Pendahuluan · Web viewBerbagai data komersial yang tersedia, dapat memberikan jumlah pembeli...
Transcript of 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
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
Pusat Bahan Ajar dan eLearningChristina Ariadne Sekar Sari, S.E., M.M http://www.mercubuana.ac.id
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
Pusat Bahan Ajar dan eLearningChristina Ariadne Sekar Sari, S.E., M.M http://www.mercubuana.ac.id
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
Pusat Bahan Ajar dan eLearningChristina Ariadne Sekar Sari, S.E., M.M http://www.mercubuana.ac.id
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
Pusat Bahan Ajar dan eLearningChristina Ariadne Sekar Sari, S.E., M.M http://www.mercubuana.ac.id
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
Pusat Bahan Ajar dan eLearningChristina Ariadne Sekar Sari, S.E., M.M http://www.mercubuana.ac.id
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
Pusat Bahan Ajar dan eLearningChristina Ariadne Sekar Sari, S.E., M.M http://www.mercubuana.ac.id
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
Pusat Bahan Ajar dan eLearningChristina Ariadne Sekar Sari, S.E., M.M http://www.mercubuana.ac.id
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
Pusat Bahan Ajar dan eLearningChristina Ariadne Sekar Sari, S.E., M.M http://www.mercubuana.ac.id
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
Sumber : Cron & Decarlo (2010 : 66)
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
2016 11 Salesmanship
Pusat Bahan Ajar dan eLearningChristina Ariadne Sekar Sari, S.E., M.M http://www.mercubuana.ac.id
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.
2016 12 Salesmanship
Pusat Bahan Ajar dan eLearningChristina Ariadne Sekar Sari, S.E., M.M http://www.mercubuana.ac.id
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
Sumber : Cron & Decarlo (2010 : 68)
2016 13 Salesmanship
Pusat Bahan Ajar dan eLearningChristina Ariadne Sekar Sari, S.E., M.M http://www.mercubuana.ac.id
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.
2016 14 Salesmanship
Pusat Bahan Ajar dan eLearningChristina Ariadne Sekar Sari, S.E., M.M http://www.mercubuana.ac.id
Tabel 4.5. Peramalan dengan Penghalusan Eksponensial
Quarter
1 2 3 4
Actual Sales 49 77 90 79
Smoothed forecast 60.2 72.1
Sumber : Cron & Decarlo (2010 : 69)
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).
2016 15 Salesmanship
Pusat Bahan Ajar dan eLearningChristina Ariadne Sekar Sari, S.E., M.M http://www.mercubuana.ac.id
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
2016 16 Salesmanship
Pusat Bahan Ajar dan eLearningChristina Ariadne Sekar Sari, S.E., M.M http://www.mercubuana.ac.id
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.
2016 17 Salesmanship
Pusat Bahan Ajar dan eLearningChristina Ariadne Sekar Sari, S.E., M.M http://www.mercubuana.ac.id
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.
2016 18 Salesmanship
Pusat Bahan Ajar dan eLearningChristina Ariadne Sekar Sari, S.E., M.M http://www.mercubuana.ac.id