Financial Check Up

Forecasting as an
Assessment Tools

Yulisfan, SE, [Link], Ak, CA, CMA, CRP, CSRS, CSRA, [Link]
President Director of Volkopi (VOLCAFE) Indonesia | ED&F Man Coffee Division
Pengantar Teori Peramalan
Forecasting atau peramalan merupakan metode untuk memperkirakan informasi yang bersifat
prediktif dalam menentukan arah di masa depan dengan menggunakan data historis sebagai acuan.

WIlliam Stevenson dalam bukunya Operation Management (2009) menjelaskan forecasting adalah
dasar dalam menentukan arah keputusan perusahaan di masa depan. Forecasting mampu
memberikan informasi terkait permintaan di masa depan yang bertujuan untuk menentukan
kapasitas produksi, persediaan, budgeting, pengadaan barang dan jasa hingga rantai pasok.

Satinder Mullick [Link] dalam tulisannya di Harvard Business Review, forecasting merupakan alat
untuk mengatasi segala jenis potensi masalah yang terjadi dari anomali permintaan baik musiman
maupun perubahan ekonomi secara global.

Tujuan dan Fungsi Forecasting

Fungsi forecasting adalah sebagai pedoman untuk menentukan arah kebijakan dan keputusan
perusahaan yang efektif dan efisien di masa depan, sehingga forecasting menjadi penting karena:
 Sebagai kajian kebijakan perusahaan yang berlaku pada saat ini, masa lalu, serta sejauh mana pengaruhnya di
masa depan.
 Adanya time gap antara kebijakan dengan implementasinya.
 Perusahaan memiliki acuan atau arah sehingga setiap kebijakan sejalan dengan tujuan perusahaan.
 Memberikan solusi strategis apabila di masa depan menghadapi masalah yang berkaitan dengan bisnis.
 Permintaan selalu menghadapi anomali atau perubahan dan tentu bisa saja berbeda dari masa lalu dengan
masa depan.
 Menjaga stabilitas keuangan perusahaan.
Forecasting : Ramalan dan Implikasi
Implikasi dari peramalan dan/atau prediksi adalah.
1. Peramalan bersifat objektif dan subjektif
peramalan adalah seni dan ilmu memprediksi peristiwa masa depan, yang mungkin melibatkan pengambilan data historis dan
memproyeksikannya ke masa depan dengan semacam model matematika. Ini mungkin prediksi subjektif atau intuitif masa depan atau
mungkin keduanya, yaitu kombinasi model matematika yang disesuaikan dengan penilaian yang baik. Seperti yang dijelaskan oleh
definisi, prakiraan hanya mungkin jika ada riwayat data dan kesimpulan yang masuk akal dapat dicapai berdasarkan data tersebut..
2. Peramalan mempersiapkan organisasi untuk tujuan masa depan bersama melalui koordinasi
Peramalan membantu mengembangkan dan menerapkan program peningkatan berkelanjutan yang dirancang khusus untuk bisnis dan
budaya serta lingkungan organisasi tertentu. Ini adalah bantuan untuk program lain yang mungkin melibatkan penerapan alat dan
teknik perencanaan dan pengendalian manufaktur dan distribusi yang terbukti seperti Perencanaan Sumber Daya
Manufaktur (MRP), Perencanaan Sumber Daya Distribusi (DRP), dan Just-In-Time (JIT). Dalam peramalan, peramalan permintaan dan
penjualan khususnya, sangat penting untuk tiga kegiatan utama dari setiap manajer operasi yang merencanakan, menjadwalkan dan
mengendalikan sistem.
3. Peramalan membantu dalam perencanaan jangka pendek dan jangka panjang
Prakiraan merupakan masukan penting untuk perencanaan jangka panjang dan keputusan strategis. Pada saat yang sama,
merupakan dasar penting untuk keputusan jarak pendek dalam operasi sehari-hari. Manajer operasi mencoba untuk meramalkan
berbagai peristiwa masa depan yang berpotensi mempengaruhi kesuksesan.

Kegunaan Peramalan
Peramalan sering digunakan dalam organisasi untuk tiga tujuan, adalah:
1. Pengenalan keluaran baru
Peramalan digunakan untuk memutuskan apakah permintaan lingkungan cukup untuk menghasilkan pengembalian yang diinginkan
oleh organisasi.
2. Kebutuhan kapasitas
Peramalan digunakan untuk menentukan kebutuhan kapasitas jangka panjang untuk desain fasilitas. Proyeksi permintaan yang akurat
untuk beberapa tahun ke depan dapat menghemat biaya besar organisasi dalam memperluas, atau mengontrak, kapasitas untuk
mengakomodasi tuntutan lingkungan di masa depan..
3. Perencanaan produksi
Peramalan digunakan untuk memastikan fluktuasi jangka pendek dalam permintaan untuk perencanaan produksi, penjadwalan tenaga
kerja, perencanaan bahan, dan sebagainya
Proses Forecasting
1. Permasalahan Perusahaan dan Manajemen
Pertanyaan manajemen berfungsi sebagai titik awal untuk perkiraan. Merupakan
tanggung jawab peramal untuk memastikan bahwa tujuan peramalan diartikulasikan
dengan [Link] seperti mengapa ramalan diperlukan,dan bagaimana hasil-
nya akan digunakan sangat penting..
2. Pengumpulan Data
Organisasi mengembangkan prakiraan terpisah tergantung pada sifat masalah dan
lamanya waktu prakiraan. Data mungkin berasal dari dokumen internal atau mungkin
berasal dari sumber di luar [Link] harus diberikan pada jenis dan
kualitas data yang dikumpulkan
3. Formulasi Model
Setelah keputusan dibuat untuk mengembangkan ramalan, model teoretis harus
dikembangkan yang menjawab pertanyaan manajemen. Pada saat yang sama,
memungkinkan untuk memisahkan pengaruh menjadi faktor internal atau eksternal.
4. Perencanaan Model Peramalan
Membangun teoritis model membantu dalam menguraikan hubungan yang ada antara
berbagai variabel model. Peramal harus mempertimbangkan semua alternatif dalam m
embuat peramalan
5. Analisis dan Interpertasi
Analisis data tidak boleh dianggap hanya sebagai proses mekanis. Sebelum
memperkirakan model peramalan, peramal harus menjadi sangat akrab dengan sifat
perusahaan dan industri yang diwakilinya. Setiap informasi yang membantu dalam
proses peramalan harus dianalisis dengan cermat.
6. Validasi
Model harus diuji reliabilitas dan validitasnya. Hasil ramalan harus dibandingkan
dengan hasil aktual untuk menilai keakuratan model. Evaluasi pada tahap ini berfungsi
sebagai proses pengendalian..
7. Hasil Akhir
Tahap terakhir dalam proses peramalan adalah mempresentasikan hasilnya kepada manajemen. Sangat penting bahwa manajemen perusahaan yang
meminta ramalan memahami bahwa sementara tugas yang ada untuk menyediakan ramalan mungkin telah berakhir, proses penyempurnaan ramalan
belum.
Untuk menekankan, ramalan yang baik tidak statis tetapi dinamis. Akan menguntungkan manajemen untuk menetapkan prosedur untuk mengevaluasi prakir
aan secara berkelanjutan dan untuk mengenali bahwa kondisi tak terduga di pasar dapat mengubah asumsi model prakiraan, dan oleh karena itu memerluk
an estimasi baru
Subyek Forecasting
Berdasarkan fungsi dan perencanaan operasi di masa depan, peramalan atau forecasting dibagi menjadi tiga jenis, yaitu
(Heizer dan Render, 2009:47):
1. Peramalan ekonomi (economic forecast), menangani siklus bisnis dengan memprediksikan tingkat inflasi, uang yang beredar,
mulai pembangunan perumahan, dan indikator perencanaan lainnya..
2. Peramalan teknologi (technological forecast), berkaitan dengan tingkat perkembangan teknologi, dimana dapat menghasilkan
terciptanya produk baru yang lebih menarik, yang memerlukan pabrik dan perlengkapan yang baru.
3. Peramalan permintaan (demand forecast), adalah proyeksi permintaan utk produk atau layanan perusahaan. Proyeksi permintaan
utk produk atau layanan suatu perusahaan. Peramalan ini juga disebut peramalan penjualan yang mengendalikan produksi, kapasitas,
serta sistem penjadwalan dan menjadi input bagi perencanaan keuangan, pemasaran, dan sumber daya manusia.

Berdasarkan horizon waktu, peramalan atau forecasting dapat dibagi menjadi tiga jenis, yaitu (Herjanto, 2008:78):
1. Peramalan jangka Panjang, yaitu yang mencakup waktu lebih besar dari 18 bulan. Misalnya, peramalan yang diperlukan dalam
kaitannya dengan penanaman modal, perencanaan fasilitas dan perencanaan untuk kegiatan litbang.
2. Peramalan jangka menengah, yaitu mencakup waktu antara 3 sampai 18 bulan. Misalnya, peramalan untuk perencanaan penjualan,
perencanaan produksi dan perencanaan tenaga kerja tidak tetap.
3. Peramalan jangka pendek, yaitu mencakup jangka waktu kurang dari 3 bulan. Misalnya, peramalan dalam hubungannya dengan
perencanaan pembelian material, penjadwalan kerja dan penugasan karyawan.

Berdasarkan jenis data ramalan yang disusun, peramalan dibagi menjadi dua jenis, yaitu (Saputro dan Asri, 2000:148):
1. Peramalan kualitatif, yaitu peramalan yang didasarkan atas data kualitatif pada masa lalu. Hasil ramalan yang dibuat sangat
tergantung pada orang yang menyusunnya. Hal ini penting karena peramalan tersebut ditentukan berdasarkan pemikiran yang bersifat
intuisi, pendapat, dan pengetahuan serta pengalaman dari penyusunnya. Biasanya peramalan secara kualitatif ini didasarkan atas
hasil penyelidikan, seperti pendapat salesman, pendapat sales manajer pendapat para ahli dan survey konsumen...
2. Peramalan kuantitatif, yaitu peramalan yang didasarkan atas data penjualan pada masa lalu. Hasil peramalan yang dibuat sangat
tergantung pada metode yang dipergunakan dalam peramalan tersebut. Penggunaan metode yang berbeda akan diperoleh hasil yang
berbeda pula.

Berdasarkan sifat penyusunannya, peramalan dibagi menjadi dua jenis, yaitu (Ginting, 2007): (1) Peramalan subjektif, yaitu
peramalan yg didasarkan atas perasaan atau intuisi dari orang yg menyusunnya; (2) Peramalan objektif, yaitu peramalan yg didasarkan
atas data yang relevan pada masa lalu, dengan menggunakan teknik-teknik dan metode-metode dalam penganalisaan data tersebut.
Forecasting : Objek Memilih Model
Pemilihan jenis peramalan dan akurasi peramalan tergantung pada beberapa faktor::
1. Waktu
Armstrong, (1978) berpendapat bahwa model ekonometrik sederhana lebih unggul untuk prakiraan jangka panjang. John [Link],
Satinder K. Mullick, (1971) berpendapat bahwa kurva pertumbuhan sederhana juga merupakan sarana yg akurat untuk menghasilkan
prakiraan jangka panjang, sedangkan prakiraan jangka pendek disediakan oleh metode deret waktu.

2. Ketersediaan data
Data yang mungkin lebih panjang lebih cenderung melibatkan perubahan dalam kekuatan yang mendasari dan mempengaruhi data
yang "membingungkan" metode peramalan dan mengakibatkan hilangnya akurasi.

3. Jenis product
Salah satu faktor utama yang mempengaruhi akurasi ramalan adalah stabilitas historis dari suatu produk. Perkiraan produk tidak stabil
tidak akurat. Stabilitas dapat diukur dengan banyak cara, yg paling sederhana adalah penilaian penilaian yg berasal dari pemeriksaan
diagram pencar penjualan historis. Metode yang lebih formal untuk menilai stabilitas juga tersedia, termasuk autokorelasi dan analisis "
berjalan". Penjualan juga dapat diklasifikasikan sebagai penjualan barang tahan lama atau tidak tahan lama, tetapi tidak jelas jenis
penjualan mana yang lebih dapat diterima untuk prakiraan ekstrapolasi. Namun barang tahan lama tunduk pada volatilitas dan pola
permintaan yang tidak menentu.

4. Waktu yang dimaksudkan untuk dicakup oleh perkiraan penjualan

Memprediksi penjualan minggu depan atau mencoba memperkirakan apa yang akan terjadi pada ukuran keseluruhan pasar dalam
lima tahun ke depan.

5. Posisi produk dalam siklus hidupnya

Peramalan produk pada tahap "perkenalan" dari siklus hidup produk, lebih sedikit data dan informasi penjualan mungkin tersedia untuk
produk pada tahap "kematangan“ ketika deret waktu dapat menjadi metode peramalan yang berguna.
Forecasting : Metode dan Teknik
Metode peramalan (forecasting method) adalah alat yang digunakan untuk mengumpulkan dan mengevaluasi data yang
relevan untuk jenis prakira/ramalan. Metode peramalan bisnis terbagi dalam dua kategori utama: metode peramalan kualitatif
dan kuantitatif. Metode-metode ini adalah langkah-langkah spesifik yang diambil untuk membangun data masa depan yang
ingin digunakan.

Qualitative Methods Quantitative Methods

1. Characteristics Berdasarkan penilaian manusia, pendapat; Berdasarkan matematika; bersifat kuantitatif
subjektif dan nonmatematis
2. Strenghts Dapat menggabungkan perubahan terbaru Konsisten dan objektif; mampu mempertim
dalam lingkungan dan “informasi orang bangkan banyak informasi dan data pada
dalam”. satu waktu
3. Weaknesses Dapat membiaskan prakiraan dan Seringkali data yang dapat diukur tidak
mengurangi akurasi prakiraan tersedia. Hanya sebagus data yang menjadi
dasarnya.

Forecasting
Methods

Qualitative Quantitative
Methods Methods

Jury of Executive
Historical Time Series
Personal Insight Opinion /Panel Delphi Method Market Survey Causal Methods
Analogy Methods
Method
Forecasting : Metode Kualitatif
Metode peramalan kualitatif, sering disebut metode penilaian atau pendekatan nonstatistik, adalah metode
di mana peramalan dibuat secara subjektif oleh peramal. Pendekatan ini sangat bergantung pada
pendapat ahli dan penilaian intuitif peramal. Pendekatan kualitatif diadopsi ketika data historis langka.

Metode kualitatif mengacu pada metodologi yang bergantung pada pendekatan yang sangat subjektif untuk
peramalan. Meskipun bernilai bagi peramal, metode kualitatif tidak memiliki kemampuan untuk
distandarisasi dalam jenis peramalan yang mereka berikan. Ketergantungan yang besar pada penilaian
peramal dianggap sebagai kelemahan pendekatan ini. Karena ketergantungannya pada penilaian "para ahli
", dan sifat intuitif metode kualitatif, metode ini hampir tidak berkembang sebaik rekan kuantitatifnya.

Ada banyak jenis metode peramalan kualitatif, beberapa informal dan beberapa terstruktur. Terlepas dari
seberapa terstruktur prosesnya, ingatlah bahwa model ini didasarkan pada opini subjektif dan tidak bersifat
matematis. Beberapa metode kualitatif umum ditunjukkan dalam gambar berikut ini.

Forecasting
Methods

Qualitative Quantitative
Methods Methods

Jury of Executive
Personal Insight Opinion/Panel Delphi Method Market Survey Historical Analogy
Method
Forecasting : Metode Kualitatif
 Personal Insight
Metode peramalan yang sangat sederhana dan sudah ditinggalkan oleh perusahaan-perusahaan besar. Metode ini digunakan
dengan berdiskusi atau melihat referensi dari orang-orang yang berpengalaman dan ahli di bidangnya. Misalnya melalui jurnal,
artikel, wawancara, mentoring, atau sumber personal lainnya yang bisa menjadi acuan forecasting.

 Jury of Executive Opinion/Panel Method

Untuk melakukan metode ini caranya dengan meminta opini atau pendapat dari kelompok kecil yang terdiri atas manajer pemasaran,
manajer produksi, manajer teknik, manajer keuangan dan manajer logistik dan hasilnya kemudian digabungkan dengan model statistik.
Metode ini sering digunakan untuk peramalan strategis atau peramalan keberhasilan produk atau layanan baru. Terkadang dapat
digunakan untuk mengubah perkiraan yang ada untuk memperhitungkan kejadian yang tidak biasa, seperti siklus bisnis yang tidak
biasa atau persaingan yang tidak terduga. Meskipun manajer dapat memberikan wawasan yang baik untuk ramalan, metode ini
memiliki sejumlah kelemahan. Seringkali pendapat satu orang dapat mendominasi ramalan jika orang tersebut memiliki kekuatan
lebih dari anggota kelompok yang lain atau sangat mendominasi.

 Delphi Method
Metode peramalan yang bertujuan untuk mencapai konsensus di antara sekelompok ahli sambil mempertahankan anonimitas (tanpa
nama) mereka. Peneliti mengumpulkan panel ahli di bidang yang dipilih. Para ahli ini tidak harus berada di fasilitas yang sama atau
bahkan di negara yang sama. Mereka tidak tahu siapa panelis lainnya. Prosesnya melibatkan pengiriman kuesioner kepada panelis,
kemudian meringkas temuan dan mengirimkan kuesioner terbaru yang menggabungkan temuan. Proses ini terus berlanjut sampai
konsensus tercapai. Tugas peneliti adalah mengidentifikasi apa yang disepakati para ahli dan menggunakannya sebagai ramalan.
Metode ini memiliki keuntungan karena tidak membiarkan siapa pun mendominasi konsensus, dan telah terbukti berhasil dengan baik.
Meskipun membutuhkan banyak waktu, telah terbukti menjadi metode yang sangat baik untuk meramalkan permintaan produk
jangka panjang, perubahan teknologi, dan kemajuan ilmiah dalam kedokteran.

 Market Survey
Pendekatan yang menggunakan survei dan wawancara untuk menentukan suka, tidak suka, dan preferensi pelanggan dan untuk
mengidentifikasi ide produk baru. Biasanya, perusahaan menyewa perusahaan pemasaran luar untuk melakukan studi riset pasar.
Riset pasar dapat menjadi penentu preferensi pelanggan yang baik. Namun, ia memiliki sejumlah kekurangan. Salah satu yang paling
umum berkaitan dengan bagaimana pertanyaan survei dirancang.

 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, walaupun tidak dapat dikatakan sama
dengan produk yang baru akan diluncurkan.
Forecasting : Metode Kuantitatif
Metode peramalan kuantitatif, di sisi lain, didasarkan pada pemodelan matematika. Karena bersifat matematis, metode ini
konsisten. Model yang sama akan menghasilkan perkiraan yang sama persis dari kumpulan data yang sama setiap saat.
Metode ini juga objektif. Mereka tidak menderita bias yang ditemukan dalam peramalan kualitatif. Akhirnya, metode ini dapat
mempertimbangkan banyak informasi sekaligus. Karena orang memiliki kemampuan pemrosesan informasi yang terbatas dan
dapat dengan mudah mengalami kelebihan informasi, mereka tidak dapat bersaing dengan perkiraan yang dihasilkan secara
matematis di bidang ini.

Forecasting
Methods

Qualitative Quantitative
Methods Methods

Causal Time Series

Methods Methods

Free-hand Moving Exponential Trend(Autoregressive

Auto- Box-Jenkins
Integrated Moving Average)
Regression Input-Output Econometric
Method Average Smoothing Projection regresssive (ARIMA)

Metode kausal (causal/explanatory), mengasumsikan variabel yang diramalkan menunjukkan adanya hubungan sebab
akibat dengan satu atau beberapa variabel bebas (independent variable). Merupakan metode peramalan yang didasarkan
kepada hubungan antara variabel yang diperkirakan dengan variabel alin yang mempengaruhinya tetapi bukan waktu.

Metode deret waktu (time series), metode yang dipergunakan untuk menganalisis serangkaian data yang merupakan
fungsi dari waktu,
Forecasting : Metode Kuantitatif
Metode peramalan kausal (causal/explanatory method) mengembangkan suatu Forecasting
model sebab-akibat antara permintaan yang diramalkan dengan variable-variabel lain Methods
yang dianggap berpengaruh. Sebagai contoh, permintaan akan baju baru mungkin
berhubungan dengan banyak-nya populasi, pendapat masyarakat, jenis kelamin, Quantitative
budaya daerah, dan bulan-bulan khusus (hari raya, natal, tahun baru). Data dari Methods
variable-variabel tersebut dikumpulkan dan dianalisa untuk menentukan kevaliditasan
dari model peramalan yg diusulkan. Causal Time Series
Metode ini dipakai untuk kondisi dimana variable penyebab terjadinya item yang akan Methods Methods
diramalkan sudah diketahui. Dengan adanya hubungan tersebut, output dpt diketahui
jika input diketahui.
Regression Input-Output Econometric

 Regression
Metoda regresi dan korelasi pada penetapan suatu persamaan estimasi menggunakan teknik “least squares”. Hubungan yang ada
pertama-tama dianalisis secara statistik. Ketepatan peramalan dengan menggunakan metode ini sangat baik untuk peramalan jangka
pendek, sedangkan untuk peramalan jangka panjang ternyata ketepatannya kurang begitu baik. Metode ini banyak digunakan untuk
peramalan penjualan, perencanaan keuntungan, peramalan permintaan dan permalan keadaan ekonomi. Data yang dibutuhkan untuk
penggunaan metode ini adalah data kuartalan dari beberapa tahun lalu.

 Input-Output
Metoda ini dipergunakan untuk menyusun proyeksi trend ekonomi jangka panjang. Model ini kurang baik ketepatannya untuk
peramalan jangka panjang. Model ini banyak dipergunakan untuk peramalan penjualan perusahaan, penjualan sektor industri dan
sub-sektor industri, produksi dari sektor dan sub sektor industri. Data yang dibutuhkan untuk penggunaan metode atau model ini
adalah data tahunan selama sekitar sepuluh sampai lima belas tahun.

 Economentric
Metode ini didasarkan atas peramalan sistem persamaan regresi yang diestimasikan secara simultan. Baik untuk peramalan jangka
pendek maupun peramalan jangka panjang, ketepatan peramalan dengan metode ini sangat baik. Metode peramalan ini selalu
dipergunakan untuk peramalan penjualan menurut kelas produk, atau peramalan keadaan ekonomi masyarakat, seperti permintaan,
harga dan penawaran. Data yang dibutuhkan untuk penggunaan metode peramalan ini adalah data kuartalan beberapa tahun.
Forecasting : Metode Kuantitatif
Metode deret waktu (time-series methods) mengasumsikan bahwa semua informasi yang diperlukan untuk menghasilkan
ramalan terkandung dalam deret waktu data. Deret waktu adalah serangkaian pengamatan yang dilakukan secara berkala selama
periode waktu tertentu. Misalnya, jika akan memperkirakan penjualan triwulanan perusahaan dan telah mengumpulkan data
penjualan triwulanan selama lima tahun, maka akan memiliki deret waktu. Analisis deret waktu mengasumsikan bahwa kita dapat
menghasilkan perkiraan berdasarkan pola dalam data. Sebagai peramal, akan mencari pola seperti tren, musiman, dan siklus dan
menggunakan informasi itu untuk menghasilkan perkiraan.

Model deret waktu umumnya lebih mudah digunakan daripada model kausal. Model kausal bisa sangat kompleks, terutama jika
mereka mempertimbangkan hubungan di antara banyak variabel. Namun, model deret waktu seringkali sama akuratnya dan
memiliki keunggulan kesederhanaan. Mereka mudah digunakan dan dapat menghasilkan perkiraan lebih cepat daripada model
kausal, yang membutuhkan pembuatan model

Forecasting
Methods

Quantitative
Methods

Time Series
Causal Methods
Methods

Free-hand Exponential Box-Jenkins

Moving Average Trend Projection Auto-regresssive
Method Smoothing (ARIMA)
Free-hand Method
Sales Trend
6,000

5,000

4,000

3,000

2,000 y = 110.64x + 3301.7

R² = 0.8928
1,000

-
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18

Dalam metode ini kita menggambar data deret waktu yang di

berikan pada kertas grafik, kemudian kita menggambar garis
tren tangan bebas melalui grafik yang diplot sesuai dengan
tren grafik. Kemudian kita membaca nilai tren dari garis tren
tangan bebas ini.
Moving Average – 4 quarter
 Rata-rata bergerak yang berbeda menghasilkan perkiraan yg berbeda.
 Semakin besar jumlah periode dalam rata-rata bergerak, semakin besar
efek pemulusan (smoothing effect).
 Jika tren yg mendasari data masa lalu dianggap cukup konstan dengan
keacakan substansial, maka lebih banyak periode harus dipilih.
 Atau, jika ada beberapa perubahan dlm keadaan data yg mendasarinya,
lebih banyak respons diperlukan, oleh karena itu lebih sedikit periode
yang harus dimasukkan dalam rata-rata bergerak.

Y5 =

, , , ,
Y5 =
Exponential Smoothing
Exponential Smoothing adalah yang paling banyak digunakan dari semua teknik
peramalan. Ini adalah bagian integral dari hampir semua program peramalan
terkomputerisasi, dan ini banyak digunakan dalam memesan inventaris di
perusahaan ritel, perusahaan grosir, dan agen layanan. Teknik pemulusan
eksponensial telah diterima dengan baik karena enam alasan utama:
1. Model eksponensial sangat akurat
2. Merumuskan model eksponensial relatif mudah
3. Pengguna dapat memahami cara kerja model
4. Sedikit komputasi diperlukan untuk menggunakan model
5. Kebutuhan penyimpanan komputer kecil karena penggunaan data historis yg
terbatas
6. Tes untuk akurasi seberapa baik kinerja model mudah dihitung
Dalam metode pemulusan eksponensial, hanya tiga bagian data yang diperlukan
untuk meramalkan masa depan: peramalan terbaru, permintaan aktual yg terjadi
untuk periode peramalan itu, dan konstanta pemulusan alfa (α). Konstanta
pemulusan ini menentukan tingkat pemulusan dan kecepatan reaksi terhadap
perbedaan antara prakiraan dan kejadian aktual. Nilai konstanta ditentukan baik
oleh sifat produk dan oleh perasaan manajer tentang apa yang merupakan tingkat
respons yang baik.

Ŷ20 = 0.1 (4,495) + (1-0.1) * 4,545

Trend Projection

, , . ( . )
b= = 110.64
, .

a = 4,352.83 − 110.64 (9.5) = 3,301.75

Yt = 𝟑, 𝟑𝟎𝟏. 𝟕𝟓 + 𝟏𝟏𝟎. 𝟔𝟒 X

∑ 𝑥2 = 2,109 Y19 = 3,301.75 + 110.64 (19)

𝑦 = 4,352.83
𝑥̅ = 9.5 ∑ 𝑥𝑦 = 797,940
Trend Projection - Seasonal

x 0.9834
Seasonality Index = Ǭt / y
Autoregressive

Yt = 𝟔𝟕𝟗. 𝟎𝟒𝟔𝟐 + 𝟎. 𝟖𝟔𝟐𝟏𝟓𝟔 Y(1-t)

Y19 = 679.0462 + 0.862156 (4,784)

Box-Jenkins (ARIMA)
Ada beberapa alasan mengapa menggunakan metode Box-Jenkins untuk peramalan:
1. Pertama, metodologi ini mampu menangkap segudang pola data.
2. Diberi satu set data, model "terbaik" dapat diidentifikasi.
3. Pendekatan peramalan ini dapat menangani pola data yang kompleks, menggunakan aturan yang relatif spesifik.
4. Keandalan prakiraan dapat diuji melalui pengukuran statistik.
5. Perbedaan yang signifikan dari metodologi Box-Jenkins (B/J) adalah tidak membuat asumsi tentang jumlah
istilah yang digunakan dalam model atau bobot relatif yang diberikan kepada mereka.

Saat menggunakan model B/J, analis memilih model yang sesuai berdasarkan kriteria yang ditetapkan, termasuk
jumlah istilah; kemudian program perangkat lunak (Minitab, SAS, atau SPSS) menghitung koefisien menggunakan
metode kuadrat terkecil nonlinier. Prakiraan untuk periode mendatang dibuat dengan koefisien yang dihitung.
Akhirnya, interval kepercayaan (confidence intervals) untuk perkiraan mudah dibangun.

Keterbatasan yang terkait dengan metode peramalan ini berkaitan dengan sifat metodologi yg kompleks dan biaya
yang terkait. Karena metodologi berurusan dengan kondisi yang jauh lebih umum, jauh lebih sulit untuk memahami
dasar-dasar pendekatan dan bagaimana metode tersebut dapat diterapkan. Biaya yang lebih tinggi terkait dengan
penggunaan pendekatan ini sebanding dengan akurasi perkiraan yg lebih besar.

Model Box–Jenkins diklasifikasikan sebagai model autoregressive (AR), model rata-rata bergerak (MA), atau
kombinasi keduanya, diberi label sebagai model rata-rata bergerak terintegrasi autoregresif (ARIMA). Notasi
yang digunakan dalam membangunnya adalah notasi standar mengidentifikasi urutan autoregression dengan p, inte
grasi atau differencing dengan d, dan moving average dengan q. Jadi, model ARIMA dapat dilihat sebagai:
Summary
Peramalan berdampak tidak hanya pada fungsi bisnis lainnya tetapi juga semua keputusan operasi lainnya.
Manajer operasi membuat banyak peramalan, seperti permintaan yang diharapkan untuk produk perusahaan. Juga,
sebuah perusahaan menggunakan peramalan untuk menentukan kebutuhan ruang di masa depan, kebutuhan
kapasitas dan lokasi, dan jumlah tenaga kerja yg dibutuhkan. Peramalan mendorong keputusan operasi strategis,
seperti pilihan prioritas kompetitif, perubahan dalam proses, dan pembelian teknologi besar.

Dalam organisasi bisnis, peramalan dibuat di hampir setiap fungsi dan di setiap tingkat organisasi. Anggaran
ditetapkan, sumber daya dialokasikan, dan jadwal dibuat berdasarkan peramalan. Tanpa ramalan masa depan,
sebuah perusahaan tidak akan bisa membuat rencana apapun, termasuk rencana sehari-hari dan jangka panjang.

Marketing sangat bergantung pada alat peramalan untuk menghasilkan peramalan permintaan dan penjualan di
masa depan. Namun, departemen pemasaran juga perlu memperkirakan ukuran pasar, persaingan baru, tren masa
depan, dan perubahan preferensi konsumen. Sebagian besar metode peramalan yang dibahas digunakan oleh
pemasaran. Pemasaran sering bekerja dalam hubungannya dengan operasi untuk menilai tuntutan masa depan.

Finance menggunakan alat peramalan untuk memprediksi harga saham, kinerja keuangan, kebutuhan investasi
modal, dan pengembalian portofolio investasi. Keakuratan perkiraan permintaan, pada gilirannya, mempengaruhi
kemampuan keuangan untuk merencanakan arus kas masa depan dan kebutuhan keuangan.

Information System memainkan peran penting dalam proses peramalan. Peramalan hari ini membutuhkan berbagi
informasi dan database tidak hanya dalam bisnis tetapi juga antara entitas bisnis. Seringkali perusahaan berbagi
informasi perkiraan atau permintaan mereka dengan pemasok mereka. Kemampuan ini tidak akan mungkin terjadi
tanpa sistem informasi yang up-to-date.

Human Resources bergantung pada peramalan untuk menentukan persyaratan perekrutan di masa depan. Selain
itu, peramalan dibuat dari pasar kerja, ketersediaan keterampilan tenaga kerja, upah dan kompensasi di masa
depan, biaya perekrutan dan pemberhentian, dan biaya pelatihan. Untuk merekrut bakat yang tepat, perlu untuk
memperkirakan kebutuhan dan ketersediaan tenaga kerja.
TERIMA KASIH