FORECASTING (PERAMALAN)

Peramalan merupakan aktivitas fungsi bisnis yang memperkirakan penjualan dan penggunaan produk sehingga produk-produk itu dapat dibuat dalam kuantitas yang tepat. Peramalan merupakan dugaan terhadap permintaan yang akan datang berdasarkan pada beberapa variabel peramal, sering berdasarkan data deret waktu historis. Peramalan menggunakan teknik-teknik peramalan yang bersifat formal maupun informal (Gaspersz, 1998).

Kegiatan peramalan merupakan bagian integral dari pengambilan keputusan manajemen. Peramalan mengurangi ketergantungan pada hal-hal yang belum pasti (intuitif). Peramalan memiliki sifat saling ketergantungan antar divisi atau bagian. Kesalahan dalam proyeksi penjualan akan mempengaruhi pada ramalan anggaran, pengeluaran operasi, arus kas, persediaan, dan sebagainya. Dua hal pokok yang harus diperhatikan dalam proses peramalan yang akurat dan bermanfaat (Makridakis, 1999):

1. Pengumpulan data yang relevan berupa informasi yang dapat menghasilkan peramalan yang akurat.
2. Pemilihan teknik peramalan yang tepat yang akan memanfaatkan informasi data yang diperoleh semaksimal mungkin.

Terdapat dua pendekatan untuk melakukan peramalan yaitu dengan pendekatan kualitatif dan pendekatan kuantitatif. Metode peramalan kualitatif digunakan ketika data historis tidak tersedia. Metode peramalan kualitatif adalah metode subyektif (intuitif). Metode ini didasarkan pada informasi kualitatif. Dasar informasi ini dapat memprediksi kejadian-kejadian di masa yang akan datang. Keakuratan dari metode ini sangat subjektif (Materi Statistika, UGM).

Metode peramalan kuantitatif dapat dibagi menjadi dua tipe, causal dan time series. Metode peramalan causal meliputi faktor-faktor yang berhubungan dengan variabel yang diprediksi seperti analisis regresi. Peramalan time series merupakan metode kuantitatif untuk menganalisis data masa lampau yang telah dikumpulkan secara teratur menggunakan teknik yang tepat. Hasilnya dapat dijadikan acuan untuk peramalan nilai di masa yang akan datang (Makridakis, 1999).

Model deret berkala dapat digunakan dengan mudah untuk meramal, sedang model kausal lebih berhasil untuk pengambilan keputusan dan kebijakan. Peramalan harus mendasarkan analisisnya pada pola data yang ada. Empat pola data yang lazim ditemui dalam peramalan (Materi Statistika, UGM):

1. Pola Horizontal

Pola ini terjadi bila data berfluktuasi di sekitar rata-ratanya. Produk yang penjualannya tidak meningkat atau menurun selama waktu tertentu termasuk jenis ini. Struktur datanya dapat digambarkan sebagai berikut ini.

2. Pola Musiman

Pola musiman terjadi bila nilai data dipengaruhi oleh faktor musiman (misalnya kuartal tahun tertentu, bulanan atau hari-hari pada minggu tertentu). Struktur datanya dapat digambarkan sebagai berikut ini.

3. Pola Siklis

Pola ini terjadi bila data dipengaruhi oleh fluktuasi ekonomi jangka panjang seperti yang berhubungan dengan siklus bisnis. Struktur datanya dapat digambarkan sebagai berikut.

4. Pola Trend

Pola Trend terjadi bila ada kenaikan atau penurunan sekuler jangka panjang dalam data. Struktur datanya dapat digambarkan sebagai berikut.

Forecasting adalah peramalan atau perkiraan mengenai sesuatu yang belum terjadi. Ramalan yang dilakukan pada umumnya akan berdasarkan data yang terdapat di masa lampau yang dianalisis dengan mengunakan metode-metode tertentu. Forecasting diupayakan dibuat dapat meminimumkan pengaruh ketidakpastian tersebut, dengan kata lainbertujuan mendapatkan ramalanyang bisa meminimumkan kesalahan meramal (forecast error) yang biasanya diukur dengan Mean Absolute Deviation, Absolute Error, dan sebagainya. Peramalan merupakan alat bantu yang sangat penting dalam perencanaan yang efektif dan efisien (Subagyo, 1986).

Peramalan permintaan memiliki karakteristik tertentu yang berlaku secara umum. Karakteristik ini harus diperhatikan untuk menilai hasil suatu proses peramalan permintaan dan metode peramalan yang digunakan. Karakteristik peramalan yaitu faktor penyebab yang berlaku di masa lalu diasumsikan akan berlaku juga di masa yang akan datang, dan peramalan tak pernah sempurna, permintaan aktual selalu berbeda dengan permintaan yang diramalkan (Baroto, 2002).

Penggunaan berbagai model peramalan akan memberikan nilai ramalan yang berbeda dan derajat dari galat ramalan (forecast error) yang berbeda pula. Seni dalam melakukan peramalan adalah memilih model peramalan terbaik yang mampu mengidentifikasi dan menanggapi pola aktivitas historis dari data. Model-model peramalan dapat dikelompokan ke dalam dua kelompok utama, yaitu metode kualitatif dan metode kuantitatif. Metode kuantitatif dikelompokkan ke dalam dua kelompok utama, yaitu intrinsik dan ekstrinsik.

Metode kualitatif ditujukan untuk peramalan terhadap produk baru, pasar baru, proses baru, perubahan sosial dari masyarakat, perubahan teknologi, atau penyesuaian terhadap ramalan-ramalan berdasarkan metode kuantitatif.

Metode Peramalan

Model kuantitatif intrinsik sering disebut sebagai model-model deret waktu (Time Series model). Model deret waktu yang populer dan umum diterapkan dalam peramalan permintaan adalah rata-rata bergerak (Moving Averages), pemulusan eksponensial (Exponential Smoothing), dan proyeksi kecenderungan (Trend Projection). Model kuantitatif ekstrinsik sering disebut juga sebagai model kausal, dan yang umum digunakan adalah model regresi (Regression Causal model) (Gaspersz, 1998).

1. Weight Moving Averages (WMA)

Model rata-rata bergerak menggunakan sejumlah data aktual permintaan yang baru untuk membangkitkan nilai ramalan untuk permintaan di masa yang akan datang. metode rata-rata bergerak akan efektif diterapkan apabila permintaan pasar terhadap produk diasumsikan stabil sepanjang waktu. Metode rata-rata bergerak terdapat dua jenis, rata-rata bergerak tidak berbobot (Unweight Moving Averages) dan rata-rata bobot bergerak (Weight Moving Averages). Model rata-rata bobot bergerak lebih responsif terhadap perubahan karena data dari periode yang baru biasanya diberi bobot lebih besar. Rumus rata-rata bobot bergerak yaitu sebagai berikut.

2. Single Exponential Smoothing (SES)

Pola data yang tidak stabil atau perubahannya besar dan bergejolak umumnya menggunakan model pemulusan eksponensial (Exponential Smoothing Models). Metode Single Exponential Smoothing lebih cocok digunakan untuk meramalkan hal-hal yang fluktuasinya secara acak (tidak teratur). Peramalan menggunakan model pemulusan eksponensial rumusnya adalah sebagai berikut.

Permasalahan umum yang dihadapi apabila menggunakan model pemulusan eksponensial adalah memilih konstanta pemulusan (α) yang diperirakan tepat. Nilai konstanta pemulusan dipilih di antara 0 dan 1 karena berlaku 0 < α < 1. Apabila pola historis dari data aktual permintaan sangat bergejolak atau tidak stabil dari waktu ke waktu, nilai α yang dipilih adalah yang mendekati 1. Pola historis dari data aktual permintaan tidak berfluktuasi atau relatif stabil dari waktu ke waktu, α yang dipilih adalah yang nilainya mendekati nol (Gaspersz, 1998).

3. Regresi Linier

Model analisis Regresi Linier adalah suatu metode populer untuk berbagai macam permasalahan. Menurut Harding (1974) dua variabel yang digunakan, variabel x dan variabel y, diasumsikan memiliki kaitan satu sama lain dan bersifat linier. Rumus perhitungan Regresi Linier yaitu sebagai berikut.

Keterangan:

Y = hasil peramalan

n = periode

a = perpotongan dengan sumbu tegak

b = menyatakan slope atau kemiringan garis regresi

Ukuran Akurasi Peramalan

Model-model peramalan yang dilakukan kemudian divalidasi menggunakan sejumlah indikator. Indikator-indikator yang umum digunakan adalah rata-rata penyimpangan absolut (Mean Absolute Deviation), rata-rata kuadrat terkecil (Mean Square Error), rata-rata persentase kesalahan absolut (Mean Absolute Percentage Error), validasi peramalan (Tracking Signal), dan pengujian kestabilan (Moving Range).

1. Mean Absolute Deviation (MAD)

Metode untuk mengevaluasi metode peramalan menggunakan jumlah dari kesalahan-kesalahan yang absolut. Mean Absolute Deviation (MAD) mengukur ketepatan ramalan dengan merata-rata kesalahan dugaan (nilai absolut masing-masing kesalahan). MAD berguna ketika mengukur kesalahan ramalan dalam unit yang sama sebagai deret asli. Nilai MAD dapat dihitung dengan menggunakan rumus sebegai berikut.

2. Mean Square Error (MSE)

Mean Squared Error (MSE) adalah metode lain untuk mengevaluasi metode peramalan. Masing-masing kesalahan atau sisa dikuadratkan. Kemudian dijumlahkan dan ditambahkan dengan jumlah observasi. Pendekatan ini mengatur kesalahan peramalan yang besar karena kesalahan-kesalahan itu dikuadratkan. Metode itu menghasilkan kesalahan-kesalahan sedang yang kemungkinan lebih baik untuk kesalahan kecil, tetapi kadang menghasilkan perbedaan yang besar.

3. Mean Absolute Percentage Error  (MAPE)

Mean Absolute Percentage Error (MAPE) dihitung dengan menggunakan kesalahan absolut pada tiap periode dibagi dengan nilai observasi yang nyata untuk periode itu. Kemudian, merata-rata kesalahan persentase absolut tersebut. Pendekatan ini berguna ketika ukuran atau besar variabel ramalan itu penting dalam mengevaluasi ketepatan ramalan. MAPE mengindikasi seberapa besar kesalahan dalam meramal yang dibandingkan dengan nilai nyata.

4. Tracking Signal

Validasi peramalan dilakukan dengan Tracking Signal. Tracking Signal adalah suatu ukuran bagaimana baiknya suatu peramalan memperkirakan nilai-nilai aktual. Nilai Tracking Signal dapat dihitung dengan menggunakan rumus sebegai berikut.

Tracking signal yang positif menunjukan bahwa nilai aktual permintaan lebih besar daripada ramalan, sedangkan tracking signal yang negatif berarti nilai aktual permintaan lebih kecil daripada ramalan. Tracking signal disebut baik apabila memiliki RSFE yang rendah, dan mempunyai positive error yang sama banyak atau seimbang dengan negative error, sehingga pusat dari tracking signal mendekati nol. Tracking signal yang telah dihitung dapat dibuat peta kontrol untuk melihat kelayakkan data di dalam batas kontrol atas dan batas kontrol bawah.

5. Moving Range (MR)

Peta Moving Range dirancang untuk membandingkan nilai permintaan aktual dengan nilai peramalan. Data permintaan aktual dibandingkan dengan nilai peramal pada periode yang sama. Peta tersebut dikembangkan ke periode yang akan datang hingga dapat dibandingkan data peramalan dengan permintaan aktual. Peta Moving Range digunakan untuk pengujian kestabilan sistem sebab-akibat yang mempengaruhi permintaan. Rumus perhitungan peta Moving Range adalah sebagai berikut.

Jika ditemukan satu titik yang berada diluar batas kendali pada saat peramalan diverifikasi maka harus ditentukan apakah data harus diabaikan atau mencari peramal baru. Jika ditemukan sebuah titik berada diluar batas kendali maka harus diselidiki penyebabnya. Penemuan itu mungkin saja membutuhkan penyelidikan yang ekstensif. Jika semua titik berada di dalam batas kendali, diasumsikan bahwa peramalan permintaan yang dihasilkan telah cukup baik. Jika terdapat titik yang berada di luar batas kendali, jelas bahwa peramalan yang didapat kurang baik dan harus direvisi (Gaspersz, 1998).

Kegunaan peta Moving Range ialah untuk melakukan verifikasi hasil peramalan least square terdahulu. Jika peta Moving Range menunjukkan keadaan diluar kriteria kendali. Hal ini berarti terdapat data yang tidak berasal dari sistem sebab-akibat yang sama dan harus dibuang maka peramalan pun harus diulangi lagi.