14)/3 13,67 (1x15 + 2x12 + 3x14)/6 13,5
Mei 14 (12 + 14 + 13)/3 13,00 (1x12 + 2x14 + 3x13)/6 13,17
Juni 16 (14 + 13 + 14)/3 13,67 (1x14 + 2x13 + 3x14)/6 13,67
Juli 21 (13 + 14 + 16)/3 14,33 (1x13 + 2x14 + 3x16)/6 14,83
Agustus 22 (14 + 16 + 21)/3 17,00 (1x14 + 2x16 + 3x21)/6 18,17
September 24 (16 + 21 + 22)/3 19,67 (1x16 + 2x21 + 3x22)/6 20,67
Oktober 25 (21 + 22 + 24)/3 22,33 (1x21 + 2x22 + 3x24)/6 22,83
November 18 (22 + 24 + 25)/3 23,67 (1x22 + 2x24 + 3x25)/6 24,17
Desember 19 (24 + 25 + 18)/3 22,33 (1x24 + 2x25 + 3x18)/6 21,33
 Peramalan ( Metode Forecasting )

Metode Eksponential Smoothing

Metode eksponential smoothing merupakan pengembangan dari metode moving averages.

Dalam metode ini peramalan dilakukan dengan mengulang perhitungan secara terus menerus
dengan menggunakan data terbaru. Setiap data diberi bobot, data yang lebih baru diberi bobot
yang lebih besar. Rumus metode eksponential smoothing :

dimana : Ft = Peramalan baru

Ft-1 = Peramalan sebelumnya
= Konstanta penghalusan (01)
At-1 = Permintaan aktual periode lalu

Menghitung kesalahan peramalan

Ada beberapa perhitungan yang biasa digunakan untuk menghitung kesalahan dalam peramalan.
Tiga dari perhitungan yang paling terkenal adalah

Deviasi mutlak rata-rata (mean absolute deviation = MAD)

MAD adalah nilai yang dihitung dengan mengambil jumlah nilai absolut dari setiap kesalahan
peramalan dibagi dengan jumlah periode data (n).

Kesalahan kuadrat rata-rata (mean absolute deviation =MSE)

Kesalahan persen mutlak rata-rata (mean absolute percent = MAPE)

Contoh : PT. TPN ingin memprediksi total penjualan bulan Januari tahun depan. Data penjualan
bulan Januari hingga Desember adalah sebagai berikut:

Perhitunga Perhitunga Perhitungan

Aktual
Peramalan yg n MAD n MSE MAPE
Bulan penjuala
dibulatkan dgn =0,1 Deviasi (Kesalahan) Kesalahan /
n
absolut 2
Aktual (%)
Januari 178 170 (8 / 178) x 100 =
178 - 170= 8 64 4,47
Februari 172 170 + 0,1 x (178 170)= (1 / 172) x 100 =
171 172 171 = 1 1 0,70
Maret 168 171 + 0,1 x (172 171)=
171 3 9 1,74
April 174 171 3 9 1,94
Mei 192 171 21 441 10,96
Juni 201 173 28 784 13,90
Juli 190 176 14 196 7,44
Agustus 192 177 15 225 7,67
Septembe 194
r 179 15 225 7,86
Oktober 190 180 10 100 5,12
Novembe 200
r 181 19 361 9,38
Desembe 210
r 183 27 729 12,80
Jumlah 164 3143,97 83,96
Nilai 13,66 262 7,00

Peramalan ( Metode Forecasting )

Metode Trend Projection

Adalah suatu metode peramalan serangkaian waktu yang sesuai dengan garis tren terhadap
serangkaian titik-titik data masa lalu, kemudian diproyeksikan ke dalam peramalan masa depan
untuk peramalan jangka menengah dan jangka panjang. Persamaan garis :

Dimana : y = variabel yg akan diprediksi

a = konstanta
b = kemiringan garis regresi
x = variabel bebas (waktu)

Dengan metode kuadrat terkecil (MKT) didapat :

Contoh : Tabel berikut adalah memperlihatkan jumlah kecelakaan yang terjadi di Florida State
Highway 101 selama 4 tahun. Ramalkan jumlah kecelakaan yang terjadi pada bulan Mei.

Periode waktu Jumlah kecelakaan

Bulan (x) (y) x2 xy
januari 1 30 1 30
februari 2 40 4 80
maret 3 60 9 180
april 4 90 16 360
xy =
x =10 y = 220 x2 = 30 650
Metode Kausal

Metode peramalan kausal mengembangkan suatu model sebab-akibat antara permintaan yang
diramalkan dengan variable-variabel lain yang dianggap berpengaruh. Sebagai contoh,
permintaan akan baju baru mungkin berhubungan dengan banyaknya populasi, pendapat
masyarakat, jenis kelamin, budaya daerah, dan bulan-bulan khusus (hari raya, natal, tahun baru).
Data dari variable-variabel tersebut dikumpulkan dan dianalisa untuk menentukan kevaliditasan
dari model peramalan yang diusulkan.

Metode ini dipakai untuk kondisi dimana variable penyebab terjadinya item yang akan
diramalkan sudah diketahui. Dengan adanya hubungan tersebut, output dapat diketahui jika input
diketahui.

Metode Regresi dan Korelasi

Metoda regresi dan korelasi pada penetapan suatu persamaan estimasi menggunakan teknik
least squares. Hubungan yang ada pertama-tama dianalisis secara statistik. Ketepatan
peramalan dengan menggunakan metoda ini sangat baik untuk peramalan jangka pendek,
sedangkan untuk peramalan jangka panjang ternyata ketepatannya kurang begitu baik. Metoda
ini banyak digunakan untuk peramalan penjualan, perencanaan keuntungan, peramalan
permintaan dan permalan keadaan ekonomi. Data yang dibutuhkan untuk penggunaan metoda ini
adalah data kuartalan dari beberapa tahun lalu.

Contoh : Data berikut berhubungan dengan nilai penjualan pada bar pada beberapa pecan di
penginapan Marthy and Polly Starr di Marathon, Florida. Jika peramalan menunjukkan bahwa
akan dating 20 tamu pecan depan, berapakah penjualan yang diharapkan.

Tamu Penjualan Pada

Pekan (x) Bar (x) x2 xy
1 16 330 256 5280
2 12 270 144 3240
3 18 380 324 6840
 4 14 300 196 4200
xy =
x = 60 y = 1280 x2= 920 19560

Metode Ekonometrik

Metoda ini didasarkan atas peramalan sistem persamaan regresi yang diestimasikan secara
simultan. Baik untuk peramalan jangka pendek maupun peramalan jangka panjang, ketepatan
peramalan dengan metoda ini sangat baik. Metoda peramalan ini selalu dipergunakan untuk
peramalan penjualan menurut kelas produk, atau peramalan keadaan ekonomi masyarakat,
seperti permintaan, harga dan penawaran. Data yang dibutuhkan untuk penggunaan metoda
peramalan ini adalah data kuartalan beberapa tahun.

Empat tahapan yang termasuk di dalam memformulasi forecast model ekonometrika ini antara
lain membangun suatu model teori, mengumpulkan data, memilih bentuk persamaan fungsi yang
diestimasi, dan mengestimasi dan menginterpretasi hasil.

Contoh : sebagai contoh disini misalnya kita menginginkan untuk memprakirakan permintaan,
maka hubungan antar harga dan kuantitas dapat menjadi dasar teori yang logis bagi suatu model.
Faktor harga yang mempengaruhi volume permintaan tersebut sebenarnya tidaklah merupakan
satu-satunya faktor yang mempengaruhi permintaan, tetapi banyak faktor lain yang juga ikut
mempengaruhi permintaan. Maka secara spesifik hubungan kausalistik permintaan itu
dipengaruhi oleh selain harga, tetapi juga dipengaruhi misalnya oleh income per kapita (I), harga
barang lain (Po), dan Advertensi (A), dan lain-lain. Karena itu model fungsi yang dikembangkan
dalam persamaan ekonometri sebagaimana ditunjukkan pada pembahasan estimasi permintaan
yang dipengaruhi oleh sejumlah faktor atau variabel antara lain seperti yang dinyatakan sebagai:

Qd = f(P, I, Po, dan A)

Yang secara ekonomi terbukti secara empirik bahwa fungsi permintaan dipengaruhi P, I, Po, dan
A itu dirumuskan sebagai fungsi:

Qd = a bP + cI + dPo + eA

Dimana Qd merupakan volume permintaan, a merupakan koefisiensi konstanta, b,c,d,dan e

merupakan koefisiensi faktor Harga, Income, Harga Barang Lain, dan Advertensi.

Metode Input Output

Metoda ini dipergunakan untuk menyusun proyeksi trend ekonomi jangka panjang. Model ini
kurang baik ketepatannya untuk peramalana jangka panjang. Model ini banyak dipergunakan
untuk peramalan penjualan perusahaan, penjualan sektor industri dan sub sektor industri,
produksi dari sektor dan sub sektor industri. Data yang dibutuhkan untuk penggunaan metoda
atau model ini adalah data tahunan selama sekitar sepuluh sampai lima belas tahun.