Peramalan Atau Forecasting

     Suatu analisis ekonomi dan kegiatan usaha perusahaan yang menitik beratkan pada mengkaji situasi dan kondisi yang berlaku sekarang maupun yang telah lalu. Dan melihat pengaruhnya pada situasi dan kondisi dimasa yang akan datang, membutuhkan suatu teknis dan metode analisis peramalan. Peramalan/forecasting adalah kegiatan untuk memperkirakan apa yang akan terjadi di masa akan datang.
     
     Peramalan menjadi penting sebab situasi dan kondisi yang berkaitan dengan ekonomi dan kegiatan usaha dihadapkan pada :
  1. Meningkatkan komplesitas organisasi
  2. meningkatnya ukuran-ukuran keberhasilan organisasi
  3. Perubahan lingkungan yang sangat cepat
     Kegunaan dari peramalan ialah akan membantu dalam pengambilan keputusan. Keputusan yang baik ialah keputusan yang didasarkan atas pertimbangan apa yang terjadi pada waktu keputusan itu dilaksanakan. Apabila peramalan yang dibuat kurang tepat, maka keputusan yang kita buat kurang baik. Sehingga diperlukan suatu kemampuan menguasai teknik dan metode secara benar. Ketepatan dalam melakukan peramalan akan menunjang perencanaan yang ditetapkan.

A. Jenis - Jenis Peramalan
     Peramalan dilihat dari sifat penyusunanya terbagi atas dua macam, yaitu :
  1. Peramalan kualitatis, ini bersifat subyektif dan didasarkan atas perasaan atau intuisi dari orang yang menyusunya. Dalam hal ini pandangan atau judgement dari orang yang menyusunya sangat menentukan baik tidaknya hasil ramalan tersebut.
  2. Peramalan kuantitatif, ini didasarkan atas data historis yang relevan dimasa lalu. mengikuti pendekatan statistika formal dan pendekatan yang sistematis yang meminimumkan kesalahan (error) peramalan.
          Dalam peramalan kuantitatif, memerlukan tiga kondisi yaitu :
  • Adanya informasi masa lalu
  • Informasi tersebut dapat dikuantifisir
  • Dapat diasumsikan bahwa pola di masa lalu dapat berkelanjutan di masa yang akan datang.
B.  Jenis Pola Data
     Jenis pola data dapat dilihat dalam gambar sbb :
Pola Data

Keterangan :
  1. Pola data horizontal menunjukan bahwa nilai data berfluktuasi di sekitar nilai rata-rata (stasioner terhadap nilai rata-rata)
  2. Pola data musiman menunjukan bahwa nilai data dipengaruhi oleh faktor musiman (harian, mingguan, bulanan, semesteran, tahunan)
  3. Pola data siklus menunjukan bahwa nilai data dipengaruhi oleh fluktuasi dalam jangka panjang.
  4. Pola data trend menunjukan bahwa nilai data terjadi kenaikan atau penurunan dalam jangka panjang.
C. Tahapan Peramalan
     Tahapan peramalan yang baik meliputi 3 hal :
  1. Menganalisis data masa lalu. Tahap ini berguna untuk mengetahui pola data yang tepat dimasa lalu. analisis dilakukan dengan cara membuat tabulasi kemudian mem-plot-kan data untuk mengetahui pola data.
  2. Menentukan metode. Tahap ini ialah menetapkan metode peramalan yang baik. Metode yang baik ialah metode yang menghasilkan penyimpangan terkecil.
  3. Memproyeksikan data. Tahap ini ialah memproyeksikan data masa lalu dengan menggunakan metode terpilih dan mempertimbangkan adanya faktor-faktor perubahan.
D. Model Dan Dasar-dasar Peramalan
     Dalam peramalan kuantitatif, dikenal dua model data yaitu :
  1. Model deret berkala/time series, bertujuan menemukan pola dalam deret data historis, kemudian mengekplorasi data historis tersebut untuk diekstrapolasi kemasa yang akan datang. peramalan dengan model deret berkala memperlakukan sistem sebagai suatu kotak hitam (black box) dan tidak ada upaya untuk menemukan faktor yang berpengaruh pada perilaku sistem tersebut. Sistem dianggap sebagai suatu proses bangkitan (generating process) yang tidak diketahui mekanismenya.
    Terdapat dua alasan utama memperlakukan sebagai black box : a. sistem tidak dimengerti dan kalaupun diketahui sulit untuk mengukur hubungan yang mengaturnya. b. Perhatian utama hanya untuk meramalkan apa yang akan terjadi dan bukan untuk mengetahui mengapa hal itu terjadi.
  2. Model kausal/eksplanantoris/regresi, mengasumsikan adanya hubungan sebab akibat antara input dan output sistem dengan satu atau lebih variabel bebas. setiap perubahan dalam input akan berakibat pada output sistem dengan carta yang dapat diramalkan dengan menganggap hubungan sebab dan akibat itu tetap.
    Kedua model tersebut pada dasarnya mempunyai keuntungan dalam kondisi tertentu. Model deret berkala seringkali dapat digunakan dengan mudah untuk meramal sedangkan model kausal dapat digunakan dengan keberhasilan yang lebih besar dalam pengambilan keputusan.
 Contoh data deret berkala :
Data penjualan benang type TC 600 KW Tahun 2010 (PT Gramatex)
Contoh Pada deret berkala :
Data penjualan deterjen Merk A, harga deterjen Merk A dan pendapat per kapita 2006-2010
 Didalam mengamati output terdapat dua hal yang harus diperhatikan yaitu :
a. Hubungan fungsional yang mengatur sistem (untuk seterusnya disebut pola)
b. Unsur random (kesalahan/galat)

Dari ke dua hal tersebut diatas , maka data adalah gabungan pola dan kesalahan atau :

                                                   DATA = POLA + KESALAHAN

Masalah kritis dalam peramalan yaitu pemisahan poladari komponen kesalahan sehingga pola tersebut dapat digunakan  untuk peramalan. Prosedur umum untuk menduga pola hubungan baik kausal maupun deret berkala ialah dengan mencocokan suatu bentuk fungsional sedimikian rupa, sehingga komponen kesalahan pada persamaan diatas dapat diminimumkan. Salah satu bentuk penduga ialahkuadrat terkecil. istilah kuadrat terkecil didasarkan atas kenyataan bahwa prosedur penaksiran berusaha menimumkan jumlah kuadrat kesalahan atau nilai tengah kesalahan kuadrat.

E. Metode Nilai Taksiran Dan Nilai Rata-Rata
     Salah satu metode dalam model deret berkala dapat menggunakan nilai taksiran atau nilai taksiran. Nilai rata-rata membutuhkan satu kondisi bahwa data harus stasioner atau berada dalam keseimbangan disekitar nilai konstan. Adapun nilai taksiranmerupakan metode coba-coba (trial and error) dimana yang menggunakan metode ini, sebagaimana layakna metode-metode dalam model deret berkala, dapat melakukan coba-coba untuk setiap perhitunganya.

F. Metode Pemulusan (Smoothing)
     apabila suatu model deret berkala (time series) ditunjukan suatu proses konstan yang mengandung kesalahan random, maka nilai tengah akan sangat bermanfaat sebagai nilai ramalan di masa yang akan datang. Akan tetapi apabila deret berkala mengandung kecendrungan trend (naik atau turun0 atau pengaruh musiman atau kecendrungan dan musiman sekaligus, maka nilai tengah tidak dapat menggambarkan pola sata tersebut. untuk hal seperti ini, maka metode pemulusan/smoothing akan lebih baik dibandingkan dengan nilai tengah.
     Klasifikasi Metode Pemulusan ialah sebagai berikut :

1. Metode rata-rata bergerak tunggal (single moving Average/SMA)
     SMA merupakan suatu cara untuk mengubah pengaruh data masa lalu terhadap nilai tengah sebagai ramalan, dengan cara menentukan sejak awal berapa nilai observasi masa lalu yang akan digunakan untuk menghitung nilai tengah. Pengertian rata-rata bergerak digunakan untuk nilai ramalan di masa mendatang, hal yang harus diperhatikanialah jumlah titik dalam setiap rata-rata ialah konstan dan observasi yang digunakan ialah yang paling akhir.
2. Metode rata-rata bergerak ganda (Double Moving average/DMA)
     DMA merupakan variasi dari prosedur rata-rata bergerak yang diinginkan untuk dapat mengatasi adanya trend yang lebih baik, DMA selanjutnya disebut metode rata-rata bergerak linier. Dasar metode ini ialah menghitung rata-rata bergerak yang kedua, sehingga disebut juga rata-rata bergerak dari rata-rata bergerak.

3. Metode pemulusan eksponensial
     Metode pemulusan eksponensial menjelaskan sekelompok metode yang menunjukan pembobotan menurun secara eksponensial terhadap nilai observasi yang terdahulu, Metode pemulusan eksponensial terdiri atas metode pemulusan tunggal, metode pemulusan ganda dan metode pemulusan lainya mempunyai sifat yang sama yaitu bahwa nilai yang lebih baru diberikan bobot yang relatif lebih besar dibanding dengan nilai observasi yang terdahulu.

G. Metode Regresi
     Metode regresi merupakan model sebab dan akibat/ eksplanatoris, yaitu pendekatan yang mencoba mengajukan variabel lain yang berkaitan dengan rangkaian data dan mengembangkan suatu model yang menyatakan adanya saling ketergantungan fungsional diantara semua variabel tersebut.
     Model-model regresi ialah sebagai berikut :
Rumus- Rumus :

Posting Komentar untuk "Peramalan Atau Forecasting"