Forecasting/Peramalan : Pengertian, Faktor, Metode, Langkah, dsb

Forecasting atau peramalan merupakan salah satu kegiatan krusial dari fungsi manajemen yang paling pertama, yakni planning atau perencanaan. Seperti yang diungkapkan oleh Firmansyah & Mahardhika (2018, hlm. 41) bahwa meramalkan (forecasting) merupakan pekerjaan yang dilakukan oleh seorang manajer dalam memperkirakan waktu yang akan datang dengan cara melihat keadaan yang akan datang atas dasar sistematis dan kontinu serta berdasarkan di mana ia bekerja.

Beberapa jenis usaha dapat amat sangat bergantung pada forecasting, seperti bagaimana banyak meja, lokasi, dan arus pengunjung sangatlah menentukan suatu restoran agar mampu bertahan dalam beberapa waktu. Tanpa peramalan yang memungkinkan, suatu franchise makanan tidak akan berani mengambil risiko jika jumlah meja yang implikasinya adalah jumlah pengunjung tidak dapat dihitung prakirannya sebelum gerai mulai dibuka.

Dari sisi manajemen, jelas bahwa forecasting merupakan tahap awal dalam fungsi awal manajemen pula yang dapat mulai mengayuh roda organisasi. Dengan demikian, peramalan merupakan hal yang tidak akan dapat dilewati untuk memulai suatu perusahaan atau bisnis. Berikut adalah berbagai uraian mengenai forecasting, mulai dari definisi, hingga ke langkah-langkah yang dapat dilakukan untuk memulainya.

Pengertian Forecasting

Menurut Stevenson (2018, hlm. 72) forecasting atau peramalan adalah masukan atau input dasar dalam proses pengambilan keputusan dari manajemen, karena peramalan memberikan informasi dalam permintaan di masa yang akan datang. Misalnya, suatu perusahaan yang bergerak di bidang industri harus mengadakan forescasting tentang penjualan hasil produksinya dengan memperhatikan jumlah penduduk pada daerah penjualan, income per kapita anggota masyarakat, kebiasaan membeli dan lain sebagainya.

Sementara itu, Firmansyah & Mahardhika (2018, hlm. 10) forecasting adalah kegiatan meramalkan, memproyeksikan atau mengadakan taksiran terhadap berbagai kemungkinan yang akan terjadi sebelum suatu rencana yang lebih pasti dapat dilakukan. Dengan demikian, sederhana forecasting adalah meramalkan dan memproyeksikan terhadap kemungkinan yang akan terjadi sebelum suatu rencana akan dilakukan, baik kemungkinan penjualan, pendapatan, keberhasilan, dsb.

Selanjutnya, menurut Assauri (2017) forecasting atau prakiraan pada dasarnya merupakan suatu dugaan atau prediksi mengenai terjadinya suatu kejadian atau peristiwa di masa yang akan datang. Forecasting atau peramalan ini juga biasa disebut juga dengan peramalan yang ilmiah, karena dilakukan berdasarkan metode-metode yang saintifik.

Lebih lanjut Nasution dan Prasetyawan (2008) menjelaskan bahwa peramalan adalah proses untuk memperkirakan kebutuhan dimasa yang akan datang meliputi kebutuhan dalam ukuran kuantitas, kualitas, waktu, dan lokasi yang dibutuhkan dalam rangka memenuhi permintaan barang atau jasa (Nasution dan Prasetyawan, 2008).

Dapat disimpulkan bahwa peramalan adalah proses untuk memperkirakan berbagai hal di masa yang akan datang dengan menggunakan data di masa lalu yang dapat memberikan hasil peramalan yang dipercaya ketetapannya menggunakan metode-metode ilmiah yang bertujuan untuk membantu proses perencanaan dan meminimalkan risiko kesalahan.

Faktor-Faktor dalam Forecasting

Forecasting atau peramalan merupakan prediksi nilai-nilai sebuah variabel berdasarkan kepada nilai yang diketahui dari variabel tersebut atau variabel yang berhubungan, dan beberapa faktor umum lingkungan yang mempengaruhi peramalan adalah sebagai berikut.

1. Kondisi umum bisnis dan ekonomi Hal ini berkaitan dengan perkembangan bisnis dan ekonomi secara global.
2. Reaksi dan tindakan pesaing Kita dapat memperhatikan segala reaksi dan tindakan pesaing agar pola peramalan yang ditetapkan dapat mengimbangi pesaing tersebut.
3. Tindakan pemerintah secara makro ekonomi mengakibatkan pola peramalan dapat berubah (Makridakis dkk, 2003, hlm. 24).

Jenis Peramalan

Peramalan dapat diklasifikasi berdasarkan pada jangka waktu atau jangkauan horizon waktu yang digunakan. Menurut Heizer & Render (2017, hlm. 114) 3 jenis peramalan berdasarkan rentang waktu atau jangkauan horizon waktunya adalah sebagai berikut.

1. Peramalan jangka pendek, yakni peramalan yang hanya mempunyai rentang waktu sampai dengan 1 tahun, tetapi pada umumnya kurang dari 4 bulan.
2. Peramalan jangka menengah, merupakan peramalan yang memiliki rentang waktu dengan hitungan bulanan hingga 3 tahun.
3. Peramalan jangka Panjang, yakni peramalan yang mempunya rentang waktu 3 tahun atau lebih.

Sementara itu, menurut Heizer & Render (2017 jenis forecasting juga dapat dibedakan menjadi 3 macam, yakni sebagai berikut.

1. Peramalan ekonomi (economic forecast)
   menjelaskan siklus bisnis dengan memprediksi tingkat inflasi, ketersediaan uang, dana yang dibutuhkan untuk membangun perumahan dan indikator perencanaan lainnya.
2. Peramalan teknologi (technological forecast)
   merupakan forecasting yang memperhatikan tingkat kemajuan teknologi yang dapat meluncurkan produk baru yang menarik, yang membutuhkan pabrik dan peralatan baru.
3. Peramalan permintaan (demand forecast)
   adalah prediksi dari proyeksi permintaan untuk produk atau layanan suatu perusahaan.

Sifat Hasil Peramalan

Forecasting atau peramalan tidak harus selalu 100% akurat, karena kesalahan merupakan salah satu dari sifat dasarnya. Namun hal tersebut tetap tidak mengurangi manfaat dan fungsi yang dapat dilakukan oleh kegiatan ini. Asalkan, saat  membuat peramalan atau menerapkan suatu peramalan, kita harus mempertimbangkan berbagai hal berikut ini.

1. Peramalan pasti mengandung kesalahan.
   Artinya peramal hanya bisa mengurangi ketidakpastian yang akan terjadi, tetapi tidak dapat menghilangkan ketidakpastian tersebut. Pengurangan ketidakpastian tersebut adalah value yang sangat tinggi dalam perencanaan dan berimbas pada seluruh kelancaran fungsi manajemen secara keseluruhan.
2. Peramalan seharusnya memberikan informasi tentang beberapa ukuran kesalahan.
   Oleh karena forecasting pasti mengandung kesalahan, maka adalah penting bagi peramal untuk menginformasikan seberapa besar kesalahan yang mungkin terjadi.
3. Peramalan jangka pendek lebih akurat dibandingkan peramalan jangka panjang.
   Hal ini disebabkan karena pada peramalan jangka pendek, faktor-faktor yang mempengaruhi permintaan relatif masih konstan sedangkan masih panjang periode peramalan, maka semakin besar pula kemungkinan terjadinya perubahan faktor-faktor yang mempengaruhi permintaan.

Metode Forecasting

Metode peramalan dapat diklasifikasikan mnejadi dua kelompok besar, yaitu metode kualitatif dan kuantitatif. Namun demikian, dalam forecasting, kedua kelompok tersebut memberikan hasil peramalan yang kuantitatif. Perbedaannya terletak pada cara peramalan yang dilakukan. Untuk lebih jelasnya, berikut adalah penjelasan dari masing-masing jenis metode peramalan.

Metode Forecasting Kualitatif

Metode forecasting kualitatif didasarkan pada pertimbangan akal sehat (human judgement) dan pengalaman. Metode kualitatif pada umumnya digunakan apabila data kuantitatif tentang permintaan masa lalu tidak tersedia atau akurasinya tidak memadai. Misalnya peramalan tentang permintaan produk baru yang akan dikembangkan, jelas data masa lalu tidak tersedia. Walaupun data masa lalu tersedia, kalau kondisi lingkungan masa yang akan datang sama sekali sudah berbeda dengan kondisi masa lalu maka keberadaan data masa lalu itu tidak akan menolong peramalan permintaan masa yang akan datang (Kusuma 2012, hlm 13).

Metode kualitatif atau non statistical method merupakan cara penaksiran yang menitikberatkan pada pendapat seseorang (judgement). Seseorang yang melakukannya adalah instrumen utama dan secara natural harus dilakukan oleh seorang ahli, sehingga penaksirannya juga sering disebut sebagai expert judgement. Dengan demikian, metode peramalan yang bersifat subjektif, karena dipengaruhi oleh faktor-faktor seperti intuisi, emosi, dan pengalaman seseorang. Heizer & Render (2017, hlm. 139) mengklasifikasikan peramalan kualitatif dalam beberapa metode, yakni sebagai berikut.

1. Juri dari opini eksekutif
   Pada metode ini data diperoleh dengan mengambil pendapat dari sekelompok manajer level puncak dan sering kali dikombinasikan dengan model-model statistik untuk menghasilkan estimasi permintaan kelompok.
2. Metode Delphi
   Teknik peramalan dengan menggunakan proses sebelum membuat peramalannya. Dalam metode ini karyawan menggunakan teknik menyebarkan kuesioner kepada para responden dan hasil survei tersebut dijadikan sebagai pengambilan keputusan sebelum peramalan dibuat.
3. Gabungan Tenaga Penjualan
   Dalam pendekatan ini, setiap tenaga penjualan melakukan estimasi jumlah penjualan yang dapat dicapai di wilayahnya. Kemudian ramalan ini dikaji kembali untuk memastikan apakah peramalan cukup realistik dan dikombinasikan pada tingkat wilayah dan nasional untuk memperoleh peramalan secara menyeluruh.
4. Survei Pasar Konsumen
   Metode ini meminta masukan dari konsumen mengenai rencana pembelian mereka di masa depan. Survei konsumen ini dapat dilakukan melalui percakapan informal dengan para konsumen.

Metode Forecasting Kuantitatif

Heizer & Render (2017, hlm. 139) menjelaskan bahwa metode forecast kuantitatif dilakukan dengan menggunakan model matematis yang beragam dengan data historis yang terkait dengan peramalan dan variabel sebab akibat untuk meramalkan permintaan. Metode peramalan kuantitatif dibagi menjadi dua jenis, yaitu Time Series Forecasting dan Associative Forecasting Method yang akan dijelaskan sebagai berikut.

Time Series Forecasting

Metode Time Series Forecasting merupakan analisis deret waktu yang terdiri dari trend, seasonal, cycle, dan random variation. Analisis deret waktu ini sangat tepat dipakai untuk meramalkan permintaan yang pola permintaan di masa lalunya cukup konsisten dan akurat dalam periode waktu yang lama.

Beberapa metode yang dapat digunakan untuk menganalisis data pada Time series forecasting adalah sebagai berikut.

1. Naive Method (pendekatan naif)
   Naive method merupakan teknik peramalan yang mengasumsikan forecast permintaan periode berikutnya sama dengan permintaan pada periode sebelumnya.
2. Moving Average (rata-rata bergerak)
   Moving average merupakan metode peramalan yang menggunakan rata-rata historis aktual dibeberapa periode terakhir untuk peramalan periode berikutnya. Dalam peramalan ini, diasumsikan permintaan pasar tetap stabil.
3. Weighted Moving Averages (rata-rata bergerak dengan bobot)
   Masih menggunakan asumsi dasar moving average, namun dilakukan berdasarkan bobot tertentu. Pemilihan bobot merupakan hal yang tidak pasti karena tidak ada rumus untuk menetapkannya.
4. Exponential Smoothing (pemulusan eksponensial)
   Exponential Smoothing merupakan metode peramalan rata-rata bergerak dengan pembobotan, di mana α adalah sebuah bobot atau konstanta penghalusan yang dipilih oleh peramal yang mempunyai nilai antara 0 dan 1.
5. Exponential Smoothing with Trend Adjusment (Penghalusan Eksponensial dengan Tren)
   Penghalusan eksponensial yang disesuaikan adalah ramalan penghalusan eksponensial sederhana dengan menambahkan dua konstanta penghalusan untuk rata-rata dan β untuk tren.
6. Trend Projection (Proyeksi Tren)
   Metode yang digunakan untuk mencocokkan garis tren pada serangkaian data masa lalu, kemudian memproyeksikan garis pada masa depan untuk peramalan jangka menengah atau jangka panjang.
7. Multiplicative Decomposition (seasonal)
   Metode ini mengasaskan bahwa terdapat perubahan lebar atau tinggi periode musiman dari waktu ke waktu.
8. Additive Decomposition (seasonal)
   Dilakukan dengan mengurangi perkiraan tren dari seri.

Associative Forecasting Method

Jenis kedua dari metode forecasting kuantitatif menurut Heizer & Render (2017, hlm. 158) adalah metode asosiatif atau kausal. Tidak seperti time series forecasting, model peramalan asosiatif mengasumsikan hubungan antara variabel terikat dan beberapa variabel bebas yang terkait dengan peramalan.

Model peramalan asosiatif kuantitatif yang umum digunakan adalah analisis regresi linear. Model sistematis yang digunakan pada analisis regresi linear adalah dengan menggunakan metode kuadrat terkecil dari proyeksi tren yang dilakukan pada analisis regresi linear. Adapun variabel yang terikat untuk dapat melakukan peramalan yang akan tetap sama, yaitu dan variabel bebas adalah x.

Karakteristik Forecasting yang Baik

Peramalan yang baik mempunyai beberapa kriteria yang penting, antara lain akurasi, biaya,dan kemudahan. Penjelasan dari kriteria-kriteria tersebut adalah sebagai berikut.

1. Akurasi
   Akurasi dari suatu hasil peramalan diukur dengan hasil kebiasaan dan konsistensi peramalan tersebut. Hasil peramalan dikatakan bias bila peramalan tersebut terlalu tinggi atau rendah dibandingkan dengan kenyataan yang sebenarnya terjadi. Hasil peramalan dikatakan konsisten bila besarnya kesalahan peramalan relatif kecil.
2. Biaya
   Biaya yang diperlukan dalam pembuatan suatu peramalan adalah tergantung dari jumlah item yang diramalkan, lamanya periode peramalan, dan metode peramalan yang dipakai. Ketiga faktor pemicu biaya tersebut akan mempengaruhi berapa banyak data yang dibutuhkan, bagaimana pengolahan datanya (manual atau komputerisasi), bagaimana penyimpanan datanya dan siapa tenaga ahli yang diperbantukan.
3. Kemudahan
   Penggunaan metode peramalan yang sederhana, mudah dibuat, dan mudah diaplikasikan akan memberikan keuntungan bagi perusahaan. Dengan demikian, adalah hal yang percuma jika forecasting memakai metode yang canggih, tetapi tidak dapat diaplikasikan pada sistem perusahaan karena keterbatasan dana, sumber daya manusia, maupun peralatan teknologi.

Langkah-Langkah Proses Forecasting

Langkah-langkah untuk melakukan kegiatan forecasting atau peramalan menurut Stevenson (2018, hlm. 74) terdapat 6 langkah dasar pada proses peramalan, yakni sebagai berikut.

1. Tentukan tujuan dari permalan. Bagaimana hasilnya akan digunakan dan kapan akan digunakan, langkah ini akan memberikan indikasi akan tingkat detail yang dibutuhkan dalam peramalan, banyaknya sumber daya yang dibutuhkan, dan tingkat akurasi.
2. Menentukan rentang waktu, semakin panjang rentang waktunya maka semakin berkurang akurasi dari permalaan.
3. Pilih teknik/metoda forecasting.
4. Analisa dan rapikan data, karena data yang tidak akurat mengurangi validasi dari hasil peramalan.
5. Buatlah Peramalan.
6. Pantau hasil dari permalan, hasil peramalaan harus diawasi dan dipantau untuk mengetahui apakah performanya memuaskan, jika tidak revisi lagi metode/teknik yang digunakan, uji lagi validitas dari data yang digunakan.

Referensi

1. Assauri, Sofjan. (2017). Manajemen pemasaran. Jakarta: Rajawali Pers.
2. Firmansyah, Anang dan Mahardhika, Budi W. (2018). Pengantar manajemen. Yogyakarta: Penertbit Deepublish.
3. Heizer, J., Render, B. (2017). Manajemen Operasi edisi 11 . Jakarta: Salemba Empat.
4. Kusuma, H., (2012). Manajemen Produksi. Yogyakarta: Penerbit Andi.
5. Makridakis, S., Wheelwright, S.C., McGee, V.E. (2003). Metode dan Aplikasi Peramalan. Jakarta: Binarupa Aksara.
6. Stevenson, W. J. (2018). Operations management. New York: McGraw-Hill Education.