Bisnis Peramalan

Kegiatan ini mencakup penggunaan data historis dengan memproyeksikannya untuk masa depan yang menggunakan jenis model matematis. Beberapa jenis peramalan dapat bersifat jangka panjang (beberapa tahun atau lebih) dan jangka pendek (beberapa minggu atau bulan). Kebanyakan peramalan memanfaatkan analsis terhadap fenomena yang berulang atau tren. Umumnya dalam bisnis, peramalan dijadikan dasar untuk penyusunan anggaran atau budget, perencanaan kapasitas, perencanaan penjualan, produksi dan inventori, perencanaan personalia serta perencanaan pembelian.

Peramalan diklasifikasikan berdasarkan cakupan lamanya atau horizon waktu kedepan. Umumnya horizon waktu ke depan dibedakan menjadi tiga kategori, yaitu:

• Peramalan jangka pendek. Peramalan ini mencakup jarak waktu dari tiga bulan hingga satu tahun. Peramalan jangka pendek digunakan dalam penyusunan pembelian, penjadwalan tugas pekerjaan (job scheduling), penetapan tingkat tenaga kerja (workforce levels), pemberian tugas (job assignment), dan tingkat produksi (production levels).
• Peramalan jangka menengah. Peramalan ini memiliki jarak waktu satu hingga tiga tahun. Peramalan jangka menengah digunakan dalam penyusunan rencana penjualan, perencanaan produksi, dan budgeting atau pengganggaran yang meliputi anggaran kas dan analisis berbagai rencana produksi.
• Peramalan jangka panjang, mencakup jarak watu tiga tahun atau lebih. Peramalan jangka panjang digunakan untuk produk baru, anggaran pengeluatan modal (capital expenditure), perencanaan lokasi fasilitas ekspansi, serat penelitian dan pengembangan (research and development).

Metode peramalan secara umum terbagi menjadi dua, kualitatif dan kuantitatif. Metode peramalan kualitatif memanfaatkan data yang bersifat kualitatif berupa survei pasar konsumen, mengumpulkan pendapat tenaga penjual atau para pakar, dan pendapat suatu organisasi. Metode ini digunakan untuk memprediksi permintaan produk baru sehingga belum memiliki data aktual masa lalu. Metode peramalan kuantitatif memanfaatkan data aktual masa lalu yang diproses berdasarkan ilmu statistik. Menurut Assauri (2016) terdapat lima metode peramalan kuantitatif yang hampir keseluruhannya menggunakan data historis atau deret waktu (time series), diantaranya adalah; Pendekatan Naïf (Naïve Approach), Metode Rata-rata Bergerak (Moving Average), Exponential Smoothing, Proyeksi Tren (Trend Projection), dan Regresi Linier (Linear Regression).

Naïve Approach

Dasar perhitungan Pendekatan Naïf berdasarkan pernyataan bahwa peramalan untuk suatu periode nilai besaranya adalah sama dengan nilai aktual pada periode sebelumnya. Pendekatan Naif dapat digunakan dalam peramalan dengan suatu deret data waktu yang dianggap stabil, yang mana variasinya berada di sekitar rata-rata dengan variasi musim atau dengan tren. Apabila deret data stabil, maka titik data terakhir dapat mejadi nilai peramalan periode berikutnya.

Metode Rata-rata Bergerak (Moving Average)

Metode rata-rata bergerak merupakan metode pengembangan dari pendekatan naïf yang hanya menelusuri data aktual yang tertinggal terakhir satu periode dan tidak membuat mulus (smooth) data keseluruhan. Metode ini menggunakan rata-rata dari n periode yang baru dari data masa lalu, dan digunakan untuk menetapkan peramalan periode berikutnya. metode rata-rata bergerak dapat berfungsi dengan mengasumsikan bahwa permintaan pasar akan tetap selama waktu yang diperkirakan. Metode peramalan rata-rata bergerak dapat dihitung menggunakan persamaan:

${\displaystyle F_{t}=MA_{n}{\frac {\textstyle \sum _{t=1}^{N}A_{t-1}\displaystyle }{n}}={\frac {A_{t-n}+...+A_{t-2}+A_{t-1}}{n}}}$ 

dimana:

${\displaystyle F_{t}}$  = ramalan untuk periode waktu t

${\displaystyle MA_{n}}$  = periode n rata-rata bergerak

${\displaystyle A_{t=1}}$  = nilai aktual pada periode t-1

${\displaystyle n}$  = jumlah dari periode (titik data) dalam rata-rata bergerak

Metode Exponential Smoothing

Metode exponential smoothing menggunakan catatan data masa lalu yang lebih ssedikit. Dengan metode peramalan ini, setiap peramalan yang baru didasarkan pada peramalan yang lalu dengan menambahkan perbedaan di antara nilai peramalan dan nilai aktual dari data pada titik tersebut. Rumus dasar metode peramalan exponential smoothing adalah:

${\displaystyle F_{t}=F_{t-1}+\alpha (A_{t-1}-F_{t-1})}$ 

dimana:

${\displaystyle F_{t}}$  = peramalan untuk periode t

${\displaystyle F_{t-1}}$  = peramalan periode sebelumnya (periode t-1)

${\displaystyle A_{t-1}}$  = permintaan atau penjualan aktual periode sebelumnya

${\displaystyle \alpha }$  = kosntanta smoothing atau weighting yaitu 0 < α < 1

Niali konstanta smoothing yaitu α merupakan nilai kesalahan ramalan atau forecast error. Setiap niali peramalan adalah sama dengan peramalan terdahulu ditambah suatu persentase dari kesalahan atau error terdahulu. Sehingga apola ramalannya adalah sebesar estimasi permintaan terakhir sama dengan estimasi lama yang disesuaikan dengan suatu pecahan dari perbedaan di antara permintaan aktual periode terakhir dan estimasi lama.

Akurasi dari peramalan menjadi faktor penting karena akan dapat memandu keberhasilan aktivitas sehari-hari dari setiap organisasi bisnis. Keakurasian peramalan akan mengarahkan terdapatnya keakuratan jumlah dan jadwal waktu kebutuhan sumber-sumber daya. Nilai dari akurasi peramalan didapat berdasarkan pada tingkat kesalahan historis dari performansi suatu peramalan. Dengan kata lain, nilai kesalahan (error) adalah = Aktual - Ramalan, atau secara matematis dapat ditulis sebagai berikut:

${\displaystyle e_{t}=A_{t}-F_{t}}$