MODUL PERKULIAHAN SALESMANSHIP

Transkripsi

1 MODUL PERKULIAHAN SALESMANSHIP PELUANG DAN PERAMALAN PENJUALAN Fakultas Program Studi Tatap Muka Kode MK Disusun Oleh Ekonomi dan Bisnis S-1 Manajemen Abstract Pada modul ini akan mempelajari mengenai konsep Peluang dan Peramalan Penjualan. Kompetensi Mahasiswa setelah selesai mempelajari modul ini diharapkan mampu untuk memahami berbagai metode Peramalan Penjualan. 1

2 Latar Belakang Peramalan ( Forecasting) adalah seni dan ilmu untuk memperkirakan kejadian di masa depan. Berdasarkan horizon waktu, peramalan dibagi 3 (tiga), yaitu : 1. Peramalan jangka pendek 2. Peramalan jangka menengah 3. Peramalan jangka panjang Sedangkan Peramalan jangka menengah dan jangka panjang dapat dibedakan dari peramalan jangka pendek dengan melihat dari tiga (tiga) hal, yaitu : 1. Peramalan jangka menengah dan panjang berkaitan dengan permasalahan yang lebih menyeluruh dan mendukung keputusan manajemen yang berkaitan dengan perencanaan produk, pabrik, dan proses. 2. Permalan jangka pendek biasanya menetapkan metodologi yang berbeda dibandingkan peramalan jangka panjang. Peramalan jangka pendek cenderung lebih tepat dibandingkan peramalan jangka panjang. 3. Faktor-faktor yg mempengaruhi perubahan permintaan berubah setiap hari, dengan demikian semakin panjang horizon waktu, ketepatan peramalan seseorang akan semakin berkurang. Faktor lain yg harus dipertimbangkan saat membuat peramalan penjualan, terutama peramalan penjualan jangka panjang, adalah siklus hidup produk. Penjualan produk bahkan jasa tidak terjadi pada tingkat yg konstan sepanjang hidupnya. Hampir semua produk yg berhasil melalui empat tahapan, yaitu : perkenalan, pertumbuhan, kematangan dan penurunan. A. Sistem Peramalan Penjualan Dalam menetapkan peramalan penjualan memiliki 7 (tujuh) langkah dasar sistem peramalan, antara lain: 1. Menetapkan tujuan peramalan. 2. Memilih unsur yang akan diramalkan. 3. Menentukan horizon waktu peramalan. 4. Memilih jenis model pemodelan. 5. Mengumpulkan data yang diperlukan untuk melakukan peramalan. 6. Membuat peramalan. 2

3 7. Memvalidasikan dan menerapkan hasil peramalan. Lebih lanjut terdapat 2 (dua) pendekatan umum untuk peramalan, yaitu : 1 Peramalan kuantitatif : Peramalan yang menggunakan model matematis yang beragam dengan data masa lalu dan variabel sebab-akibat untuk peramalan permintaan. 2. Peramalan kualitatif : Peramalan yg menggabungkan factor-faktor seperti : intuisi, emosi, pengalaman pribadi, dan sistem nilai pengambilan keputusan untuk meramal. Peramalan kualitatif umumnya bersifat subjektif dan bergantung pada pengalaman, keahlian, dan pendapat seseorang. Metode ini lebih digunakan ketika terdapat faktor-faktor yang menyebabkan data menjadi berubah seperti perkiraan penjualan ketika menggunakan teknologi baru seperti internet, adanya promo penjualan bulan ke depan, atau bahkan ketika produk baru diluncurkan. Ada 4(empat) teknik peramalan kualitatif : 1. Juri dari opini eksekutif atau Panel Consensus Peramalan semata-mata berdasarkan pertimbangan manajemen, umumnya oleh manajemen senior. Metode ini akan cocok dalam situasi yang sangat sensitif terhadap intuisi dari suatu atau sekelompok kecil orang yang karena pengalamannya mampu memberikan opini yang kritis dan relevan. Teknik akan dipergunakan dalam situasi dimana tidak ada situasi dimana tidak ada alternatif lain dari model peramalan yang dapat diterapkan. Bagaimanapun metode ini mempunyai banyak keterbatasan, sehingga perlu dikombinasikan dengan metode peramalan yang lain. 2. Metode Delphi. Sekelompok pakar mengisi kuesioner, Moderator menyimpulkan hasilnya dan memformulasikan menjadi suatu kuesioner baru yang diisi kembali oleh kelompok tersebut, demikian seterusnya. Hal ini merupakan proses pembelajaran dari kelompok tanpa adanya tekanan atau intimidasi individu. 3. Life cycle analogy Secara umum, hampir semua produk akan mengikuti product life cycle (PLC) yang meliputi introduction, growth, maturity,dan decline. 3

4 Berdasar pada pengalaman produk yang sama pada periode yang lalu, seseorang dapat membuat model yang sama dengan produk tersebut. 4. Survei pasar konsumen (market research) Merupakan metode peramalan berdasarkan hasil hasil dari survei pasar yang dilakukan oleh tenaga-tenaga pemasar produk atau yang mewakilinya. Metode ini akan menjaring informasi dari pelanggan atau pelanggan potensial (konsumen) berkaitan dengan rencana pembelian mereka di masa mendatang. Riset pasar tidak hanya akan membantu peramalan, tetapi juga untuk meningkatkan desain produk dan perencanaan untuk produk-produk baru. Ada beberapa metode peramalan kuantitatif, sebagai berikut: 1. Model Deret Waktu : a. Pendekatan naif Pendekatan naif adalah teknik peramalan yg mengasumsikan permintaan periode berikutnya sama dengan permintaan pada periode terakhir. Dengan kata lain, jika penjualan sebuah produk (mis: telpon gemgam Motorolla) adalah 68 unit pada bulan Januari, kita dapat meramalkan pen-jualan pada bulan Februari akan sama, yaitu sebanyak 68 unit juga. Pendekatan naif ini merupakan model peramalan objektif yg paling efektif dan efisien dari segi biaya. Paling tidak pen-dekatan naif memberikan titik awal untuk perbandingan dengan model lain yang lebih canggih. b. Rata-Rata Bergerak Rata-rata bergerak adalah suatu metode peramalan yg menggunakan ratarata periode terakhir data untuk meramalkan periode berikutnya. Permintaan dlm periode n sebelumnya Rata - rata Bergerak n n = jumlah periode dalam rata-rata bergerak Contoh: Meramalan Penjualan dengan Metode Rata-rata Bergerak 4

5 Bulan Penjualan Aktual Rata-rata bergerak 3 bulanan Januari 10 Februari 12 Maret 13 April 16 ( )/3 = 11,67 Mei 19 ( )/3 = 13,67 Juni 23 ( )/3 = 16 Juli Agustus September Oktober Nopember Desember 26 ( )/3 = 19,33 30 ( )/3 = 22,67 28 ( )/3 = 26,33 18 ( )/3 = ( )/3 = 25,33 14 ( )/3 = 20,67 Rumus Pembobotan Rata-Rata Bergerak: Pembobotan rata - rata bergerak (bobot periode n)(permintaan dlm periode bobot n) 5

6 Bulan Penjualan Aktual Rata-rata bergerak 3 bulanan Januari 10 Februari 12 Maret 13 April 16 [(3x13)+(2x12)+(10)]/6 = 12, 16 Mei 19 [(3x16)+(2x13)+(12)]/6 = 14, 33 Juni 23 [(3x19)+(2x16)+(13)]/6 = 17,00 Juli 26 [(3x23)+(2x19)+(16)]/6 = 20,50 Agustus 30 [(3x26)+(2x23)+(19)]/6 = 23,80 September 28 [(3x30)+(2x26)+(23)]/6 = 27,50 Oktober 18 [(3x28)+(2x30)+(26)]/6 = 28,33 Nopember 16 [(3x18)+(2x28)+(30)]/6 = 23,33 Desember 14 [(3x16)+(2x18)+(28)]/6 = 18,67 c. Penghalusan eksponensial Penghalusan eksponensial merupakan metode peramalan rata-rata bergerak dgn pembobotan dimana titik data dibobotkan oleh fungsi eksponensial. PeramalanBaru Rumus penghalusan eksponensial : PeramalanPeriode terakhir (Permintaan sebenarnyaperiode terakhir) - peramalanperiode terakhir dimana : α adalah sebuah bobot atau konstanta penghalusan yg dipilih oleh peramal yg mempu-nyai nilai antara 0 dan 1. Rumus : 6 F t F ( A F 1) t 1 t 1 t

7 dimana : F t = Peramalan baru F t-1 = Peramalan sebelumnya α = Konstanta penghalusan (0 α 1) A t-1 = Permintaan aktual periode lalu Konstanta Penghalusan Periode Terakhir Periode Sebelum Terakhir Periode Kedua Sebelum Terakhir Periode Ketiga Sebelu m Terakhir Periode Keempat Sebelum Terakhir α= 0,1 0,1 0,09 0,081 0,073 0,066 α= 0,5 0,5 0,25 0,125 0,063 0,031 Metode Deret waktu ini pada prinsipnya didasarkan pada urutan dari titik-titik data yang berjarak sama dalam waktu (mingguan, bulanan, kuartalan, dll). Menganalisis deret waktu berarti membagi data masa lalu menjadi komponenkomponen, kemudian memproyeksikan-nya ke masa depan. Deret waktu mempunyai empat komponen : 1. Tren : merupakan pergerakkan data sedikit demi sedikit meningkat atau menurun. Perubahan pendapatan, populasi, penyebaran umur, atau pandangan budaya dapat mempengaruhi pergerakkan tren. 2. Musiman : adalah pola data yg berulang pada kurun waktu tertentu, seperti : harian, mingguan, bulanan, atau kuartal. 3. Siklus : pola dalam data yg terjadi setiap beberapa tahun. Siklus ini biasanya terkait pada siklus bisnis dan m rupakan satu hal penting dalam analisis dan perencanaan bisnis jangka pendek. Memprediksi siklus bisnis sulit dilakukan karena adanya pengaruh kejadian politik ataupun kerusuhan internasional. 4. Variasi acak : merupakan satu titik khusus dalam data yg disebabkan oleh peluang dan situasi yg tidak lazim.variasi acak tdk mempunyai pola khu sus 7

8 shg tdk dapat diprediksi. 2. Model Asosiasif : a. Proyeksi tren b. Regresi linear 3. Model asosiatif (hubungan sebab akibat) Seperti regresi linear, menggabungkan banyak variabel atau faktor yg mungkin mempengaruhi kuantitas yang sedang diramalkan. Sebagai contoh, model asosiatif dari penjualan mesin pemotong rumput mungkin memasukkan faktor seperti adanya perumahan baru, anggaran iklan, dan harga pesaing. B. Contoh kasus perhitungan metode peramalan penjualan kuantitatif Metode peramalan penjualan yang dapat digunakan dalarn perusahaan adalah banyak sekali seperti metode komposisi tenaga penjual, metode opini para eksekutif, metode statistika peramalan penjualan. Tapi yang paling sering digunakan adalah metode kuadrat terkecil atau lebih lazim disebut dengan metode trend. Dengan mempergunakan metode kuadrat terkecil ini, perusahaan akan dapat melakukan perhitungan peramalan penjualan produk perusahaan melalui dua macam bentuk yaitu bentuk linier/garis lurus dan bentuk kuadrat/garis lurus dan bentuk kuadrat/garis lengkung. Bentuk mana yang akan digunakan oleh perusahaan tergantung dari bentuk mana yang paling sesuai dengan kondisi yang berlaku diperusahaan saat ini. Adapun bentuk umum dari trend garis lurus dan garis lengkung yang sering dipergunakan untuk penyusunan peramalan penjualan produk perusahaan tersebut adalah sebagai berikut : Y = a + bx untuk trend garis lurus, serta Y = a + bx + cx 2 untuk trend garis lengkung Dimana : Y = variabel yang akan diramalkan, dalam hal ini adalah peramalan penjualan produk perusahaan. a = konstanta yang akan menunjukan besarnya harga Y apabila X sama dengan 0 (nol) b = variabel per x" yaitu menunjukkan besamya perubahan nilai Y dan setiap perubahan satu unit x. 8

9 x = unit waktu, yang dapat dinyatakan dengan minggu, bulan, semester, tahun dan lainnya tergantung kepada kesesuaian dari perusahaan itu sendiri. Di dalam mempergunakan model peramalan penjualan produk perusahaan seperti diatas, maka Y adalah merupakan variabel yang akan dicari atau variabel yang diramalkan. X merupakan unit waktu, sehingga manajemen perusahaan yang akan menentukan untuk nilai X, berapa besar peramalan tersebut akan dilakukan. Oleh karena itu dalam penyelesaian peramalan tersebut perlu ditentukan terlebih dahulu besarnya nilai a dan b untuk garis lurus atau nilai a, b dan c untuk trend garis lengkung. Untuk mencari besarnya nilai a, b, dan c maka dapat dilakukan dengan mempergunakan rumus-rumus sebagai berikut: a = Y/n dan b = Y/ X 2 dengan syarat X = 0 untuk trend garis lurus, dan Y = na + c X 2 XY = b X 2 X2Y = a V 2 + c X 4 dengan syarat X = 0 dimana n adalah sama dengan jumlah data. adalah perusahaan yang bergerak dibidang bola lampu. Perusahaan ini memproduksi dan sekaligus memasarkan 2 (dua) jenis produk yang masing-masing produk itu adalah Peru 1 (PI) dan Peru 2 (P2). Data penjualan perusahaan tersebut pada waktu-waktu yang lalu adalah sebagaimana digambarkan dalam tabel berikut ini. Data Penjualan Tahun (dalam unit) No Tahun Peni 1 (P1) Peni 2 (P2) Persiapan Peramalan Penjualan P1 N0 X Y XY X 2 X 2 Y X

10 Trend Garis Lurus Y = a + bx a = Y/n b = XY/ X2 a = /5 b = 1.200/10 a = b = 120 Y = x Peramalan P1 untuk tahun 2006, x=3 Y99 = (4) Y99 = (3) Y99 = Y99 = Peramalan P1 untuk tahun 2007, x=4 Y 00 = (4) Y 00 = Y 00 = Trend Garis Lengkung Y = a+ bx +cx2 Y = na + c x = 5a + 10c...(1) XY = b X = 10b...(2) X2Y = a X2 + c X = 10a + 34c...(3) Persamaan 1 dan = 10a + 20c = 5a + 34c = 10a + 34c = 5a + 10c = 5a + 10 (12,86) 5a = ,6 5a = ,4 a = ,28 Y = , x + 12,86x2 Peramalan P1 untuk tahun 2006, x =3 Y99 = , (3) + 12,86 (3)2 180 = -14c c = 12,86 10

11 Y99 = , ,74 Y99 = ,02 dibulatkan jadi Peramalan P1 untuk tahun 2007, x=4 Y 00 = , (4) + 12,86 (4)2 Y 00 = , ,76 Y 00 = ,04 dibulatkan jadi Persiapan Peramalan Penjualan P2 N0 X Y XY X 2 X 2 Y X Trend Garis Lurus a = Y/n b= XY/ X2 a = /5 b= /10 a = b= Y = (3) Peramalan P2 untuk tahun 2006, x=3 Y 99 = (3) Y 99 = Y 99 = Peramalan P2 untuk tahun 2007, x=4 Y 00 = (4) Y 00 = Y 00 = Trend Garis Lengkung Y = na + c x = 5a + 10c...(1) XY = b X = 10b...(2) b = X2Y = a X2 + c X = 10a + 34c...(3) Persamaan 1 dan = 5a + 10c = 10a + 20c = 10a + 34c = 10a + 34c = -14c 11

12 c = 71, = 5a + 10c = 5a + 10 (71.43) 5a = ,3 5a = ,7 a = 16,957,14 Y = , x + 71,43x2 Peramalan P2 untuk tahun 1999, x = 3 Y 99 = , (3) + 71,43 (3)2 Y 99 = , ,87 Y 99 = ,01 dibulatkan jadi Peramalan P2 untuk tahun 2000, x = 4 Y 00 = , (4) + 71,43 (3)2 Y 00 = , ,88 Y 00 = ,02 dibulatkan jadi Peramalan Penjualan Produk Perusahaan Tahun 2006 dan 2007 No produk Tahun 2006 Tahun 2007 Garis lurus Garis lengkung Garis lurus Garis lengkung 1 Peni Peni Cara lain yang sering digunakan adalah dengan cara menghitung besarnya standar kesalahan peramalan. Dengan cara ini tentunya manajemen perusahaan yang bersangkutan akan mernilih model peramalan yang mempunyai nilai SKP terkecil diantara model peramalan yang ada. Nilai SKP yang kecil akan menunjukan bahwa peramalan yang disusun tersebut mendekati kenyataan yang ada. Demikian juga sebaliknya. Adapun besarnya nilai SKP ini akan dapat dicari dengan mempergunakan rumus berikut ini: SKP = {X.Y}2 : n } Dimana: SKP = Standar Kesalahan Peramalan X = Penjualan Riil/nyata Y = peramalan Penjualan n = Banyaknya data 12

13 Dan contoh peramalan penjualan produk perusahaan diatas, akan dapat disusun penyimakan peramalan penjualannya dengan melihat standar kesalahan peramalan yang ada. Dari kedua macam model peramalan tersebut kemudian dipilih model yang mempunyai SKP terkecil. Untuk mempermudah perhitungan SKP ini perlu disusun label pertolongan sebagaimana disajikan berikut ini. Data Penjualan Produk Peni 1 Menurut Model Trend Garis Lurus (Persamaan tren Y = x) Tahun No Tahun X a BX Y Perhitungan SKP P1 Trend Garis Lurus Tahun No Tahun Rill (X) Peramalan (Y) (XY) (XY) jumlah 4000 Standar Kesalahan Peramalan (X. Y)2 : n = Data Penjualan Produk Peni 2 Menurut Model Trend Garis Lurus (Persamaan trend Y = x) Tahun No Tahun X a bx CX 2 Y 13

14 , , , , , , , , , , , , ,86 Perhitungan SKP P1 Trend Garis Lengkung Tahun No Tahun Rill (X) Peramalan (Y) (XY) (XY) ,86-42, , ,57 71, , ,14-128, , ,57-128, , ,86 57, ,98 jumlah ,44 Standar Kesalahan Peramalan (X. Y)2 : n = 75,60 Ringkasan Perhitungan SKP Untuk Peramalan Tahun No Produk Trend Garis Lurus Trend Garis Lengkung 1 Peni 1 28,28 15,31 2 Peni 2 141,42 75,60 Dapat ditentukan model yang paling sesuai atau paling mendekat kenyataan yang ada di dalam perusahaan adalah sebagai berikut: Produk Pelni 1 dengan trend garis lengkung Produk Peni 2 dengan trend garis lengkung Dengan demikian perencanaan penjualan induk produk perusahaan tersebut untuk tahun 2006 dan 2007 adalah: Tahun 2006 Tahun 2007 Produk Jumlah unit Produk Jumlah unit Peni Peni Peni Peni Anggaran Penjualan Tahun Anggaran 2006 No Produk Unit Harga/ unit total 1 Peni

15 2 Peni Jumlah Unit Keseluruhan Anggaran Penjualan Tahun Anggaran 2007 No Produk Unit Harga/ unit total 1 Peni Peni Jumlah Unit Keseluruhan C. Menghitung Kesalahan Peramalan Ada beberapa perhitungan yg biasa digunakan untuk menghitung kesalahan dalam peramalan. Tiga dari perhitungan yang paling terkenal adalah deviasi mutlak rata-rata (mean absolute deviation = MAD). Kesalahan kuadrat rata-rata (mean absolute deviation =MSE) dan kesalahan persen mutlak rata-rata (mean absolute percent = MAPE). 1. Deviasi Mutlak Rata-rata (MAD) MAD adalah nilai yg dihitung dengan me-ngambil jumlah nilai absolut dari setiap kesalahan peramalan dibagi dengan jumlah periode data (n). Aktual MAD n Peramalan Contoh : Selama 8 kuartal terakhir, Perusahaan X membongkar muat sejumlah besar biji-bijian dari kapal. Manajer operasi pelabu-han ingin menguji penggunaan 15

16 penghalus-an eksponensial utk melihat seberapa baik teknik ini bekerja dalam memprediksi tonase biji-bijian yg dibongkar/muat. Ia menebak peramalan bongkar atau muat biji-bijian pada kuartal pertama adalah 175 ton. Dua nilai yang diuji α=0,1 dan α=0,5. Penyelesaiannya: Kuartal Tonase Bongkar/M uat Peramalan yg dibulatkan dgn α =0,1 Peramalan yg dibulatkan dgn α =0, ,1( )=175,50 177, ,50+0,1( ,50)=174,75 172, ,75+0,1( ,75)=173,18 165, ,18+0,1( ,18)=173,36 170, ,36+0,1( ,36)=175,02 180, ,02+0,1( ,02)=178,02 192, ,02+0,1( ,02)=178,22 186,30 9? 178,22+0,1( ,22)=178,59 184,15 a. Perhitungan MAD: 16

17 Kuartal Tonase B/M Aktual Peramalan α= 0,1 Deviasi Absolut α=0,1 Peramalan α= 0,5 Deviasi Absolut α=0, , , ,50 7,50 177,50 9, ,75 15,75 172,75 13, ,18 1,82 165,88 9, ,36 16,64 170,44 19, ,02 29,98 180,22 24, ,02 1,98 192,61 12, ,22 3,78 186,30 4,30 b. Perhitungan dengan metode kesalahan kuadrat Rata-rata (MSE) 17

18 Kuartal Tonase B/M Aktual Peramalan α= 0,1 Deviasi Absolut α=0,1 Peramalan α= 0,5 DeviasiAbsolut α=0, , , ,50 7,50 177,50 9, ,75 15,75 172,75 13, ,18 1,82 165,88 9, ,36 16,64 170,44 19, ,02 29,98 180,22 24, ,02 1,98 192,61 12, ,22 3,78 186,30 4,30 Jumlah Kesalahan dikuadratkan = 1.526,46 MSE=(Jumlah Kesalahan dikuadratkan)/n = 190,80 c. Perhitungan dengan Metode Kesalahan Persen Mutlak Rata-rata (MAPE) 18

19 Kuartal Tonase B/M Aktual Peramalan α=01 MAPE 100 (Kesalahan/ Aktual) (5/180)(100) =0, ,50 0, ,75 0, ,18 0, ,36 0, ,02 0, ,02 0, ,22 0,0208 Jumlah kesalahan = 0,4475 MAPE=(Jumlah Kesalahan)/n = 0,

20 DAFTAR PUSTAKA Afiff, Faisal.(), Teknik Penjualan, Penerbit Angkasa. Anhari, Maskur.(), Creative Salesman: Tips Menjadi Salesman No.1, Penerbit Kobis. Buduara, Sotar. dan Sirait, S.Martin.(2006), : Ilmu dan Seni menjadi penjual yang sukses, Penerbit Bumi Aksara. Fadly. R.A., dan Kartini RAF Tien. Penyusunan Budget: Perencanan dan Pengendalian Laba I, Penerbit Aksara Baru. Jakarta, Marwanto, Aris.(2013), Super Sales: Bagaimana Menjadi Sales No.1, Penerbit Buku Pintar. Robinson, Marco.(), Close the Deal and Suddenly Grow Rich, Penerbit Gramedia Pustaka Utama. Robins and Coulter, 1996, management 5 ed Prentice Hall, Inc Stoner James AF, Alihbahasa Gunawan Hutauruk MBA, 1986, Manajemn Jilid I; Erlangga, Jakarta Stoner James F, Freeman, Edward R and Gilbert, Daniel R, 1995, Management 6 ed, Prentice Hall, Inc, 20