Peramalan
Peramalan merupakan suatu perkiraan kegiatan pada masa yang akan datang. Salah satu syarat utamanya adalah tersedianya data historis / masa lalu yang dapat dipercaya yang digunakan sebagai alat untuk menentukan nilai-nilai fungsi atau persamaan pada peramalan.
Menurut Adam dan Ebert (1992:78),“Managerial economic in Global Economy”, Peramalan adalah :
“ A Forecast is an estimate of a future event achieved by systematically combaining and casting forward in a predetermined way data a bout the past.”
Dan menurut Seetharama L. Narasimhan, Dennis W. Mc. Leavey dan Peter J. Bilington ( 1995:25) adalah :
“ Forecasting is the art of specifying measing full information a bout the future.”
Sedangkan menurut T. Hani Handoko,(1993:223), adalah sebagai berikut :
“Manajemen produksi atau operasi manggunakan peramalan dalam pembuatan keputusan-keputusan yang menyangkut proses, perencenaan kapasitas, dan layout fasilitas serta berbagi keputusan yang bersifat terus-menerus berkenaan dengan perencanaan,schedulling dan persediaan.”
Pada dasarnya setiap perusahaan perlu melakukan peramalan permintaan (demand forcasting), karena setiap keputusan yang diambil saat ini (yang berkaitan dengan kegiatan produksi) akan mempengaruhi keadaan perusahaan di masa yang akan datang. Suatu keputusan yang diambil oleh perusahaan akan selalu melibatkan pihak perusahaan sendiri maupun konsumen dan pasar sebagai faktor eksternal.
1. Tujuan Peramalan
Menurut Dominick Salvatore (1993:168), Tujuan Peramalan adalah sebagai berikut:
“The aim of economic forecasting is to reduce the risk uncertainty that the firm faces in its short term operational decision making and planning for its long term growth.”
Perencanaan produksi yang efektif sangat berguna bagi ketepatan peramalan permintaan sehingga dapat disimpulkan bahwa permintaan peramalan merupakan dasar bagi perencanaan produksi untuk menentukan berapa jumlah produk yang akan diproduksi dan kapan sebaiknya produk tersebut disediakan.
Dalam peramalan terdapat banyak metode yang masing-masing mempunyai karakteristik tersendiri. Namun tidak ada metode yang paling tepat atau metode yang dapat dipakai secara universal untuk seluruh keadaan atau situasi. Juga apabila pola dari permintaan berubah, maka model peramalan yang digunakan harus dievaluasi kembali untuk dilihat apakah model tersebut masih dapat digunakan atau tidak. Pada akhirnya yang menentukan apakah model peramalan baik atau tidak sebenarnya adalah tingkat akurasinya atau berapa selisih hasil peramalan permintaan dengan permintaan aktualnya, tetapi semuanya ini baru dapat dibuktikan di kemudian hari.
Metode peramalan secara umum terbagi ke adalam dua kategori utama, yaitu Metode Peramalan Kuantatif dan Metode Peramalan Kualitatif.
Menurut Jay Heizer dan Barry Render (1986 :161), Metode Peramalan Kuantitatif yang secara garis besar terbagi atas Model Deret Berkala (Time-series Model) dan Model Kausal ( Causal Model), yaitu :
Model Deret Berkala ( Time-series Model) terbagi atas:
- Naïve Approach
- Moving average ( Dekomposisi)
- Exponential Smoting
- Trend Projection.
- Metode Kausal ( Causal Model)
- Linear-Regression Model (Model Regression-linear).
Time-series model membuat prediksi masa yang akan datang dengan menggunakan data historis, sedangkan Causal model menggabungkan variabel-variabel atau faktor-faktor yang mungkin berpengaruh terhadap kuantitas yang akan diramalkan.
Menurut Nakridakis, Whellwright, dan Mc Gee (1995), “Metode dan Aplikasi Peramalaan “, Penggunaaan Metode Peramalan Kuantitatif dapat dilakukan jika :
- Tersedia informasi tentang masa lalu
- Informasi tersebut dapat di kuantitatifkan dalam bentuk data numerik
- Dapat di asumsikan bahwa beberapa aspek pola masa lalu akan terus berlanjut di masa mendatang.
Sedangkan Metode Peramalan Kualitatif / Judgment Methode menurut Jay Heizer dan Render ( 1996:160) terbagi ke dalam empat teknik peramalan, yaitu :
- Jury of Executive Opinion
- Sales force Composite
- Delphin methode.
- Consumer market survey.
Metode Peramalan Kualitatif dilakukan jika informasi kuantitatif yang dimiliki hanya sedikit atau tidak ada sama sekali, tetapi memiliki pengetahuan kualitatif yang cukup. Metode Peramalan Kuantitatif ini menggabungkan beberapa faktor penting, seperti intuisi, emosi, pengalaman pribadi dan sistem nilai yang dianut pembuat keputusan di dalam membuat peramalan.
Dalam skripsi ini penulis melakukan peramalan secara kuantitatif, yaitu dengan menggunakan metode dekomposisi karena perusahan memiliki data kuantitatif masa lampau dan terdapat beberapa komponen pola yang mendasari data permintaan perusahaan, yaitu adanya faktor trend, siklus dan musiman.
2. Metode Dekomposisi.
Metode ini digunakan oleh para ekonomis dalam usaha untuk mengidentifikasi dan mengontrol siklus bisnis, pada dasarnya metode ini digunakan untuk mengakomodasikan data yang ada pada suatu deret berdasarkan komponen-komponennya. Metode ini mencoba memusatkan 3 komponen terpisah dari pola dasar yang cenderung mencirikan data ekonomis dan bisnis. Komponen tersebut adalah faktor trend ( kecenderungan), Siklus, dan Musiman.
Baca juga; Pengertian dan Teori Lengkap Manajemen Operasional / Produksi
Baca juga; Pengertian dan Teori Lengkap Manajemen Operasional / Produksi
Faktor trend menggambarkan perilaku data dalam jangka panjang dan meningkat, menurun atau tidak berubahnya. Faktor siklus menggambarkan naik / turunnya ekonomi atau industri tertentu dan sering terdapat pada deret data seperti GNP, Indeks produksi industri, penjualan barang industri seperti mobil,harga saham, tingkat obligasi, dan lain-lain.
Metode dekomposisi mempunyai asumsi bahwa data tersusun sebagai berikut:
Data = pola + kesalahan.
= f ( trend, siklus, musiman ) + kesalahan.
Xt = f ( Tt, Ct, It, Et).
Menurut Makridakis, Wheelwright dan McGee terdapat langkah-langkah penggunaan metode dekomposisi (1995:124):
- Pada deret data xt, hitung rata-rata bergerak yang panjangnya (N) = Panjang musiman. Tujuan perataan ini adalah untuk menghilangkan unsur musiman dan kerandoman.
- Pisahkan rata-rata bergerak (N) periode (dari langkah 1) dari deret data xt untuk memperoleh unsur trend dan siklus.
- Pisahkan faktor musiman dengan menghitung rata-rata untuk tiap periode yang menyusun panjang musiman secara lengkap.
- Tentukan bentuk trend yang tepat ( linier, eksponensial, kurva-S, dan lain-lain) dan hitung nilainya untuk setiap periode.
- Pisahkan hasil langkah 4 dari hasil langkah 2 ( gabungan dari trend dan siklus) untuk mendapatkan faktor siklus.
- Pisahkan musiman, trend , dan siklus dari data asli xt untuk mendapatkan unsur ramalan yang ada.
Metode dekomposisi dapat berasumsi pada model aditif atau multiplikatif, atau variasi keduanya. Prosedur dekomposisi yang banyak digunakan adalah Metode Rasio Rata- rata Bergerak, metode ini berasumsi pada model multiplikatif dengan bentuk sebagai berikut :
T = It x Tt x Ct x Et.
Metode ini mula-mula memisahkan unsur trend – siklus dari Xt dengan menghitung rata-rata bergerak yang jumlah unsurnya sama dengan panjang musiman. Rata-rata bergerak dengan panjang seperti ini tidak mengandung pengaruh musiman dan tanpa atau sedikit sekali menghitung unsur random, rata-rata bergerak yang dihasilkan merupakan gabungan unsur trend dan siklus dalam bentuk
0 komentar:
Posting Komentar