Minggu, 06 Januari 2013

METODE RISET BAB 2

BAB  II
LANDASAN TEORI

2.1  Pengertian Peramalan (Forecasting)
            Peramalan atau forecasting adalah suatu usaha untuk meramalkan keadaan di masa mendatang melalui pengujian terhadap keadaan di masa lalu yang sangat berguna dalam perencanaan dan pengawasan. (T. Hani Handoko, 2000 ; 255).
Peramalan permintaan akan produk dan jasa di waktu mendatang dan bagian-bagiannya adalah sangat penting dalam perencanaan dan pengawasan produksi. Peramalan yang baik adalah esensial untuk efisiensi operasi-operasi manufacturing dan produksi jasa. Manajemen produksi / operasi menggunakan hasil-hasil peramalan dalam pembuatan keputusan-keputusan yang menyangkut pemilihan proses, perencanaan kapasitas, dan layout fasilitas, serta untuk berbagai keputusan yang bersifat terus-menerus berkenaan dengan perencanaan, scheduling dan persediaan.
Hasil forecasting bukan merupakan sesuatu yang pasti melainkan mendekati. Forecasting merupakan bagian integral dalam aktivitas pengambilan keputusan manajemen. Organisasi mempunyai sasaran dan tujuan. Dengan menduga perubahan daripada factor lingkungan, organisasi akan memilih tindakan apa yang sesuai untuk mencapai tujuan tersebut. Forecasting bersifat ilmiah dalam lingkungan manajemen. Baik atau buruknya forecasting dapat mempengaruhi seluruh bagian organisasi karena ada keterkaitan antar bagian organisasi.
Perencanaan yang baik haruslah memperhatikan dan memperhitungkan hakikat dan sifat dari keadaan di masa yang akan datang dalam masa keputusan-keputusan dan kegiatan-kegiatan yang akan dilangsungkan. Fungsi dari tinjauan terhadap penglihatan masa depan ini adalah membantu para pengambil keputusan dalam memilih alternatif-alternatif yang menjadi arah keputusannya kemudian melihat konsekuensi tersebut di masa yang akan datang.
Setiap manajer setiap hari harus membuat keputusan-keputusan tanpa mengetahui secara pasti apa yang akan terjadi kemudian. Keputusan-keputusan tersebut bisa menyangkut pemesanan untuk persediaan, pembelian peralatan baru, keputusan investasi, dan lain-lain yang kesemuanya dalam kondisi ketidakpastian apa yang akan terjadi sesudahnya. Karena itu setiap manajer dituntut untuk memperkecil ketidakpastian ini dan membuat perkiraan yang lebih baik (tepat) tentang apa yang akan terjadi pada masa yang akan datang. Untuk itu diterapkanlah tehnik-tehnik peramalan (forecasting techniques).
Ada banyak metode atau tehnik dalam melakukan peramalan. Tidak terlepas dari berbagai metode atau tehnik tersebut, secara umum dalam melakukan suatu peramalan (forecasting) yang sistematis, dilakukan langkah-langkah sebagai berikut : (Lincolin Arsyad, 2001 ; 48)
  1. Tentukan tujuan (penggunaan) dari peramalan tersebut.  Apa yang ingin dicari?
  2. Pilih item-item yang ingin diramalkan
  3. Tentukan horizon waktu (time horizon) peramalan :
·         1 hari s/d 30 hari         :  peramalan jangka pendek
·         1 bulan s/d 1 tahun      :  peramalan jangka menengah
·         lebih dari 1 tahun        :  peramalan jangka panjang
  1. Pilih model peramalan
  2. Siapkan data yang dibutuhkan untuk membuat peramalan dan analisa data tersebut.
  3. Validasi model peramalan
  4. Buat atau lakukan peramalan
  5. Tetapkan hasilnya

2.2  Kegunaan Metode Peramalan 
Sebagaimana diketahui bahwa metode adalah merupakan cara berfikir yang sistematis dan pragmatis atas pemecahan suatu masalah. Dengan dasar ini, maka metode peramakan merupakan cara memperkirakan apa yang akan terjadi pada masa depan secara sistematis dam pragmatis atas dasar data yang relevan pada masa yang lalu, sehingga dengan demikian metode peramalan diharapkan dapat memberikan objektivitas yang lebih besar.
Disamping itu, metode peramalan juga memberikan urusan pengerjaan dan pemecahan atas pendekatan suatu masalah dalam peramalan, sehingga bila digunakan pendekatan yang sama atas permasalahan dalam suatu kegiatan peramalan, maka akan didapat dasar pemikiran dan pemecahan yang sama, karena argumentasinya sama. Selain itu, metode peramalan memberikan cara pengerjaan yang teratur dan terarah, dan dengan demikian dapat dimungkinkan penggunaan tehnik-tehnik penganalisaan yang lebih maju. Dengan penggunaan tehnik-tehnik tersebut, maka diharapkan dapat memberikan tingkat kepercayaan atau keyakinan yang lebih besar, karena dapat diuji dan dibuktikan penyimpangan atau deviasi yang terjadi secara ilmiah.
Dari uraian di atas dapat disimpulkan, bahwa metode peramalan sangat berguna karena akan membantu dalam mengadakan pendekatan analisa terhadap tingkah laku atau pola dari data yang lalu, sehingga dapat memberikan cara pemikiran, pengerjaan dan pemecahan yang sistamatis dan pragmatis, serta memberikan tingkat keyakinan yang lebih besar atas ketepatan hasil ramalan yang dibuat atau yang disusun.

2.3  Kriteria Pemilihan Metode Peramalan
Dalam memilih metode peramalan yang dianggap sesuai, perlu diperhatikan beberapa kriteria sebagai berikut : (Lincolin Arsyad, 2001;50)
1.      Horizon waktu (time horizon).
Ada dua aspek dari horizon waktu yang berhubungan dengan masing-masing metode peramalan  pertama, adalah cakupan waktu di masa yang akan datang, untuk mana perbedaan dari metode peramalan yang digunakan sebaiknya disesuaikan. Kedua, adalah jumlah periode untuk mana ramalan diinginkan. Beberapa tehnik dan metode lain dapat dipergunakan untuk peramalan beberapa periode di masa depan.
2.      Pola dari data. Dasar dari periode peramalan adalah aggapan bahwa macam dari pola yang didapati di dalam data yang diramalkan akan berkelanjutan. Sebagai contoh, beberapa deret yang melukiskan suatu pola musiman, demikian pula halnya dengan suatu pola trend. Metode peramalan yang lain mungkin lebih sederhana, terdiri dari suatu nilai rata-rata, dengan fluktuasi yang acakan atau random yang terkandung. Oleh karena adanya perbedaan kemampuan metode peramalan untuk mengidentifikasikan pola-ploa data yang telah diperkirakan terlebih dahulu dengan tehnik dan metode peramalan yang akan digunakan, maka perlu adanya usaha penyesuaian antara pola dat yang telah diperkirakan terlebih dahulu dengan tehnik dan metode peramalan yang akan digunakan,
3.      Jenis dari model. Sebagai tambahan perlu diperhatika anggapan beberapa pola dasar yang penting dalam data. Banyak metode peramalan telah mengaggap adanya beberapa model dari keadaan yang diramalkan. Masing-masing model mempunyai kemampuan yang berbeda dalam analisa keadaan untuk pengambilan keputusan.
4.      Biaya. Umumnya ada empat unsure biaya yang tercakup dalam penggunaan suatu prosedur ramalan, yaitu biaya-biaya pengembanagan, penyimpangan (stroge) data, operasi pelaksanaan dan kesempata dalam penggunaan tehnik-tehnik dan metode lainnya. Adanya perbedaan yang nyata dalam jumlah biaya, mempunyai pengaruh atas menarik tidaknya penggunaan metode tertentu untuk suatu keadaan yang dihadapi.
5.      Ketepatan (accuracy). Tingkat ketepatan yang dibutuhkan sangat erat hubungannya dengan tingkat perincian yang dibutuhkan dalam suatu peramalan. Untuk beberapa penganbilan keputusan mengharapka variasi atau penyimpangan atas ramalan yang dilakukan antara 10 % smapi dengan 15 % bagi maksud-maksud  yang mereka harapkan, sedangkan untuk hal atau kasus lain mungkin menganggap bahwa adanya variasi atau penyimpangan atas ramalan sebesar 5 % adalah cukup berbahaya.
6.      Mudah tidaknya penggunaan atau aplikasinya. Suatu prinsip umum dalam penggunaan metode ilmiah dari peramalan untuk manajemen dan analisa adalah netode-metode yang dapat dimengerti dan mudah di aplikasikan yang akan dipergunakan dalam pengambilan keputusan dan analisa. Prinsip ini didasarkan pada alasan bahwa, bila seorang manajer atau analisa bertanggungjawab atas keputusan yang diambilnya atau hasil analisa yang dilakukan, maka ia sudah tentu tidak menggunakan dasar yang tidak diketahuinya atau tidak diyakininya. Jadi sebagai cirri tambahan dari tehnik dan metode peramalan adalah bahwa yang diperlukan untuk memenuhi kebutuhan dari keadaan ialah tehnik dan metode peramalan yang dapat disesuaikan dengan kemampuan dari manager atau analis yang menggunakan metode ramalan tersebut. 

2.4   Tehnik-tehnik Peramalan
             Pengelompokan model-model peramalan dalam beberapa literature berbeda-beda. Namun secara umum model-model peramalan tersebut dapat dibagi menjadi tiga kategori, yang masing-masing kategori terdiri dari beberapa model. Hal ini dapat digambarkan sebagai berikut :
(T. Hani Handoko, 2000 ; 262)

2.4.1  Tehnik Kualitatif
            Bila pada model deret waktu (time series model) dan model sebab akibat (causal model) berdasarkan pada data-data kuantitatif, maka pada model kualitatif ini mencoba memasukkan pendapat / penilai (judgement) atau factor-faktor subjektif lain dalam membuat peramalan. Jadi seperti pendapat para ahli, pengalaman dan penilaian, serta faktor-faktor subjektif lainnya dapat dipertimbangkan. Model menjadi sangat penting atau data kuantitatif yang akurat sulit didapat.
            Berikut ini adalah uraian singkat tentang perbedaan ke-empat tehnik peramalan kualitatif :
1.      Metode Delphi (Delphi Method)
Metode ini merupakan tehnik yang mempergunakan suatu prosedur yang sistematik untuk mendapatkan suatu consensus pendapat-pendapat dari suatu kelompok ahli. Ada tiga type partisipan dalam metode Delphi ini yaitu : para pembuat keputusan yang biasanya terdiri dari 5 sampai 10 orang ahli yang akan membuat peramalan, personil staff yang membantu pembuat keputusan dalam hal penyediaan, pendistribusian, pengumpulan, dan pengikhtisaran serangkaian kuisioner dan hasil survey, responden yang memberikan masukkan-masukkan kepada pembuat keputusan sebelim peramalan dibuat.

2.      Jury of Executive Opinion
Metode ini mengambil pendapat-pendapat dari suatu kelompok kecil yang terdiri dari para manager level atas, dan dikombinasikan dengan model-model statistik yang menghasilkan perkiraan permintaan.
           
3.      Sales Force Composite
Dalam pendekatan ini, setiap tenaga penjual memperkirakan jum;ah penjualan di wilayah atau rayonnya. Perkiraan ini dikaji ulang untuk meyakinkan apakah hal tersebut realistis, lalu digabungkan pada tingkat yang lebih tinggi (propinsi dan nasional) untuk mendapatkan angka peramalan secara keseluruhan.

4.      Consumer market Survey
Metode ini mencoba mendapatkan masukkan dari pelanggan atau pelanggan potensial berkebaan dengan rencana pembelian mereka, Informasi ini tidak hanya berguna dalam membuat peramalan, tetapi berguna juga untuk perbaikan design produk dan perencanaan suatu prodak baru.

2.4.2  Analisis Runtun Waktu (Time Series)
            Model derat waktu (time series models) merupakan peramalan dengan tehnik ekstrapolasi yang berdasarkan data histories actual. Model ini mengamsusikan bahwa apa yang akan terjadi di masa yang akan datang merupakan suatu fungsi dari apa yang telah terjadi di masa lalu. Dengan kata lain, model deret waktu memandang pada apa yang telah terjadi selama satu periode, dan menggunakan satu derat data akhir untuk membuat ramalan.
Model-model peramalan deret waktu didasarkan pada serangkaian data-data berurutan yang berjarak sama (misalnya : mingguan, bulanan, tiga bulan, tahunan, dan sebagainya). Serangkaian data ini merupakan serangkaian observasi berbagai variable menurut waktu, biasanya ditabulasikan dan digambarkan dalam bentuk grafis yang menunjukan perilaku variable subjek.
Komponen-komponen runtun waktu pada umumnya siklasifikasikan sebagai trend (T), musiman atau seasional (S), siklikal atau cyclical (C), dan residu atau erratic (E).
Komponen pertama adalah trend, yang menunjukan pola gerakan penurunan atau pertumbuhan (kenaikan) jangka panjang serangkaian data historic.
Perhitungan  trend :
Beberapa metode estimasi trend suatu data runtun waktu telah tersedia. Secara ringkas, metode-metode analisis trend dapat diuraikan sebagai berikut :
1.      Feekhand. Dengan metode ini garis trend dibuat secara bebas tabpa menggunakan rumus matematika. Kurva trend “freehand” yang digambarkan melalui titik-titik bata merupakan cara penyajian termudah dan mungkin memadai dari data. Ramalan dapat diperoleh secara sederhana dengan penarikan garis trend untuk periode yang diramal. Bagaimanapun juga, apa yang tampaknya memadai bagi suatu perusahaan belum tentu berlaku juga bagi perusahaan lain, atau metode ini mempunyai subyektivitas sangant tinggi sehingga jarang digunakan.
2.      Kuadrat terkecil (least squares). Kuadrat terkecil adalah salah satu metode yang paling luas digunakan untyuk menentukan persamaan trend sata karena metode ini menghasilkan apa yang secara matematik digambarkan dengan “line of best fit”. Garis trend ini mempunyai sifat-sifat : (a) penjumlahan selalu deviasi vertical titik-titik data terhadap garis adalah nol, (b) penjumlahan seluruh kuadart deviasi vertical data historic dari garis adalah minimum, dan (c) garis melalui rata-rata X dan Y. Untuk persamaan linier, garis trend dicari dengan penyelesaian simultan nilai a dan b pada dua persamaan normal berikut :
å Y     =  n a + b å X
                                         2
å XY  =  a å X + b å X

Bila titik tengan data sebagai tahun dasar, maka å X = 0 dan dapat dihilangkan dari kedua persamaan di atas, dan menjadi :
                                    å  Y    =  n a                         a            =      å Y
                                                                                                     n
                                                         2
                              å  XY =  b å  X                    b            =      å  XY    
                                                                                   
                                                                                          2
                                                                                  å  X
Pemberian kode sangan mudah dilakukan. Bila ada sejumlah periode waktu ganjil, titik tengah periode waktu ditentukan sebagai X=0, sehingga jumlah plus dan minus akan sama dengan nol. Prosedur pemberian kode tersebut adalah sebagai berikut :
                                   
Nomor data                             Kode              
                                                                                        X
                                               1                                       -2
                                               2                                      -1     
                       3                                        0
                                               4                                       1
                                         5                                       2
                                                                                        0


            



             Tetapi bila jumlah data adalah genap, prosedur pemberian kode menjadi :
                                   
Nomor data                             Kode             
                                                                                        X
                                               1                                       -5
                                               2                                      -3     
                       3                                       -1
                                               4                                       1
                                         5                                       3
                                               6                                       5
                                                                                  0

3.  Model Rata-rata Bergerak  ( Moving Average Models)
Peramalan dengan Moving Average adalah meramalkan besaran penjualan di masa yang akan datang dengan pedoman data penjualan beberapa periode terakhir.
Tujuan utama dari penggunaan rata-rata bergerak adalah untuk menglilangkan atau mengurangi  acakan (randomness) dalam deret waktu. Tujuan ini dapat dicapai dengan merata-ratakan beberapa nilai data bersama-sama, dengan cara mana kesalahan positif- dan negatif yang mungkin terjadi dapat dikeluarkan atau dihilangkan. Rata-rata dilakukan terhadap seluruh angka konstanta dari observasi.
Tehnik rata-rata bergerak dalam deret waktu terdiri dari pengambilan suatu kumpulan nilai-nilai yang diobservasi, mendapatkan rata-rata dari nilai ini, dan kemudian menggunakan nilai rata-rata tersebut sebagai ramalan untuk periode yang akan datang. Angka realisasi dari observasi yang lalu termasuk dalam nilai rata-rata yang harus dispesifikasikan pada saat permulaan ramalan dilakukan. Istilah rata-rata bergerak dipergunakan karena begitu detiap observasi baru dalam deret tersedia, maka observasi yang paling terdahulu dikeluarkan dan kemudian suatu nilai rata-rata yang baru dihitung.
Hasil perhitungan rata-rata bergarak aras seluruh kumpulan angka atau nilai data adalah suatu deret baru dari angka dengan sedikit atau hampir tidak ada ketidakaturan atau acakan. Kemampuan rata-rata bergerak untuk menghilangakan ketidakaturan atau acakan dapat dipergunakan dalam deret waktu adalah untuk dua tujuan yaitu untuk menghilangkan trend dan untuk menghilangkan musiman.
Nilai rata-rata bergerak yang baru dengan memasukkan nilai data observasi yang baru dan mengeluarkan nilai data observasi yang paling terdahulu, kemudian dipergunakan sebagai ramalan untuk periode berikut. Jadi angka-angka dari titik-titik data dari deret waktu tersebut dimasukkan dalam perhitungan nilai rata-rata adalah selalu tetap atau konstan dan nilai tersebut termasuk data observasi yang terakhir.
Secara aljabar, tehnik peramalan dengan metode rata-rata bergerak dapat dinyatakan dengan formula yang sederhana berikut ini :

                               å    X
MA      =         
                         Jumlah Periode

Dengan keterangan bahwa satu nilai X diganti setiap periode.

Perhitungan rata-rata bergerak tiga kuartal dilakukan dengan bergerak ke depan untuk memperkirakan penjualan periode yang akan datang dan dicatat dalam posisi terpusat pada data rata-ratanya. Rata-rata bergerak secara efektif meratakan atau mennghaluskan fluktuasi pola data yang ada. Tentu saja semakin panjang periodenya, semakin rata kurvanya. Di samping metode rata-rat bergerak sederhana, kita mengenal metode rata-rata tertimbang (weighted moving average). Metode ini memberikan bobot (timbangan) yang sama badi seluruh observasi, walaupun data yang paling akhir lebih penting dan perlu dipertimbangkan dalam penyusunan ramalan. Dengan memberikan bobot yang berbeda atas data tersebut, sesuai dengan peranan atau pentingnya data tersebut pada penyusunan ramalan periode yang berikut, maka akan terdapat perbaikan dan peningkatan ramalan yang diperoleh. Bobot yang diberikan dapat disesuaikan untuk bermacam-macam nilai. Sistem bobot tertentu dengan pertimbangan tingkat ketepatan dari tehnik peramalan tersebut.
                                                                 
                                                                                 å     (bobot)  X
                                    MAbt              =         
                                                                         å  bobot

Komponen kedua adalah variasi musiman . Komponen ini mencerminkan pengaruh pola-pola pembelian musiman. Sebagai contoh klasik, penjualan payung di musim hujan adalah lebih besar daripada penjualan di musim kemarau. Bila pengaruh musiman dipertimbangkan, ketepatan ramalan untuk banyak produk akan meningkat, bahkan untuk barang-barang dalam sektor industri.
Lama periode waktu yang digunakan dalam analisis musiman bervariasi dan tergantung pada factor-faktor seperti : pola pembelian, skedul produksi, skedul pengiriman, dan operasi-operasi penggudangan. Berbagai pola permintaan dapat berulang dengan basis mingguan atau bulanan. Sebagai contoh adalah permintaan akan pengambilan uang tabungan di bank. Dalam situasi lain, enam bulan mungkin merupakan lama waktu musim yans sesuai untuk permintaan akan pengambilan uang tabungan uang di bank. Dalam situasi lain, enam bulan mungkin merupakan lama waktu musim yang sesuai untuk permintaan akan produk-produk tertentu, baik karena pengaruh musim panenan, tahun ajaran baru atau lebaran saperti permintaan akan buku dan alat-alat sekolah lainnya, buah-buahan, sandang, dan sebagainya.
Komponen ketiga adalah pengaruh siklikal atau sering disebut gelombang kojungtur, adalah komponen dasar runtun waktu. Ini mungkin mungkin merupakan komponen yang paling sulit ditentukan bila rentangan waktu tidak diketahui atau akibat siklus tidak dapat ditentukan. Pengarug siklikal pada permintaan mungkin diakibatkan kejadian-kejadian seperti peranmg, politik, kondisi-kondisi ekonomi, siklus bisnis atau tekanan-tekanan sosiologik.
Komponen yang terakhir adalah residu atau erratic. Untuk ini menunjukkan fluktuasi-fluktuasi data yang tidak sistematik, atau acak. Komponen erratic adalah deviasi-deviasi  acak yang tidak dapat dijelaskan seperti komponen-komponen lain dan dalam jangka panjang saling menyeimbangkan satu sama lain. Karena alasan ini dan karena kompenen-komponen erratic adalah acak, maka tidak digunakan untuk membuat ramalan.

2.4.3    Exponential Smoothing
Exponential smoothing adalah suatu tipe tehnik peramalan rata-rata bergerak yang melakukan penimbangan terhadap data masa lalu dengan cara eksponential sehingga data paling akhir mempunyai bobot atau timabangan lebih besar dalam rata-rata bergerak. Dengan exsponential smoothing sederhana, forecast dilakukan dengan cara ramalan periode terakhir ditambah porsi perbedaan (disebut a) antara permintaan nyata periode terakhir dan ramalan periode terakhir. Persamaan ramalan exponential smoothing tunggal ini adalah :
           
Ft         =          Ft – 1 + a ( At-1  -  Ft – 1 )

Dengan keterangan sebagai berikut :
            Ft         =          ramalan untuk periode sekarang (t)
            Ft-1     =          ramalan yang dibuat untuk periode terakhir (t-1)
            a          =          smoothing constan ( 0 £ a < 1 )
            At-1     =          permintaan nyata periode terakhir



Tidak ada komentar:

Poskan Komentar