Basa-basinya garing ya? hehehe, harap dimaklumi yah, karena admin lagi agak ngantuk, semalam abis begadang di tempat Teteh Yuli yang kemarin baru nyunatin anaknya. Berhubung banyaknya inbok yang masuk menanyakan tentang Peramalan Adalah maka dengan sangat senang hati admin akan membahasanya. Nah, sambil seruput kopi, yuk simak ulasan lengkapnya dibawah ini.
Pembabaran Lengkap Peramalan Adalah
Selamat datang di Dosen.co.id, web digital berbagi ilmu pengetahuan. Kali ini PakDosen akan membahas tentang Peramalan? Mungkin anda pernah mendengar kata Peramalan? Disini PakDosen membahas secara rinci tentang pengertian, pengertian menurut para ahli, fungsi, langkah, jenis, tujuan, metode, karakteristik, tipe, tahapan dan cara. Simak Penjelasan berikut secara seksama, jangan sampai ketinggalan.
Pengertian Peramalan
Peramalan ialah suatu Metode penjabaran perhitungan yang dijalankan dengan strategi kualitatif maupun kuantitatif untuk berspekulasi peristiwa di masa depan dengan memakai acuan data di masa lalu.
Pengertian Peramalan Menurut Para Ahli
Berikut ini adalah beberapa pengertian peramalan menurut para ahli yaitu:
1. Menurut Hery Prasetya dan Fitri Lukiastuti (2009 : 43)
Peramalan merupakan suatu usaha untuk meramalkan keadaan dimasa yang akan datang melalui pengujian keadaan dimasa lalu.
2. Menurut Jay Heizer dan Barry Render ( 2006 : 136 )
Peramalan ( forecasting ) adalah seni atau ilmu untuk memperkirakan kejadian dimasa depan.
3. Menurut Tim Pengembangan Laboratorium Manajemen Menengah (2008 : 12)
Peramalan diartikan sebagai kegiatan analisis untuk memperkirakan magnitude dan direction perubahan suatu variabel ekonomi bisnis ( permintaan barang dan jasa ) dimasa datang berdasarkan past data dan present data.
Fungsi Peramalan
Berikut ini terdapat fungsi dari peramalan, yakni sebagai berikut:
- Berupa media bantu untuk merancangkan yang efektif dan efisien
- Untuk menentukan keinginan sumber daya pada masa yang akan datang
- Untuk produksi keputusan yang tepat
Langkah-Langkah Peramalan
Berikut ini terdapat 2 langkah-langkah peramalan, yakni sebagai berikut:
- Langkah peramalan yang berpedoman pada penggunaan penjabaran implikasi antar variabel yang diduga dengan variabel waktu dengan baris teratur atau langkah peramalan time series.
- Langkah peramalan yang berpedoman pada penggunaan penjabaran bentuk interaksi antar variabel yang akan diduga dengan variabel lain yang menjadi pengaruh, yang bukan waktu disebut dengan langkah korelasi maupun langkah peramalan causal.
Jenis-Jenis Peramalan
Berikut ini terdapat beberapa jenis-jenis peramalan, yakni sebagai berikut:
1. Berdasarkan Horizon Waktu
Berdasarkan horizon waktu, terdapat beberapa jenis bagian, antara lain:
-
Peramalan Jangka Panjang
Peramalan jangka panjang ialah peramalan yang meliputi waktu lebih besar dari 18 bulan.
-
Peramalan Jangka Menengah
Peramalan jangka menengah ialah peramalan yang meliputi waktu sekitar 3 sampai 18 bulan.
-
Peramalan Jangka Pendek
Peramalan jangka pendek ialah peramalan yang meliputi jangka waktu kurang dari 3 bulan.
2. Berdasarkan Fungsi dan Penjadwalan Operasi Di Masa depan
Berdasarkan fungsi dan penjadwalan operasi dimasa depan, terdapat beberapa jenis bagian, antara lain:
1. Peramalan Ekonomi
Peramalan ekonomi ialah peramalan yang menguraikan aliran bisnis dengan memperhitungkan fase inflasi, kesiapan uang, dana yang diperlukan untuk membangun perumahan dan parameter penjadwalan lainnya.
2. Peramalan Teknologi
Peramalan teknologi ialah peramalan yang mencermati fase peningkatan teknologi yang bisa merilis produk baru yang memikat, yang memerlukan pabrik dan peralatan yang baru.
3. Berdasarkan Jenis Data Ramalan Yang Dirangkai
Berdasarkan jenis data ramalan yang dirangkai, terdapat beberapa jenis bagian, antara lain:
-
Peramalan Kualitatif
Peramalan kualitatif ialah peramalan yang diaturkan pada data kualitatif pada masa lampau.
-
Peramalan Kuantitatif
Peramalan kuantitatif ialah peramalan yang diaturkan atas data pemasaran pada masa lampau.
4. Berdasarkan Sifat Penyusunannya
Berdasarkan sifat penyusunannya, terdapat beberapa jenis bagian, antara lain:
1. Peramalan Subjektif
Peramalan subjektif ialah peramalan yang diaturkan atas anggapan atau opini dari orang yang menyusunnya.
2. Peramalan Objektif
Peramalan objektif ialah peramalan yang diaturkan atas data yang signifikan pada masa lampau, dengan memakai langkah-langkah dalam penganalisaan data tersebut.
Tujuan Peramalan
Berikut ini terdapat beberapa tujuan dari peramalan, yakni sebagai berikut:
- Untuk membaca peraturan perusahaan yang berlaku pada saat tersebut dan di masa lampau serta menampak sejauh mana hasilnya dimasa akan datang.
- Peramalan dibutuhkan karena terdapat time lag atau delay antara saat peraturan perusahaan
- ditentukan dengan saat pelaksanaan.
- Peramalan ialah dasar pembentukan bisnis pada suatu perusahaan sehingga bisa mengembangkan daya gina suatu strategi bisnis.
Metode-Metode Peramalan
Dalam peramalan, penggunaan berbagai model akan memberikan nilai dan derajat error yang berbeda. Salah satu seni dalam peramalan adalah memilih model peramalan terbaik yang mampu mengidentifikasi dan menanggapi pola aktivitas historis dari data.Secara umum, model-model peramalan dapat dikelompokkan ke dalam dua kelompok utama, yaitu:
1. Metode Kualitatif
Metode kualitatif adalah metode yang dilakukan berdasarkan pendapat dari pihak yang melakukan peramalan. Metode kualitatif ditujukan untuk peramalan terhadap produk baru, pasar baru, perubahan sosial dari masyarakat, perubahan teknologi, atau penyesuaian terhadap forecast berdasarkan metode kuantitatif. Beberapa model peramalan produksi yang digolongkan sebagai model kualitatif adalah:
- Dugaan Manajemen (Manajemen Estimate)
Dugaan manajemen adalah metode dimana peramalan semata-mata berdasarkan pertimbangan manajemen. Metode ini akan cocok dalam situasi yang sangat sensitif terhadap intuisi dari satu kelompok kecil berdasarkan pengalaman dengan opini yang kritis dan relevan. Bagaimanapun, metode ini mempunyai banyak keterbatasan sehingga perlu dikombinasikan dengan metode peramalan yang lain.
- Riset Pasar (Market Research)
Riset pasar merupakan metode peramalan berdasarkan hasil-hasil dari survei pasar yang dilakukan oleh tenaga-tenaga pemasar produk atau yang mewakilinya. Metode ini tidak hanya akan membantu peramalan, tetapi juga untuk meningkatkan desain dan perencanaan produk baru.
- Metode Kelompok Terstruktur (Structured Group Methods)
Metode kelompok terstruktur merupakan teknik peramalan berdasarkan pada proses konvergensi dari opini beberapa orang atau ahli secara iteraktif tanpa menyebutkan identitasnya. Peranan fasilitator sangat diharapkan untuk memperoleh atau menyimpulkan hasil-hasil peramalan.
- Analogi Historis (Historical Analogy)
Analogi historis merupakan teknik peramalan berdasarkan pola data masa lalu dari produk-produk yang dapat disamakan secara analogi. Metode ini cenderung akan menjadi metode terbaik untuk penggantian produk di pasar.
2. Metode Kuantitatif
Metode kuantitatif adalah metode yang dilakukan berdasarkan analisis hubungan numerik dari data atau metode statistik. Metode kualitatif dikelompokkan ke dalam dua bagian utama, yaitu:
1. Metode Kuantitatif Intrinsik (Time Series Model)
Time series model merupakan suatu metode yang menggunakan seri pengamatan suatu variabel dalam bentuk interval waktu diskrit. Waktu yang diamati merupakan waktu periode sebelum hingga saat ini. Time series model yang biasa digunakan dalam analisa perhitungan peramalan adalah sebagai berikut:
- Metode Moving Average
Metode moving average menggunakan sejumlah data aktual untuk membangkitkan nilai peramalan di masa yang akan datang. Metode ini akan efektif diterapkan apabila asumsi bahwa permintaan pasar stabil sepanjang waktu. Tujuan dari metode moving average adalah untuk melibatkan periode permintaan yang sesuai sehingga faktor acak dapat dikurangi dan informasi yang tidak relevan dari permintaan di masa lalu dapat diabaikan. Perhitungan metode moving average berubah seiring dengan perubahan waktu, data lama dihapus, dan data baru ditambahkan. Secara matematis dinyatakan sebagai berikut:
Keterangan:
Ft = Peramalan permintaan periode t
n = Jumlah periode moving average
t = Periode terbaru
- Metode Weighted Moving Average
Metode weighted moving average lebih responsif terhadap perubahan karena data dari periode baru biasanya diberi bobot lebih besar. Pemilihan bobot merupakan hal yang tidak pasti karena tidak ada rumus untuk menetapkan mereka. Oleh karena itu, pemutusan bobot yang digunakan membutuhkan pengalaman. Sebagai contoh, jika bulan atau periode terakhir diberi bobot yang terlalu berat, peramalan dapat menggambarkan perubahan yang terlalu cepat yang tidak biasa pada permintaan atau pola penjualan. Secara matematis dinyatakan sebagai berikut:
Keterangan:
Ft = Peramalan permintaan periode t
n = Jumlah periode weighted moving average
- Metode Single Exponential Smoothing
Metode single exponential smoothing merupakan metode peramalan rata-rata bergerak dengan pembobotan yang canggih, tetapi masih mudah digunakan. Mudah dalam artian bahwa penyimpanan data historis akan lebih kecil sehingga proses perhitungan akan semakin efisien. Metode ini menggunakan pencatatan data masa lalu yang sangat sedikit. Selain itu, seluruh data historis diperhitungkan dan permintaan aktual terakhir diberi bobot lebih besar (α, faktor smoothing). Secara matematis dinyatakan sebagai berikut:
Keterangan:
Ft = Peramalan permintaan periode t
α = Konstanta pemulusan (0 ≤ α ≤ 1)
Ft-1 = Peramalan permintaan satu periode yang lalu (t – 1)
At-1 = Permintaan aktual satu periode yang lalu (t – 1)
- Metode Double Exponential Smoothing
Metode double exponential smoothing adalah metode penghalusan eksponensial yang lebih rumit dan dapat menyesuaikan diri pada trend yang ada. Idenya adalah menghitung trend rata-rata data penghalusan eksponensial, kemudian menyesuaikan untuk kelambatan (lag) positif atau negatif pada tren. Dengan penghalusan eksponensial pada penyesuaian trend, estimasi rata-rata dan trend dapat dihaluskan. Prosedur ini membutuhkan dua konstanta penghalusan, dimana α untuk rata-rata dan ß untuk trend. Kemudian, dilakukan perhitungan rata-rata dan trend untuk setiap periode. Secara matematis dinyatakan sebagai berikut:
Keterangan:
Ŷt = Peramalan permintaan periode t
a = Konstanta pemulusan (0 ≤ α ≤ 1)
β = Konstanta trend (0 ≤ β ≤ 1)
Et-1 = Peramalan permintaan periode (t – 1)
Tt = Indeks trend pada periode t
- Metode Triple Exponential Smoothing
Metode triple exponential smoothing, atau yang dikenal sebagai metode Holt-Winters, dapat menangani faktor seasonal dan trend yang muncul secara sekaligus pada sebuah data time series. metode Holt-Winters dapat digunakan untuk data stasioner maupun non-stasioner (Kalekar, 2004). Metode ini didasarkan atas tiga unsur peramalan, yaitu keseluruhan, trend, dan seasonal untuk setiap periode dan memberikan tiga pembobotan dalam prediksinya, yaitu α, β, dan γ. Metode ini terbagi menjadi dua, yakni:
Keterangan:
St = Nilai pemulusan peramalan untuk periode t
Xt = Nilai aktual pada periode t
bt = Nilai pemulusan trend
It = Komponen musiman pada periode t
Ŷt+m = Peramalan untuk m periode ke depan dari t
m = Jumlah periode yang akan di-foreast ke depan
α = Parameter penghalusan untuk data (0 < α < 1)
β = Parameter penghalusan untuk trend (0 < β < 1)
γ = Parameter penghalusan untuk seasonal (0 < γ < 1)
L = Panjang seasonal
- Metode Holt-Winters Additive
Menurut Montgomery (2009), metode musiman additive dengan metode penambahan musiman cocok untuk prediksi time series dengan amplitudo pola musiman yang tidak tergantung pada rata-rata level atau ukuran data sehingga bersifat konstan. Secara matematis dinyatakan sebagai berikut:
Keterangan:
St = Nilai pemulusan peramalan untuk periode t
Xt = Nilai aktual pada periode t
bt = Nilai pemulusan trend
It = Komponen musiman pada periode t
Ŷt+m = Peramalan untuk m periode ke depan dari t
m = Jumlah periode yang akan di-forecast ke depan
α = Parameter penghalusan untuk data (0 < α < 1)
β = Parameter penghalusan untuk trend (0 < β < 1)
γ = Parameter penghalusan untuk seasonal (0 < γ < 1)
L = Panjang seasonal
- Metode Holt-Winters Multiplicative
Metode musiman multiplicative dengan metode perkalian musiman cocok untuk prediksi time series dengan amplitudo pola musimannya proporsional dengan rata-rata level atau tingkatan dari time series (Montgomery, 2009). Dengan kata lain, pola musiman membesar seiring meningkatnya ukuran data. Secara matematis dinyatakan sebagai berikut:
Keterangan:
St = Nilai pemulusan peramalan untuk periode t
Xt = Nilai aktual pada periode t
bt = Nilai pemulusan trend
It = Komponen musiman pada periode t
Ŷt+m = Peramalan untuk m periode ke depan dari t
m = Jumlah periode yang akan di-foreast ke depan
α = Parameter penghalusan untuk data (0 < α < 1)
β = Parameter penghalusan untuk trend (0 < β < 1)
γ = Parameter penghalusan untuk seasonal (0 < γ < 1)
L = Panjang seasonal
- Metode Trend Line Analysis
Metode trend line analysis dipergunakan sebagai metode peramalan apabila pola historis dari data aktual permintaan menunjukkan adanya suatu kecenderungan menarik dari waktu ke waktu. Metode yang paling sederhana adalah menggunakan persamaan garis lurus (straight line equation). Secara matematis dinyatakan sebagai berikut:
Keterangan:
Ft = Permintaan pada periode t
a = Intersep dari persamaan garis lurus
b = Slope dari trend line
t = Indeks waktu
tbar = Nilai rata-rata dari t
A = Variabel permintaan (data aktual permintaan)
Abar = Nilai rata-rata dari A
Karakteristik Peramalan
Hasil peramalan dikatakan konsisten bila besarnya kesalahan peramalan relatif kecil. Buffa menjelaskan bahwa metode yang lebih canggih tidak menjamin dihasilkannya hasil yang lebih akurat ketimbang metode yang lebih sederhana, lebih mudah diterapkan, dan lebih murah. Berikut ini merupakan temuan-temuan yang berhubungan dengan pemilihan metode peramalan dan akurasi hasil peramalan :
- Akurasi peramalan meningkat jika ramalan dari lebih banyak metode dikombinasikan untuk menghasilkan ramalan akhir; tetapi dampak marjinal dari penambahan satu metode berkurang dengan semakin banyaknya jumlah metode yang digunakan.
- Resiko kesalahan yang lebih besar dalam peramalan yang mungkin disebabkan oleh pemilihan metode yang keliru, resiko kesalahan akan berkurang jika hasil dari dua atau lebih metode dikombinasikan.
- Variabilitas dalam akurasi ramalan diantara berbagai kombinasi metode peramalan berkurang dengan makin banyaknya metode yang digunakan. [Buff96]
Tipe-Tipe Peramalan
Dalam segi peramalan banyak sekali tipe nya namun menurut pandangan dari Hery Prasetya dan Fitri Lukiastuti ( 2009 : 44 ) dapat kita ambil beberapa yaitu :
-
Peramalan ekonomi
Peramalan yang menjelaskan siklus bisnis dengan memprediksi tingkat inflasi, ketersediaan uang, dana yang dibutuhkan untuk membangun perumahan dan indikator perencanaan lain nya.
-
Peramalan teknologi
Peramalan yang memeperhatikan tingkat kemajuan teknologi yang dapat meluncurkan produk baru yang menarik, membutuhkan pabrik dan peralatan baru. Peramalan ini biasanya memerlukan jangka waktu yang panjang dengan memperhatikan tingkat kemajuan teknologi.
-
Peramalan permintaan
Proyeksi permintaan untuk produk atau layanan suatu perusahaan peramalan ini disebut juga peramalan penjualan yang mengendalikan produksi, kapasitas seta sistem penjadwalan dan menjadi input bagi perencanaan keuangan pemasaran dan sumber daya manusia.
Tahapan-Tahapan Dalam Peramalan
Berikut ini adalah beberapa tahapan-tahapan dalam peramalan yaitu:
1. Pengumpulan data
Pengumpulan data dan menyarankan penting nya perolehan data yang sesuai dengan meyakinkan kebenarannya.
2. Pemadatan atau pengurangan data
Pemadatan atau pengurangan data, seringkali diperlukan karena mungkin saja terjadi kelebihan data dalam proses peramalan, atau sebaliknya terlalu sedikit.beberapa data mungkin tidak relevan dengan masalah dan hal ini dapat mengurangi keakuratan peramalan.
3. Penyusunan dan Evaluasi Modal
Penyusunan dan pengevalusaian modal meliputi pencocokan data terkumpul kedalam modal yang sesuai dalam hal meminimasi.
4. Ekstrapolasi Model ( peramalan aktual )
Terdiri dari model peramalan aktual yang dihasilkan serta begitu data yang sesuai telah terkumpul dan kemungkinan dikurangi akan menghasilkan model peramalan yang sesuai model peramalan yang dipilih.
5. Evaluasi peramalan
Evalusai peramalan melibatkan dan membandingkan nilai peramalan dengan nilai histories actual. Dalam proses ini beberapa nilai data terkini kemudian diambilkan dari himpunan data yang sedang dianalisa.
Cara Menentukan Peramalan
Berikut ini adalah cara menentukan peramalan yaitu:
- Pola data
- Faktor biaya peramalan; dan
- Faktor kemudahan.
Penentuan ketepatan peramalan pada umumnya berdasarkan beberapa metode, yaitu nilai Sidik Ragam (F-Test), Koefisien determinasi, Kuadrat Tengah Galat (Mean Square Error (MSE), dan Persentase Galat (Percentage Error (PE)).
1. Deret Waktu
Deret waktu adalah kumpulan data-data yang merupakan data historis dalam suatu periode waktu tertentu. Data yang dapat dijadikan deret waktu harus bersifat kronologis, artinya data harus mempunyai periode waktu yang berurutan. Misalnya data penjualan suatu perusahaan antara tahun 2006-2011, maka datanya adalah penjualan tahun tahun 2006, tahun 2007, tahun 2008, tahun 2009, tahun 2010, dan tahun 2011.
Data runtun waktu (time series) merupakan data yang dikumpulkan, dicatat, atau diobservasi sepanjang waktu secara berurutan. Periode waktu dapat menggunakan tahun, kuartal, bulan, minggu, hari atau jam. Runtut waktu dianalisis untuk menemukan pola variasi masa lalu. Analisis deret waktu (time series analysis) dipakai untuk meramalkan kejadian di masa yang akan dating berdasarkan urutan waktu sebelumnya. Ada beberapa teknik untuk meramalkan kejadian di masa yang akan datang berdasarkan karakteristik data, misalnya teknik smoothing, teknik siklus, dan teknik musiman.
2. Trend
Trend adalah pergerakan jangka panjang dalam suatu kurun waktu yang kadang-kadang dapat digambarkan dengan garis lurus atau kurva mulus. Deret waktu untuk bisnis dan ekonomi, yang terbaik adalah untuk melihat trend (atau trend-siklus) sebagai perubahan dengan halus dari waktu ke waktu. Pada kenyataannya, anggapan bahwa trend dapat diwakili oleh beberapa fungsi sederhana seperti garis lurus sepanjang periode untuk time series yang diamati jarang ditemukan. Seringkali fungsi tersebut mudah dicocokkan dengan kurva trend pada suatu kurun waktu karena dua alasan, yaitu fungsi tersebut menyediakan beberapa indikasi arah umum dari seri yang diamati, dan dapat dihilangkan dari seri aslinya untuk mendapatkan gambar musiman lebih jelas. Ada tiga trend yang diigunakan untuk meramalkan pergerakan keadaan pada masa yang akan datang, yaitu:
- Trend Linier
Sering kali data deret waktu jika digambarkan ke dalam plot mendekati garis luruus. Deret waktu seperti inilah yang termasuk dalam trend linier.
- Trend Kuadratik
Jika trend linier merupakan deret waktu yang berupa garis lurus, maka trend kuadratik merupakan deret waktu dengan data berupa garis parabola.
- Trend Eksponensial
Untuk mengukur sebuah deret waktu yang mengalami kenaikan atau penurunan yang cepat maka digunakan metode trend eksponensial.
- Memilih Trend Terbaik
Untuk membuat suatu keputusan yang akan dilakukan di masa yang akan datang berdasarkkan deret waktu diperlukan suatu metode peramalan yang paling baik sehingga memiliki nilai kesalahan yang cenderung kecil. Terdapat beberapa cara untuk menentukan metode peramalan mana yang akan dipilih sebagai metode peramalan yang paling baik, diantaranya Mean Square Error (MSE).
Demikian Penjelasan Materi Tentang Peramalan Adalah: Pengertian, Pengertian Menurut Para Ahli, Fungsi, Langkah, Jenis, Tujuan, Metode, Karakteristik, Tipe, Tahapan dan Cara Semoga Materinya Bermanfaat Bagi Siswa-Siswi.
The post Peramalan Adalah first appeared on PAKDOSEN.CO.ID.
ARTIKEL PILIHAN PEMBACA :
Comments
Post a Comment