ANALISIS PERBANDINGAN METODE PERAMALAN

(1)

Prasetyo Widyo Iswara 14

ANALISIS PERBANDINGAN METODE PERAMALAN PENJUALAN JENIS KAYU PLYWOOD DENGAN STANDAR KESALAHAN PERAMALAN (SKP)

PADA PT “X”

DI SURABAYA

Prasetyo Widyo Iswara

Program Studi Akuntansi Politeknik NSC [email protected]

ABSTRAK

Penelitian ini bertujuan untuk menentukan metode peramalan penjualan yang paling tepat bagi PT

“X” sehingga dapat melakukan perencanaan dibidang penjualan. Penelitian ini menggunakan data-data primer, data primer ini merupakan data yang diperoleh secara langsung dari pihak perusahaan. Laporan yang akan dianalisa berupa Laporan penjualan jenis kayu PT “X” selama satu tahun dari bulan Januari 2016 s/d bulan Maret 2017. Sedangkan sampel yang digunakan yaitujenis kayuplywood.Dalam penelitian ini metode yang digunakan dalam teknik pengumpulan data adalah dengan menggunakan teknik dokumentasi. Kesimpulan penelitian ini adalah nilai SKP metode semi average sebesar 28.746,11, nilai SKP metode least squaresebesar 28.123,03, dan nilai SKP metode momentsebesar 28.123,03. Metode least square dan metode momentyang tepat digunakan untuk melakukan peramalan penganggaran penjualan untuk jenis kayu plywood.

Kata kunci :metodesemi average, metode least square, metode moment, dan standar kesalahan peramalan.

PENDAHULUAN

PT “X” merupakan salah satu perusahaan swasta yang bergerak di bidang distributor plywood, melamine, teakwood, polydoor, dan beberapa jenis kayu olahan lainnya. Perusahaan ini memberikan pelayanan dan ketersediaan produk yang bermutu dengan harga terjangkau dan berkualitas baik sehingga dapat menjadi salah satu perusahaan distributor terkemuka di Jawa Timur.

Pangsa pasar perusahaan ini tidak hanya di kota Surabaya melainkan banyak di kota-kota besar bahkan di luar Pulau Jawa seperi wilayah Ambon, Tarakan, Ternate, Bima, Makassar, dan lain- lainnya. Untuk memenuhi ketersediaan produk tersebut dan menjaga pelayanan dengan baik, perusahaan menyusun anggaran penjualan yang menggambarkan penghasilan yang akan diterima karena ada penjualan produk. Menurut Haruman dan Rahayu (2007:45) mengatakan bahwa anggaran penjualan adalah budget yang direncanakan secara lebih terperinci penjualan perusahaan selama periode yang akan datang yang didalamnya meliputi rencana tentang jenis barang yang akan dijual, jumlah harga barang, waktu penjualan serta tempat/daerah penjualannya.

Perusahaan umumnya menyusun anggaran penjualan yang salah satu faktor penunjang dalam penyusunannya adalah melakukan forecasting penjualan untuk menaksir kondisi bisnis di masa yang akan datang.

Menurut Nafarin (2007:96) mengatakan bahwa ramalan penjualan (sales forecasting) merupakan proses aktivitas memperkirakan produk yang akan dijual di masa mendatang dalam keadaan tertentu dan dibuat berdasarkan data yang pernah terjadi dan/atau mungkin akan terjadi. Penjualan produk perusahaan merupakan aspek yang sangat penting bagi perusahaan sehingga penyusunan rencana penjualan perlu dilakukan dengan baik, dimana rencana penjualan merupakan keputusan manajemen yang didasarkan pada sales forecasting. Peramalan penjualan (sales forecasting) merupakan center dari seluruh perencanaan perusahaan dan menentukan potensi penjualan dan luas pasar pada masa yang akan datang. Perusahaan dituntut untuk bisa melihat pasar dengan baik sehingga manajamen bisa membuat perkiraan apa yang akan terjadi dan mengambil keputusan secara tepat.

Ada beberapa metode yang digunakan dalam peramalan penjualan antara lain menggunakan metode statistik, metode non statistik, dan model khusus. Metode statistik dalam peramalan penjualan dilakukan dengan melakukan analisis trend dan analisis korelasi, sedangkan metode non statistik atau metode judgement dilakukan dengan intuisi dan pengalaman serta pendapat seseorang.

Teknik statistik digunakan sebagai alat utama bagi penyusun ramalan penjualan sedangkan metode non statistik digunakan sebagai pelengkap. Untuk model khusus dilakukan dengan menggunakan analisis industri, analisis product line, dan analisis penggunaan akhir.

Efektifitas peramalan penjualan dipengaruhi oleh metode yang dipengaruhi oleh metode yang

(2)

2017 ANALISIS PERBANDINGAN METODE PERAMALAN

digunakan dan faktor-faktor lain yang ada di luar perusahaan, misal keadaan ekonomi negara yang dipengaruhi oleh daya beli masyarakat sebagai konsumen (Paramita dan Muid, 2011). Efektivitas peramalan penjualan diukur dengan Standar Kesalahan Peramalan (SKP), dimana dari perhitungan tersebut manajemen perusahaan akan memilih model peramalan penjualan yang mempunyai nilai SKP terkecil diantara model peramalan penjualan yang ada. Nilai SKP yang kecil akan menunjukan bahwa peramalan yang disusun tersebut mendekati kenyataan yang ada.

PT “X” bergerak dibidang usaha distributor plywood, melamine, teakwood, polydoor, dan beberapa jenis kayu olahan lainnya. Kegiatan usahanya adalah membeli barang dari pabrik kemudian menjualnya kembali kepada konsumen tanpa merubah bentuk dan kualitas barang tersebut. Perusahaan ini menyediakan barang- barang sesuai dengan permintaan konsumen.

Untuk memenuhi permintaan konsumen tersebut, perusahaan membuat perencanaan dan pengendalian di bidang penjualan, salah satunya adalah membuat peramalan penjualan (forecasting). Peramalan penjualan menggunakan analisis trend. Berdasarkan uraian tersebut diatas, maka dapat dirumuskan dalam penelitian ini adalah: Bagaimana metode peramalan penjualan yang paling tepat bagi PT X sehingga dapat melakukan perencanaan di bidang penjualan

LANDASAN TEORI

1.1 Peramalan Penjualan

Forecast penjualan merupakan center dari seluruh perencanaan perusahaan dan menentukan besarnya potensi penjualan dan luas pasar pada masa yang akan datang. Menurut Nafarin (2000:24) menyatakan bahwa “Peramalan penjualan adalah perkiraan penjualan pada waktu yang akan datang dalam keadaan tertentu dan dibuat berdasarkan data-data yang pernah terjadi dan atau mungkin akan terjadi”. Meskipun demikian hasil perkiraan yang diperoleh berbeda dengan rencana. Menurut Haruman dan Rahayu (2007:35) menyatakan bahwa hasil perkiraan yang diperoleh mungkin saja tidak sama dengan rencana, hal ini disebabkan karena:

1. Forecast lebih merupakan pernyataan atau penilaian yang dikuantifisir terhadap kondisi masa depan mengenai subjek tertentu, misalnya penjualan

2. Forecast penjualan merupakan proyeksi teknis dari permintaan konsumen potensial

untuk jangka waktu tertentu, dengan menyebutkan asumsi yang mendasarinya 3. Forecast selayaknya hanya dipandang sebagai

bahan masukan untuk mengembangkan suatu rencana penjualan

4. Manajemen dapat menerima, memodifikasi atau menolak hasil dari suatu forecast

Sesuatu yang akan datang perlu dilakukan peramalan atau perkiraan karena waktu yang akan datang penuh dengan resiko ketidakpastian.

Menurut Gitosudarmo dan Najmudin (2003:16) menyatakan bahwa realisasi sesuatu hampir tidak pernah sama dengan apa yang diperkirakan, tetapi memperkirakan sesuatu harus dilakukan demi perencanaan yang lebih luas. Perlu diperhatikan dalam menentukan ramalan, yakni tersedianya data yang relevan dan penggunaan teknik yang tepat. Menurut Adisaputro dan Asri (1998:147) mengatakan bahwa forecast penjualan dilakukan dengan memanfaatkan berbagai teknik forecasting, termasuk pengecekan apakah teknik yang dipergunakan dapat dipertanggungjawabkan atau tidak.

2.2 Metode Forecast Penjualan

Menurut Haruman dan Rahayu (2007:36) menyatakan bahwa metode forecast penjualan dapat dikelompokkan sebagai berikut:

1. Judgemental Method atau Non Statistical Method, yakni metode memproyeksikan penjualan yang berdasar pada pendapat salesman, sales manager, para ahli, dan survey konsumen.

2. Statistical Method, meliputi:

A. Analisa Trend, yang terdiri dari:

• Penerapan garis trend secara bebas

• Penerapan garis trend dengan metode setengah rata-rata

• Penerapan garis trend secara matematis, yang terbagi menjadi:

a. Metode moment b. Metode Least Square c. Metode Kuadrat B. Analisa korelasi

3. Specific Purpose Method, meliputi:

A. Analisa Industri B. Analisa Product Line C. Analisa Penggunaan Akhir

(3)

Prasetyo Widyo Iswara 16 2.3 Standar Kesalahan Peramalan

Menurut Nafarin (2007:109) mengatakan bahwa dalam analisis tren ada dua metode yang dapat digunakan untuk ramalan penjualan, yaitu metode trend garis lurus dan metode trend bukan garis lurus. Untuk menentukan metode mana yang paling sesuai dari kedua metode tersebut, maka digunakan Standar Kesalahan Peramalan (SKP).

Nilai SKP yang terkecil menunjukkan bahwa ramalan yang disusun tersebut mendekati kesesuaian. Adapun rumus SKP adalah sebagai berikut:

SKP =

Untuk menentukan pilihan metode ramalan yang sesuai digunakan standar kesalahan peramalan (SKP). Nilai SKP yang terkecil menunjukkan bahwa metode ramalan yang mendekati kesesuaian.

2.4. Penelitian Sebelumnya

Penelitian yang dilakukan oleh Hastuti (2005) menunjukkan bahwa perusahaan tidak memperhitungkan metode moment. Tapi perusahaan ini menggunakan perhitungan penyusunan anggaran dengan kenaikan 10%

perbulannya, serta dengan realisasi 75% dari anggaran penjualan. Dari penelitian ini perusahaan sebaiknya menggunakan metode least square, karena memiliki nilai SKP yang terkecil dibanding metode moment dan kuadratik. Penelitian ini membandingkan antara perhitungan perusahaan dengan perhitungan penulis melalui evaluasi anggaran penjualan tahun 2004 yang telah dilaksanakan.

Penelitian Paramita dan Muid (2011) menunjukkan bahwa metode peramalan penjualan BBM yang tepat untuk Premium adalah menggunakan trend kuadratik, sedangkan untuk Pertamax menggunakan trend Least Square.

Selain itu, dari perhitungan SKP total penjualan BBM, maka dapat ditentukan bahwa metode peramalan BBM menggunakan metode trendLeast Square dan trend kuadratik adalah lebih baik serta efektif jika dibanding dengan metode trend bebas yang diterapkan perusahaan selama ini. Penelitian ini dilakukan dengan menggunakan data primer berupa data realisasi penjualan BBM periode Januari-Desember 2010 pada PT Pertamina (Persero) Region IV Jateng dan DIY.

Penelitian yang dilakukan oleh Susilawaty (2011) menunjukkan bahwa dengan menggunakan metode peramalan kuantitatif maka Perusahaan X sangat tepat dengan menggunakan metode kuantitatif trend parabola kuadrat. Sedangkan Institusi Pendidikan Z sudah mampu membuat

anggaran dengan selisih antara anggaran dan realisasi relatif kecil dan bersifat linier sehingga penerapan metode kuantitatif trend parabola kuadrat kurang bermanfaat walaupun dapat menurunkan variance anggaran menjadi lebih kecil. Metode Least Square yang diterapkan pada kedua obyek penelitian itu tidak memberikan hasil yang baik, artinya metode least square tidak cocok untuk meramalkan anggaran. Dari HPP proyek X terdapat empat beban yang selisih anggaran dengan realisasinya cukup besar dan memerlukan peramalan, yaitu: (1) Perhitungan statistik yang menunjukkan besar penyimpangan anggarannya, (2) Dengan menggunakan metode kuantitatif least square dan trend parabola kuadrat dengan metode kualitatif perusahaan. Maka diperoleh hasil yang terbaik adalah dengan menggunakan metode trend Parabola Kuadrat. Terlihat dari tingkat efektifitas hasil peramalan dan selisih anggaran dengan realisasi serta dibuktikan dengan nilai penyimpangan (SKP) realisasi beban proyek terkecil selama tahun 2004 hingga 2008, (3) Data anggaran Institusi Negeri Z sudah baik tanpa peramalan dan selisihnya pun wajar, (4) Peramalan akan selalu dapat meminimalisasi selisih yang besar namun peramalan ini akan sesuai jika pola data anggaran semulanya fluktuatif sedangkan data anggaran institusi Z secara garis sudah linier, (5) SKP terkecil tersebar artinya setiap rekening belanja memiliki SKP terkecil dengan metode yang berbeda, sehingga tidak dapat diputuskan metode peramalan yang sesuai untuk dilakukan.

Hasil penelitian yang telah dilakukan oleh Sumaryono (2014) menunjukkan bahwa dalam penjualan beton ready mix sering terjadi fluktuasi penjualan beberapa mutu beton yang dipengaruhi

oleh faktor bahan baku terutama semen dan pesaing. Sehingga menyebabkan perusahaan khususnya PT X tidak bisa meramalkan penjualan

beton ready mix di masa yang akan datang.

Penelitian ini bertujuan untuk mengidentifikasi dan menganalisis hasil ramalan penjualan beton

ready mix dengan menggunakan metode trend moment dan merancang aplikasi peramalan penjualan beton ready mix dengan menggunakan

metode trend moment untuk mengatasi kerugian dan tidak tercapainya target perusahaan. Hasil akhir dari peramalan penjualan beton ready mix PT X dengan menggunakan metode trend moment

pada bulan Januari 2015 yaitu cenderung meningkat atau mengalami trend positif dibandingkan dengan penjualan tahun lalu.

(4)

METODE PENELITIAN

Penelitian ini menggunakan data-data primer berupa data penjualan jenis kayu yaitu plywood selama bulan Januari 2016 s/d bulan Desember 2016. Data primer ini merupakan data yang diperoleh secara langsung dari pihak perusahaan yaitu PT “X” yang lokasinya berada di Jalan Sidodadi IV no. 44 Surabaya.

Laporan yang akan dianalisa berupa Laporan penjualan jenis kayu PT “X” selama satu tahun dari bulan Januari 2016 s/d bulan Desember 2016.

Sedangkan sampel yang digunakan yaitu jenis kayu plywood.

Dalam penelitian ini metode yang digunakan dalam teknik pengumpulan data adalah dengan menggunakan teknik dokumentasi. Teknik dokumentasi adalah teknik mengumpulkan data dengan melihat arsip dan dokumentasi yang berhubungan dengan gambaran atau kegiatan.

Penelitian ini menggunakan jumlah penjualan plywooddari bulan Januari 2016 s/d bulan Desember 2016.

Dalam melakukan pengolahan data, peneliti menggunakan tiga metode peramalan penjualan (forecasting) yang bersifat kuantitatif yaitu metode semiaverage, metode least square, dan metode moment. Peramalan penjualan ini lebih menitikberatkan pada metode statistik yaitu:

1. Metode Semi Average

Metode trend semi average dapat digunakan untuk keperluan forecast dengan membentuk suatu persamaan seperti analisa regresi. Metode ini dapat digunakan apabila data yang ada jumlahnya genap, sehingga dapat dibagi menjadi 2 kelompok. Metode trend semi average memiliki mekanisme sebagai berikut:

a. Membagi data menjadi 2 kelompok b. Tiap kelompok data dicari nilai rata-

ratanya

c. Memberi skor terhadap waktu yang terkait dengan data penjualan

d. Melanjutkan pemberian score pada kelompok data yang kedua

e. Membentuk persamaan Y = a + b X dan melakukan forecast nilai Y untuk nilai X yang ditentukan.

2. Metode Least Square

Metode Least Square merupakan salah satu metode berupa data berkala atau time series, yang mana dibutuhkan data-data penjualan dimasa lampau untuk melakukan peramalan penjualan dimasa mendatang sehingga dapat ditentukan hasilnya. Metode Least Square adalah metode peramalan yang digunakan untuk melihat trend dari data deret waktu (Pamungkas, 2016). Metode ini merupakan

penyederhanaan dari metode trend moment, sehingga akan mempermudah dalam perhitungannya (Paramita dan Muid, 2011).

Dalam metode ini data dikelompokkan menjadi dua kelompok yaitu :

Data genap, maka skor nilai t nya:

…….,-5,-3,-1,1,3,5, ….

Data ganjil, maka skor nilai t nya:

……,-3,-2,-1,0,1,2,3, …..

Persamaan yang digunakan yaitu:

Y = a + b X a = ∑ Y / n b = ∑ XY / ∑ X² Keterangan:

Y = Data historis

X = Parameter pengganti waktu a = Nilai trend periode dasar b = Pertambahan trend n = Jumlah data 3. Metode Moment

Metode trend moment merupakan metode analitis yang digunakan untuk keperluan peramalan dengan membentuk persamaan: Y = a + bx.

Dalam hal ini pemberian score X dimulai dari 0,1,2, dan seterusnya. Metode trend moment merupakan pejabaran dari metode Least Square, tetapi menggunakan lebih banyak variabel, sehingga dalam perhitungannya lebih rumit. Rumus yang digunakan adalah :

Y = a + bx

∑ Y = n. a + b ∑ X

∑ XY = a ∑ X + b ∑ X² Keterangan : Y = Data historis

X = Parameter pengganti waktu a = Nilai trend periode dasar b = Pertambahan trend n = Jumlah data

Dalam penelitian ini, peneliti juga menggunakan standar kesalahan peramalan (SKP) untuk menentukan metode yang paling sesuai dari tiga metode peramalan penjualan tersebut. Nilai SKP yang terkecil akan menunjukkan bahwa peramalan penjualan yang disusun tersebut mendekati kesesuaian. Rumus Standar Kesalahan Peramalan (SKP) adalah sebagai berikut:

SKP = Keterangan:

X = Penjualan nyata Y = Ramalan penjualan

n = Jumlah data yang dianalisis

(5)

Prasetyo Widyo Iswara 18 HASIL DAN PEMBAHASAN

1.2 Data Penjualan Jenis Kayu

Dalam menggunakan metode statistik, data yang digunakan adalah data historis penjualan jenis kayu plywood dengan periode Januari 2016 s/d Desember 2016, perusahaan melakukan peramalan penjualan untuk produk plywood. Peramalan penjualan yang akurat akan membuat anggaran penjualan dapat berfungsi dengan baik (Ingrid: 2009).Data Penjualan jenis kayu plywoodselama satu periode sebagai berikut:

Tabel 4.1Data Penjualan Produk Plywood Selama Tahun 2016

Bulan Penjualan Produk Plywood Januari 75.661 Februari 47.822

Maret 51.525

April 95.091

Mei 119.237

Juni 154.117

Juli 66.421

Agustus 147.041 September 180.689 Oktober 194.734 Nopember 181.625 Desember 163.273 Total 1.477.236 Sumber: Perusahaan PT “X”

Sumber: Perusahaan PT “X”

Gambar 4.1 Grafik Penjualan Produk Plywood Selama Tahun 2016

1.3 Perhitungan Ramalan Penjualan dengan metode Semi Average

Perhitungan peramalan penjualan produk plywood dengan menggunakan metode semi average disajikan dalam tabel 4.2 sebagai berikut:

Tabel 4.2 Metode Semi Average Bulan Penjualan (Y) Kel. X Semi Total Semi Average

Januari 75.661

I -5

543.453 90.575,50

Februari 47.822 -3

Maret 51.525 -1

April 95.091 1

Mei 119.237 3

Juni 154.117 5

Juli 66.421

II 7

933.783 155.630,50

Agustus 147.041 9

September 180.689 11

Oktober 194.734 13

Nopember 181.625 15

Desember 163.273 17

Sumber : Data Olahan

a = 90.575,50

b = 155.630,50-90.575,50 = 10.842,50 6

Maka b dengan skala satu = 10.842,50 = 5.421,25 2

Rumus : Y = a + b X

= 90.575,50 + 5.421,25 X

Dengan memasukan nilai a dan b ke dalam persamaan trend, diperoleh persamaan Y¹=90.575,50 + 5.421,25X.

Anggaran dapat dihitung dengan memasukkan parameter ke dalam persamaan tersebut. Anggaran penjualan untuk bulan januari sampai desember 2016 dapat dihitung dalam tabel 4.3 berikut:

Tabel 4.3 Data Perbandingan untuk Produk Plywood

Bulan Penjualan (Y) Nilai Trend (Y¹)

(Y¹ – Y) Januari 75.661 63.469,25 -12.191,75 Februari 47.822 74.311,75 26.489,75 Maret 51.525 85.154,25 33.629,25

April 95.091 95,996,75 905,75

Mei 119.237 106,839,25 -12.397,75 Juni 154.117 117.681,75 -36.435,25 Juli 66.421 128.524,25 62.103,25 Agustus 147.041 139.366,75 -7.674,25 September 180.689 150.209,25 -30.479,75 Oktober 194.734 161.051,75 -33.682,25 Nopember 181.625 171.894,25 -9.730,75 Desember 163.273 182.736,75 19.463,75

Total 1.477.236 1.477.236 0

Dari perhitungan nilai trend per bulan dalam tabel 4.3 dijadikan dasar untuk membandingkan nilai trend sebagai anggaran penjualan yang diperhitungkan dengan penjualan.Pada bulan Januari terlihat selisih nilai trend dengan penjualan (Y¹-Y) bernilai negatif sebesar 12.191,75 berarti penjualan naik dari yang diperhitungkan oleh nilai trend. Pada bulan Februari terlihat selisih (Y¹-Y) bernilai positif sebesar 26.489,75 berarti penjualan mengalami penurunan dari yang diperhitungkan oleh nilai trend. Penjualan bulan Maret dan bulan April juga mengalami penurunan dimana nilai trend bernilai positif terlihat selisih (Y¹-Y) bulan Maret sebesar 33.629,25 dan bulan April sebesar 905,75. Bulan Mei dan bulan Juni bernilai negatif, bulan Mei sebesar12.397,75 dan bulan Juni sebesar Rp 36.435,25. Pada bulan Mei dan bulan Juni mengalami peningkatan penjualan. Pada bulan Juli terlihat selisih (Y¹-Y) bernilai positif sebesar 62.103,25. Bulan Agustus, September, Oktober, Nopember bernilai negatif terlihat selisih (Y¹-Y) berarti penjualan naik dari yang diperhitungkan dari nilai trend. Bulan Agustus sebesar 7.674,25, bulan September sebesar 30.479,75, bulan Oktober sebesar 33.682,25, bulan Nopember sebesar 9.730,75. Sedangkan bulan Desember mengalami penurunan penjualan dari yang diperhitungkan nilai trendterlihat selisih (Y¹-Y) sebesar 19.463,75.

(6)

1.4 Perhitungan Ramalan Penjualan dengan metode Least Square

Perhitungan peramalan penjualan produk plywood dengan menggunakan metode least squaredisajikan dalam tabel 4.4sebagai berikut:

Tabel 4.4 Metode Least Square

Bulan Penjualan (Y) X X² XY

Januari 75.661 - 11 121 - 832.271

Februari 47.822 - 9 81 - 430.398

Maret 51.525 - 7 49 - 360.675

April 95.091 - 5 25 - 475.455

Mei 119.237 - 3 9 - 357.711

Juni 154.117 - 1 1 - 154.117

Juli 66.421 1 1 66.421

Agustus 147.041 3 9 441.123

September 180.689 5 25 903,445

Oktober 194.734 7 49 1,363,138

Nopember 181.625 9 81 1,634,625 Desember 163.273 11 121 1,796,003

Total 1.477.236 0 572 3.594.128

a = ∑ Y = 1.477.236 = 123.103 n 12

b = ∑ XY = 3.594.128 = 6.283,44 ∑ X²572

Y = a + b X

= 123.103 + 6.283,44 X

Dengan memasukan nilai a dan b ke dalam persamaan trend, diperoleh persamaan Y¹ = 123.103 + 6.283,44 X.

Anggaran dapat dihitung dengan memasukkan parameter ke dalam persamaan tersebut. Anggaran penjualan untuk bulan januari sampai desember 2016 dapat dihitung dalam tabel 4.5berikut:

Tabel 4.5 Data Perbandingan untuk Produk Plywood

Bulan Penjualan (Y) Nilai Trend (Y¹) (Y¹ – Y) Januari 75.661 53.985,16 -21.675,84 Februari 47.822 66.552,04 18.730,04 Maret 51.525 79.118,92 27.593,92 April 95.091 91.685,80 -3.405,20 Mei 119.237 104.252,68 -14.984,32 Juni 154.117 116.819,56 -37.297,44 Juli 66.421 129.386,44 62.965,44 Agustus 147.041 141.953,32 -5.087,68 September 180.689 154.520,20 -26.168,80 Oktober 194.734 167.087,08 -27.646,92 Nopember 181.625 179.653,96 -1.971,04 Desember 163.273 192.220,84 28.947,84

Total 1.477.236 1.477.236 0

Dari perhitungan nilai trend per bulan dalam tabel 4.5 dijadikan dasar untuk membandingkan nilai trend sebagai anggaran penjualan yang diperhitungkan dengan penjualan. Pada bulan Januari terlihat selisih nilai trend dengan penjualan (Y¹-Y) bernilai negatif sebesar 21.675,84berarti penjualan naik dari yang diperhitungkan oleh nilai trend. Pada bulan Februari terlihat selisih (Y¹-Y) bernilai positif sebesar 18.730,04berarti penjualan mengalami penurunan dari yang diperhitungkan oleh nilai trend. Penjualan bulan Maret juga mengalami penurunan dimana nilai trend bernilai positif terlihat selisih (Y¹-Y) bulan Maret sebesar 27.593,92. Bulan April, bulan Mei dan bulan Juni bernilai negatif, bulan April sebesar 3.405,20, bulan Mei sebesar 14.984,32 dan bulan Juni

sebesar37.297,44. Pada bulan April, bulan Mei dan bulan Juni mengalami peningkatan penjualan. Pada bulan Juli terlihat selisih (Y¹-Y) bernilai positif sebesar 62.965,44. Bulan Agustus, September, Oktober, Nopember bernilai negatif terlihat selisih (Y¹-Y) berarti penjualan naik dari yang diperhitungkan dari nilai trend. Bulan Agustus sebesar 5.087,68, bulan September sebesar 26.168,80, bulan Oktober sebesar 27.646,92, bulan Nopember sebesar 1.971,03.

Sedangkan bulan Desember mengalami penurunan penjualan dari yang diperhitungkan nilai trendterlihat selisih (Y¹-Y) sebesar 28.947,84.

1.5 Perhitungan Ramalan Penjualan dengan metode Moment

Perhitungan peramalan penjualan produk plywood dengan menggunakan metode moment sebagai berikut:

Tabel 4.6 Metode Moment

Bulan Penjualan (Y) X X² XY

Januari 75.661 0 0 0

Februari 47.822 1 1 47.822

Maret 51.525 2 4 103.050

April 95.091 3 9 285.273

Mei 119.237 4 16 476.948

Juni 154.117 5 25 770.585

Juli 66.421 6 36 398.526

Agustus 147.041 7 49 1.029.287

September 180.689 8 64 1.445.512

Oktober 194.734 9 81 1.752.606

Nopember 181.625 10 100 1.816.250 Desember 163.273 11 121 1.796.003

Total 1.477.236 66 506 9.921.862

Sumber: Data Olahan

∑ Y = n.a + b ∑ X

∑ XY = a ∑ X + b ∑ X² 1.477.236 = 12 a + 66 b (x 66) 9.921.862 = 66 a + 506 b (x 12) 97.497.576 = 792 a + 4.356 b 119.062.344 = 792 a + 6.072 b -21.564.768 = -1.716 b b = 12.566,88

1.477.236 = 12 a + 66 b

1.477.236 = 12 a + 66 (12.566,88) 1.477.236 = 12 a + 829.414,15 647.821,85= 12 a

a = 53.985,15 Rumus : Y = a + b X

Y = 53.985,15 + 12.566,88 X

Dengan memasukan nilai a dan b ke dalam persamaan trend, diperoleh persamaan Y¹ = 53.985,15 + 12.566,88 X. Anggaran dapat dihitung dengan memasukkan parameter ke dalam persamaan tersebut. Anggaran penjualan untuk bulan januari sampai desember 2016 dapat dihitung dalam tabel 4.7 berikut:

(7)

Prasetyo Widyo Iswara 20 Tabel 4.7 Data Perbandingan untuk Produk

Plywood

(Y¹ – Y) Januari 75.661 53.985,15 -21.675,85 Februari 47.822 66.552,03 18.730,03

Maret 51.525 79.118,92 27.593,91

April 95.091 91.685,79 -3.405,21

Mei 119.237 104.252,67 -14.984,33

Juni 154.117 116.819,55 -37.297,45

Juli 66.421 129.386,43 62.965,43

Agustus 147.041 141.953,31 -5.087,69 September 180.689 154.520,19 -26.168,81 Oktober 194.734 167.087,07 -27.646,93 Nopember 181.625 179.653,95 -1.971,05 Desember 163.273 192.220,83 28.947,83 Total 1.477.236 1.477.235,88 -0,12 Sumber: Data Olahan

Dari perhitungan nilai trend per bulan dalam tabel 4.7. Pada bulan Januari terlihat selisih (Y¹ – Y) bernilai negatif sebesar 21.675,85 berarti penjualan naik dari yang diperhitungkan oleh nilai trend. Sedangkan pada bulan Februari dan bulan Maret terlihat selisih (Y¹ – Y) bernilai positif, bulan Februari sebesar 18.730,03 dan bulan Maret sebesar 27.593,91 berarti penjualan turun dari yang diperhitungkan oleh nilai trend. Bulan April, Mei, dan Juni terlihat penjualan naik dari yang diperhitungkan oleh nilai trend. Bulan April sebesar 3.405,21, bulan Mei sebesar 14.984,33, dan bulan Juni sebesar Rp 37.297,45. Bulan Juli terlihat selisih (Y¹ – Y) bernilai positif sebesar 62.965,43. Bulan Agustus, September, Oktober, dan Nopember terlihat selisih (Y¹ – Y) bernilai negatif, bulan Agustus sebesar 5.087,69, bulan September sebesar 26.168,81, bulan Oktober sebesar 27.646,93, dan bulan Nopember sebesar 1.971,05. Sedangkan bulan Desember terlihat selisih (Y¹ – Y) bernilai positif sebesar 28.947,83.

4.5 Perhitungan Standar Kesalahan Peramalan 1. Metode Semi Average

Tabel 4.8 Standar Kesalahan Peramalan Bulan Penjualan (Y) Nilai Trend (Y¹)

(Y¹ – Y) (Y-Y¹)²

Januari 75.661 63.469,25 -

12.191,75

148.638.768,06 Februari 47.822 74.311,75

26.489,75

701.706.855,06 Maret 51.525 85.154,25

33.629,25 1.130.926.455,56 April 95.091 95,996,75 905,75 820.383,06

Mei 119.237 106,839,25 -

12.397,75

153.704.205,06

Juni 154.117 117.681,75 -

36.435,25 1.327.527.442,56 Juli 66.421 128.524,25

62.103,25 3.856.813.660,56 Agustus 147.041 139.366,75 -

7.674,25

58.894.113,06 September 180.689 150.209,25 -

30.479,75

929.015.160,06

Oktober 194.734 161.051,75 -

33.682,25 1.134.493.965,06 Nopember 181.625 171.894,25 -

9.730,75

94.687.495,56 Desember 163.273 182.736,75

19.463,75

378.837.564,06

Total 1.477.236 1.477.236 0

9.916.066.067,75 Sumber: Data Olahan

SKP = SKP =

SKP =28.746,11

2. Metode Least Square

Tabel 4.9 Standar Kesalahan Peramalan Bulan Penjualan (Y) Nilai Trend (Y¹)

(Y¹ – Y) (Y-Y¹)² Januari 75.661 53.985,16 -21.675,84 469.842.039,71 Februari 47.822 66.552,04 18.730,04 350.814.398,40 Maret 51.525 79.118,92 27.593,92 761.424.420,97 April 95.091 91.685,80 -3.405,20 11.595.387,04 Mei 119.237 104.252,68 -14.984,32 224.529.845,86 Juni 154.117 116.819,56 -37.297,44 1.391.099.030,55 Juli 66.421 129.386,44 62.965,44 3.964.646.634,39 Agustus 147.041 141.953,32 -5.087,68 25.884.487,78 September 180.689 154.520,20 -26.168,80 684.806.093,44 Oktober 194.734 167.087,08 -27.646,92 764.352.185,49 Nopember 181.625 179.653,96 -1.971,04 3.884.998,68 Desember 163.273 192.220,84 28.947,84 837.977.440,67 Total 1.477.236 1.477.236 0 9.490.856.962,98

Sumber: Data Olahan SKP =

SKP =

SKP =28.123,03 3. Metode Moment

Tabel 4.10 Standar Kesalahan Peramalan

(Y¹ – Y) (Y-Y¹)² Januari 75.661 53.985,15 -21.675,85 469.842.473,22 Februari 47.822 66.552,03 18.730,03 350.814.023,80 Maret 51.525 79.118,92 27.593,91 761.423.869,09 April 95.091 91.685,79 -3.405,21 11.595.455,14 Mei 119.237 104.252,67 -14.984,33 224.530.145,55 Juni 154.117 116.819,55 -37.297,45 1.391.099.776,50 Juli 66.421 129.386,43 62.965,43 3.964.645.375,08 Agustus 147.041 141.953,31 -5.087,69 25.884.589,54 September 180.689 154.520,19 -26.168,81 684.806.616,82 Oktober 194.734 167.087,07 -27.646,93 764.352.738,42 Nopember 181.625 179.653,95 -1.971,05 3.885.038,10 Desember 163.273 192.220,83 28.947,83 837.976.861,71 Total 1.477.236 1.477.235,88 -0,12 9.490.856.962,98 Sumber: Data Olahan

SKP =

SKP =28.123,03

Pada metode semi average ternyata memiliki SKP sebesar 28.746,11, sedangkan metode least square dan metode moment sebesar 28.123,03. Berarti metode least square dan metode moment yang tepat digunakan untuk melakukan peramalan penganggaran penjualan jenis kayu plywood. Nilai SKP yang terkecil akan menunjukkan bahwa peramalan penjualan yang disusun tersebut mendekati kesesuaian.

(8)

KESIMPULAN

Berdasarkan hasil analisis dan pembahasan yang telah dilakukan pada bab sebelumnya, maka peneliti mengambil beberapa kesimpulan sebagai berikut:

1. Nilai SKP metode semi average sebesar 28.746,11, Nilai SKP metode least squaresebesar 28.123,03, dan Nilai SKP metode momentsebesar 28.123,03.

2. Metode least square dan metode momentyang tepat digunakan untuk melakukan peramalan penganggaran penjualan untuk jenis kayu plywood.

Penelitian ini memberikan saran yang dapat dijadikan masukan untuk berbagai pihak sebagai berikut:

1. Bagi perusahaan yang bersangkutan memberikan informasi mengenai peramalan penganggaran penjualan, yang nantinya digunakan oleh manajemen perusahaan untuk melakukan penganggaran penjualan.

2. Bagi pembacamemberikan wawasan mengenai sales forecasting (peramalan penjualan) 3. Bagi peneliti berikutnya hendaknya

menambah variabel penelitian yang digunakan dan jumlah objek penelitian.

DAFTAR PUSTAKA

Adisaputro, Gunawan, dan Marwan Asri. 1998.

Anggaran Perusahaan I. Edisi Ketiga.

Yogyakarta: BPFE.

Hastuti, Rita Budi. 2005. Evaluasi Penyusunan Anggaran Penjualan Pada Divisi Percetakan dan Penerbitan. Tugas Akhir Universitas Sebelas Maret: Surakarta.

Haruman, Tendi, & Rahayu, Sri. 2007.

Penyusunan Anggaran Perusahaan. Edisi kedua. Yogyakarta: Graha Ilmu.

Indriyo, Gitosudarmo dan Mohamad, Najmudin.

2003. Anggaran Perusahaan Teori Soal dan Tanya Jawab. Yogyakarta: BPFE.

Nafarin, M. 2000. Penganggaran Perusahaan.

Edisi Pertama. Jakarta: Salemba Empat.

Nafarin, M. 2007. Penganggaran Perusahaan.

Edisi 3. Jakarta: Salemba Empat.

Pamungkas, Danar Putra. 2016. Implementasi Metode Least Square untuk Prediksi Penjualan

Tahu Pong. Jurnal Ilmiah Nero, Vol.2, No.2.

Paramita, Citra, dan Muid, Dul. 2011. Analisis Perbandingan Metode Peramalan Penjualan Bahan Bakar Minyak dengan Standar Kesalahan Peramalan (SKP) Pada Pertamina (Persero) Region IV Jateng dan DIY.

Undergraduate thesis. Universitas Diponegoro.

Silalahi, Ingrid. 2009. Analisis Anggaran Penjualan Dalam Evaluasi Kinerja Manajemen Perusahaan Pada PT Bintang Cosmos Medan. Skripsi Universitas Sumatera Utara: Medan

Susilawaty, Riauli. 2011. Penerapan Metode Peramalan dalam Perhitungan Anggaran Biaya Proyek (Studi Kasus pada PT X dan Institusi Negeri Z Bandung). Jurnal Ekonomi, Keuangan, Perbankan, dan Akuntansi, Vol.3, No.1, Mei 2011, 165-188.

Sumaryono, Roy. 2014. Penerapan Metode Trend Moment dalam Forecast Penjualan Beton Readymix di PT X Mojokerto. Media Mahardika, Vol.13, No.1, September 2014, 51-57.