peramalan ( forecasting)

Pengertian Peramalan

Peramalan ( forecasting ) adalah seni dan ilmu untuk memperkirakan kejadian di masa depan. Hal ini dapat dilakukan dengan melibatkan pengambilan data historis dan memproyeksikannya ke masa mendatang dengan suatu bentuk model matematis. Hal ini bisa juga merupakan pediksi intuisi yang bersifat subjektif. Hal ini pun dapat dilakukan dengan menggunakan kombinasi model matematis yang disesuakan dengan pertimbangan yang baik dari seorang manager.

Setelah mengenal beberapa teknik peramalan, anda akan melihat bahwa tidak ada satu metode tunggal yang paling unggul. Sesuatu yan berjalan dengan baik di suatu perusahaan pada suatu set kondisi tertentu mungkin bisa menjadi bencana bagi organisasi lain, bahkan pada departemen yang berada di perusahaan yang sama. Selain itu, anda akan melihat keterbatasan dari apa yang dapat anda harapkan dari suatu peramalan.

Hanya sedikit bisnis yang dapat menghindari proses peramalan dan hanya menunggu apa yang terjadi untuk kemudian mengambil kesempatan. Perencanaan yang efektif baik untuk jangka panjang maupun pendek bergantung pada peramalan permintaan untuk produk perusahaan.

Peramalan (Forecasting), merupakan kegiatan memprediksi nilai-nilai sebuah variabel berdasarkan nilai yang diketahui dari variabel tersebut atau variabel yang berhubungan. Terdapat dua macam metode yaitu metode kualitatif dan metode kuantitatif. Metode kualitatif hanya menggunakan intuisi saja, tanpa menggunakan pendekatan matematis maupun statistik. Situasi, kondisi, dan pengalaman peramal sangat mempengaruhi hasil ramalan. Metode kuantitatif dapat dibedakan menjadi dua cara yaitu metode kausal dan metode time series. Metode kausal mempertimbangkan nilai sebuah variabel sebagai pengaruh dari banyak variabel yang lain. Sedangkan metode time series hanya meninjau nilai sebuah variabel sebagai fungsi waktu.

Kegunaan Peramalan

Data ramalan dipergunakan sebagai perkiraan, bukan merupakan suatu angka atau bilangan yang harus dipergunakan begitu saja. Penggunaannya masih memerlukan pertimbangan dari para pemakai. Hal ini disebabkan oleh karena hasil ramalan biasanya didasarkan atas dasar asumsi-asumsi, kalau keadaan tidak berubah seperti waktu sebelumnya.

Peramalan Deret Waktu

Deret waktu didasarkan pada urutan dari titik – titik data yang berjarak sama dalam waktu ( mingguan, bulanan, kuartalan, dan lain – lain ). Meramalkan deret data waktu berarti nilai masa depan diperkirakan hanya dari nilai masa lalu dan variable lain diabaikan walaupun variabel – variabel tersebut mungkin sangat bermanfaat.

Menganalisis deret waktu berarti membagi data masa lalu menjadi komponen – komponen – komponen, kemudian memproyeksikannya ke masa depan. Deret waktu mempunyai empat komponen yaitu :

1.      Pola tren

merupakan pergerakan data sedikit demi sedikit meningkat atau menurun. Perubahan pendapatan, populasi, penyebaran umur, atau pandangan budaya dapat mempengaruhi pergerakan tren.

2.      Pola data musiman

 adalah pola data yang berulang pada kurun waktu tertentu, seperti hari, mingguan, bulanan, atau kuartal.

3.      Pola data Siklus

adalah pola dalam data yang terjadi setiap beberapa tahun. Siklus ini biasanya terkait pada siklus bisnis dan merupakan satu hal penting dalam analisis dan perencanaan bisnis jangka pendek. Memprediksi siklus bisnis

4.      Pola data variasi acak

Merupakan satu titik khusus dalam data yang disebabkan oleh peluang dan situasi yang tidak lazim. Variasi acak tidak memiliki pola khusus sehingga tidak dapat di prediksi.

Metode Pemulusan Eksponensial

Penghalusan Eksponensial merupakan metode peramalan rata – rata bergerak dengan pembobotan yang canggih, tetapi masih mudah digunakan. Metode ini menggunakan pencatatan dan masa lalu yang sangat sedikit.

Bentuk umum dari metode pemulusan eksponensial :

       Ft = Ft - 1 + α (At – 1 Ft–1)

Dimana:

Ft     =  peramalan baru

Ft-1 =  peramalan sebelumnya

α      = Konstanta penghalusan ( pembobotan ) ( 0 ≤ α ≤ 1 )

At-1 = Permintaan actual periode lalu.

Konsepnya tidak rumit. Prediksi terakhir untuk permintaan sama dengan prediksi lama, disesuaikan dengan sebagian  deferensiasi permintaan aktual periode lalu dengan prediksi lama.

1.Single Eksponensial smoothing

Metode penghalusan eksponential orde satu sebenarnya merupakan perkembangan dari metode rata-rata bergerak(moving average) sederhana. Metode ini dipengaruhi secara luas di dalam peramalan (forecasting) karena sederhana, efisian di dalam perhitungan dan perubahan ramalan, mudah disesuaikan dengan perubahan data, dan ketelitian metode ini cukup besar.

          

2.    Double Eksponensial smoothing

     Metode ini akan menyesuaikan factor trend yang ada pada pola data. Dipopulerkan oleh C.C. Holt (1957), model ini menambahkan factor pertumbuhan  ( growth factor ) atau faktor trend ( trend factor ) pada persamaan dasar dari smoothing.

3.    Triple Exponential smoothing

Metode ini merupakan perluasan dari metode holt. Dipopulerkan oleh winter, model ini menambahkan factor seasonal pada persamaan dasar dari smoothing. Hanya berbeda dengan dua metode Exponential smoothing yang lalu, pada metode winter ada dua cara perhitungan forecasting, yakni secara additive atau secara multiplikatif, disini akan digunakan cara multiplikatif.

2.3.2.                Menghitung Kesalahan Peramalan

Seorang perencana tentu menginginkan hasil perkiraan ramalan yang tepat atau paling tidak dapat memberikan gambaran yang paling mendekati sehingga rencana yang dibuatnya merupakan rencana yang realistis. Ketepatan atau ketelitian inilah yang menjadi kriteria performance suatu metode peramalan. Ketepatan atau ketelitian tersebut dapat dinyatakan sebagai kesalahan dalam peramalan. Kesalahan yang kecil memberikan arti ketelitian peramalan yang tinggi, dengan kata lain keakuratan hasil peramalan tinggi, begitu pula sebaliknya.

Ada beberapa perhitungan yang biasa digunakan untuk membandingkan model peramalan yang berbeda, mengawasi peramalan, dan untuk memastikan peramalan dengan baik. Tiga dari perhitungan yang paling terkenal adalah :

1.         1. Deviasi Mutlak Rerata ( Mean Absolute Deviation – MAD )

2.         2. Kesalahan Kuadrat Rerata ( Mean Square Error – MSE )

 3.      3. Kesalahan Persen Mutlak Rerata ( Mean Absolute Percentage Error -  MAPE) :