PERAMALAN (FORECASTING) PENJUALAN
3.4 Metode Peramalan (Forecasting)
Peramalan memungkinkan pengambilan keputusan manajemen berdasarkan fakta dan data yang diperoleh dari kejadian masa lalu. Secara garis besar metode peramalan dibagi menjadi dua yaitu:
a. Metode Peramalan Kualitatif
Metode kualitatif merupakan metode untuk melakukan forecast tetapi tanpa menggunakan data-data historis. Metode ini digunakan dimana tidak ada model matematik, biasanya dikarenakan data yang ada tidak cukup representatif untuk meramalkan masa yang akan datang. Peramalan kualitatif (qualitative forecasting) ini menggunakan pertimbangan pendapat para pakar yang ahli dibidangnya. Teknik model peramalan kualitatif berusaha untuk menggunakan penilaian (judgement) atau faktor subyektif individu dalam peramalan. Model ini sangat berguna terutama ketika faktor subyektif diharapkan sangat penting atau ketika data kuantitatif yang akurat sulit didapatkan. Analisis kualitatif dapat menjadi teknik peramalan yang sangat berguna jika memungkinkan pengumpulan dan organisasi yang sistematis untuk data yang diturunkan dari opini yang tidak terbias dan terinformasi. Akan tetapi, metode-metode kualitatif dapat memberikan hasil yang membias ketika beberapa individu tertentu mendominasi proses peramalan melalui reputasi, kekuatan kepribadian, atau posisi stategis dalam organisasi. Teknik pada metode peramalan kualitatif yang dapat digunakan antara lain adalah: Teknik Delphi, Kurva pertumbuhan, Marketing Research, dll.
b. Metode Peramalan Kuantitatif
Peramalan kuantitatif berdasarkan pada rekayasa atas data historis yang ada secara memadai tanpa intuisi dan penilaian subyektif oleh orang yang melakukan peramalan. Peramalan kuantitatif (quantitative forecasting) lebih bersifat objektif dengan melibatkan data dan fakta yang diolah dengan metode tertentu. Sehingga dapat diartikan bahwa metode peramalan kuantitatif lebih didasarkan atas data-data masa lalu yang kemudian diolah dengan berbagai metode statistik. Metode Peramalan Kuantitatif dapat dibagi menjadi dua pendekatan analisis yaitu:
1) Model Deret Berkala atau Runtun Waktu (Time Series); model time series, pada dasarnya mencoba untuk memprediksi masa depan dengan menggunakan data historis. Model-model yang digunakan dengan teknik ini membuat asumsi bahwa apa yang akan terjadi di masa depan merupakan sebuah fungsi dari masa lalu. Dengan
kata lain, sebuah model time series melihat data-data yang terjadi selama periode tertentu di masa lalu dan menggunakan series of past data tersebut untuk membuat forecast. Misalkan perusahaan harus membuat ramalan jumlah produk terjual minggu depan selama seminggu, maka perusahaan membuat forecast berdasarkan jumlah penjualan produk minggu ini dan di minggu-minggu sebelumnya. Secara teknis, model time series ini dapat diaplikasikan menggunakan beberapa metode analisa, antara lain: metode moving average, exponential smoothing dan trend projections.
2) Model Kasual (Causal); model kausal memasukkan variabel-varial yang dianggap menjadi faktor penentu kuantitas yang akan di-forecast. Sebagai contoh, penjualan harian atas minuman X mungkin ternyata dipengaruhi oleh faktor suhu, musim, tingkat kelembapan udara, dan cuaca secara harian, serta dipengaruhi juga oleh faktor jenis hari kerja atau hari akhir pekan/hari libur. Contoh sebuah model kausal ini akan memasukkan faktor-faktor suhu, musim, tingkat kelembapan udara, cuaca dan jenis hari ke dalam sebuah model yang meramalkan jumlah penjualan minuman secara harian. Model kausal, seperti halnya model time series,dapat menggunakan data saat ini dan data masa lalu.Secara teknis, model kausal dapat diaplikasikan menggunakan beberapa metode antara lain: metode regression analysis dan multiple regression, model ekonometrika, model input-output.
Kedua metode peramalan diatas hanya sebagai alat bantu dalam pengambilan keputusan. Semua keputusan kembali kepada manajemen dalam menentukan kebijakan perusahaan. Peramal (forecaster) tidak dapat mengetahui kondisi yang ada dimasa yang akan datang. Tetapi peramal hanya bisa memprediksi hasil sesuai dengan apa yang ada di masa yang akan datang, namun yang pasti keputusan yang tepat didalam penggunaan metode peramalan dapat menghasilkan sesuatu hasil keputusan akhir yang baik. Secara ringkas kedua metode peramalan tersebut diatas dapat digambarkan sebagai berikut:
Gambar 3.1 Jenis-jenis Metode Peramalan (Forecasting )
Jenis-jenis metode peramalan kuantitatif dari gambar 3.1 dapat dijelaskan sebagai berikut:
a. Analisa Time Series
Disebut rata-rata bergerak, karena begitu setiap data aktual permintaan baru deret waktu tersedia, maka data aktual permintaan yang paling terdahulu akan dikeluarkan dari perhitungan kemudian suatu nilai rata-rata baru akan dihitung. Formula secara matematis metode moving average (MA) dinyatakan dalam persamaan 3.1 sebagai berikut:
Dimana:
Y)
t = Moving Average (MA)
Y t = Permintaan aktual pada periode ke-t
n = Jumlah data permintaan yang dilibatkan dalam perhitungan MA 6) Metode Exponential Smoothing
Metode Exponential Smoothing merupakan prosedur perbaikan terus-menerus pada peramalan terhadap objek pengamatan terbaru. Ia menitik-beratkan pada penurunan prioritas secara eksponensial pada objek pengamatan yang lebih tua. Dengan kata lain, observasi terbaru akan diberikan prioritas lebih tinggi bagi peramalan daripada observasi yang lebih lama.
a) Single Exponential Smoothing ; metode juga dikenal sebagai simple exponential smoothing yang digunakan pada peramalan jangka pendek, biasanya hanya 1 bulan ke depan. Model mengasumsikan bahwa data berfl uktuasi di sekitar nilai mean yang tetap, tanpa trend atau pola pertumbuhan konsisten. Formula secara matematis simple exponential smoothing dinyatakan dalam persamaan 3.2 sebagai berikut:
St = α * Xt + (1 – α) * St-1
(3.2)
Dimana:
St = peramalan untuk periode t. Xt + (1-α) = Nilai aktual time series
St-1 = peramalan pada waktu t-1 (waktu sebelumnya) α = konstanta perataan antara nol dan 1
b) Double Exponential Smoothing ; metode ini digunakan ketika data menunjukkan adanya trend. Exponential smoothing dengan adanya trend seperti pemulusan sederhana kecuali bahwa dua komponen harus di-update setiap periode-level dan trend-nya. Level adalah estimasi yang dimuluskan dari nilai data pada akhir masing-masing periode. Trend adalah estimasi yang dihaluskan dari pertumbuhan rata-rata pada akhir masing-masing periode. Formula secara matematis double exponential smoothing dinyatakan dalam persamaan 3.3 sebagai berikut:
St = α * Yt + (1 – α) * (St-1 + bt-1) bt = Υ * (St – St-1) + (1 – Υ) * b t-1