TEKNIK PERAMALAN DALAM PERENCANAAN SDM

Teknik peramalan (forecasting) merupakan instrumen suatu perencanaan. Handoko (1994)

menyatakan upaya untuk memperkirakan kebutuhan SDM dimasa mendatang dapat dilakukan

dengan teknik forecasting.

Beberapa teknik forecasting yang dapat digunakan dalam melakukan peramalan berkaitan

dengan penyusunan perencanaan SDM, seperti :

a. Teknik Delphi

Teknik ini menggunakan keahlian sekelompok orang (biasanya manajer). Para perencana di

departemen SDM dalam hal ini berfungsi sebagai penengah, menyimpulkan berbagai pendapat

dan melaporkan kesimpulan-kesimpulan dari pendapat-pendapat sekelompok orang tersebut

kepada para ahli. Laporan ini kemudian dikaji ulang dengan cara mensurvei ulang. Kegiatan-

kegiatan ini diulang sampai para ahli mencapai consensus (biasanya empat sampai lima kali

survei sudah cukup).

b. Ekstrapolasi

Teknik ekstrapolasi ini mendasarkan diri pada tingkat perubahan atau kecenderungan pada masa

lalu untuk membuat proyeksi dimasa yang akan datang. Penggunaan teknik ekstrapolasi

berangkat dari pemikiran bahwa kehidupan organisasi merupakan suatu yang berulang

(kontinum). Teknik ini akan mempunyai keabsahan (Validitasi) yang tinggi bila menggunakan

asumsi Cateris Paribus. Artinya faktor-faktor lain diasumsikan tidak berubah merupakan

kelemahan dari teknik ini. Pada kenyataannya kondisi atau lingkungan selalu berubah. Dengan

demikian teknik ini hanya dapat digunakan untuk perencanaan SDM jangka pendek. Sedangkan

perencanaan SDM jangka panjang, teknik ini tidak berlaku.

Contoh teknik ekstrapolasi : Bila rata-rata dua karyawan diterima setiap bulan dibagian produksi

selama dua tahun yang lalu, maka berarti ada 24 karyawan yang akan diterima oleh bagian

produksi untuk satu tahun mendatang. Asumsi teknik ini adalah, penyebab permintaan sama dari

waktu ke waktu.

c. Indeksasi

Indeksasi adalah teknik estimasi kebutuhan SDM di masa yang akan datang dengan menandai

tingkat perkembangan karyawan dengan indeks. Teknik indeksasi berangkat dari asumsi bahwa

faktor-faktor yang mempengaruhi permintaan atas tenaga kerja baik yang bersifat eksternal

maupun internal berada pada kondisi konstan. Sebagaimana halnya dengan teknik ekstrapolasi,

teknik ini juga hanya berguna untuk perencanaan jangka panjang.

Contoh klasik teknik ini : rasio antara karyawan produksi dengan hasil penjualan. Sebagai

contoh, para perencana bisa menyimpulkan bahwa setiap sepuluh juta rupiah kenaikan penjualan,

departemen produksi memerlukan satu tambahan karyawan baru. teknik ini mengasumsikan

penyebab-penyebab permintaan tetap sama dari waktu ke waktu.

d. Analisis Statistik

Berbeda dengan teknik ekstrapolasi dan taknik indeksasi, teknik ini digunakan untuk

perencanaan SDM jangka panjang. Teknik ini lebih rumit dari indeksasi maupun ekstrapolasi,

namun hasilnya lebih akurat untuk jangka panjang karena teknik ini mempertimbangkan

perubahan bergesarnya tuntutan terhadap kebutuhan SDM. Analisis statistik yang dikenal umum

adalah regresi dan korelasi.

http://www.blogger.com/profile/00618282838232740492

Secara umum ada dua macam hubungan antar 2 atau lebih variabel, yaitu :

1. Bentuk Hubungan menggunakan Analisis Regresi

2. Keeratan Hubungan menggunakan Analisis Korelasi

Beberapa macam analisis regresi :

1. Regresi Linier Sederhana

Hubungan antara 2 variabel, yaitu x (variabel bebas) dan y (variabel tak bebas). Kedua variabel

datanya kuantitatif.

Misal : Berat badan seseorang dipengaruhi tinggi badannya

2. Regresi Linier Berganda

Hubungan antara variabel y dengan dua atau lebih variabel x. Semua variabel datanya kuantitatif.

Misal : produksi padi dipengaruhi oleh jenis pupuk, suhu, lama penyinaran, dll

3. Regresi Nonlinier

Hubungan antara variabel y dan x yang tidak linier. Tidak linier maksudnya laju perubahan y

akibat laju perubahan x tidak konstan untuk nilai-nilai x tertentu. Contoh : regresi kuadratik,

kubik

Misal : Produksi padi akan meningkat saat diberi pupuk taraf rendah ke sedang. Tapi klo diberi

dengan taraf tinggi, malah produksinya menurun.

4. Regresi Dummy

Hubungan antara variabel y (data kuantitatif) dan variabel x (data kualitatif).

Misal : Melihat pengaruh kemasan terhadap harga jual makanan. Kita coding 1 jika kemasan

menarik dan 0 jika kemasan tidak menarik. 1 dan o adalah variabel dummy.

5. Regresi Logistik

Hubungan antara variabel y (data kualitatif) dan variabel x (data kuantitatif).

Misal : Ingin diketahui apakah konsumen akan membeli makanan di rumah makan berdasarkan

penilaian konsumen terhadap lokasi, pelayanan, pendapatan. Dalam kasus ini hanya ada 2

kemungkinan respon konsumen, yaitu konsumen membeli (1) dan tidak membeli (0).

http://rianaika.blogspot.com/2011/12/sedikit-tentang-analisis-regresi.html

Ada beberapa jenis korelasi, diantaranya sebagai berikut :

Korelasi Pearson (Pearson Product Moment Correlation)

Kegunaan : menentukan hubungan antara dua variable yang berskala interval (skala yang

menggunakan angka sebenarnya), korelasi ini termasuk kedalam uji statistik parametrik.

Besarnya korelasi 0-1. korelasi dapat berupa positif yang artinya searah jika variabel besar maka

variabel kedua juga besar pula. Korelasi negatif (berlawanan arahj ika variabel pertama besar

maka variabel kedua kecil). Patokan hasil perhitungan korelasi sbbg :

< 0,20 : hubungan dapat dianggap tidak ada

< 0,20-0,40 : hubungan ada tetapi rendah

< 0,40-0,70 : hubungan cukup

> 0,70-0,90 : hubungan tinggi

> 0,90-1,00 : hubungan sangat tinggi

Korelasi Spearman (Spearman Rank Order Correlation)

Kegunaan : korelasi spearman berfungsi untuk menentukan besarnya hubungan dua variable

(gejala) yang berskala ordinal atau tata jenjang. Biasanya data yang dianalisis adalah angka yang

berjenjang misalnya 1, 2, 3, 4, 5. Angka tersebut hanya simbol saja. Oleh karena itu, korelasi ini

termasuk uji statistik non parametrik.

http://www.google.com/url?sa=t&rct=j&q=&esrc=s&source=web&cd=9&cad=rja&ved=0CGsQFjAI&url=http%3A

%2F%2Fprabowosetiyobudi.files.wordpress.com%2F2012%2F06%2Fanalisis-data-

vita.doc&ei=nJRKUreVNMiQrQfamIAY&usg=AFQjCNEIZA1ka7UwD4ejKwygm9uYN-

lrcQ&bvm=bv.53371865,d.bmk

PERAMALAN (FORECASTING)

Kondisi masa depan yang diharapkan. Proyeksi untuk masa yang akan datang tentu saja ada

unsur ketidak tepatan, biasanya orang yang berpengalaman mampu meramal cukup akurat

tepat terhadap benefit organisasi dalam rencana jangka panjang. Pendekan-pedekatan untuk

meramal SDM dapat dimulai dari perkiraan terbaik dari para manajer sampai pada simulasi

computer yang rumit. Asumsi yang sederhana mungkin cukup untuk jarak yang rumit akan

diperlukan Peramalan (forecasting) menggunakan informasi masa lalu dan saat ini untuk

mengidentifikasi untuk yang lain. Jangka waktu peramalan-peramalan SDM harus dilakukan

melalui tiga tahap yaitu perencanaan jangka pendek, menegah dan panjang. Peramalan

terhadap kebutuhan SDM (permintaan) penekanan utama dari peramalan SDM saat ini adalah

meramalkan kebutuhan SDM organisasi atau permintaan kebutuhan akan SDM. Ramalan

permintaan dapat berupa penilaian subjektif atau matematis.

Metode meramalkan permintaan yaitu:

A. Metode Penilaian

a. Estimasi dapat top down atau bottom up, tetapi pada dasarnya yang berkepentingan ditanya

“Berapa orang yang akan anda butuhkan tahun depan?”

b. Rule of thumb

Mempercayakan pedoman umum diterapkan pada situasi khusus dalam organisasi. Contoh”

pedoman “one operations manager per five reporting supervisor” membantu dan meramalkan

jumlah supervisor yang dibutuhkan dalam satu divisi. Bagaimanapun, hal ini penting untuk

menyesuaikan pedoman untuk mengetahui kebutuhan departemen yang sangat bervariasi.

Teknik Delphi menggunakan input dari kelompok pakar. Opini pakar dicari degan

menggunakan kuisioner terpisah dalam situasi diramalkan. Opini pakar kemudian

digabungkan dan dikembalikan kepada para pakar untuk opini tanpa nama yang kedua. Proses

ini akan berlangsung beberapa pakar hingga pakr pada umumnya setuju pada satu penilaiain.

Sebagai contoh, pendekatan ini telah digunakan untuk meramalkan pengaruh teknologi pada

manajemen SDM dan kebutuhan perekrutan staff. Teknik kelompok Nominal, tidak seperti

Delphi, membutuhkan pakar untuk bertemu secara langsung gagasan mereka biasanya timbul

secara bebas pada saat pertama kali, didiskusikan sebagai kelompok dan kemudian disusun

sebagai laporan.

B. Metode Matematika

a. Analisis Regresi Statistik

Membuat perbandingan statistic dari hubungan masa lampau diantara berbagai factor. Sebagai

contoh, hubungan secara statistic antara penjualan kotor dan jumlah karyawan dalam rantai

retail munkin berguna dalam meramalkan sejumlah karyawan yang akan dibutuhkan jika

pejualan retail 30%.

b. Mode Simulasi

Merupakan gambaran situasi nyata dalam bentuk abstrak sebagai contoh, model ekonometri

meramalkan pertumbuhan dalam pemakaian software akan mengarahkan dalam meramalkan

kebutuhan pengembangan software.

c. Rasio Produkvitas

Menghitung rata-rata jumlah unit yang diproduksi perkaryawan. Rata-rata ini diaplikasikan

untuk ramalan penjualan untuk menentukan jumlah karyawan yang dibutuhkan , sebagai

contoh suatu perusahaan dapat meramalkan penjualan repsentative menggunakan rasio ini.

d. Rasio Jumlah Tenaga Kerja Yang Dibutuhkan

dapat digunakan untuk meramalkan tenaga kerja tak langsung sebagai sontoh, jika perusahaan

biasanya menggunakan satu orang klerikal untuk 25 tenaga kerja produksi, yang rasio dapat

digunakan untuk membantu estimasi untuk tenaga klerikal.

http://www.slideshare.net/kangklinsman/perencanaan-sdm-8092490