BUKU AJAR PERAMALAN BISNIS DAN EKONOMI

  BUKU AJAR PERAMALAN BISNIS DAN EKONOMI Oleh: A N W A R FARIDA PUSPA JURUSAN SOSIAL EKONOMI PERTANIAN PROGRAM STUDI AGRIBISNIS FAKULTAS PERTANIAN UNIVERSITAS MATARAM OKTOBER 2015

BAB I. PENDAHULUAN

1.1. Pengertian Peramalan

  Teknik peramalan bisnis merupakan suatu cara atau pendekatan untuk menentukan ramalan (perkiraan) mengenai sesuatu di masa yang akan datang. Peramalan (forecast) menjadi sangat penting karena penyusunan suatu rencana diantaranya didasarkan pada suatu proyeksi atau forecast.

  Untuk menyelesaikan masalah di masa datang yang tidak dapat dipastikan, orang senantiasa berupaya menyelesaikannya dengan model pendekatan-pendekatan yang sesuai dengan perilaku aktual data, begitu juga dalam melakukan peramalan.

  Peramalan (forecasting) permintaan akan produk dan jasa di waktu mendatang dan bagian-bagiannya adalah sangat penting dalam perencanaan dan pengawasan produksi. Suatu peramalan banyak mempunyai arti, maka peramalan tersebut perlu direncanakan dan dijadwalkan sehingga akan diperlukan suatu periode waktu paling sedikit dalam periode waktu yang dibutuhkan untuk membuat suatu kebijaksanaan dan menetapkan beberapa hal yang mempengaruhi kebijaksanaan tersebut.

  Peramalan diperlukan disamping untuk memperkirakan apa yang akan terjadi dimasa yang akan datang juga para pengambil keputusan perlu untuk membuat planning.

  Peramalan adalah suatu perkiraan tingkat permintaan yang diharapkan untuk suatu produk atau beberapa produk dalam periode waktu tertentu di masa yang akan datang. Oleh karena itu, peramalan pada dasarnya merupakan suatu taksiran, tetapi dengan menggunakan cara-cara tertentu peramalan dapat lebih daripada hanya satu taksiran. Dapat dikatakan bahwa peramalan adalah suatu taksiran yang ilmiah meskipun akan terdapat sedikit kesalahan yang disebabkan oleh adanya keterbatasan kemampuan manusia.

  Menurut John E. Biegel (1999) peramalan adalah kegiatan memper- kirakan tingkat permintaan produk yang diharapkan untuk suatu produk atau beberapa produk dalam periode waktu tertentu di masa yang akan datang.

  Dalam peramalan (forecasting) tidak jarang terjadi kesalahan misalnya saja penjualan sering tidak sama dengan nilai eksak yang diperkirakan. Sedikit variasi dari perkiraan sering dapat diserap oleh kapasitas tambahan, sediaan penjadwalan permintaan. Tetapi, variasi perkiraan yang besar dapat merusak operasi. Ada tiga cara untuk mengakomodasi perkiraan, yaitu: pertama mencoba mengurangi kesalahan melakukan pemerkiraan yang lebih baik, kedua membuat fleksibilitas pada operasi, dan ketiga mengurangi waktu tunggu yang dibutuhkan dalam prakiraan. Tetapi kemungkinan kesalahan terkecil adalah tujuan yang konsisten dengan biaya prakiraan yang masuk akal.

  Menurut Buffa S. Elwood (1996) peramalan atau forecasting diartikan sebagai penggunaan teknik-teknik statistika dalam bentuk gambaran masa depan berdasarkan pengolahan angka-angka historis.

  Menurut Makridakis (1991) peramalan merupakan bagian integral dari kegiatan pengambilan keputusan manajemen. Organisasi selalu menentukan sasaran dan tujuan, berusaha menduga faktor-faktor lingkungan, lalu memilih tindakan yang diharapkan akan menghasilkan pencapaian sasaran dan tujuan tersebut. Kebutuhan akan peramalan meningkat sejalan dengan usaha manajemen untuk mengurangi ketergantungannya pada hal-hal yang belum pasti. Peramalan menjadi lebih ilmiah sifatnya dalam menghadapi lingkungan manajemen. Karena setiap organisasi berkaitan satu sama lain, baik buruknya ramalan dapat mempengaruhi seluruh bagian organisasi.

  Menurut Gaspersz (2004), aktivitas peramalan merupakan suatu fungsi bisnis yang berusaha memperkirakan permintaan dan penggunaan produk sehingga produk-produk itu dapat dibuat dalam kuantitas yang tepat. Dengan demikian peramalan merupakan suatu dugaan terhadap permintaan yang akan datang berdasarkan pada beberapa variabel peramal, sering berdasarkan data deret waktu historis.

  Menurut Supranto (1984), forecasting atau peramalan adalah memper- kirakan sesuatu pada waktu-waktu yang akan datang berdasarkan data masa lampau yang dianalisis secara ilmiah, khususnya menggunakan metode statistika.

  Menurut Sofjan Assauri (1993), peramalan merupakan seni dan ilmu dalam memprediksikan kejadian yang mungkin dihadapi pada masa yang akan datang. Dengan digunakannya peralatan metode-metode peramalan maka akan memberikan hasil peramalan yang lebih dapat dipercaya ketetapannya. Oleh karena masing-masing metode peramalan berbeda-beda, maka penggunaannya harus hati-hati terutama dalam pemilihan metode untuk penggunaan dalam kasus tertentu.

  Peramalan dapat menggunakan teknik-teknik peramalan yang bersifat formal maupun informal. Aktivitas peramalan ini biasa dilakukan oleh departemen pemasaran dan hasil-hasil dari peramalan ini sering disebut sebagai ramalan permintaan. Bagian permintaan biasanya melakukan perencanaan berdasarkan hasil-hasil ramalan permintaan sehingga informasi yang dikirim dari bagian permintaan ke bagian Production Planning and

  

Inventory Control (PPIC) semestinya memisahkan antara permintaan yang

  dikembangkan berdasarkan rencana permintaan yang umumnya masih bersifat tidak pasti dan pesanan-pesanan yang bersifat pasti.

1.2. Peranan dan Kegunaan Peramalan

  Beberapa bagian organisasi dimana peramalan kini memainkan peranan yang penting antara lain: a. Penjadwalan sumber daya yang tersedia

  Penggunaan sumber daya yang efisien memelukan penjadwalan produksi, tranportasi, kas, personalia dan sebagainya.

  b. Penyediaan sumber daya tambahan Waktu tenggang (lead time) untuk memperoleh bahan baku, menerima pekerja baru, atau membeli mesin dan peralatan dapat berkisar antara beberapa hari sampai beberapa tahun. Peramalan diperlukan untuk menentukan kebutuhan sumber daya di masa mendatang.

  c. Penentuan sumber daya yang diinginkan Setiap organisasi harus menentukan sumber daya yang ingin dimiliki dalam jangka panjang. Keputusan semacam itu bergantung pada kesempatan pasar, faktor-faktor lingkungan dan pengembangan internal dari sumber daya finansial, manusia, produk dan teknologis. Semua penentuan ini memerlukan ramalan yang baik dan manajer dapat menafsirkan perkiraan serta membuat keputusan yang tepat.

  Walaupun terdapat banyak bidang lain yang memerlukan peramalan namun tiga kelompok di atas merupakan bentuk khas dari keperluan peramalan jangka pendek, menengah dan panjang dari organisasi saat ini. Dengan adanya serangkaian kebutuhan itu, maka perusahaan perlu mengembangkan pendekatan berganda untuk memperkirakan peristiwa yang tiak tentu dan membangun suatu sistem peramalan. Pada gilirannya, organisasi perlu memiliki pengetahuan dan keterampilan yang meliputi paling sedikit empat bidang yaitu identifikasi dan definisi masalah peramalan, aplikasi serangkaian metode peramalan, prosedur pemilihan metode yang tepat untuk situasi tertentu dan dukungan organisasi untuk menerapkan dan menggunakan metode peramalan secara formal.

  Tiga kegunaan peramalan antara lain adalah: 1. Menentukan apa yang dibutuhkan untuk perluasan pabrik.

  2. Menentukan perencanaan lanjutan bagi produk-produk yang ada untuk dikerjakan dengan fasilitas yang ada.

  3. Menentukan penjadwalan jangka pendek produk-produk yang ada untuk dikerjakan berdasarkan peralatan yang ada.

  Sistem peramalan memiliki sembilan langkah yang harus diperhatikan untuk menjamin efektifitas dan efisiensi. Langkah-langkah tersebut termasuk dalam manajemen permintaan yang disebut juga sebagai konsep dasar sistem peramalan, yaitu (Gaspersz 2004): a. Menentukan tujuan dari peramalan.

  b. Memilih item independent demand yang akan diramalkan.

  c. Menentukan horison waktu dari peramalan (jangka pendek, menengah, dan panjang).

  d. Memilih model-model peramalan.

  e. Memperoleh data yang dibutuhkan untuk melakukan peramalan.

  f. Validasi model peramalan.

  g. Membuat peramalan.

  h. Implementasi hasil-hasil peramalan. i. Memantau keandalan hasil peramalan.

  Di dalam ilmu-ilmu sosial segala sesuatu yang akan terjadi di masa yang datang tidak ada yang terjadi secara pasti. Yang terjadi di masa yang akan datang akan penuh dengan resiko dan ketidakpastian. Untuk mengurangi resiko dan ketidakpastian di masa yang akan datang, manajemen perlu melakukan proyeksi terutama mengenai penjualan. Forecast penjualan tersebut sebagai dasar untuk menentukan rencana penjualan. Rencana penjualan akan ditentukan dengan memperhatikan forecast penjualan dan sumberdaya yang dimiliki. Dari sinilah rencana-rencana yang lebih operasional akan ditentukan kemudian.

  Kelangsungan hidup suatu organisasi (khususnya organisasi bisnis) di masa yang akan datang diantaranya tergantung pada lingkungan :

  1. Lingkungan Kontrol dan Sosial. Lingkungan ini akan mempengaruhi perusahaan, tetapi perusahaan pada umumnya tidak bisa mempengaruhi lingkungan tersebut. Lingkungan kontrol biasanya datang dari pemerintah yang berbentuk hukum dan peraturan-peraturan, atau larangan-larangan. Selain itu, organisasi buruh juga merupakan lingkungan kontrol tersendiri bagi perusahaan. Lingkungan sosial berupa keadaan sosial atau masyarakat di sekitar perusahaan. Masyarakat akan mempengaruhi perusahaan dengan adat istiadat, etika, kebiasaan, budaya dan sebagainya. Oleh karena itu, perusahaan harus menyesuaikan diri dengan keadaan sosial tersebut.

  2. Lingkungan Teknologi. Lingkungan ini akan mempengaruhi perusahaan dengan penemuan dan produk teknologi yang baru, terutama menyangkut cara-cara produksi. Perusahaan tidak bisa menghindari, biasanya hanya mengikuti. Misalnya kalau terdapat penemuan teknologi baru yang mengakibatkan mesin-mesin serta cara produksi perusahaan ketinggalan jaman, perusahaan hanya bisa mengikuti atau menyesuaikan dengan teknologi baru itu, tidak mungkin menolak. Keadaan teknis dan kemajuan teknologi ini tidak bisa diramal atau diforecast.

  3. Lingkungan Ekonomi Makro. Lingkungan ini menyangkut/meliputi keadaan perekonomian di tempat perusahaan berada atau memasarkan hasil produksinya. Keadaan perekonomian ini bersifat tidak tentu, tetapi masih bisa diramalkan. Misalnya jumlah penduduk, pendapatan per kapita, jumlah angkatan kerja dan sebagainya. Keadaan perekonomian dalam jangka pendek maupun jangka panjang akan mempengaruhi perusahaan dalam kebijakan-kebijakan mengenai penjualan, produksi, sumberdaya dan lain sebagainya. Disinilah pentingnya forecast bagi perusahaan. Perusahaan bisa membuat forecast mengenai penjualannya, permintaan total, angkatan kerja, dan sebagainya.

  Jadi, lingkungan kontrol dan sosial, lingkungan teknis, dan lingkungan ekonomi makro, ketiganya secara bersama-sama akan mempengaruhi perusahaan, yang pada akhirnya akan mempengaruhi kebijakan-kebijakan perusahaan di masa yang akan datang.

  Ramalan sangat berguna terutama dalam bidang pemasaran, produksi, keuangan dan bidang ekonomi lainnya. Ramalan pada dasarnya merupakan dugaan atau perkiraan mengenai terjadinya suatu kejadian atau peristiwa di waktu yang akan datang. Ramalan bisa bersifat kualitatif, artinya tidak berbentuk angka, misalnya tahun bulan depan akan banjir, tahun depan akan terjadi perang antara negara anu dengan negara anu, hasil penjualan tahun depan akan meningkat, bulan depan pasaran daging ayam akan sepi, dan sebagainya. Ramalan juga bisa bersifat kuantitatif, artinya berbentuk angka. Ramalan kuantitatif dapat berbentuk ramalan tunggal (point forecast) dan ramalan selang (interval forecast).

BAB II. MENENTUKAN PERAMALAN YANG AKURAT Bagaimana membuat forecast agar bisa mendekati kenyataan ? Itu

  sebuah pertanyaan yang harus dijawab oleh pembuat forecast. Hasil peramalan yang mendekati kenyataan merupakan ramalan yang memiliki kesalahan (error) minimal. Hasil ramalan tersebut merupakan ramalan yang akurat, dan akan bermanfaat bagi penyusunan rencana selanjutnya. Ada dua hal pokok yang harus diperhatikan agar suatu ramalan menjadi akurat, yakni tersedianya data yang relevan dan penggunaan teknik peramalan yang tepat.

2.1. Data yang Relevan

  Tahap pertama dari proses peramalan adalah pengumpulan data. Suatu data dapat ditinjau menurut jenisnya, sifatnya dan sumbernya. Data menurut jenisnya terbagi menjadi dua kelompok. Pertama adalah data kuantitatif yakni hasil obsevasi yang dapat dinyatakan dalam angka-angka. Sebagai contoh data mengenai tinggi dan berat karyawan, penjualan suatu produk dan lain-lain.

  

Kedua adalah data kualitatif yakni hasil observasi yang kemungkinannya tidak

  dapat dinyatakan dalam angka-angka. Sebagai contoh data mengenai preferensi (kesukaan) konsumen terhadap suatu produk. Pada akhirnya data kualitatif ini bisa dikuantitatifkan melalui analisis persentase, kemudian dapat diinterpretasikan secara statistik.

  Data menurut sifatnya dibagi menjadi dua. Pertama adalah data diskrit, yakni data yang didapat dengan jalan menghitung. Contohnya jumlah karyawan bagian produksi, jumlah karyawan bagian pemasaran. Kedua adalah data kontinu, yaitu data yang mempunyai nilai pada suatu interval tertentu. Contoh kapasitas produksi suatu perusahaan tahun 2014 sekitar 100.000 unit.

  Data menurut sumbernya juga terbagi menjadi dua. Pertama data intern, yaitu data yang dikumpulkan oleh suatu organisasi dan hasilnya digunakan untuk keperluan organisasi itu juga. Misalnya data mengenai penjualan perusahaan, preferensi konsumen terhadap produk perusahaan. Kedua data ekstern, yakni data yang diperoleh dari sumber-sumber di luar perusahaan. Misalnya data tenaga kerja dari Depnaker, data mengenai indeks harga kebutuhan pokok dari Badan Pusat Statistik.

  Tahap berikutnya setelah pengumpulan data adalah pemilihan data yang relevan. Data yang relevan dengan permasalahan merupakan hal pokok dalam proses peramalan. Proses pemilihan data dimulai dengan analisis terhadap data yang diperoleh. Data yang sudah ada perlu diketahui polanya dan bagaimana perilaku data tersebut. Tidak semua data yang diperoleh akan dapat digunakan dan relevan dengan tujuan peramalan. Dan hasil akhir dari peramalan sangat tergantung pada tersedianya data yang relevan.

2.2. Teknik Peramalan

  Hal pokok kedua yang sangat mempengaruhi terhadap kesuksesan menentukan forecast adalah pemilihan teknik peramalah yang tepat. Ada dua metode atau teknik peramalan yang dapat digunakan, yakni teknik peramalan kualitatif dan teknik peramalan kuantitatif.

  Teknik peramalan kualitatif lebih menitikberatkan pada pendapat (judgment) dan intuisi manusia dalam proses peramalan. Data historis yang ada menjadi tidak begitu penting dalam teknik ini.

  Teknik peramalan kuantitatif sangat mengandalkan pada data historis yang dimiliki. Teknik kuantitatif ini biasanya dikelompokkan menjadi dua, yakni teknik statistik dan teknik deterministik.

  Teknik statistik menitikberatkan pada pola, perubahan pola, dan faktor gangguan yang disebabkan pengaruh random. Termasuk teknik ini adalah teknik smoothing, dekomposisi, dan teknik Box-Jenkins.

  Teknik deterministik mencakup identifikasi dan penentuan hubungan antara variabel yang akan diperkirakan dengan variabel-variabel lain yang akan mempengaruhinya. Termasuk dalam teknik ini adalah teknik regresi sederhana, regresi berganda, auto regresi, dan model input-output.

  Pemilihan teknik peramalan yang akan digunakan dipengaruhi oleh empat aspek, yaitu pola atau karakteristik data, jangka waktu, biaya dan tingkat akurasi yang diinginkan.

  Pola atau karakteristik data merupakan aspek utama yang sangat berpengaruh terhadap pemilihan teknik peramalan. Suatu data yang memiliki pola trend (naik atau turun) akan lebih tepat bila di-forecast dengan teknik dekomposisi. Sedangkan data yang memiliki pola fluktuatif akan lebih tepat bila di-forecast dengan teknik smoothing.

2.3. Jenis-jenis Peramalan

  Situasi peramalan sangat beragam dalam horizon waktu peramalan, faktor yang menentukan hasil sebenarnya, tipe pola dan berbagai aspek lainnya. Untuk menghadapi penggunaan yang luas seperti itu, beberapa teknik telah dikembangkan. Peramalan pada umumya dapat dibedakan dari berbagai segi tergantung dalam cara melihatnya.

  Dilihat dari jangka waktu ramalan yang disusun, peramalan dapat dibedakan atas dua macam, yaitu: a. Peramalan jangka panjang, yaitu peramalan yang dilakukan untuk penyusunan hasil ramalan yang jangka waktunya lebih dari satu setengah tahun atau tiga semester. Lebih tegasnya peramalan jangka panjang ini berorientasi pada dasar atau perencanaan.

  b. Peramalan jangka pendek, yaitu peramalan yang dilakukan untuk penyusunan hasil ramalan yang dilakukan kurang dari satu setengah tahun atau tiga semester.

  Penetapan jadwal induk produksi untuk bulan yang akan datang atau periode kurang dari satu tahun sangat tergantung pada peramalan jangka pendek.

  Apabila dilihat dari sifat penyusunannya, maka peramalan dapat dibedakan menjadi dua macam, yaitu:

  1. Peramalan subjektif yaitu peramalan yang didasarkan atas perasaan atau intuisi dari orang yang menyusunnya. Dalam hal ini pandangan atau ketajaman pikiran orang yang menyusunnya sangat menentukan baik tidaknya hasil peramalan.

  2. Peramalan objektif yaitu peramalan yang didasarkan atas data yang relevan pada masa lalu dengan menggunakan teknik-teknik dan metode- metode dalam penganalisaan data tersebut.

  Dilihat dari sifat ramalan yang telah disusun, maka peramalan dapat dibedakan atas dua macam, yaitu:

  1. Peramalan kualitatif atau teknologis, yaitu peramalan yang didasarkan atas data kualitatif masa lalu. Hasil peramalan yang ada tergantung pada orang yang menyusunnya, karena peramalan tersebut sangat ditentukan oleh pemikiran yang bersifat intuisi, judgement (pendapat) dan pengetahuan serta pengalaman dari penyusunnya. Metoda kualitatif dibagi menjadi dua metode, yaitu: a. Metode eksploratif

  Pada metoda ini dimulai dengan masa lalu dan masa kini sebagai awal dan bergerak ke arah masa depan secara heuristik, sering kali dengan melihat semua kemungkinan yang ada.

  b. Metode normatif Pada metode ini dimulai dengan menetapkan sasaran tujuan yang akan datang, kemudian bekerja mundur untuk melihat apakah hal ini dapat dicapai berdasarkan kendala, sumber daya dan teknologi yang tersedia.

  2. Peramalan kuantitatif, yaitu peramalan yang didasarkan atas data kuantitatif pada masa lalu. Hasil peramalan yang dibuat tergantung pada metode yang digunakan dalam peramalan tersebut. Metode yang baik adalah metode yang memberikan nilai-nilai perbedaan atau penyimpangan yang mungkin.

  Peramalan kuantitatif hanya dapat digunakan apabila terdapat tiga kondisi sebagai berikut:

  1. Informasi tentang keadaan masa lalu.

  2. Informasi tersebut dapat dikuantifikasikan dalam bentuk data numerik.

  3. Dapat diasumsikan bahwa beberapa aspek pola masa lalu akan terus berkelanjutan pada masa yang akan datang.

  Metode peramalan kuantitatif terbagi atas dua jenis model peramalan yang utama, yaitu:

  1. Model deret berkala (time series), yaitu metode peramalan yang didasarkan atas penggunaan analisa pola hubungan antara variabel yang akan diperkirakan dengan variabel waktu, yang merupakan deret waktu.

  2. Model kausal, yaitu metode peramalan yang didasarkan atas penggunaan analisa pola hubungan antara variabel lain yang mempengaruhinya, yang bukan waktu yang disebut metode korelasi atau sebab akibat. Model kausal terdiri dari: a) Metode regresi dan korelasi, b) Metode ekonometri, dan c) Metode input dan output.

  2.4. Karakteristik Peramalan yang Baik

  Karakteristik dari peramalan yang baik harus memenuhi beberapa kriteria yaitu dari hal-hal sebagai berikut: a. Ketelitian/Keakuratan Tujuan utama peramalan adalah menghasilkan prediksi yang akurat.

  Peramalan yang terlalu rendah mengakibatkan kekurangan persediaan (inventory). Peramalan yang terlalu tinggi akan menyebabkan inventory yang berlebihan dan biaya operasi tambahan.

  b. Biaya Biaya untuk mengembangkan model peramalan dan melakukan peramalan akan menjadi signifikan jika jumlah produk dan data lainnya semakin besar.

  Mengusahakan melakukan peramalan jangan sampai menimbulkan ongkos yang terlalu besar ataupun terlalu kecil. Keakuratan peramalan dapat ditingkatkan dengan mengembangkan model lebih komplek dengan konsekuensi biaya menjadi lebih mahal. Jadi ada nilai tukar antara biaya dan keakuratan.

  c. Responsif, ramalan harus stabil dan tidak terpengaruhi oleh fluktuasi demand.

  d. Sederhana Keuntungan utama menggunakan peramalan yang sederhana yaitu kemudahan untuk melakukan peramalan. Jika kesulitan terjadi pada metode sederhana, diagnosa dilakukan lebih mudah. Secara umum, lebih baik menggunakan metode paling sederhana yang sesuai dengan kebutuhan peramalan.

  2.5. Jenis-jenis Pola Data

  Langkah penting dalam memilih suatu metode deret berkala (time

  

series) yang tepat adalah dengan mempertimbangkan jenis pola data,

sehingga metode yang paling tepat dengan pola tersebut dapat diuji.

  Pola data dapat dibedakan menjadi empat jenis, yaitu (Makridakis, 1991):

  1. Pola Horizontal (H) atau Horizontal Data Pattern Pola data ini terjadi bilamana data berfluktuasi di sekitar nilai rata-rata yang konstan. Deret seperti ini stasioner terhadap nilai rata-ratanya. Nilai data berfluktuasi disekitar nilai rata-rata yang konstan (stasioner terhadap nilai rata-ratanya). Suatu produk yang penjualannya tidak meningkat atau menurun selama waktu tertentu termasuk jenis ini. Bentuk pola horizontal ditunjukan seperti Gambar 2.1.

Gambar 2.1. Pola Data Horizontal

  2. Pola Trend (T) atau Trend Data Pattern Pola data ini terjadi bilamana terdapat kenaikan atau penurunan sekuler jangka panjang dalam data. Contohnya penjualan perusahaan, produk bruto nasional (GNP) dan berbagai indikator bisnis atau ekonomi lainnya, selama perubahan sepanjang waktu. Bentuk pola trend ditunjukan seperti Gambar 2.2.

Gambar 2.2. Pola Data Trend

  3. Pola Musiman (S) atau Seasional Data Pattern Pola data ini terjadi bilamana suatu deret dipengaruhi oleh faktor musiman, misalnya: kuartal tahun tertentu, bulanan atau hari-hari pada minggu tertentu atau waktu-waktu tertentu. Penjualan dari produk seperti minuman ringan, es krim dan bahan bakar pemanas ruang semuanya menunjukan jenis pola ini. Bentuk pola musiman ditunjukan seperti Gambar 2.3.

Gambar 2.3. Pola Data Musiman

  4. Pola Siklis (S) atau Cyclied Data Pattern Pola data ini terjadi bilamana datanya dipengaruhi oleh fluktuasi ekonomi jangka panjang seperti yang berhubungan dengan siklus bisnis. Contohnya penjualan produk seperti mobil, baja. Bentuk pola siklis ditunjukan seperti Gambar 2.4.

Gambar 2.4. Pola Data Siklis Jadi data yang digunakan adalah data yang berupa deret waktu (data

  

time series). Time series adalah susunan data menurut waktu terjadinya. Data

  time series sebenarnya data yang mengandung minimal satu diantara 4 gerakan berikut :

  1. Gerakan sekuler (gerakan jangka panjang = gerakan trend) Gerakan trend merupakan gerakan jangka panjang, yaitu suatu gerakan yang menunjukkan arah perkembangan secara umum (kecenderungan menaik atau menurun).

  2. Gerakan Musim (Seasonal Movement).

  Gerakan musim adalah gerakan yang hampir teratur dalam jangka waktu 1 tahun, yang umumnya disebabkan karena perubahan musim.

  3. Gerakan Siklis (Cyclical Movement).

  Gerakan siklis adalah gerakan naik turun yang menunjukkan keadaan prosperitas, resesi, depresi, recovery.

  4. Gerakan tidak teratur.

  Adalah gerakan yang terjadi akibat gangguan luar biasa seperti perang, gempa bumi, banjir, pemogokan, dan sebagainya.

  Telah disebutkan di depan bahwa peramalan dapat dibedakan atas peramalan kualitatif dan peramalan kuantitatif. Disini hanya akan dibahas metode peramalan yang digunakan untuk memperkirakan sesuatu yang akan terjadi di masa depan secara kuantitatif. Pada dasarnya metode peramalan kuantitatif dapat dibedakan atas :

  1. Metode peramalan yang didasarkan atas penggunaan analisis suatu variabel yang akan diperkirakan dengan variabel waktu. Biasa disebut metode hubungan deret waktu. Data yang digunakan adalah data deret waktu (time series).

  2. Metode peramalan yang didasarkan atas penggunaan analisis pola hubungan antara variabel yang akan diperkirakan dengan variabel atau variabel-variabel lain yang mempengaruhinya (yang bukan waktu). Metode ini sering disebut metode korelasi atau hubungan sebab akibat.

BAB III. METODE PERATAAN (AVERAGE METHOD)

3.1. Rata-rata Sederhana (Average)

  Telah ditunjukkan (seperti dilakukan dalam banyak buku statistika) bahwa rata-rata adalah penaksir yang tak bias. Jika rata-rata tersebut dipakai sebagai alat peramalan, penggunaan yang optimal memerlukan suatu pengetahuan tentang kondisi yang menentukan kecocokannya. Untuk nilai rata-rata, kondisinya adalah bahwa data harus stasioner, suatu istilah yang berarti bahwa proses yang membangkitkan data tersebut berada dalam kesetimbangan di sekitar nilai yang konstan (nilai rata-rata yang mendasari) dan varians di sekitar rata-rata tersebut tetap konstan selama waktu tertentu (Makridakis et al., 1991: 61).

  Misalkan terdapat T buah data, metode rata-rata sederhana merupakan rata-rata yang didapat dengan cara merata-ratakan setiap data tersebut. Misalkan akan ditentukan data pada periode yang akan datang, dalam hal ini adalah data ke T+1. Maka data ke T+1 merupakan nilai ramalan yang menggambarkan nilai data pada periode yang akan datang.

  Metode rata-rata sederhana ini hanya bisa digunakan ketika data yang tersedia tidak mengandung unsur musiman dan tren. Dengan kata lain data tersebut harus stasioner. Semakin banyak data yang digunakan, maka semakin stabil pula rata-rata yang dihasilkan. Halangan utama pada metode ini adalah bahwa data yang digunakan harus benar-benar didasarkan atas proses yang konstan, sedangkan dalam kehidupan sehari-hari data yang seperti itu sangat sulit terjadi. Berikut ini adalah contoh penggunaan rata-rata dari semua data masa lalu sebagai ramalan, disajikan pada Tabel 3.1.

Tabel 3.1. Rata-rata dari Semua Data Masa Lalu Sebagai Ramalan

  Waktu (T) Data (X i ) Ramalan (F i ) Kesalahan (e i ) Kesalahan

  2

  (e

  2

  ) 1 106,74 - - - 2 103,01 106,74 -3,72 13,84 3 102,14 104,88 -2,74 7,51 4 100,24 103,96 -3,72 13,84 5 91,45 103,03 -11,58 134,10 6 98,73 100,72 -1,99 3,96 7 94,06 100,39 -6,32 39,94 8 157,50 99,48 58,02 3366,32 9 152,33 106,73 45,60 2079,36

  10 149,20 111,80 37,40 1398,76 11 149,04 115,54 33,50 1122,25 12 142,90 118,59 24,31 590,98 13 151,62 120,61 31,01 961,62 14 144,96 123,00 21,96 482,24 15 152,85 124,57 28,28 799,76 16 151,08 126,45 24,63 606,64 17 143,33 127,99 15,34 235,32 18 150,81 128,89 21,92 480,49 19 153,24 130,11 23,13 535,00 20 144,95 131,33 13,62 185,50 21 132,01

  Sumber: Makridakis et al., (1991). Metode dan Aplikasi Peramalan.

  Bandung: ERLANGGA Peramalan dengan moving average adalah untuk mendapatkan rata-rata sejumlah data paling baru yang berurutan. Teknik peramalan dengan moving

  

average ini diantaranya adalah single moving average dan double moving

average.

3.2. Rata-rata Bergerak Tunggal (Single Moving Average)

  Salah satu cara untuk mengubah pengaruh data masa lalu terhadap rata-rata sebagai ramalan adalah dengan menentukan sejak awal berapa jumlah nilai data masa lalu yang akan dimasukan untuk menghitung rata-rata (Makridakis et al., 1991:67). Dalam metode rata-rata bergerak tunggal, data masa lalu yang dipakai adalah data hasil observasi yang baru. Pada awal penggunaan metode harus ditentukan jumlah data yang akan dipakai untuk peramalan, sehingga setiap kali muncul data baru, data yang lama harus dibuang dan digantikan dengan data baru.

  Teknik peramalan dengan single moving average, secara matematis dapat ditulis sebagai berikut (forecasting by Makridakis hal 69-79).

  ...

  x  x   x _{t t  t  n  1 1} F  _{t 1} 

  N

  Dimana:

  F = peramalan periode ke t _{t  1} x = data pada periode ke t _t

  N = jumlah data yang diperhitungkan Dari persamaan di atas bahwa pola hasil peramalan sangat ditentukan oleh jumlah data yang diperhitungkan (N) dalam peramalan. Jika dari pengamatan terlihat bahwa perubahan nilai data cukup besar setiap periodenya, maka dalam penetapan banyak data yang dikembangkan dipilih lebih kecil.

  Demikian juga sebaliknya, jika data pola yang stabil, maka diambil N yang lebih besar.

  Dengan mengambil beberapa nilai N, kemudian akan diperoleh suatu harga N yang akan memberikan simpangan terkecil, selanjutnya metode single

  moving average ini mempunyai beberapa karakteristik yang lain :

  a. Metode ini selalu terlambat dalam menanggapi suatu perubahan data untuk data dengan kecenderungan menarik, hasil peramalannya memberikan nilai yang lebih kecil sedangkan untuk data dengan kecenderungan menurun, metode ini memberikan nilai yang lebih besar.

  b. Metode ini kurang cepat menanggapi data yang bersifat siklis. Metode ini dipengaruhi oleh periode yang dipertimbangkan (N) dalam melakukan peramalan.

  Misalkan terdapat N buah data masa lalu, ditentukan T buah data untuk menghitung rata-rata, maka rata-rata bergerak tunggal dengan periode T dari data masa lalu ditunjukkan pada Tabel (3.2).

Tabel 3.2 Peramalan Pengiriman Alat Pembuka Kaleng Listrik dengan

  Rata-rata Bergerak Tunggal

  2 Waktu (T) Data (X ) Ramalan Kesalahan Kesalahan i

  2

  (F ) (e ) (e ) 1 200,0

• 2 135,0
• 3 195,0 - - 4 197,0 176,7 20,3 412,1 5 310,0 175,8 134,2 18009,6 6 175,0 234,2 -59,2 3504,6 7 155,0 227,5 -72,5 5256,3 8 130,0 213,3 -83,3 6938,9 9 220,0 153,3 66,7 4448,9 10 277,0 168,3 108,7 11815,7 11 235,0 209,2 25,8 665,6 12 244,2 Sumber: Makridakis et al., (1991). Metode dan Aplikasi Peramalan. Bandung: ERLANGGA.

  Secara umum semakin besar orde yang digunakan pada rata-rata bergerak tunggal, maka akan besar pula pengaruhnya dalam penghalusan data, dengan kata lain fluktuasi data ramalan akan semakin halus. Dibandingkan dengan rata-rata sederhana, metode rata-rata bergerak tunggal dengan orde yang besar lebih efektif dalam mengeluarkan pengaruh musiman pada data. Jika digunakan sebagai ramalan untuk periode mendatang, metode ini tetap tidak dapat menyesuaikan dengan baik adanya unsur tren atau musiman (Makridakis et al., 1991: 68).

3.3. Rata-rata Bergerak Ganda (Double Moving Average)

  Seperti telah disebutkan bahwa peramalan dengan single moving

  

average akan tertinggal di belakang data sebenarnya bila terdapat

  kecenderungan dalam pola data. Untuk data pola linier, dikembangakan suatu

  

double moving average yang dapat menangkap bentuk linier tersebut. Untuk

  dapat melakukan perhitungan dengan double moving average, digunakan hasil dari single moving average. Hasil dari metode tersebut digunakan untuk mendapatkan average kedua.

  Rata-rata bergerak ganda adalah suatu variasi dari prosedur rata-rata bergerak yang diharapkan dapat mengatasi adanya tren secara lebih baik

  (Makridakis et al., 1991: 72). Pada dasarnya metode rata-rata bergerak ganda adalah menghitung rata-rata bergerak dari rata-rata bergerak tunggal.

  Bentuk perhitungan yang dilakukan dapat dijelaskan dengan persamaan

  

(analisis kuantitatif untuk perencanaan, Vincent G, hal 72-123) sebagai berikut :

x  x  x _{1 t 1 1 N 1}

     ' s  _t N

  ' _{' t t} s  s  s _{1 1 N 1 t}    s  N

  ' ( ' " )

  a  s  s  s _{1 t t t}

  2 ' "  s  s _{t t}

  2 ( ' " ) b s s

    _{1 t}

1 N  .

  f  a  b m _{t  m t t}

  Dimana : s' = nilai peramalan dengan single moving average. _t s" = nilai moving average kedua. _t f = hasil peramalan dengan double moving average pada periode ke _{t m}

   depan. m = periode kedepan yang diramalkan.

  Rumus-rumus yang digunakan sama seperti pada rata-rata bergerak tunggal. Dalam rata-rata bergerak ganda semakin besar periode yang digunakan, maka semakin besar pula kesalahan sistematis yang terjadi. Hal ini terjadi jika data yang digunakan adalah data yang memiliki tren linier. Tabel (3.3) merupakan contoh dari penggunaan rata-rata bergerak ganda sebagai peramalan dengan data yang memiliki tren linier.

• 148,00 156,25 149,25 159,50 176,25

• 169,91 182,56 167,29 188,77 184,20
• 1,250
• 0,791

  24

  15

  16

  17

  18

  19

  20

  21

  22

  23

  162,50 174,50 175,25 168,25 175,25 178,50 189,50 196,50 200,50 204,00 198,75 211,25 218,75 225,00 229,50 234,75 246,00

  25 140,00 159,00 136,00 157,00 173,00 131,00 177,00 188,00 154,00 179,00 180,00 160,00 182,00 192,00 224,00 188,00 198,00 206,00 203,00 238,00 228,00 231,00 221,00 259,00 273,00

  153,25 158,06 159,62 165,93 169,87 170,12 173,31 174,31 177,87 184,93 191,25 197,62 199,93 203,62 208,18 213,43 221,12 227,00 233,81

  165,75 176,43 165,37 183,06 180,62 166,37 177,18 182,68 201,12 208,06 209,75 210,37 197,56 218,87 229,31 236,56 237,67 242,50 258,18

  4,166 6,125 1,916 5,708 3,583

  1,291 2,791 7,750 7,708 6,166 4,250

  5,083 7,041 7,708 5,583 5,166 8,125

  165,12 178,47 185,47 208,87 215,77 215,91 214,62 196,77 223,95 236,35 244,27 243,45 247,66

  26 266,31 Sumber: Makridakis et al., (1991). Metode dan Aplikasi Peramalan.

  Bandung: ERLANGGA.

  Metode smoothing dipakai pada kondisi dimana bobot data pada periode yang satu berbeda dengan data periode sebelumnya membentuk fungsi eksponensial yang biasa disebut eksponential smoothing.

  14

  12

  13

  Ramalan

Tabel 3.3. Rata-rata Bergerak Ganda Sebagai Ramalan dengan

  Data Tren Linier Waktu

  (T) Data

  (X

  T

  )

  MA(4) MA(4x4) Nilai a T

  Nilai b

  T

  F T

  11

  1

  2

  3

  4

  5

  6

  7

  8

  9

  10

3.4. Metode Smoothing

  Adapun metode-metode yang termasuk didalamnya antara lain :

1. Metode Exponential Smoothing

  Metode exponential smoothing merupakan metode peramalan yang cukup baik untuk peramalan jangka panjang dan jangka menengah, terutama pada tingkat operasional suatu perusahaan, dalam perkembangan dasar matematis dari metode smoothing (forcasting by Makridakis, hal 79-115) dapat dilihat bahwa konsep exponential telah berkembang dan menjadi metode praktis dengan penggunaan yang cukup luas, terutama dalam peramalan bagi persedian.

  Kelebihan utama dari metode exponential smoothing adalah dilihat dari kemudahan dalam operasi yang relatif rendah, ada sedikit keraguan apakah ketepatan yang lebih baik selalu dapat dicapai dengan menggunakan (QS)

  

Quantitatif System ataukah metode dekomposisi yang secara intuitif menarik,

namun dalam hal ini jika diperlukan peramalan untuk ratusan item.

  Menurut Makridakis, Wheelwright & Mcgee dalam bukunya “forecasting” menyatakan bahwa apabila data yang dianalisa bersifat stationer, maka penggunaan metode rata-rata bergerak (moving average) atau single

  

exponential smoothing cukup tepat, akan tetapi apabila datanya menunjukan

  suatu trend linier, maka model yang baik untuk digunakan adalah exponential smoothing linier dari brown atau model exponential smoothing linier dari holt.

  Pemulusan eksponential tunggal dapat dikembangkan dari persamaan

  berikut: Misalkan observasi yang lama X tidak tersedia sehingga temaptnya harus digantikan dengan nilai suatu pendekatan (aproksimasi). Salah satu pengganti nilai ramalan periode sebelumnya Ft dengan melakukan substitusi persamaan diatas menjadi sebagai berikut:

• t N

  t+1 t t t

  F = F + (X / N-X / N) F t+1 = (1/n) X t + (1-1 /N) F t Dari persamaan tersebut dapat dilihat bahwa ramalan tersebut didasarkan atas pembobotan observasi yang terakhir dengan suatu nilai bobot

  (1/N) dan pembobotan ramalan terakhir sebelumnya (Ft) dengan suatu bobot (1-1/N). Karena N merupakan suatu bilangan positif, 1/N akan menjadi suatu konstanta antar nol (jika N tidak hingga) dan 1 (jika N = 1). Dengan mengganti alpha maka persamaan tersebut dapat ditulis: t-1 t t

  F = X + (1- ) F

  α α

  persamaan ini merupakan bentuk umum yang dugunakan dalam menghitung ramalan dengan pemulusan Eksponential. Metoda ini dapat mengurangi masalah penyimpangan data, karena tidak lagi perlu menyimpan semua data

  

histories atau sebagian dari padanya. Hanya observasi terakhir, ramalan

terakhir, dan satu nilai alpha yang harus disimpan.

  Permasalahan umum yang dihadapi apabila menggunakan model pemulusan eksponensial adalah memilih konstanta pemulusan yang diperkirakan tepat. Adapun panduan untuk memperkirkan nilai  yaitu antara lain :

• Apabila pola historis dari data aktual permintaan sangat bergejolak atau tidak stabil dari waktu ke waktu, kita memilih nilai  mendekati 1. Biasanya dipilih nilai  = 0,9; namun pembaca dapat mencoba nilai  yang lain yang mendekati 1 seperti 0,8; 0,99 tergantung sejauh mana gejolak dari data itu.
• Apabila pola historis dari data akual permintaan tidak berfluktuasi atau relatif stabil dari waktu ke waktu maka kita memilih nilai  yang mendekati nol, katakanlah;  = 0,2; 0,05; 0,01 tergantung sejauh mana kestabilan data itu, semakin stabil nilai  yang dipilih harus semakin kecil menuju ke nilai nol 2.

  Metode Single Exponential Smoothing Metode ini juga digunakan untuk meramalkan suatu periode ke depan.

  Untuk melihat persamaan metode ini dengan metode single moving average, maka lihat kembali persamaan matematis yang digunakan pada peramalan

  single moving average.

  ..... x  x   x _{t t  1 t  N  1} s  _{t  1} N

  Peramalan untuk periode t, persamaan adalah : .......... ..

  x  x   x  x _{t t 2 1 N 1}

_{1 N}

   

  ' s  _t N

  ' ' x  x _{t t  n}

  '

  Maka, s   s _{t t}

  N x x _{t t  N} '

  Atau s    s _{t 1 t}

  N N Sedangkan persamaan matematis untuk single exponential smoothing sebagai berikut :

  x s _{t t} ' ' s    s _{t t} N N

  1

  1

  1  ' ' ( )  x  s _{t t}

  N N

  . ( 1 )  x   s

  α α _{t  1 t  1}

  , ,......... .......,

  s s s

  Demikian seterusnya untuk _{t  1 t  2 1  n} Jadi terlihat bahwa metode single moving average merupakan sejumlah data semua yang ditekankan pada baru. Harga ditetapkan oleh 0  X  1 dan

  α

  harga yang terpilih yang memberikan simpangan terkecil dari perhitungan

  α

  yang ada, seperti pada metode single moving average. Peramalan dengan

  

exponential smoothing juga dapat digunakan untuk meramalkan beberapa

  periode kedepan untuk pola data dengan kecenderungan linier, teknik yang digunakan dikenal dengan nama Brown Parameter Exponential Smoothing langkah-langkah perhitungan untuk mendapatkan peramalan dengan metode ini adalah :

  ' ( 1 ) '

  s  x   s _{t α t α t  1} ' ( 1 ) " s s s _{t t t}  α   α

  ( ' " ) a  s  s  s _{t t t t}

  2 ' "  s  s _{t t} α

  ( ' " ) b  s  s _{t t t}

  1  α . s  a  b m _{t  m t}

  Dimana : s' = nilai peramalan dengan single Exponential Smoothing. _t s" = nilai pemulusan eksponensial ganda. _t f = hasil peramalan periode ke depan. _{t  m} m = periode ke depan yang diramalkan.

  Contoh : Misalnya pemakaian listrik pada perusahaan agroindustri (x 000 KW)

  Pemakaian

Bulan Periode Nilai Ramalan dengan a = 0,1

Listrik

  1 250,0 - Januari Pebruari 2 160,0 250,0 Maret 3 210,0 241,0 April 4 215,5 237,9 Mei 5 315,0 235,7 Juni 6 180,5 243,6 Juli 7 175,0 237,3 Agustus 8 150,0 231,1 September 9 240,0 222,9 Oktober

  10 307,0 224,6 Nopember 11 275,0 232,8 12 237,0

• Desember

  Nilai ramalan dihitung dengan cara : Periode 2 : F

  2 = 250,0

  Periode 3 : F

  3 = (0,1)(160) + (1 – 0,1)(250,0) = 241,0

  Periode 4 : F

  4 = (0,1)(210) + (1 + 0,1)(241,0) = 237,9 … …

  Periode 12 : F

  12 = (0,1)(275) + (1 + 0,1)(232,8) = 237,0 Output dari program MINITAB adalah :

  Single Exponential Smoothing for Pemakaian Listrik

  Data Pemakaian Listrik Length 11 Smoothing Constant Alpha 0.1 Accuracy Measures MAPE 25.49 MAD 51.88 MSD 3557.50

  Pemakaian Time Listrik Smooth Predict Error 1 250.0 250.000 250.000 0.0000 2 160.0 241.000 250.000 -90.0000 3 210.0 237.900 241.000 -31.0000 4 215.5 235.660 237.900 -22.4000 5 315.0 243.594 235.660 79.3400 6 180.5 237.285 243.594 -63.0940 7 175.0 231.056 237.285 -62.2846 8 150.0 222.951 231.056 -81.0561 9 240.0 224.655 222.951 17.0495 10 307.0 232.890 224.655 82.3445 11 275.0 237.101 232.890 42.1101 Forecasts Period Forecast Lower Upper 12 237.101 109.998 364.204