MAKALAH

FORECASTING

Disusun Oleh :

RADIFA LAILATUS SA’DIYAH

1351710383 / A6-17

AKADEMI FARMASI SURABAYA

2019
 KATA PENGANTAR

Assalamu’alaikum warahmatullahi wabarokatuh ...

Puji syukur penyusun panjatkan ke hadirat Allah Subhanahu wata΄ala, karena

berkat rahmat-Nya Kami bisa menyelesaikan tugas Makalah mata kuliah
Pendidikan Pancasila yang berjudul Peramalan.Makalah ini diajukan guna
memenuhi tugas mata kuliah Manajemen Operasional.
Kami mengucapkan terima kasih kepada semua pihak yang telah membantu
sehingga makalah ini dapat diselesaikan tepat pada waktunya.Makalah ini masih
jauh dari sempurna, oleh karena itu Kami mengharapkan kritik dan saran yang
bersifat membangun demi kesempurnaan makalah ini.
Semoga makalah ini memberikan informasi bagi pembaca, mahasiswa dan
bermanfaat untuk pengembangan wawasan dan peningkatan ilmu pengetahuan
bagi kita semua.

Wassalamu’alaikum warahmatullahi wabarokatuh ...

Penyusun

16 Juli 2019
 BAB I
PENDAHULUAN

1.1 Latar Belakang Masalah

Peramalan (forecasting) adalah seni dan ilmu untuk memperkirakan kejadian
dimasa depan. Hal ini dapatdilakukan dengan melibatkan pengambilan data
historisdan memproyeksikannya ke masa mendatang dengan suatu bentuk model
matematis. Hal ini bisa juga merupakan prediksi intuisi yang bersifatsubjektif. Hal
inipun dapat dilakukan dengan menggunakan kombinasi model matematis yang
disesuaikan dengan pertimbangan yang baik dari seorang manajer.
Sesuatu yang berjalan dengan baik di suatu perusahaan pada suatu set kondisi
tertentu mungkin bisa menjadi bencana bagi organisasi lain, bahkan pada
departemenyang berbeda di perusahaan yang sama. Selain itu, anda akan melihat
keterbatasan dari apa yang dapat anda harapkan dari suatu peramalan. Peramalan
sangat jarang memberikan hasil yang sempurna. Peramalan juga menghabiskan
banyak biaya dan waktu dan waktu untuk dipersiapkan dan diawasi.
Hanya sedikit bisnis yang dapat menghindari proses peramalan dan hanya
menunggu apa yang terjadi untuk kemudian mengambil kesempatan. Perencanaan
yang efektif baik untuk jangka panjang maupun pendek bergantung pada
peramalan permintaan untuk produk perusahaan tersebut.

1.2 Tujuan
Pembahasan ini bertujuan untuk menguraikan , membahas serta menjelaskan
tentang hal- hal yang berhubungan dengan Peramalan Demanad (Forecast
Demand), sehingga dapat dijadikan sebagai salah satu sumber untuk menambah
ilmu pengetahuan, dan dapat dijadikan sebagai sebuah keahlian. Disamping
tujuan utama tersebut, pembahasan ini juga bertujuan untuk memenuhi tuntutan
tugas terstruktur yang diemban kepada pemakalah.

BAB II
 PEMBAHASAN

2.1 Pengertian Peramalan

Pengertian peramalan (forecasting) : adalah seni dan ilmu memprediksi
peristiwa-peristiwa yang akan terjadi dengan menggunakan data historis dan
memproyeksikannya ke masa depan dengan beberapa bentuk model matematis.
Peramalan merupakan aktivitas fungsi bisnis yang memperkirakan penjualan
dan penggunaan produk sehingga produk-produk itu dapat dibuat dalam kuantitas
yang tepat. Peramalan merupakan dugaan terhadap permintaan yang akan datang
berdasarkan pada beberapa variabel peramal, sering berdasarkan data deret waktu
historis. Peramalan menggunakan teknik-teknik peramalan yang bersifat formal
maupun informal (Gaspersz, 1998).
Kegiatan peramalan merupakan bagian integral dari pengambilan keputusan
manajemen.Peramalan mengurangi ketergantungan pada hal-hal yang belum pasti
(intuitif).Peramalan memiliki sifat saling ketergantungan antar divisi atau bagian.
Kesalahan dalam proyeksi penjualan akan mempengaruhi pada ramalan anggaran,
pengeluaran operasi, arus kas, persediaan, dan sebagainya. Dua hal pokok yang
harus diperhatikan dalam proses peramalan yang akurat dan bermanfaat
(Makridakis, 1999) : Pengumpulan data yang relevan berupa informasi yang dapat
menghasilkan peramalan yang akurat dan Pemilihan teknik peramalan yang
tepat yang akan memanfaatkan informasi data yang diperoleh semaksimal
mungkin.

2.2 Manfaat Ramalan Permintaan

Ada tiga manfaat dari peramalan, yaitu:
1. Menentukan apa yang dibutuhkan untuk ekspansi pabrik (ramalan jangka
panjang).
2. Menentukan perencanaan lanjutan bagi produk-produk yang ada untuk
dikerjakan dengan fasilitas-fasilitas yang ada (ramalan fasilitas)
3. Menentukan penjadwalan jangka pendek produk-produk yang ada untuk
dikerjakan berdasarkan peralatan yang ada (ramalan perencanaan
produksi)
2.3 Peramalan Berdasarkan Urusan Waktu
1) Peramalan jangka pendek ( kurang satu tahun, umumnya kurang tiga bulan
: digunakan untuk rencana pembelian, penjadwalan kerja, jumlah TK,
tingkat produksi),
2) Peramalan jangka menengah ( tiga bulan hingga tiga tahun : digunakan
untuk perencanaan penjualan, perencanaan dan penganggaran produksi
dan menganalisis berbagai rencana operasi),
3) Peramalan jangka panjang ( tiga tahun atau lebih, digunakan untuk
merencanakan produk baru, penganggaran modal, lokasi fasilitas, atau
ekspansi dan penelitian serta pengembangan).

2.4 Pengaruh Daur Hidup Produk

Daur hidup produk adalah perjalanan penjualan dari suatu produk dalam masa
hidupnya. Siklus hidup produk merupakan suatu konsep penting yang
memberikan pemahaman tentang dinamika kompetitif suatu produk.Daur
kehidupan produk dapat dibagi ke dalam empat tahap utama, yaitu :
1. Pengenalan
2. Pertumbuhan
3. Kedewasaaan
4. Tahap Penurunan
Kombinasi bauran pemasaran biasanya juga akan berubah sejalan dengan
pergeseran tahapan dalam siklus kehidupan produknya. Beberapa alasan yang
mendasari tentang hal ini adalah bahwa sikap dan kebutuhan konsumen akan
mengalami perubahan selama siklus berjalan. Kebijakan produk mungkin saja
diarahkan para target pasar yang berbeda karena perbedaan tahap yang dilalui juga
berbeda, ini berakibat bentuk persaingan juga akan mulai bergeser dari yang
bersifat monopoli menuju pada situasi pasar yang mengarah pada oligopoly.
Dalam kaitannya dengan penjualan produk, perbedaan dalam siklus juga
berarti ada perbedaan dalam orientasi pencapaian target penjualan produk
perusahaan. Pada umumnya target penjualan rendah pada tahap perkenalan,
kemudian meningkat pada tahap kedewasaan dan pada akhirnya menurun.

2.5 Jenis-Jenis Peramalan

 Pada umumnya ,berbagai organisasi menggunakan tiga jenis peramalan yang
utama dalam perencanaan operasi dimasa depan.
a. Peramalan ekonomi : membahas siklus bisnis dengan memprediksi tingkat
inflasi dan indikator perencanaan lainnya,
b. Peramalan teknologi : berkaitan dengan tingkat kemajuan teknologi dan
produk baru,
c. Peramalan permintaan : berkaitan dengan proyeksi permintaan terhadap
produk perusahaan. Ramalan ini disebut juga ramalan penjualan, yang
mengarahkan produksi, kapasitas dan siatem penjadualan perusahaan.

2.6 Pendekatan Dalam Peramalan

Terdapat dua pendekatan umum untuk peramlan sebagaimanaada dua cara
mengatasi semua model keputusan. Pendekatan yang satu adalah analisis
kuantitatif dan pendekatan lain adalah analisis kualitiatatif. Peramalan kuantitatif
(quantitative forecast) menggunakan model matematis yang beragam dengan data
masa lalu dan variabel sebab akibat untuk meramalkan permintaan. Peramalan
subjektif kulitatif (qualitative forecast) menggabungkan faktor seperti, intuisi,
emosi, pengalaman pribadi, dan sistem nilai pengambil keputusan untuk meramal.
Beberapa perusahaan menggunakan satu pendekatan dan perusahaan lain
menggunakan pendekatan yang lain. Pada kenyataannya,kombinasi dari keduanya
merupakan kombinasi yang paling efektif.

2.7 Peramalan Berdasarkan Metode dibagi menjadi 2 yaitu;

A. Metode Kualitatif
Metode kualitatif umumnya bersifat subjektif, dipengaruhi oleh intuisi, emosi,
pendidikan dan pengalaman seseorang. Oleh karena itu hasil peramalan dari satu
orang dengan orang lain dapat berbeda. Meskipun demikian, peramalan kualitatif
dapat menggunakan teknik/metodeperamalan,yaitu :
1. Juri dari Opini Eksekutif : metode ini mengambil opini atau pendapat dari
sekelompok kecil manajer puncak/top manager (pemasaran, produksi,
teknik, keuangan dan logistik), yang seringkali dikombinasikan dengan
model-model statistik.
 2. Gabungan Tenaga Penjualan : setiap tenaga penjual meramalkan tingkat
penjualan di daerahnya, yang kemudian digabung pada tingkat provinsi
dan nasional untuk mencapai ramalan secara menyeluruh.
3. Metode Delphi : dalam metode ini serangkaian kuesioner disebarkan
kepada responden, jawabannya kemudian diringkas dan diberikan kepada
para ahli untuk dibuat peramalannya. Metode memakan waktu dan
melibatkan banyak pihak, yaitu para staf, yang membuat kuesioner,
mengirim, merangkum hasilnya untuk dipakai para ahli dalam
menganalisisnya. Keuntungan metode ini hasilnya lebih akurat dan lebih
profesional sehingga hasil peramalan diharapkan mendekati aktualnya.
4. Survai Pasar (market survey) : Masukan diperoleh dari konsumen atau
konsumen potensial terhadap rencana pembelian pada periode yang
diamati. Survai dapat dilakukan dengan kuesioner, telepon, atau
wawancara langsung.

B. Metode Kuantitatif
Berikut ini akan menguraikan lima metode peramlan yang menggunakan data
historis. Kelima metode ini dibagi kedalam dua kategori.
1. Pendekatan naif
2. Rata-rata bergerak
3. Penghalusan eksponensial
4. Proyeksi tren
5. Regresi linier
kombinasi pola selalu berulang sepanjang waktu, dan pola dasar dapat
diidentifikasi semata-mata atas dasar data historis dari serial itu. Tujuan analisis
ini untuk menemukan pola deret variabel yang bersangkutan berdasarkan nilai-
nilai variabel pada masa sebelumnya, dan mengekstrapolasikan pola itu untuk
membuat peramalan nilai variabel tersebut pada masa datang.
Metode kausal (causal/explanatory model) mengasumsikan bahwa faktor yang
diprakirakan menunjukkan adanya hubungan sebab akibat dengan satu atau
beberapa variabel bebas (independen).Misalnya, permintaan printer berhubungan
dengan jumlah penjualan komputer, atau jumlah pendapatan berhubungan dengan
faktor-faktor, seperti jumlah penjualan, harga jual, dan tingkat promosi.Kegunaan
metode kausal untuk menemukan bentuk hubungan antara variabel-variabel dan
menggunakannya untuk meramalkan nilai dari variabel tidak bebas (dependen).

2.8 Ramalan Serial Waktu

Analisis serial waktu dimulai dengan memplot data pada suatu skala waktu,
mempelajari plot tersebut, dan akhirnya mencari suatu bentuk atau pola yang
konsisten atas data. Pola dari serangkaian data dalam serial waktu dapat
dikelompokkan dalam pola dasar sebagai berikut
1. Konstan, yaitu apabila data berfluktuasi di sekitar rata-rata secara stabil.
Polanya berupa garis lurus horizontal.Pola seperti ini terdapat dalam
jangka pendek atau menengah, jarang sekali suatu variabel memiliki pola
konstan dalam jangka panjang.
2. Kecenderungan (trend), yaitu apabila data dalam jangka panjang
mempunyai kecenderungan, baik yang arahnya meningkat dari waktu ke
waktu maupun menurun. Pola ini disebabkan antara lain oleh
bertambahnya populasi, perubahan pendapatan, dan pengaruh budaya.
3. Musiman (seasonal), yaitu apabila polanya merupakan gerakan yang
berulang-ulang secara teratur dalam setiap periode tertentu, misalnya
tahunan, semesteran, kuartalan, bulanan atau mingguan. Pola ini
berhubungan dengan faktor iklim/cuaca atau faktor yang dibuat oleh
manusia, seperti liburan dan hari besar.
4. Siklus (cyclical), yaitu apabila data dipengaruhi oleh fluktuasi ekonomi
jangka panjang, seperti daur hidup bisnis. Perbedaan utama antara pola
musiman dan siklus adalah pola musiman mempunyai panjang gelombang
yang tetap dan terjadi pada jarak waktu yang tetap, sedangkan pola siklus
memiliki durasi yang lebih panjang dan bervariasi dari satu siklus ke
siklus yang lain.
5. Residu atau variasi acak, yaitu merupakan satu titik khusus dalam data
yang disebabkan oleh pekuang dan situasi tidak lazim,dan data tidak
mempunyai pola khusus sehingga tidak dapat diprediksi.

2.9 Metode Rata – Rata Bergerak

1. Metode Rata-Rata Bergerak Sederhana (Simple Moving Average)

 Metode rata-rata bergerak adalah Teknik yang merata-ratakan sejumlah nilai
aktual terbaru dan memperbaruinya ketika tersedia nilai baru. Prakiraan
didasarkan pada proyeksi serial data yang dimuluskan dengan rata-rata bergerak.
Satu set data (N periode terakhir) dicari rata-ratanya, selanjutnya dipakai sebagai
prakiraan untuk periode berikutnya. Istilah rata-rata bergerak digunakan karena
setiap diperoleh observasi (data aktual) baru maka rata-rata yang baru dapat
dihitung dengan mengeluarkan/meninggalkan data periode yang terlama dan
memasukkan data periode yang terbaru/terakhir. Rata-rata yang baru ini kemudian
dipakai sebagai prakiraan untuk periode yang akan datang, dan seterusnya. Serial
data yang digunakan jumlahnya selalu tetap termasuk data periode terakhir.

Semakin panjang/banyak serial waktu yang digunakan, grafik prakiraannya

akan semakin halus (pengisolasian faktor random makin halus) tetapi semakin
kurang responsif terhadap data aktualnya .Serial waktu yang digunakan dipilih
secara trial and error sampai diperoleh kesalahan prakiraan yang terkecil.
Pengukuran ketelitian prakiraan diterangkan pada bagian akhir bab ini.

2. Metode Rata-Rata Bergerak Tertimbang

Metode rata-rata bergerak sederhana menggunakan bobot yang sama pada

setiap periode. Hal ini menunjukkan bentuk prakiraannya linier. Dalam banyak
hal, periode yang diramalkan (periode t + 1) banyak memiliki keadaan yang sama
dengan periode t dibandingkan periode yang lain, misalnya t-1 atau t-2. Oleh
karena itu, periode terakhir seyogianya mendapat bobot yang lebih besar
dibandingkan dengan periode sebelumnya (di sini menyiratkan adanya bentuk
prakiraan yang non linier).Metode rata-rata tertimbang dikembangkan untuk dapat
memenuhi keinginan itu.
Metode rata-rata bergerak tertimbang (weighted moving average) juga
menggunakan data N periode terakhir sebagai data historis untuk melakukan
prakiraan, tetapi setiap periode mendapat bobot yang berbeda.
Kelebihan dari rata-rata tertimbang dibandingkan rata-rata bergerak sederhana
adalah bahwa rata-rata tertimbang lebih reflektif terhadap peristiwa baru. Namun,
pilihan bobot biasanya agak sembarangan dan melibatkan penggunaan uji coba
untuk menemukan skema pembobotan yang sesuai.
 Pemulusan Eksponensial (Exponential smoothing) adalah metode untuk
menghitung rata-rata tertimbang yang canggih serta masih relatif mudah
digunakan dan dipahami. Setiap ramalan baru didasarkan pada ramalan
sebelumnya ditambah dengan presentase selisih antara ramalan dengan nilai
aktual dari deret pada titik tersebut. Artinya :

Ramalan berikutnya = Ramalan sebelumnya + α (Aktual – Ramalan sebelumnya)

(Aktual – Ramalan sebelumnya) mewakili kesalahan ramalan dan α adalah

presentase dari kesalahan. Lebih ringkasnya :

Ft = Ft-1 + α (At-1 – Ft-1)

Keterangan :
Ft = Ramalan untuk periode t
Ft-1 = Ramalan untuk periode sebelumnya (misalnya, periode t – 1)
α = Konstan pemulusan
At-1 = Permintaan aktual atau penjualan untuk periode sebelumnya

Konstanta pemulusan α mewakili presentase kesalahan ramalan.Setiap ramalan

baru sama dengan ramalan sebelumnyaditambah presentase kesalahan
sebelumnya. Contohnya, ramalan sebelumnya adalahan 42 unit, permintaan aktual
adalah 40 unit, dan α = 0,10. Ramalan baru akan dihitung sebagai berikut.

Ft = 42 + 0,10 (40-42) = 41,8

Kemudian, apabila permintaan aktual berubah menjadi 43, ramalan berikutnya

akan menjadi :

Ft = 41,8 + 0,10 (43 + 41,8) = 41,92

 Bentuk alternatif rumus 3-2a menyatakan pembobotan dari ramalan sebelumnya
dan permintaan aktual terbaru :

Ft = (1 – α)Ft-1 + αAt-1

Contohnya, jika α = 0,10, rumusnya akan menjadi :

Ft = 0,90Ft-1 + 0,10At-1

Kecepatan penyesuaian ramalan terhadap kesalahan ditentukan dengan

konstanta pemulusan α. Semakin dekat dengan nilai α dengan nol, semakin lambat
ramalan akan menyesuaikan diri dengan kesalahan ramalan (misalnya, pemulusan
lebih besar). Sebaliknya, semakin dekat nilai α dengan 1,00, semakin besar
kemampuan untuk merespon dan pemulusan lebih kecil.
Pada dasarnya, memilih konstanta pemulusan adalah masalah penilaian uji
coba, yaitu menggunakan kesalahan ramalan untuk mengarahkan keputusan.
Sasarannya adalah memilih konstanta pemulusan yang menyeimbangkan
keuntungan dari pemulusan variasi acak dengan keuntungan dari respons terhadap
perubahan riil apabila hal itu terjadi.

2.10 Proyeksi Tren

Analisis trend mencakup mengembangkan persamaan yang akan
menguraikan trend secara pantas (mengasumsikan bahwa ternd ada di dalam
data). Komponen trend mungkin linier ataupun tidak.
Ada dua teknik penting yang dapat digunakan untuk mengembangkan ramalan
ketika adatrend. Salah satu teknik melibatkan pengunaan persamaan trend,
sedangkan teknik lainnya adalah perluasan dari pemulusan eksponensial.
 Persamaan Trend. Persamaan trend linier (linier trend equation) digunakan
untuk mengembangkan ramlan ketika terdapat trend. memiliki bentuk sebagai
berikut.
Ft = α + bt
Contohnya, perhatikan persamaan trend Ft = 45 + 5t. Nilai Ft ketika t = 0
adalah 45 dan kemiringan garisnya adalah , yang berarti bahwa rata-rata nilai
Ft akan meningkat lima unit untuk setiap periode waktu. Apabila t = 10,
ramalannya, F1, adalah 45 + 5(10) = 95 unit.

KESIMPULAN

Peramalan adalah bagian terpenting dari fungsi manajer operasi. Peramalan

permintaan mengarahkan produksi,kapasitas,dan sistem pendjadwalan
perusahaan,serta memengaruhi fungsi keuangan,pemasaran,dan perencanaan
karyawan. Ada beberapa teknik peramalan kualitatif dan kuantitatif. Pendekatan
kualitatif menggunakan penilaian,pengamalan,perasaan,dan faktor lian yang sulit
diukur. Peramalan kuantitatif menggunakan data masa lalu,sebab-akibat,atau
asosiatif untuk diproyeksikan pada permintaan masa datang. Perhitungan
peramalan jarang dilaksanakan secara manual. Hampir semua manajer operasi
menggunakan paket piranti lunak, seperti Forecast, PRO, SAP, txMetrix, AFS,
SAS, SPSS, atau Exel.

DAFTAR PUSTAKA

http://www.slideshare.net/bianjee/manajemen-operaasional-31264965
http://softspaces.blogspot.co.id/2013/10/forecasting-peramalan-dalam-
manajemen.html
http://zonainfosemua.blogspot.co.id/2011/01/pengertian-metode-penelitian-
kualitatif.html
https://vebyenandes.wordpress.com/2013/03/27/manajemen-industri-metode-
peramalan-forecasting/
Wiliam J.Stevenson.Sum chee Chuong-manajemen operasi perspektif asia edisi 9
buku 1,penerbit salemba empat.