Pendahuluan · Web viewBerbagai data komersial yang tersedia, dapat memberikan jumlah pembeli...

MODUL PERKULIAHAN

SALESMANSHIP

PELUANG PASAR DAN PERAMALAN PENJUALAN

Fakultas Program Studi Tatap Muka Kode MK Disusun Oleh

Fakultas Ekonomi dan Bisnis

ProgramManajemen 05 84046 Christina Ariadne Sekar Sari, S.E., M.M

Abstract KompetensiMembahas bagaimana melihat peluang pasar dengan melakukan peramalan penjualan.

Mampu melihat peluang pasar dan meramal permintaan konsumen.

Pendahuluan Ramalan penjualan yang akurat sangat diperlukan sebagai dasar dalam menentukan

tujuan dan pengalokasian sumber daya. Alokasi kegiatan dan sumber daya harus

mengarah langsung dari tujuan ke fungsi penjualan. Alokasi ini pada akhirnya akan

tercermin dalam anggaran penjualan sebagai bagian dari rencana penjualan.

Melihat pentingnya peramalan penjualan, pada sesi ini akan membahas bagaimana

meramalkan penjualan. Sebelum dapat meramalkan penjualan perusahaan, terlebih dahulu

perusahaan harus memprediksi potensi pasar dan potensi penjualan perusahaan. Oleh

karena itu, dalam peramalan penjualan, ketiga jenis ramalan tersebut yaitu (1) potensi

pasar, (2) potensi penjualan perusahaan, dan (3) peramalan penjualan perusahaan, wajib

diukur dengan akurat oleh manajemen penjualan. Dalam sesi ini akan dijelaskan pengertian

dari ketiga jenis ramalan tersebut. Selanjutnya akan dibahas metode-metode yang dapat

digunakan untuk meramalkan penjualan. Terakhir akan dijelaskan bagaimana membuat

anggaran penjualan.

Mengapa Peramalan Penjualan Penting ? Salah satu keberhasilan dalam penjualan adalah mengetahui dimana pelanggan berada

dan mampu untuk memprediksi bagaimana mereka akan membeli. Setiap perusahaan

menyatakan bahwa data potensi penjualan sangat diperlukan untuk mengembangkan

program penjualan, khususnya dalam menetapkan teritori (wilayah), menentukan kuota,

mengembangkan anggaran (budget), dan membandingkan kinerja penjualan tenaga

penjualan per-individu.

Prediksi permintaan yang tidak akurat dapat menimbulkan pengaruh buruk pada

keuntungan. Sebagai contoh : Hewlett-Packard sekali waktu tidak mampu memprediksi

permintaan pelanggan atas bauran produknya dengan tepat untuk dua kwartal. Permintaan

untuk low-end printers dan workstations adalah tinggi dan permintaan untuk commercial

computers adalah rendah. Sebagai akibatnya, pendapatan menjadi lebih rendah 14 persen

dari yang diharapkan. Pasar saham menjadi gempar dengan masalah peramalan Hewlett-

Packard ini dan mengakibatkan saham perusahaan turun 5 persen dalam sehari. Contoh ini

menunjukkan pentingnya kemampuan untuk mengukur besarnya peluang pasar. Terakhir

akan dijelaskan bagaimana membuat anggaran penjualan (Cron & Decarlo, 2010 : 59).

2016 2 Salesmanship

Pusat Bahan Ajar dan eLearningChristina Ariadne Sekar Sari, S.E., M.M http://www.mercubuana.ac.id

http://www.mercubuana.ac.id/

Jenis-jenis Peramalan Ada beberapa jenis ramalan yang dipandang cukup relevan dalam pengambilan

keputusan manajemen penjualan. Salah satu pembagian yang penting adalah ke dalam (1)

potensi pasar, (2) potensi penjualan perusahaan dan (3) peramalan penjualan perusahaan.

Potensi Pasar

Cron & Decaro (2010 : 59) menjelaskan bahwa potensi pasar (market potential) adalah

perkiraan permintaan maksimum dalam periode waktu yang didasarkan pada jumlah

pengguna potensial seperti ditunjukkan pada gambar 4.1. Swastha (2000) mendefinisikan

potensi pasar adalah kemungkinan penjualan total barang dan jasa oleh industri. Dari

kedua definisi tersebut dapat disimpulkan bahwa potensi pasar adalah jumlah permintaan

maksimum yang seharusnya mampu dicapai oleh suatu industri dalam periode waktu

tertentu. Sebagai contoh, potensi pasar Amerika Serikat untuk DVD players dapat

didefinsikan sebagai total jumlah rumah tangga dengan seperangkat televisi berdasarkan

pada pembelian satu unit per keluarga. Sedangkan penjualan aktual lebih rendah dari

potensi penjualan karena butuh waktu untuk meyakinkan orang-orang agar membeli item

seperti DVD players dan karena sejumlah orang tidak dapat menjangkaunya. Tingkat

pembelian industri adalah fungsi dari tingkat harga, kualitas produk keseluruhan,

pengeluaran promosi, dan jumlah toko yang menyediakan produk tersebut.

Gambar 4.1. Hubungan antara Potensi Pasar, Penjualan Industri (Cron & Decarlo, 2010 :

60)

2016 3 Salesmanship



Potensi Penjualan Perusahaan

Potensi penjualan perusahaan adalah porsi (bagian) dari permintaan industri, yang

merupakan jumlah yang perusahaan dapat jual dalam periode waktu dibawah kondisi

optimum (Cron & Decarlo, 2010 : 59). Sedangkan Swastha (2000 : 99) mendefinisikan

potensi penjualan perusahaan adalah kemungkinan penjualan total untuk sebuah

perusahaan (Swastha, 2000 : 99). Dari kedua definisi tersebut, dapat ditegaskan kembali

bahwa potensi penjualan perusahaan adalah jumlah penjualan yang mungkin dapat

dihasilkan perusahaan dalam industri tertentu, yang merupakan porsi penjualan perusahaan

dari keseluruhan penjualan industri. Seperti terlihat pada gambar 4.1, potensi penjualan

perusahaan lebih rendah dari penjualan industri. Rasio dari penjualan perusahaan

terhadap penjualan industri adalah ukuran dari pangsa pasar organisasi. Manajer penjualan

umumnya diminta untuk memperkirakan penjualan saat ini untuk pasar dan potensi

perusahaan untuk produk yang dijualnya. Tugas ini membutuhkan ketangkasan pikiran

karena jumlah pengguna dan tingkat pembelian berubah setiap waktu. Sebagai tambahan,

penurunan harga, promosi industri, dan perubahan kondisi ekonomi dapat juga

mempengaruhi besarnya pasar.

Peramalan Penjualan Perusahaan

Disamping mengukur tingkat permintaan saat ini, manajer penjualan akan diminta juga untuk

meramalkan besarnya penjualan perusahaan di masa mendatang. Prediksi ini dapat

ditunjukkan pada gambar 4.1. Swastha (2000 : 99) mendefinisikan ramalan penjualan

perusahaan adalah estimasi realistis tentang penjualan aktual dalam rupiah atau unit yang

diharapkan akan dicapai perusahaan dalam periode mendatang menurut rencana

pemasaran serta kondisi lingkungan ekstern yang terantisipasi.

Potensi dan ramalan penjualan perusahaan akan berada di bawah potensi pasar dalam

setiap persaingan apapun dan ramalan penjualan perusahaan dapat berada di bawah/lebih

rendah dari potensi penjualan perusahaan. Adanya kelangkaan sumber, ketidakpastian

ekonomi dan sebagainya dapat menghambat perusahaan dalam mencapai potensinya.

Pengukuran potensi pasar menghendaki bahwa pasar itu harus didefinisikan secara jelas

dan perilaku pembelian pasar harus dipahami secara jelas juga. Kemudian, setelah metode

peramalan yang sesuai ditentukan, baru peramalan penjualan perusahaan dapat dilakukan.

Peramalan Potensi

Seluruh estimasi potensi didasarkan pada dua komponen utama : (1) jumlah pengguna yang

mungkin dari produk dan (2) maksimum tingkat pembelian yang diharapkan. Kadang kala

2016 4 Salesmanship



kita dapat memperoleh estimasi jumlah ini dari asosiasi dagang atau asosiasi penelitian

komersial, tetapi sebaiknya anda memliki gambaran potensial berdasarkan pengamatan

anda sendiri, yang diturunkan dari wilayah geografis, industri, dan tipe pelanggan.

Pendekatan awal untuk memperkirakan jumlah pembeli adalah dengan menggunakan

data sekunder. Berbagai data komersial yang tersedia, dapat memberikan jumlah pembeli

potensial, ukuran perusahaan, usia pelanggan, tingkat pendapatan, dan lokasi. Kita juga

dapat mengakses databases potensial melalui jaringan komputer dengan membayar

sejumlah fee. Perusahaan besar seringkali memiliki databases sendiri yang dapat

memberikan informasi potensial.

Tingkat pembelian biasanya berasal dari publikasi organisasi atau pemerintah. Untuk

produk-produk yang sudah ada, untuk mendapatkan besarnya tingkat pembelian kita dapat

menggunakan rasio penjualan saat ini terhadap jumlah rumah tangga atau penjualan per

orang. Data ini dapat diperoleh dari publikasi dagang, atau mereka dapat menghitung

dengan membagi total penjualan industri untuk suatu area dengan jumlah rumah tangga.

Sedangkan untuk produk baru, manajer dapat memperkirakan tingkat konversi dari

pengalaman dengan item-item lain yang sejenis. Contoh : jika produk yang hampir sama

terjual 4 persen dari total jumlah rumah tangga selama tahun pertama, tingkat ini dapat

diterapkan juga untuk memperoleh estimasi permintaan untuk barang dagangan baru.

Contoh :

Duracell adalah divisi Gillette, yang merupakan produsen baterai alkaline yang terbesar di

dunia. Setiap bulan, lima baterai alkaline ukuran standar dikonversi menjadi ribuan stock

keeping unit (SKU) yang dikirim ke pelanggan. Misi peramalan dari Duracell adalah untuk

memberikan manajemen dengan peramalan untuk membantu mempersiapkan strategi dan

menetapkan tujuan. Formula dasar peramalan pada Duracell adalah :

Pengiriman = Pasar Eceran X Pangsa Pasar +/- perubahan dalam persediaan eceran.

Dengan demikian, peramalan adalah fungsi dari besarnya pasar dikali pangsa pasar yang

diantisipasi dengan penyesuaian untuk perubahan persediaan pada pengecer.

Perusahaan menggunakan 6 model statistic untuk menentukan besarnya pasar. Eksekutif

pemasaran memperkirakan pangsa pasar sebagai dasar untuk merencanakan periklanan,

peningkatan produk, strategi distribusi, dan penetapan harga. Perubahan dalam persediaan

eceran adalah paling sulit untuk diestimasi. Duracell menggunakan lima siklus peramalan :

(1) pandangan kompetitif, (2) perencanaan bisnis strategis, (3) perencanaan taktis, (4)

perkiraan terakhir (bulanan), dan (5) manajemen rantai penawaran (mingguan).

Untuk memastikan koordinasi sumber daya, pemasaran, keuangan, dan aktivitas

perencanaan produksi, semua menggunakan peramalan yang sama. Metode peramalan

yang dapat digunakan meliputi judgemental (pendapat ahli), time series (analisis runtut

waktu), dan model kausal. Tidak ada prosedur tunggal yang memenuhi semua kebutuhan

2016 5 Salesmanship



peramalan, maka Duracell harus memilih metode yang terbaik sesuai dengan situasi. Ini

sering kali berarti menggunakan metode naïve yang sederhana untuk peramalan taktis yang

kurang dari satu tahun. Mereka juga menggunakan regresi linear, exponential smoothing,

moving averages, dan model kausal untuk situasi jangka panjang. Duracell sering kali

memilih metode peramalan berdasarkan hasil pengujian yang paling akurat dengan data

perusahaan.

Metode Indeks Daya Beli

Potensi pasar untuk barang konsumen biasanya diperkirakan dengan cara mengkonstruksi

indeks dari data ekonomi dasar. Mungkin indeks multifaktor yang paling populer dari area

permintaan adalah Indeks Daya Beli (Buying Power Index atau BPI), yang dipublikasikan

setiap tahun oleh majalah Penjualan dan Pemasaran. Indeks ini menggabungkan perikiraan

populasi, pendapatan, dan penjualan eceran untuk memberikan indikator komposit dari

permintaan konsumen dalam sejumlah area geografis tertentu yang disebut sebagai Core

Based Statistical Area (CSBSAs). CBSA adalah dibagi lagi menjadi metropolitan atau

metropolitan statistical areas (sub divisi).

Contoh :

Data yang digunakan untuk menghitung Indeks Daya Beli untuk Atlanta, Georgia dapat

dilihat pada tabel 4.1. Tabel ini menunjukkan bahwa Atlanta Metro memiliki 1,824 persen

dari pendapatan Amerika Serikat, 1,768 persen dari penjualan eceran, dan 1,606 persen

dari populasi Amerika Serikat. Tiga jumlah ini memiliki bobot 0,5 untuk pendapatan, 0,3

untuk penjualan eceran, dan 0,2 untuk populasi, dan hasilnya Indeks Daya Beli untuk

Atlanta Metro adalah 1,7636.

Perbandingan dari ketiga gambaran : penjualan eceran, populasi, dan prosentase

pendapatan, memberikan informasi berharga tentang wilayah geografis.

Pertimbangkan kembali area Atlanta yang memiliki hanya 1,509 persen dari populasi

Amerika Serikat, 1,784 persen dari pendapatan nasional, dan 1,719 dari penjualan eceran.

Angka ini menunjukkan bahwa pendapatan untuk area Atlanta Metro berada di atas rata-

rata. Ketika penjualan eceran dari suatu area lebih dari populasi untuk suatu area,

sebagaimana yang terdapat pada contoh ini, merupakan bukti kuat bahwa orang-orang

berasal dari daerah sekitar. Hal ini menyarankan manajer untuk menyebarkan pengeluaran

dana promosi melampaui area yang luas untuk menjangkau pelanggan yang berbelanja

dalam area Atlanta Metro.

Nilai Indeks Daya Beli digunakan untuk membantu manajer mengalokasikan usaha

penjualan di berbagai wilayah geografis. Dengan demikan, Indeks Daya Beli menyarankan

bahwa Atlanta Metro, dengan 1,7636 persen dari potensi penjualan Amerika Serikat, harus

2016 6 Salesmanship



menerima 1,7636 persen dari potensi penjualan Amerika Serikat dari anggaran personal

selling dan periklanan untuk produk dalam distribusi nasional.

Setelah potensi pasar ditentukan, potensi penjualan perusahaan serta ramalannya

dapat ditarik dengan menetapkan hubungan-hubungan pangsa pasar. Arus dalam

penyusunan ramalan dapat berjalan dari (1) atas ke bawah atau (2) dari bawah ke atas.

(1) Pendekatan atas ke bwah, diawali dengan potensi pasar dan kemudian ditarik ramalan

untuk berbagai subdivisi.

(2) Pendekatan bawah ke atas, ramalan untuk berbagai segmen ditentukan untuk

membentuk sebuah susunan. Situasi yang berbeda memerlukan pendekatan yang

berbeda pula. Jenis dan ketepatan informasi yang ada harus dijadikan pertimbangan

utama dalam memilih pendekatan yang dipakai.

Terhadap dimensi industri dan perusahaan, ramalan mempunyai sejumlah tingkatan lain

yang harus dipertimbangkan. Suatu ramalan mungkin diperlukan untuk beberapa periode

waktu mendatang, khususnya satu kuartal atau satu tahun. Ini dapat disebut sebagai

ramalan jangka pendek.

Proyeksi-proyeksi yang melebihi periode waktu dekat mendatang, misalnya 3, 5, atau

10 tahun dapat disebut ramalan jangka panjang. Masing-masing jenis menyajikan masalah-

masalah yang berbeda bagi manajer dan mungkin memerlukan metode-metode yang

berbeda pula. Faktor-faktor geografis, jenis pembeli dan pertimbangan-pertimbangan

produk juga dapat mempengaruhi sifat tugas peramalan.

Tabel 4.1 memperlihatkan sebuah ringkasan dimensi yang harus dipertimbangkan

dalam perencanaan dan penyusunan ramalan. Setiap ramalan yang ada akan berlaku pada

suatu periode waktu tertentu, daerah geografis tertentu, jenis pembeli tertentu, produk atau

lini produk tertentu, dan industri maupun perusahaan tertentu. Dengan mengetahui dimensi

ramalan yang diinginkan, berarti kita mulai melakukan peramalan.

2016 7 Salesmanship



Tabel 4.1. Dimensi-dimensi Ramalan Penjualan

Geografis Jenis

Konsume

n

Produk Potensi pasar Potensi

penjualan

Ramalan

penjualan

JPd JPj JPd JPj JPd JPj

Wilayah

daerah

I

P A

B

Q A

B

Wilayah

daerah

II

P A

B

Q A

B

Keterangan :

JPd = jangka pendek

JPk = jangka panjang

Sumber : Swastha (2000: 101)

Metode-metode Peramalan Setelah dimensi-dimensi ramalan ditetapkan, masalah-masalah peramalan cenderung

memusat pada metode yang dipakai. Tugas utama dalam peramalan adalah menentukan

metode yang sesuai menurut dimensi dan lingkungan ramalan yang ada.

Cron & Decarlo mengklasifikasikan metode peramalan menjadi 2 jenis yaitu (1) metode

peramalan penjualan kualitatif dan (2) metode peramalan penjualan kuantitatif.

Metode Peramalan Penjualan KualitatifPeramalan penjualan adalah memprediksi tingkat permintaan di masa mendatang. Proyeksi

ini penting sebagai dasar untuk menyusun anggaran dan maksud perencanaan. Untuk

produk baru, beberapa metode peramalan yang rutin dapat dipergunakan. Tidak adanya

data penjualan di masa lalu berarti bahwa kita menjadi lebih kreatif dalam memprediksi

masa mendatang. Peramalan penjualan untuk produk baru, sering kali didasarkan pada

pendapat eksekutif, proyesti tenaga penjual, survei, dan pengujian pasar.

1) Sales force composite

Teknik ini merupakan teknik yang paling disukai untuk peramalan produk baru maupun

yang sudah ada. Dengan prosedur ini, tenaga penjual memproyeksikan volume untuk

pelanggan dalam teritorinya, dan memperkirakan secara keseluruhan, dan kemudian

ditinjau kembali (dievaluasi) oleh tingkat manajemen yang lebih tinggi. Perkiraan teritori

2016 8 Salesmanship



sering kali didasarkan pada estimasi permintaan untuk setiap pelanggan terbesar dalam

teritorinya, kelompok pelanggan dan prospek baru. Teknik ini disukai oleh perusahaan

barang industri karena mereka memiliki jumlah pelanggan yang terbatas dan tenaga

penjual dalam posisi yang baik untuk mengakses kebutuhan pelanggan. Dahulu,

peramalan penjualan diturunkan dari pusat, saat ini peramalan dibangun dari estimasi

para perwakilan penjualan.

2) Pendapat ahli

Teknik ini melibatkan pengumpulan pendapat kelompok manajer yang berpengalaman

untuk memberi estimasi penjualan untuk produk yang diusulkan dan produk saat ini.

Keunggulan utama dari metode ini adalah cepat dan memungkinkan banyak faktor-faktor

subyektif seperti kompetisi, iklim ekonomi, cuaca, dan aktivitas serikat buruh.

3) Leading indicators

Bila penjualan dipengaruhi oleh perubahan dasar dalam perekonomian, leading

indicators dapat berguna dalam memandu peramalan penjualan. Idenya adalah untuk

menemukan serangkaian faktor yang sangat berhubungan dengan penjualan

perusahaan. Perubahan dalam faktor dapat digunakan untuk memprediksi penjualan

secara langsung, atau faktor-faktor yang dapat dikombinasikan dengan variabel-variabel

lain dalam model peramalan. Beberapa leading indicators yang berguna meliputi harga

saham biasa, pesanan baru untuk barang tahan lama, ijin bangunan baru, kontrak dan

pesanan untuk pabrik dan peralatan, dan perubahan dalam cicilan hutang konsumen.

Kontribusi terbesar dari leading indicators adalah kemampuan mereka untuk

memprediksi tren penjualan.

Kapan menggunakan metode kualitatif ?

Metode kualitatif sering digunakan bila kita memiliki sedikit data numerik untuk peramalan.

Produk baru merupakan contoh klasik dari informasi yang terbatas, dan metode kualitatif

sering kali digunakan untuk memprediksi pendapatan penjualan untuk item-item ini. Metode

kualitatif juga direkomendasikan untuk situasi dimana manajer atau tenaga penjual yang

secara khusus mahir dalam memprediksi pendapatan penjualan. Sebagai tambahan,

metode peramalan kualitatif sering digunakan ketika pasar hancur karena pemogokan,

perang, bencana alam, resesi, atau inflasi.

Metode Peramalan Penjualan KuantitatifProsedur ini didasarkan pada data historis untuk memprediksi penjualan di masa

mendatang. Ada beberapa metode peramalan kuantitatif yaitu penyesuaian musiman

(seasonal adjustment), peramalan naive (naive forecast), proyeksi tren (trend projection),

2016 9 Salesmanship



rata-rata bergerak (moving average), penghalusan eksponensial (exponential smoothing),

regresi runtut waktu (time series regression), dan turning point.

1) Penyesuaian musiman

Sebelum kita mendiskusikan tentang teknik peramalan kuantitatif, adalah penting untuk

memahami bagaimana faktor musiman mempengaruhi prediksi di masa mendatang.

Peramalan penjualan biasanya dibuat dalam bulanan atau kuartalan, dan faktor

musiman sering muncul dalam perubahan volume jangka pendek. Ketika penjualan

historis digunakan dalam meramalkan, keakuratan prediksi seringkali dapat diperbaiki

dengan membuat penyesuaian untuk menghilangkan efek musiman. Langkah-langkah

dalam penyesuaian musiman data runtut waktu adalah sebagai berikut :

- Mengumpulkan gambaran penjualan untuk beberapa tahun yang lalu.

- Penjualan untuk bulan-bulan atau kuartal-kuartal dalam setahun dirata-rata untuk

mendapatkan indeks musiman.

- Jika angka indeks musiman sudah diperoleh untuk setiap periode waktu, selanjutnya

menyesuaikan sekumpulan data penjualan musiman. Caranya penjualan aktual

dibagi dengan angka indeks yang sesuai untuk memberikan deseasonalized data.

Peramalan penjualan kemudian dipersiapkan dengan menggunakan gambaran

penjualan deseasonalized.

Tabel 4.2. Penyesuaian Musiman

Quarter Year Four-Year

Quarterly

Average

Seasonal

Index1 2 3 4

1 49 57 53 73 58.0 0.73

2 77 98 85 100 90.0 1.13

3 90 89 92 98 92.3 1.16

4 79 62 88 78 76.8 0.97

Sumber : Cron & Decarlo (2010 : 65)

Four year sales of 1268 / 16 = 79.25 average quarterly sales

58 / 79.25 = 0.73 (seasonal index quarter 1)

90 / 79.25 = 1.13 (seasonal index quarter 2)

92.3 / 79.25 = 1.16 (seasonal index quarter 3)

76.8 / 79.25 = 0.97 (seasonal index quarter 4)

Maka data penjualan deseasonalized untuk empat kuartal dalam tahun pertama

adalah :

49 / 0.73 = 67

77 / 1.13 = 68

2016 10 Salesmanship



90 / 1.16 = 78

79 / 0.97 = 81

Walaupun penyesuaian musiman memerlukan waktu dan usaha untuk

melakukannya, namun ada dua kebenaran tentang penyesuaian musiman :

- Penyesuaian musiman secara luas digunakan dalam bisnis.

- Penyesuaian musiman mengurangi error dalam peramalan.

2) Peramalan naive

Peramalan runtut waktu bergantung pada data di masa lalu sebagai dasar untuk

membuat proyeksi di masa mendatang. Peramalan naïve adalah peramalan numerik

yang paling sederhana dan sering kali digunakan sebagai standar untuk perbandingan

dengan prosedur yang lain. Metode ini mengasumsikan bahwa tidak ada sesuatu yang

berubah dan maka estimasi terbaik untuk masa mendatang adalah tingkat penjualan

saat ini.

Sebagai contoh :

Penjualan aktual 49 unit dalam kuartal 1 dalam tabel 4.2 dapat digunakan untuk

memprediksi penjualan dalam kuartal 2.

Tabel 4.3. Menghitung Indeks Seasonal dari Data Penjualan Historis

Quarter

1 2 3 4

Actual sales 49 77 90 79

Naive forecast 49 77 90


Error dalam peramalan kuartal 2 adalah selisih antara 49 dan 77. Rumus untuk

persentase error peramalan adalah :

peramalan - aktual

Persentase error peramalan = __________________

Aktual

Ini berarti persentase error untuk peramalan naïve pada kuartal 2 adalah :

49 - 77

Persentase error = _______

77

Persentase error = 36%

MAPE




Untuk membandingkan keakuratan peramalan diantara beberapa periode waktu,

kebanyakan professional menggunakan metode mean absolute percentage error

(MAPE). Adapun rumus untuk menghitung MAPE :

n

∑ (forecast – actual) / actual

t= 1

MAPE = _________________________ X 100%

n

Dimana :

n = jumlah periode peramalan

MAPE menghitung persentase error peramalan untuk setiap periode tanpa

mempertimbangkan apakah error positif atau negatif, menjumlahkan semua error, dan

membaginya dengan jumlah periode yang akan diramalkan. Keunggulan dari MAPE

adalah memudahkan perbandingan error peramalan diantara kategori produk dan

perusahaan.

3) Proyeksi tren

Penggunaan tren untuk memproyeksikan penjualan adalah teknik populer pada

perusahaan bisnis. Dengan metode ini, analis memprediksi tren dari data masa lalu dan

menambahkan gambaran ini untuk penjualan di masa mendatang untuk memperoleh

peramalan. Sebagai contoh, dalam gambar 4.2, penjualan meningkat dari 10 unit dalam

periode 2 menjadi 20 unit dalam periode 3, menunjukkan tren “plus 10 unit” per periode.

Tingkat perubahan unit digunakan untuk meramlkan penjualan pada periode 4 yaitu 20

ditambah 10 menjadi 30. Tren dapat pula diekspresikan sebagai tingkat perubahan

persentase. Dengan metode ini, tren 10 unit dari tren akan dibagi dengan dasar 10 unit

penjualan akan menghasilkan tingkat pertumbuhan 100 persen. Tingkat pertumbuhan

100% diterapkan terhadap penjualan periode 3 yaitu 20 unit, sehingga akan memberikan

peramalan menjadi 40 unit untuk periode 4. Perlu dicatat bahwa, metode persentase

tingkat perubahan dan prosedur tingkat perubahan unit memberikan perbedaan

peramalan penjualan.




Gambar 4.2. Membandingkan Metode Peramalan Tren

4) Rata-rata bergerak

Dengan metode rata-rata bergerak, pendapatan rata-rata dalam beberapa periode

terakhir digunakan sebagai prediksi penjualan dalam periode selanjutnya. Rumus untuk

bentuk ini adalah :

St + S t-1 + …+ S t-n+1

F t+1 = ___________________

n

Dimana :

F t+1 = peramalan untuk periode selanjutnya

St = penjualan dalam periode saat ini

n = jumlah periode dalam rata-rata bergerak

Pendekatan ini mengasumsikan bahwa masa mendatang adalah rata-rata dari

pencapaian di masa lalu. Sebagai contoh, jika penjualan dalam dua periode yang lalu

bergerak dari 10 menjadi 20, maka peramalan rata-rata bergerak dari dua periode akan

menjadi 15 (30 / 2). Bila terdapat tren kuat dari data runtut waktu, peramalan rata-rata

bergerak tanpa penyesuaian lag dalam tren. Bagaimanapun juga, lag dapat menjadi

keunggulan ketika perubahan penjualan tiba-tiba naik atau tiba-tiba turun.

Tabel 4.4. Peramalan dengan Rata-rata Bergerak

Quarter

1 2 3 4

Actual Sales 49 77 90 79

Two period moving

average

63 83.5





Berdasarkan contoh pada tabel 4.4, periode 1 dan 2 dirata-rata untuk menghasilkan

nilai 63 pada periode 3. Kemudian periode 2 dan 3 dirata-ratakan untuk menghasilkan

peramalan sebesar 83.5 pada periode 4. Proses ini akan sama ketika menggunakan

data deseasonalized, tetapi peramalan harus dilakukan penyesuaian musiman. Jika

peramalan untuk kuartal 3 digunakan sebagai contoh maka angka peramalan harus

dikalikan dengan seasonal index untuk kuartal yang bersangkutan.

Issu penting dalam menggunakan rata-rata bergerak adalah dalam menentukan

angka ideal dari suatu periode (n) untuk dimasukkan dalam rata-rata. Dengan jumlah

periode yang besar, peramalan cenderung untuk bereaksi dengan perlahan, dimana nilai

rendah dari n mengarah pada periode yang merespon lebih cepat terhadap perubahan

dalam suatu runtutan (series). Jumlah optimum dari suatu periode dapat diestimasi

dengan trial dan error dengan menggunakan Excel.

5) Penghalusan eksponensial

Karakter dari rata-rata bergerak yang kacau dalam kemampuannya untuk mengikuti tren

adalah sepanjang periode waktu dibobotkan secara sama. Ini berarti bahwa periode

yang terlama dan yang terbaru diperlakukan sama dalam membuat peramalan. Teknik

populer yang dapat mengatasi masalah ini adalah penghalusan eksponensial.

Ciri penting dari penghalusan eksponensial adalah kemampuannya untuk

menekankan informasi saat ini dan secara sistematis menghilangkan informasi yang

lama. Peramalan penghalusan eksponensial dapat diturunkan dengan menggunakan

formula : Śt = ∝ Śt – 1 + (1 - ∝) - Śt 1

Dimana :

St = peramalan penjualan yang dihaluskan untuk periode t∝ = konstanta penghalusan, lebih besar dari 0 dan kurang dari 1

St - 1 = penjualan aktual dalam periode t – 1Śt - 1 = peramalan yang dihaluskan untuk periode t - 1

Rumus ini menggabungkan porsi (∝ ) dari penjualan saat ini dengan nilai yang didiskon

dari rata-rata penghalusan yang dihitung dari periode sebelumnya untuk memberikan

peramalan pada periode selanjutnya.

Contoh berikut ini adalah penghalusan eksponensial dengan menggunakan konstanta

penghalusan 0.4.




Tabel 4.5. Peramalan dengan Penghalusan Eksponensial

Quarter

1 2 3 4

Actual Sales 49 77 90 79

Smoothed forecast 60.2 72.1


Peramalan untuk periode ke 3 diperoleh dengan mengalikan 0.4 dengan nilai penjualan

aktual yaitu 77 ditambah 0.6 (1 - ∝) kali 49, dimana penjualan aktual pada periode 1

dapat digunakan sebagai pendekatan untuk periode peramalan sebelumnya agar proses

dapat dimulai. Hasil peramalan pada periode 3 menjadi 60.2 units [(0.4 x 77) + (0.6 x

49) = 60.2]. Peramalan untuk periode 4 akan diperoleh dengan mengalikan 0.4 dengan

nilai penjualan periode 3 yaitu 90 ditambah 0.6 kali peramalan yang diperhalus untuk

periode 3. Peramalan menjadi 72.1 unit [(0.4 x 90) + (0.6 x 60.2) = 72]. Ingat, jika

menggunakan angka deseasonalized, kita harus melakukan penyesuaian musiman

untuk peramalan yang diperhalus.

Keputusan utama dengan peramalan eksponensial adalah memilih nilai yang

sesuai untuk konstanta penghalusan (∝ ). Faktor-faktor penghalusan dapat berada pada

rentang nilai dari 0 sampai 1, dengan nilai rendah dalam memberikan stabilitas dan nilai

tinggi yang memungkinkan respon lebih cepat untuk perubahan penjualan. Dengan

menggunakan konstanta penghalusan 1.0 akan memberikan peramalan yang sama

yang diperoleh dengan metode naive. Peramalan yang dihasilkan dengan konstanta

penghalusan yang rendah, seperti 0.2, akan menghasilkan peramalan dengan nilai

tinggi, seperti 0.8 yang akan melebihkan estimasi (overestimate) saat keadaan berubah

(turning point).

6) Regresi runtut waktu

Dalam regresi runtut waktu, hubungan antara penjualan (Y) dan periode waktu (misal :

minggu, bulan, kuartal, atau tahun). X dapat direpresentasikan dengan garis lurus.

Persamaan untuk lini ini adalah Y = a + bX, dimana a adalah intercept (titik potong) dan

b menunjukkan pengaruh variabel bebas (independen) pada Y. Langkah utama dalam

menurunkan persamaan regresi linear adalah menemukan nilai untuk koefisien (a, b)

yang memberikan garis yang terbaik yang sesuai dengan data. Kesesuaian yang terbaik

dapat diperoleh dengan menggunakan prosedur least square (kuadrat terkecil) seperti

terlihat pada gambar 4.3, dimana penjualan (Y) diplot berhadapan dengan waktu (X).




Persamaan Y = 63.9 + 3.5X mengindikasikan bahwa penjualan adalah 63.9 ditambah

tren 3.5 untuk setiap unit waktu (misal : bulan, kuartal, tahun, dan lain-lain). Dua

variabel persamaan regresi dapat secara mudah dihitung menggunakan kalkulator,

Excel, atau program komputer.

Gambar 4.3. Time series regression (Cron & Decarlo, 2010 : 70).

Keterbatasan dari peramalan regresi sederhana adalah asumsi bahwa penjualan

mengikuti pola linear. Meskipun data penjualan ini merupakan suatu series, namun data

yang lainnya mungkin memiliki pola siklis yang sangat sulit untuk ditelusuri dengan

persamaan linear. Dalam kasus ini, analisis dapat menggunakan persamaan peramalan

dengan logaritma dari data runtut waktu untuk menghasilkan persamaan peramalan

yang lebih baik.

Dengan persamaan regresi sederhana (simple regression) yang menggunakan

variabel bebas (independen), yang umu digunakan dalam meramalkan penjualan.

Dengan waktu sebagai variabel independen, pendekatan regresi menjadi peramalan

tren. Variabel lain seperti pendapatan atau tingkat pertumbuhan dalam GNP akan

digunakan jika mereka menemukan adanya hubungan yang sangat dekat dengan

penjualan.

Dengan regresi berganda (multiple regression), model komputer digunakan untuk

membangun model peramalan yang didasarkan pada hubungan antara penjualan dan

beberapa variabel independen. Manajer penjualan pertama-tama harus menemukan

sekumpulan faktor-faktor independen yang sesuai yang berhubungan dengan series

yang diprediksi.

Keputusan apakah akan menggunakan regresi sederhana atau regresi berganda,

tergantung pada tiga nilai statistik yang dihitung dengan program peramalan. Salah satu

dari nilai statistik tersebut adalah R2 . Jika nilai R2 adalah 0.70 artinya persamaan

regresi tersebut menjelaskan 70% dari variasi yang diobservasi dalam data. Persamaan

peramalan dengan R2 yang tinggi tinggi umumnya lebih disukai dari pada persamaan

yang hanya menjelaskan 5 sampai 10 persen pada variasi. Nilai statistik yang

mengindikasikan kualitas dari model peramalan. Error dari koefisien variabel dalam




persamaan harus lebih kecil dari pada koefisien. Jika error lebih besar dari pada

koefisien, ini menandakan variabel yang bersangkutan harus dibuang dari persamaan

peramalan. Dengan peramalan regresi, kita membutuhkan lima observasi untuk setiap

variabel independen dalam persamaan anda. Maka, persamaan dengan satu variabel

predictor akan membutuhkan lima observasi, dan persamaan dengan tiga variabel akan

membutuhkan 15 observasi. Jika data tidak memenuhi persyaratan ini, maka metode

peramalan lain harus dipilih.

Kapan Harus Menggunakan Metode Peramalan Kuantitatif ?Teknik peramalan kuantitatif adalah yang terbaik ketika anda memiliki akses terhadap data

historis. Ini juga berguna jika data runtut waktu yang akan diramalkan adalah stabil dan

tidak mengarah pada perubahan yang sering. Metode kuantitatif memiliki keunggulan dalam

situasi dimana anda harus membuat peramalan yang sering untuk beratus-ratus ataru

beribu-ribu produk. Karena jumlah penghitungan yang besar, maka dibutuhkan prosedur

peramalan kuantitatif. Dalam peramalan ini, analis menggunakan akses terhadap komputer

dan software peramalan yang sesuai.

Memilih Metode PeramalanKebanyakan peramalan penjualan di masa kini dipersiapkan dengan program komputer.

Bagaimanapun juga, kebanyakan perusahaan mengijinkan manajer untuk membuat

penyesuaian terhadap komputer yang menghasilkan peramalan dengan prosedur pendapat.

Manajemen percaya bahwa lebih dari satu program peramalan dapat membantu

menurunkan error dalam peramalan. Lebih dari setengah perusahaan disurvey dengan

menggunakan software peramalan yang customized (khusus).

Prosedur sederhana dari naive, rata-rata bergerak, dan penghalusan eksponensial

sering kali memiliki error peramalan yang lebih rendah dari pada metode yang kompleks.

Sehingga disarankan agar memulai dengan prosedur dasar terlebih dahulu dan bergerak ke

model yang lebih kompleks hanya ketika model ini dibutuhkan. Jarang terjadi bahwa satu

teknik adalah terbaik untuk semua situasi, maka anda harus mendasarkan prediksi anda

pada rata-rata dari beberapa metode untuk membantu mengurangi error peramalan. Kita

juga harus memilih teknik yang dapat ‘dijual’ ke manajemen. Jika manajer tidak dapat

memahami bagaimana peramalan dipersiapkan, mereka kemungkinan akan menolak teknik

ini, dan lebih memilih metode peramalan pendapat mereka sendiri.




Daftar PustakaCron, W.L. & Decarlo, T.E., 2010, Sales Management : Concept and Cases, tenth edition,

John Willey & Sons (Asia) Pte Ltd.

Swastha Dh, Basu, 2000. Manajemen Penjualan, BPFE, Yogyakarta.




Pendahuluan · Web viewBerbagai data komersial yang tersedia, dapat memberikan jumlah pembeli...

Documents

Transcript of Pendahuluan · Web viewBerbagai data komersial yang tersedia, dapat memberikan jumlah pembeli...