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 adalah seni dan ilmu memprediksi peristiwa-peristiwa masa depan.

Hal ini serupa dengan pendapat Subagyo (2000) Forecasting adalah memperkirakan sesuatu yang akan terjadi. Menurut Handoko (1999) Peramalan adalah suatu usaha 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 dapat dibuat 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 bahan baku, seperti halnya PT. Kusumahadi Santosa memerlukan bahan baku dalam proses produksi. Dalam memenuhi kebutuhan bahan baku diperlukan peramalan. Dari pengertian para ahli diatas, maka dapat ditarik suatu kesimpulan bahwa Peramalan adalah seni dan ilmu memprediksi peristiwa-peristiwa masa depan dengan melakukan studi terhadap data historis untuk menemukan hubungan, kecenderungan dan pola yang sistematis. 

Jenis - Jenis Peramalan

Menurut Render dan Heizer (2004) pada jenis peramalan dapat 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 dapat meluncurkan produk baru yang menarik, yang membutuhkan pabrik dan peralatan baru.
3. Peramalan permintaan (demand forecast) adalah proyeksi permintaan 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) mencakup masa depan yang dekat (immediate future) dan memperhatikan kegiatan harian suatu perusahaan bisnis, seperti permintaan harian atau kebutuhan sumber daya harian.
2. Ramalan jangka menengah (medium-range forecast) mencakup jangka waktu satu atau dua bulan sampai satu tahun. Ramalan jangka waktu ini umumnya lebih berkaitan dengan rencana produksi tahunan dan akan mencerminkan hal-hal seperti puncak dan lembah dalam suatu permintaan dan kebutuhan untuk menjamin adanya tambahan untuk sumber daya untuk tahun berikutnya.
3. Ramalan jangka panjang (long-range forecast) mencakup periode yang lebih lama dari satu atau dua tahun. Ramalan ini berkaitan dengan usaha manajemen untuk merencanakan produk baru untuk pasar yang berubah, membangun fasilitas baru, atau menjamin adanya pembiayaan jangka panjang.

Langkah-langkah Peramalan

Peramalan yang baik adalah peramalan yang dilakukan dengan mengikuti langkah-langkah atau prosedur 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 melakukan 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 melakukan peramalan diperlukan perhitungan yang akurat sehingga diperlukan 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 seperti 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 mendapatkan prediksi permintaan kelompok.

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

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

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

d. Peramalan Kuantitatif

Yaitu peramalan yang menggunakan satu atau lebih model matematis dengan data masa lalu dan variabel sebab akibat 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 menggunakan seri data masa lalu untuk membuat ramalan.
2. Metode kausal (causal metods) atau metode korelasi Metode kausal, bergabung menjadi variable atau hubungan yang bisa mempengaruhi jumlah yang sedang diramal. 

Metode peramalan time series terdiri dari:

1) Pendekatan naif

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

2) Rata-rata bergerak(moving average)

Bermanfaat jika 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 digunakan untuk melakukan peramalan hal-hal yang bersifat random, artinya tidak ada gejala trend naik maupun turun, musiman dan sebagainya, melainkan sulit diketahui polanya.

Metode ini mempunyai dua sifat khusus yaitu untuk membuat 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 adalah jumlah dalam rata-rata bergerak, misalnya tiga, lempat, atau lima bulan secara berurutan. Kelemahan metode moving average antara lain perlu data histories, semua data diberi weigh sama, tidak bisa mengikuti perubahan yang terjadi.

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

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

Praktik ini membuat teknik peramalan lebih tanggap terhadap perubahan karena periode yang lebih dekat mendapatkan bobot yang lebih berat.

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

Pemilihan bobot merupakan hal yang tidak pasti karena tidak ada rumus untuk menetapkan mereka. Oleh karena itu, pemutusan bobot yang mana yang digunakan, 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 metode peramalan rata-rata bergerak dengan pembobotan yang canggih, namun masih mudah digunakan. 

Metode ini menggunakan sangat sedikit pencatatan data masa lalu Rumus penghalusan eksponential dapat ditunjukkan sebagai berikut:

Pendekatan penghalusan eksponential mudah digunakan, dan telah berhasil diterapkan pada hampir setiap jenis bisnis. Walaupun demikian, nilai yang tepat untuk konstanta penghalus, dapat membuat diferensiasi antara peramalan yang akurat dan yang tidak akurat. Nilai yang tinggi dipilih saat rata-rata cenderung berubah. Nilai yang rendah digunakan saat rata-rata cenderung stabil. Tujuan pemilihan suatu nilai untuk konstanta penghalus adalah untuk mendapatkan peramalan yang paling akurat.

d) Proyeksi tren (trend projection)

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

Menurut Adisaputro dan Asri (2004) ada beberapa metode yang bisa digunakan untuk membuat tren yaitu 

(1) Metode kuadrat terkecil (linear least square ) Persamaan tren dengan metode 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 (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 trend line). 

Persamaan tren dengan metode linear trend 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 perubahan pada y untuk perubahan yang terjadi di x)

X = variable bebas, dalam kasus ini adalah waktu 

Untuk menghasilkan nilai a dan b secara singkat sebagai berikut:

e. Pengukuran kesalahan peramalan

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

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

dimana: 

At = nilai actual

Ft = nilai peramalan

Ada beberapa perhitunngan yang biasa digunakan untuk menghitung kesalahan peramalan (forecast error) total. Perhitungan ini dapat digunakan untuk membandingkan model peramalan yang berbeda, juga untuk mengawasi peramalan, untuk memastikan peramalan berjalan dengan baik. Cara untuk mengevaluasi 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 sebuah model. Nilai MAD dihitung dengan mengambil jumlah nilai absolut 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 adalah 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 absolut antara nilai peramalan dan aktual, yang dinyatakan sebagai presentase nilai aktual. 

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

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