close

Pemahaman Peramalan (Forecasting) Dan Pemahaman Peramalan Menurut Para Mahir

Pengertian Peramalan (forecasting)

Dalam dunia perjuangan sangat penting diperlukan hal-hal yang terjadi dimasa depan selaku dasar untuk pengambilan keputusan. Render dan Heizer (2007) mendefinisikan peramalan yaitu seni dan ilmu memprediksi insiden-kejadian abad depan.

Hal ini serupa dengan usulan Subagyo (2000) Forecasting yaitu memperkirakan sesuatu yang mau terjadi. Menurut Handoko (1999) Peramalan yaitu sebuah usaha untuk meramalkan keadaan di abad mendatang melalui pengujian kondisi di era kemudian. Menurut Gaspersz (2005) Aktivitas peramalan ialah sebuah fungsi bisnis yang berupaya memperkirakan penjualan dan penggunaan produk sehingga produk-produk itu dapat dibentuk dalam kuantitas yang tepat.

Menurut Taylor (2004) Peramalan adalah sebuah prediksi mengenai apa yang akan terjadi di periode depan. Sebuah perusahaan yang menciptakan barang hasil bikinan membutuhkan materi baku, mirip halnya PT. Kusumahadi Santosa membutuhkan bahan baku dalam proses bikinan. Dalam memenuhi keperluan bahan baku diharapkan peramalan. Dari pemahaman para hebat diatas, maka mampu ditarik suatu kesimpulan bahwa Peramalan ialah seni dan ilmu memprediksi kejadian-peristiwa era depan dengan melakukan studi terhadap data historis untuk menemukan kekerabatan, kecenderungan dan pola yang sistematis.

Jenis – Jenis Peramalan

Menurut Render dan Heizer (2004) pada jenis peramalan mampu dibedakan menjadi beberapa tipe. Dilihat dari penyusunan rencana operasi di era depan, maka peramalan dibagi menjadi 3 macam ialah:

  • Peramalan ekonomi (economic forecast) menerangkan siklus bisnis dengan memprediksi tingkat inflasi, ketersediaan duit, dana yang diharapkan untuk membangun perumahan dan indikator perencanaan yang lain.
  • Peramalan teknologi (technological forecast) mempehatikan tingkat kemajuan tehnologi yang mampu meluncurkan produk baru yang menawan, yang membutuhkan pabrik dan peralatan baru.
  • Peramalan seruan (demand forecast) adalah proyeksi seruan untuk produk atau layanan sebuah perusahaan.

Peramalan biasanya diklasifikasikan menurut horizon waktu masa depan yang dicakupnya. Menurut Taylor (2004) dalam hubungannya dengan horizon waktu peramalan terbagi atas beberapa kategori, yaitu:

  • Ramalan jangka pendek (short-range forecast) mencakup era depan yang akrab (immediate future) dan mengamati acara harian sebuah perusahaan bisnis, mirip seruan harian atau kebutuhan sumber daya harian.
  • Ramalan jangka menengah (medium-range forecast) mencakup rentang waktu satu atau dua bulan sampai satu tahun. Ramalan jangka waktu ini lazimnya lebih berhubungan dengan planning buatan tahunan dan akan mencerminkan hal-hal seperti puncak dan lembah dalam sebuah ajakan dan keperluan untuk menjamin adanya perhiasan untuk sumber daya untuk tahun selanjutnya.
  • Ramalan jangka panjang (long-range forecast) meliputi masa yang lebih lama dari satu atau dua tahun. Ramalan ini berkaitan dengan perjuangan manajemen untuk menyiapkan produk gres untuk pasar yang berubah, membangun kemudahan gres, atau menjamin adanya pembiayaan jangka panjang.

Langkah-langkah Peramalan

Peramalan yang baik yakni peramalan yang dilakukan dengan mengikuti tindakan atau prosedur penyusunan yang bagus. Menurut Gaspersz (2005) terdapat 9 langkah yang mesti diamati untuk menjamin efektivitas dan efisiensi dari metode peramalan, ialah:

  1. Menentukan tujuan dari peramalan
  2. Memilih item independent demand yang mau diramalkan
  3. Menentukan horison waktu dari peramalan (jangka pendek, menengah, atau panjang)
  4. Memilih versi-model peramalan
  5. Memperoleh data yang dibutuhkan untuk melakukan peramalan
  6. Validasi model peramalan
  7. Membuat peramalan
  8. Implementasi hasil-hasil peramalan
  9. Memantau keandalan hasil peramalan
  Pengertian PersetujuanBilateral

Metode Peramalan

Menurut Render dan Heizer (2004) dalam melakukan peramalan diharapkan perkiraan yang akurat sehingga dibutuhkan peramalan yang tepat. Pada dasarnya terdapat dua pendekatan lazim untuk mengatasi semua model keputusan untuk meramal:

a. Peramalan Kualitatif

Yaitu peramalan yang memadukan faktor-aspek seperti intuisi pengambilan keputusan, emosi, pengalaman pribadi, dan system nilai.

Dalam peramalan kualitatif terdapat empat teknik peramalan yang berlainan,

b. Keputusan dari pendapat juri administrator, dalam tata cara ini pendapat sekumpulan kecil manajer atau pakar tingkat tinggi, sering dikombinasikan dengan versi statistik, dikumpulkan untuk menerima prediksi permintaan golongan.

c. Metode Delphi, merupakan teknik peramalan yang menggunakan proses kalangan dimana para pakar melakukan peramalan.

1) Gabungan dari tenaga penjualan, tata cara ini mengoptimasi jumlah pemasaran diwilayahnya, peramalan ini kemudian dikaji untuk menentukan apakah peramalan cukup kongkret lalu dikombinasikan pada tingkat kawasan dan nasional untuk menerima peramalan secara keseluruhan.

2) Survei pasar konsumen, sistem peramalan yang meminta input dari konsumen perihal rencana pembelian mereka di kala depan.

d. Peramalan Kuantitatif

Yaitu peramalan yang menggunakan satu atau lebih model matematis dengan data era lalu dan variabel sebab akibat untuk meramalkan usul. Ada lima tata cara peramalan kuantitatif, yaitu tata cara pendekatan naif, metode rata-rata bergerak, tata cara penghalusan eksponential, penghalusan tren, dan regresi linear.

Pada dasarnya sistem peramalan kuantitatif ini dibedakan menjadi dua:

  1. Metode peramalan berdasarkan seri waktu (time series) Model ini menyaksikan pada apa yang terjadi selama masa waktu menggunakan seri data era lalu untuk membuat ramalan.
  2. Metode kausal (causal metods) atau sistem kekerabatan Metode kausal, bergabung menjadi variable atau kekerabatan yang mampu mensugesti jumlah yang sedang diramal.

Metode peramalan time series terdiri dari:

1) Pendekatan naif

Pendekatan ini yakni teknik peramalan yang mengasumsikan ajakan di kala mendatang sama dengan undangan terkini. Metode ini ialah model peramalan objektif yang paling efektif dan efisien dari sisi ongkos, pendekatan ini menawarkan titik awal untuk perbandingan dengan model lain yang lebih mutakhir.

2) Rata-rata bergerak(moving average)

Bermanfaat jikalau mengasumsikan bahwa ajakan pasar tetap stabil sepanjang waktu.

Metode rata-rata bergerak dibagi menjadi dua metode yakni:

a) Rata-rata bergerak sederhana (single moving average)

Metode ini digunakan untuk melakukan peramalan hal-hal yang bersifat random, artinya tidak ada tanda-tanda trend naik maupun turun, musiman dan sebagainya, melainkan sukar dimengerti polanya.

Metode ini mempunyai dua sifat khusus yakni untuk membuat peramalan membutuhkan data histories selama rentang waktu tertentu, semakin panjang waktu moving average akan menghasilkan moving average yang semakin halus. Secara matematis moving average: dimana n adalah jumlah dalam rata-rata bergerak, misalnya tiga, lempat, atau lima bulan secara berurutan. Kelemahan sistem moving average antara lain perlu data histories, semua data diberi weigh sama, tidak mampu mengikuti pergeseran yang terjadi.

b) Rata-rata bergerak tertimbang (weight moving average)

Apabila ada tren atau teladan terdeteksi, bobot dapat digunakan untuk menempatkan pementingan yang lebih pada nilai terkini.

Praktik ini membuat teknik peramalan lebih tanggap kepada pergantian alasannya adalah kala yang lebih akrab mendapatkan bobot yang lebih berat.

Rata-rata bergerak dengan pembobotan mampu digambarkan secara matematis sebagai:

Pemilihan bobot merupakan hal yang tidak niscaya alasannya tidak ada rumus untuk menetapkan mereka. Oleh sebab itu, pemutusan bobot yang mana yang dipakai, membutuhkan pengalaman.

c) Penghalusan eksponential (exponential smoothing) Penghalusan eksponential adalah teknik peramalan rata-rata bergerak dengan pembobotan dimana data diberi bobot oleh sebuah fungsi eksponential. Penghalusan eksponential ialah sistem peramalan rata-rata bergerak dengan pembobotan yang mutakhir, tetapi masih gampang dipakai.

Metode ini memakai sangat sedikit pencatatan data kala kemudian Rumus penghalusan eksponential dapat ditunjukkan selaku berikut:

Pendekatan penghalusan eksponential mudah digunakan, dan sudah berhasil dipraktekkan pada nyaris setiap jenis bisnis. Walaupun demikian, nilai yang sempurna untuk konstanta penghalus, dapat menciptakan diferensiasi antara peramalan yang akurat dan yang tidak akurat. Nilai yang tinggi dipilih ketika rata-rata condong berganti. Nilai yang rendah dipakai ketika rata-rata cenderung stabil. Tujuan penyeleksian sebuah nilai untuk konstanta penghalus yaitu untuk menerima peramalan yang paling akurat.

d) Proyeksi tren (isu terkini projection)

Adalah tata cara peramalan time-series yang menyesuaikan sebuah garis tren pada sekumpulan data periode lalu dan kemudian diproyeksikan dalam garis untuk meramalkan masa depan untuk peramalan jangka pendek atau jangka panjang. Kalau hal yang diteliti menawarkan tanda-tanda kenaikan maka tren yang kita miliki menunjukkan rata-rata perkembangan, sering disebut demam isu kasatmata, namun hal yang kita teliti menunjukkan gejala yang kian menyusut maka tren yang kita miliki memberikan rata-rata penurunan atau disebut juga tren negatif.

Menurut Adisaputro dan Asri (2004) ada beberapa tata cara yang bisa digunakan untuk membuat tren ialah 

(1) Metode kuadrat terkecil (linear least square ) Persamaan tren dengan sistem linear least square adalah sebagai berikut:

y=a+bX

Dimana:

y = nilai variabel yang dihitung untuk diprediksi

a = perpotongan sumbu y, bila constan

b = slope koefisien kecenderungan garis tren

X = variable bebas, waktu

Dalam persamaan tersebut, ŷ merupakan variabel yang akan dicari, x merupakan satuan waktu (dimengerti). 

Dengan demikian maka variabel a dan b masih harus dicari terlebih dulu. Adapun cara mencari variabel a dan b dengan:

(2) Metode garis lurus (linear isu terkini line).

Persamaan tren dengan metode linear demam isu line dapat dirumuskan sebagai berikut:

ŷ=a+bX

Dimana:

ŷ = nilai terthitung dari variabel yang akan diprediksi ( disebut variabel terikat )

a = persilangan sumbu y

b = kemiringan garis regresi (atau tingkat pergeseran pada y untuk pergeseran yang terjadi di x)

X = variable bebas, dalam kasus ini adalah waktu

Untuk menghasilkan nilai a dan b secara singkat selaku berikut:

e. Pengukuran kesalahan peramalan

Keakuratan keseluruhan dari setiap model peramalan dapat diterangkan dengan membandingkan nilai yang diramal dengan nilai actual atau nilai yang sedang diperhatikan. Kesalahan peramalan mengatakan seberapa baik kinerja suatu model dibandingkan dengan versi itu sendiri dengan memakai data era kemudian.

Untuk menjumlah kesalahan peramalan (deviasi) yakni Kesalahan peramalan = At  Ft

dimana:

At = nilai actual

Ft = nilai peramalan

Ada beberapa perhitunngan yang umum digunakan untuk menghitung kesalahan peramalan (forecast error) total. Perhitungan ini dapat digunakan untuk membandingkan versi peramalan yang berbeda, juga untuk mengawasi peramalan, untuk memutuskan peramalan berlangsung dengan baik. Cara untuk memeriksa teknik peramalan menurut Render dan Heizer (2004) ada 3:

1) Deviasi rata-rata absolute atau Mean Absolute Deviation (MAD)

Adalah mengukur kesalahan peramalan keseluruhan untuk suatu versi. Nilai MAD dijumlah dengan mengambil jumlah nilai diktatorial dari tiap kesalahan peramalan dibagi dengan jumlah abad data (n):

dimana n = jumlah periode data

2) Kesalahan rata-rata kuadrat atau Mean Squared Error (MSE)

Merupakan cara kedua untuk mengukur kesalahan peramalan keseluruhan. MSE yaitu rata-rata selisih kuadrat antara nilai yang diramalkan dan yang diperhatikan. Rumusnya ialah:

3) Kesalahan persen rata-rata absolute atau Mean Absolute Percent Error (MAPE)

Merupakan rata-rata diferensiasi otoriter antara nilai peramalan dan nyata, yang dinyatakan sebagai presentase nilai konkret.

MAPE dihitung sebagai rata-rata diferensiasi adikara antara nilai yang diramal dan aktual, dinyatakan sebagai presentase nilai faktual. MAPE dijumlah selaku :

Keputusan kita dalam memilih suatu teknik peramalan sebagian tergantung pada apakah teknik-teknik tersebut menciptakan kesalahan yang bisa dianggap kecil atau tidak.