Pengertian Dan Jenis-Jenis Peramalan (Forecasting)

Pengertian Peramalan (forecasting) 

Dalam dunia perjuangan sangat penting dibutuhkan hal-hal yang terjadi dimasa depan sebagai dasar untuk pengambilan keputusan. Render dan Heizer (2007) mendefinisikan peramalan yaitu seni dan ilmu memprediksi peristiwa-peristiwa masa depan.

Hal ini serupa dengan pendapat Subagyo (2000) Forecasting yaitu memperkirakan sesuatu yang akan terjadi. Menurut Handoko (1999) Peramalan yaitu suatu perjuangan untuk meramalkan keadaan di masa mendatang melalui pengujian keadaan di masa lalu. Menurut Gaspersz (2005) Aktivitas peramalan merupakan suatu fungsi bisnis yang berusaha memperkirakan penjualan dan penggunaan produk sehingga produk-produk itu sanggup dibentuk dalam kuantitas yang tepat. 

Menurut Taylor (2004) Peramalan yaitu sebuah prediksi mengenai apa yang akan terjadi di masa depan. Sebuah perusahaan yang menghasilkan barang hasil produksi memerlukan materi baku, ibarat halnya PT. Kusumahadi Santosa memerlukan materi baku dalam proses produksi. Dalam memenuhi kebutuhan materi baku dibutuhkan peramalan. Dari pengertian para jago diatas, maka sanggup ditarik suatu kesimpulan bahwa Peramalan yaitu seni dan ilmu memprediksi peristiwa-peristiwa masa depan dengan melaksanakan studi terhadap data historis untuk menemukan hubungan, kecenderungan dan contoh yang sistematis. 

Jenis - Jenis Peramalan

Menurut Render dan Heizer (2004) pada jenis peramalan sanggup dibedakan menjadi beberapa tipe. Dilihat dari perencanaan operasi di masa depan, maka peramalan dibagi menjadi 3 macam yaitu:

1. Peramalan ekonomi (economic forecast) menjelaskan siklus bisnis dengan memprediksi tingkat inflasi, ketersediaan uang, dana yang dibutuhkan untuk membangun perumahan dan indikator perencanaan lainnya.
2. Peramalan teknologi (technological forecast) mempehatikan tingkat kemajuan tehnologi yang sanggup meluncurkan produk gres yang menarik, yang membutuhkan pabrik dan peralatan baru.
3. Peramalan undangan (demand forecast) yaitu proyeksi undangan untuk produk atau layanan suatu perusahaan.

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

1. Ramalan jangka pendek (short-range forecast) meliputi masa depan yang erat (immediate future) dan memperhatikan aktivitas harian suatu perusahaan bisnis, ibarat undangan harian atau kebutuhan sumber daya harian.
2. Ramalan jangka menengah (medium-range forecast) meliputi jangka waktu satu atau dua bulan hingga satu tahun. Ramalan jangka waktu ini umumnya lebih berkaitan dengan planning produksi tahunan dan akan mencerminkan hal-hal ibarat puncak dan lembah dalam suatu undangan dan kebutuhan untuk menjamin adanya perhiasan untuk sumber daya untuk tahun berikutnya.
3. Ramalan jangka panjang (long-range forecast) meliputi periode yang lebih usang dari satu atau dua tahun. Ramalan ini berkaitan dengan perjuangan administrasi untuk merencanakan produk gres untuk pasar yang berubah, membangun kemudahan baru, atau menjamin adanya pembiayaan jangka panjang.

Langkah-langkah Peramalan

Peramalan yang baik yaitu peramalan yang dilakukan dengan mengikuti langkah-langkah atau mekanisme penyusunan yang baik. Menurut Gaspersz (2005) terdapat 9 langkah yang harus diperhatikan untuk menjamin efektivitas dan efisiensi dari sistem peramalan, yaitu:

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

Metode Peramalan

Menurut Render dan Heizer (2004) dalam melaksanakan peramalan dibutuhkan perhitungan yang akurat sehingga dibutuhkan peramalan yang tepat. Pada dasarnya terdapat dua pendekatan umum untuk mengatasi semua model keputusan untuk meramal:

a. Peramalan Kualitatif

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

Dalam peramalan kualitatif terdapat empat teknik peramalan yang berbeda,

b. Keputusan dari pendapat juri eksekutif, dalam metode ini pendapat sekumpulan kecil manajer atau pakar tingkat tinggi, sering dikombinasikan dengan model statistik, dikumpulkan untuk mendapat prediksi undangan kelompok.

c. Metode Delphi, merupakan teknik peramalan yang memakai proses kelompok dimana para pakar melaksanakan peramalan.

1) Gabungan dari tenaga penjualan, metode ini mengoptimasi jumlah penjualan diwilayahnya, peramalan ini kemudian dikaji untuk memastikan apakah peramalan cukup realistis kemudian dikombinasikan pada tingkat wilayah dan nasional untuk mendapat peramalan secara keseluruhan.

2) Survei pasar konsumen, metode peramalan yang meminta input dari konsumen mengenai planning pembelian mereka di masa depan.

d. Peramalan Kuantitatif

Yaitu peramalan yang memakai satu atau lebih model matematis dengan data masa kemudian dan variabel lantaran akhir untuk meramalkan permintaan. Ada lima metode peramalan kuantitatif, yaitu metode pendekatan naif, metode rata-rata bergerak, metode 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 melihat pada apa yang terjadi selama periode waktu memakai seri data masa kemudian untuk menciptakan ramalan.
2. Metode kausal (causal metods) atau metode kekerabatan Metode kausal, bergabung menjadi variable atau hubungan yang sanggup mempengaruhi jumlah yang sedang diramal. 

Metode peramalan time series terdiri dari:

1) Pendekatan naif

Pendekatan ini yaitu teknik peramalan yang mengasumsikan undangan di periode mendatang sama dengan undangan terkini. Metode ini merupakan model peramalan objektif yang paling efektif dan efisien dari segi biaya, pendekatan ini memperlihatkan titik awal untuk perbandingan dengan model lain yang lebih canggih.

2) Rata-rata bergerak(moving average)

Bermanfaat jika mengasumsikan bahwa undangan 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 melaksanakan peramalan hal-hal yang bersifat random, artinya tidak ada tanda-tanda isu terkini naik maupun turun, musiman dan sebagainya, melainkan sulit diketahui polanya.

Metode ini memiliki dua sifat khusus yaitu untuk menciptakan peramalan memerlukan data histories selama jangka waktu tertentu, semakin panjang waktu moving average akan menghasilkan moving average yang semakin halus. Secara matematis moving average: dimana n yaitu jumlah dalam rata-rata bergerak, contohnya tiga, lempat, atau lima bulan secara berurutan. Kelemahan metode moving average antara lain perlu data histories, semua data diberi weigh sama, tidak sanggup mengikuti perubahan yang terjadi.

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

Apabila ada tren atau contoh terdeteksi, bobot sanggup dipakai untuk menempatkan pementingan yang lebih pada nilai terkini. 

Praktik ini menciptakan teknik peramalan lebih tanggap terhadap perubahan lantaran periode yang lebih erat mendapat bobot yang lebih berat.

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

Pemilihan bobot merupakan hal yang tidak niscaya lantaran tidak ada rumus untuk tetapkan mereka. Oleh lantaran itu, pemutusan bobot yang mana yang digunakan, membutuhkan pengalaman.

c) Penghalusan eksponential (exponential smoothing) Penghalusan eksponential yaitu teknik peramalan rata-rata bergerak dengan pembobotan dimana data diberi bobot oleh sebuah fungsi eksponential. Penghalusan eksponential merupakan metode peramalan rata-rata bergerak dengan pembobotan yang canggih, namun masih gampang digunakan. 

Metode ini memakai sangat sedikit pencatatan data masa kemudian Rumus penghalusan eksponential sanggup ditunjukkan sebagai berikut:

Pendekatan penghalusan eksponential gampang digunakan, dan telah berhasil diterapkan pada hampir setiap jenis bisnis. Walaupun demikian, nilai yang sempurna untuk konstanta penghalus, sanggup menciptakan diferensiasi antara peramalan yang akurat dan yang tidak akurat. Nilai yang tinggi dipilih ketika rata-rata cenderung berubah. Nilai yang rendah dipakai ketika rata-rata cenderung stabil. Tujuan pemilihan suatu nilai untuk konstanta penghalus yaitu untuk mendapat peramalan yang paling akurat.

d) Proyeksi tren (trend projection)

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

Menurut Adisaputro dan Asri (2004) ada beberapa metode yang sanggup dipakai untuk menciptakan tren yaitu 

(1) Metode kuadrat terkecil (linear least square ) Persamaan tren dengan metode linear least square yaitu 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 (diketahui). 

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 isu terkini line). 

Persamaan tren dengan metode linear isu terkini line sanggup 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 perubahan pada y untuk perubahan yang terjadi di x)

X = variable bebas, dalam masalah ini yaitu waktu 

Untuk menghasilkan nilai a dan b secara singkat sebagai berikut:

e. Pengukuran kesalahan peramalan

Keakuratan keseluruhan dari setiap model peramalan sanggup dijelaskan dengan membandingkan nilai yang diramal dengan nilai actual atau nilai yang sedang diamati. Kesalahan peramalan menyampaikan seberapa baik kinerja suatu model dibandingkan dengan model itu sendiri dengan memakai data masa lalu. 

Untuk menghitung kesalahan peramalan (deviasi) yaitu Kesalahan peramalan = At  Ft

dimana: 

At = nilai actual

Ft = nilai peramalan

Ada beberapa perhitunngan yang biasa dipakai untuk menghitung kesalahan peramalan (forecast error) total. Perhitungan ini sanggup 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 sebuah model. Nilai MAD dihitung dengan mengambil jumlah nilai sewenang-wenang dari tiap kesalahan peramalan dibagi dengan jumlah periode 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 diamati. Rumusnya adalah:

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

Merupakan rata-rata diferensiasi sewenang-wenang antara nilai peramalan dan aktual, yang dinyatakan sebagai presentase nilai aktual. 

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

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

Share this post