close

Pengertian Dan Jenis-Jenis Peramalan (Forecasting)

Pengertian Peramalan (forecasting) 

Dalam dunia usaha sangat penting diperlukan hal-hal yang terjadi dimasa depan sebagai dasar untuk pengambilan keputusan. Render dan Heizer (2007) mendefinisikan peramalan ialah seni dan ilmu memprediksi peristiwa-peristiwa abad depan.

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

Menurut Taylor (2004) Peramalan adalah suatu prediksi tentang apa yang mau terjadi di masa depan. Sebuah perusahaan yang menciptakan barang hasil buatan memerlukan materi baku, seperti halnya PT. Kusumahadi Santosa membutuhkan materi baku dalam proses bikinan. Dalam menyanggupi keperluan materi baku diharapkan peramalan. Dari pengertian para mahir diatas, maka mampu ditarik sebuah kesimpulan bahwa Peramalan yaitu seni dan ilmu memprediksi insiden-peristiwa periode depan dengan melaksanakan studi kepada data historis untuk memperoleh kekerabatan, kecenderungan dan pola yang sistematis. 

Jenis – Jenis Peramalan

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

  1. Peramalan ekonomi (economic forecast) menjelaskan siklus bisnis dengan memprediksi tingkat inflasi, ketersediaan uang, dana yang diharapkan untuk membangun perumahan dan indikator penyusunan rencana lainnya.
  2. Peramalan teknologi (technological forecast) mempehatikan tingkat pertumbuhan tehnologi yang dapat meluncurkan produk gres yang menarik, yang memerlukan pabrik dan perlengkapan gres.
  3. Peramalan undangan (demand forecast) adalah proyeksi seruan untuk produk atau layanan sebuah perusahaan.

Peramalan umumnya diklasifikasikan berdasarkan horizon waktu kala depan yang dicakupnya. Menurut Taylor (2004) dalam hubungannya dengan horizon waktu peramalan terbagi atas beberapa klasifikasi, yaitu: 

  1. Ramalan jangka pendek (short-range forecast) meliputi masa depan yang erat (immediate future) dan memperhatikan acara harian suatu perusahaan bisnis, seperti usul harian atau kebutuhan sumber daya harian.
  2. Ramalan jangka menengah (medium-range forecast) mencakup jangka waktu satu atau dua bulan hingga satu tahun. Ramalan rentang waktu ini biasanya lebih berkaitan dengan rencana buatan tahunan dan akan mencerminkan hal-hal seperti puncak dan lembah dalam suatu permintaan dan kebutuhan untuk menjamin adanya embel-embel untuk sumber daya untuk tahun selanjutnya.
  3. Ramalan jangka panjang (long-range forecast) meliputi periode yang lebih usang dari satu atau dua tahun. Ramalan ini berkaitan dengan usaha administrasi untuk merencanakan produk gres untuk pasar yang berubah, membangun fasilitas gres, atau menjamin adanya pembiayaan jangka panjang.

Langkah-langkah Peramalan

Peramalan yang bagus yakni peramalan yang dilaksanakan dengan mengikuti langkah-langkah atau prosedur penyusunan yang baik. Menurut Gaspersz (2005) terdapat 9 langkah yang harus diperhatikan untuk menjamin efektivitas dan efisiensi dari tata cara 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 model-model peramalan
  5. Memperoleh data yang dibutuhkan untuk melakukan peramalan
  6. Validasi versi peramalan
  7. Membuat peramalan
  8. Implementasi hasil-hasil peramalan
  9. Memantau keandalan hasil peramalan
  Pemahaman Switching Dan Signaling

Metode Peramalan

Menurut Render dan Heizer (2004) dalam melakukan peramalan diperlukan perhitungan yang akurat sehingga diharapkan peramalan yang sempurna. Pada dasarnya terdapat dua pendekatan lazim untuk menanggulangi semua versi keputusan untuk meramal:

a. Peramalan Kualitatif

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

Dalam peramalan kualitatif terdapat empat teknik peramalan yang berlawanan,

b. Keputusan dari pendapat juri direktur, dalam tata cara ini pendapat sekumpulan kecil manajer atau pakar tingkat tinggi, sering dikombinasikan dengan model statistik, dikumpulkan untuk menerima prediksi seruan kelompok.

c. Metode Delphi, ialah teknik peramalan yang memakai proses golongan dimana para spesialis melakukan peramalan.

1) Gabungan dari tenaga penjualan, sistem ini mengoptimasi jumlah pemasaran diwilayahnya, peramalan ini lalu dikaji untuk menentukan apakah peramalan cukup realistis lalu dikombinasikan pada tingkat daerah dan nasional untuk menerima peramalan secara keseluruhan.

2) Survei pasar konsumen, sistem peramalan yang meminta input dari pelanggan tentang rencana pembelian mereka di kurun depan.

d. Peramalan Kuantitatif

Yaitu peramalan yang menggunakan satu atau lebih versi matematis dengan data kala lalu dan variabel alasannya adalah akibat untuk meramalkan ajakan. Ada lima metode peramalan kuantitatif, adalah tata cara pendekatan naif, sistem rata-rata bergerak, tata cara penghalusan eksponential, penghalusan tren, dan regresi linear.

Pada dasarnya metode peramalan kuantitatif ini dibedakan menjadi dua:

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

Metode peramalan time series terdiri dari:

1) Pendekatan naif

Pendekatan ini yaitu teknik peramalan yang mengasumsikan undangan di kurun mendatang sama dengan seruan terkini. Metode ini merupakan versi peramalan objektif yang paling efektif dan efisien dari segi ongkos, pendekatan ini menunjukkan titik permulaan untuk perbandingan dengan model lain yang lebih mutakhir.

2) Rata-rata bergerak(moving average)

Bermanfaat kalau mengasumsikan bahwa permintaan pasar tetap stabil sepanjang waktu.

Metode rata-rata bergerak dibagi menjadi dua metode yaitu:

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

Metode ini dipakai untuk melakukan peramalan hal-hal yang bersifat random, artinya tidak ada gejala demam isu naik maupun turun, musiman dan sebagainya, melainkan sulit diketahui polanya.

Metode ini mempunyai dua sifat khusus yakni untuk membuat peramalan memerlukan data histories selama rentang waktu tertentu, kian panjang waktu moving average akan menghasilkan moving average yang kian halus. Secara matematis moving average: dimana n yakni 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 bisa mengikuti pergantian yang terjadi.

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

Apabila ada tren atau contoh terdeteksi, bobot mampu digunakan untuk menempatkan aksentuasi yang lebih pada nilai terkini. 

Praktik ini membuat teknik peramalan lebih tanggap terhadap perubahan sebab era yang lebih akrab mendapatkan bobot yang lebih berat.

Rata-rata bergerak dengan pembobotan dapat digambarkan secara matematis selaku :

Pemilihan bobot merupakan hal yang tidak pasti sebab tidak ada rumus untuk menetapkan mereka. Oleh karena 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 merupakan tata cara peramalan rata-rata bergerak dengan pembobotan yang canggih, namun masih mudah digunakan. 

Metode ini menggunakan sungguh sedikit pencatatan data masa kemudian Rumus penghalusan eksponential dapat ditunjukkan selaku berikut:

Pendekatan penghalusan eksponential gampang digunakan, dan sudah sukses dipraktekkan pada hampir setiap jenis bisnis. Walaupun demikian, nilai yang tepat untuk konstanta penghalus, dapat menciptakan diferensiasi antara peramalan yang akurat dan yang tidak akurat. Nilai yang tinggi dipilih saat rata-rata cenderung berubah. Nilai yang rendah digunakan ketika rata-rata cenderung stabil. Tujuan penyeleksian suatu nilai untuk konstanta penghalus yakni untuk mendapatkan peramalan yang paling akurat.

d) Proyeksi tren (musim projection)

Adalah metode peramalan time-series yang menyesuaikan sebuah garis tren pada sekumpulan data periode kemudian dan kemudian diproyeksikan dalam garis untuk meramalkan kurun depan untuk peramalan jangka pendek atau jangka panjang. Kalau hal yang diteliti menawarkan gejala kenaikan maka tren yang kita miliki memberikan rata-rata pertumbuhan, sering disebut isu terkini aktual, tetapi hal yang kita teliti memperlihatkan tanda-tanda yang semakin berkurang maka tren yang kita miliki memberikan rata-rata penurunan atau disebut juga tren negatif

Menurut Adisaputro dan Asri (2004) ada beberapa sistem yang bisa digunakan untuk menciptakan tren yaitu 

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

y=a+bX

Dimana:

y = nilai variabel yang dihitung untuk diprediksi

a = perpotongan sumbu y, kalau constan

b = slope koefisien kecenderungan garis tren

X = variable bebas, waktu

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

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

(2) Metode garis lurus (linear ekspresi dominan line). 

Persamaan tren dengan metode linear musim line dapat dirumuskan selaku berikut:

ŷ=a+bX

Dimana:

ŷ = nilai terthitung dari variabel yang mau 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 ialah waktu 

Untuk menghasilkan nilai a dan b secara singkat selaku berikut:

e. Pengukuran kesalahan peramalan

Keakuratan keseluruhan dari setiap model peramalan mampu dijelaskan dengan membandingkan nilai yang diramal dengan nilai actual atau nilai yang sedang diperhatikan. Kesalahan peramalan menyampaikan seberapa baik kinerja sebuah versi dibandingkan dengan versi itu sendiri dengan memakai data kurun kemudian. 

Untuk menjumlah kesalahan peramalan (deviasi) adalah 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 mampu dipakai untuk membandingkan model peramalan yang berbeda, juga untuk mengawasi peramalan, untuk memastikan peramalan berjalan dengan baik. Cara untuk mengevaluasi teknik peramalan berdasarkan Render dan Heizer (2004) ada 3:

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

Adalah mengukur kesalahan peramalan keseluruhan untuk suatu model. Nilai MAD dijumlah dengan mengambil jumlah nilai otoriter dari tiap kesalahan peramalan dibagi dengan jumlah kala data (n):

dimana n = jumlah masa 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 positif, yang dinyatakan selaku presentase nilai kasatmata. 

MAPE dihitung selaku rata-rata diferensiasi sewenang-wenang antara nilai yang diramal dan konkret, dinyatakan sebagai presentase nilai positif. MAPE dihitung sebagai:

Keputusan kita dalam menentukan sebuah teknik peramalan sebagian tergantung pada apakah teknik-teknik tersebut menghasilkan kesalahan yang mampu dianggap kecil atau tidak.